Aan de slagGa gratis aan de slag

De groeicurve plotten

Je zag in de vorige oefening dat het betrouwbaarheidsinterval van de groeicurve heel smal is. Dat ga je hier grafisch verkennen door meerdere bootstrap-lijnen samen met de groeicurve te plotten. Je gebruikt de functie plt.semilogy() om de plot te maken met de y-as op een logaritmische schaal. Dat betekent dat je je theoretische lineaire regressielijn moet transformeren voor het plotten door deze te exponentiëren.

Deze oefening maakt deel uit van de cursus

Casestudies in statistisch denken

Cursus bekijken

Oefeninstructies

  • Plot de datapunten met plt.semilogy(). De numpy-arrays t en bac_area staan weer in je namespace.
  • Gebruik np.array() om tijdwaarden te genereren voor het plotten van de bootstrap-lijnen. Noem dit t_bs. De tijd moet lopen van 0 tot 14 uur.
  • Schrijf een for-lus om regressielijnen te plotten die horen bij de eerste 100 paren bootstrap-replicaties. De numpy-arrays growth_rate_bs_reps en log_a0_bs_reps die je in de vorige oefening hebt berekend, staan in je namespace.
    • Bereken de groeicurve door de lineaire regressielijn te exponentiëren met np.exp().
    • Plot de theoretische lijn met plt.semilogy() met de keyword-argumenten linewidth=0.5, alpha=0.05 en color='red'.
  • Voorzie de assen van labels en toon je plot. Geschikte labels voor de respectieve x- en y-as zijn 'time (hr)' en 'area (sq. µm)'.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Plot data points in a semilog-y plot with axis labeles
_ = ____(____, ____, marker='.', linestyle='none')

# Generate x-values for the bootstrap lines: t_bs
t_bs = ____([____, ____])

# Plot the first 100 bootstrap lines
for i in range(____):
    y = ____(____[i] * ____ + ____[i])
    _ = ____(____, ____, linewidth=____, alpha=____, color=____)
    
# Label axes and show plot
_ = plt.xlabel('____')
_ = plt.ylabel('____')
____
Code bewerken en uitvoeren