Visualizza il Bootstrap

Riprendendo da dove ci eravamo fermati in questa lezione, visualizziamo la distribuzione bootstrap delle velocità stimate tramite bootstrap resampling. Per ogni campione abbiamo calcolato un fit ai minimi quadrati della pendenza per testare la variazione o l’incertezza nella nostra stima della pendenza.

Per iniziare, abbiamo già caricato una funzione compute_resample_speeds(distances, times) che esegue il calcolo e genera la distribuzione campionaria delle velocità.

Questo esercizio fa parte del corso

Introduzione alla modellazione lineare in Python

Visualizza il corso

Istruzioni dell'esercizio

Usa la funzione predefinita compute_resample_speeds(distances, times) per calcolare resample_speeds.
Usa np.mean() per calcolare speed_estimate a partire da resample_speeds.
Usa np.percentile() con [5, 95] per calcolare percentiles di resample_speeds, che definiscono i limiti dell’intervallo di confidenza.
Usa axis.hist() per tracciare resample_speeds, specificando i bin con hist_bin_edges.
Con axis.axvline, specifica i due indici corretti di percentiles per segnare sul grafico i limiti dell’intervallo di confidenza.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Create the bootstrap distribution of speeds
resample_speeds = compute_resample_speeds(____, ____)
speed_estimate = np.mean(____)
percentiles = np.percentile(____, [5, 95])

# Plot the histogram with the estimate and confidence interval
fig, axis = plt.subplots()
hist_bin_edges = np.linspace(0.0, 4.0, 21)
axis.hist(____, ____, color='green', alpha=0.35, rwidth=0.8)
axis.axvline(speed_estimate, label='Estimate', color='black')
axis.axvline(percentiles[____], label=' 5th', color='blue')
axis.axvline(percentiles[____], label='95th', color='blue')
axis.legend()
plt.show()

Modifica ed esegui il codice