Stima della velocità e della confidenza

Continuiamo a esaminare i dati sulle escursioni nei Parchi Nazionali. Nota che alcune distanze sono negative perché hanno camminato nella direzione opposta rispetto all’inizio del sentiero; i dati sono disordinati, quindi concentriamoci sulla tendenza generale.

In questo esercizio, il tuo obiettivo è usare il bootstrap resampling per trovare la distribuzione dei valori di velocità per un modello lineare e, a partire da quella distribuzione, calcolare la stima migliore della velocità e l’intervallo di confidenza al 90% di tale stima. Qui la velocità è il parametro di pendenza del modello di regressione lineare che adatta la distanza in funzione del tempo.

Per iniziare, abbiamo precaricato i dati di distance e time, insieme a una funzione least_squares() predefinita per calcolare il valore della velocità per ogni ricampionamento.

Questo esercizio fa parte del corso

Introduzione alla modellazione lineare in Python

Visualizza il corso

Istruzioni dell'esercizio

Usa np.random.choice() per estrarre sample_inds da population_inds, preservando l’abbinamento distanza-tempo di ciascun dato.
Per preservare l’ordinamento temporale, esegui .sort() su sample_inds e poi usa sample_inds per indicizzare distances e times.
Usa least_squares(times, distances) per calcolare i parametri del modello lineare e salva a1 in resample_speeds.
Applica np.mean() e np.percentiles() a resample_speeds, calcolando la velocità e l’intervallo di confidenza ci_90, quindi stampa entrambi.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Resample each preloaded population, and compute speed distribution
population_inds = np.arange(0, 99, dtype=int)
for nr in range(num_resamples):
    sample_inds = np.random.choice(____, size=100, replace=True)
    sample_inds.____()
    sample_distances = distances[____]
    sample_times = times[____]
    a0, a1 = ____(sample_times, sample_distances)
    resample_speeds[nr] = ____

# Compute effect size and confidence interval, and print
speed_estimate = np.mean(____)
ci_90 = np.percentile(____, [5, 95])
print('Speed Estimate = {:0.2f}, 90% Confidence Interval: {:0.2f}, {:0.2f} '.format(____, ____[0], ____[1]))

Modifica ed esegui il codice