Come dipende l'effetto della corrente dalla corsia?
Per quantificare l'effetto del numero di corsia sulla performance, esegui una regressione lineare dei dati f_13 rispetto a lanes. Esegui un bootstrap a coppie per ottenere un intervallo di confidenza al 95%. Infine, crea un grafico della regressione. Gli array lanes e f_13 sono già nello spazio dei nomi.
Nota: potremmo calcolare le barre d'errore sulle differenze frazionarie medie e usarle nella regressione, ma ciò va oltre lo scopo di questo corso.
Questo esercizio fa parte del corso
Casi di studio nel pensiero statistico
Istruzioni dell'esercizio
- Calcola la pendenza e l'intercetta della retta
f_13rispetto alanesusandonp.polyfit(). - Usa
dcst.draw_bs_pairs_linreg()per ottenere 10.000 replicati bootstrap di pendenza e intercetta, salvandoli rispettivamente inbs_reps_slopeebs_reps_int. - Usa i replicati bootstrap per calcolare un intervallo di confidenza al 95% per la pendenza.
- Stampa a schermo la pendenza e l'intervallo di confidenza al 95%. Questo è già stato fatto per te.
- Usando
np.array(), genera i valori di x da usare per il grafico delle linee bootstrap.xdeve andare da1a8. - Il grafico contiene già i dati. Scrivi un ciclo
forper aggiungere 100 linee bootstrap al grafico usando gli argomenticolor='red',alpha=0.2elinewidth=0.5.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Compute the slope and intercept of the frac diff/lane curve
____, ____ = ____
# Compute bootstrap replicates
bs_reps_slope, bs_reps_int = ____
# Compute 95% confidence interval of slope
conf_int = ____
# Print slope and confidence interval
print("""
slope: {0:.5f} per lane
95% conf int: [{1:.5f}, {2:.5f}] per lane""".format(slope, *conf_int))
# x-values for plotting regression lines
x = ____
# Plot 100 bootstrap replicate lines
for i in ____:
_ = ____(____, ____[i] * ____ + ____[i],
color='red', alpha=0.2, linewidth=0.5)
# Update the plot
plt.draw()
plt.show()