Aan de slagBegin gratis

Visualiseer de bootstrap

We gaan verder waar we eerder in deze les gebleven waren: visualiseer de bootstrapverdeling van snelheden die zijn geschat met bootstrap-resampling. We hebben voor elke steekproef een kleinste-kwadraten-fit op de helling berekend om de variatie of onzekerheid in onze hellingschatting te testen.

Om je op weg te helpen hebben we een functie compute_resample_speeds(distances, times) alvast geladen om de steekproefverdeling van de snelheid te genereren.

Deze oefening maakt deel uit van de cursus

Introductie tot lineaire modellering in Python

Bekijk cursus

Oefeninstructies

  • Gebruik de vooraf gedefinieerde compute_resample_speeds(distances, times) om de resample_speeds te berekenen.
  • Gebruik np.mean() om de speed_estimate te berekenen uit de resample_speeds.
  • Gebruik np.percentile() met [5, 95] om de percentiles van resample_speeds te berekenen, die de grenzen van het betrouwbaarheidsinterval bepalen.
  • Gebruik axis.hist() om de resample_speeds te plotten en geef de bins op met hist_bin_edges.
  • Gebruik axis.axvline en geef de juiste twee indices van percentiles op om de grenzen van het betrouwbaarheidsinterval in de grafiek te markeren.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# 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()
Code bewerken en uitvoeren