Visualisation des résultats du rééchantillonnage
Vous allez maintenant visualiser les résultats de votre simulation de l’exercice précédent ! Vous continuez à travailler avec nba_weights, qui contient les masses d’un groupe de joueurs NBA en kilogrammes :
nba_weights = [96.7, 101.1, 97.9, 98.1, 98.1,
100.3, 101.0, 98.0, 97.4]
Voici le code de simulation de l’exercice précédent :
simu_weights = []
for i in range(1000):
bootstrap_sample = random.choices(nba_weights, k=9)
simu_weights.append(np.mean(bootstrap_sample))
mean_weight = np.mean(simu_weights)
upper = np.quantile(simu_weights, 0.975)
lower = np.quantile(simu_weights, 0.025)
print(mean_weight, lower, upper)
La liste simu_weights que vous avez générée au dernier exercice est chargée pour vous. De même, mean_weight, lower et upper sont déjà définies comme la moyenne et les quantiles 2,5 % et 97,5 % de votre intervalle de confiance.
Les packages suivants ont déjà été importés pour vous : random, numpy sous le nom np, seaborn sous le nom sns, et matplotlib.pyplot sous le nom plt.
Cet exercice fait partie du cours
Simulations de Monte Carlo en Python
Instructions
- Utilisez
sns.displot()pour tracer la distribution des poids simulés. - Utilisez
plt.axvline()pour tracer deux lignes verticales correspondant à l’intervalle de confiance à 95 % (tracezlowerpuisupper) en rouge, et la moyenne en vert.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Plot the distribution of the simulated weights
____
# Plot vertical lines for the 95% confidence intervals and mean
plt.axvline(____, color="red")
plt.axvline(____, color="red")
plt.axvline(____, color="green")
plt.show()