Visualisatie van resampling-resultaten
Nu ga je de resultaten visualiseren van je simulatie uit de vorige oefening! Je werkt verder met nba_weights, met de gewichten van een groep NBA-spelers in kilogrammen:
nba_weights = [96.7, 101.1, 97.9, 98.1, 98.1,
100.3, 101.0, 98.0, 97.4]
Hier is je simulatiecode uit de vorige oefening:
simu_weights = []
for i in range(1000):
bootstrap_sample = random.choices(nba_weights, k=9)
simu_weights.append(np.mean(bootstrap_sample))
mean_weight = np.mean(simu_weights)
upper = np.quantile(simu_weights, 0.975)
lower = np.quantile(simu_weights, 0.025)
print(mean_weight, lower, upper)
De lijst simu_weights die je in de vorige oefening hebt gemaakt, is voor je ingeladen. Ook zijn mean_weight, lower en upper al gedefinieerd als respectievelijk het gemiddelde en de 2,5%- en 97,5%-kwantielen voor je betrouwbaarheidsinterval.
De volgende pakketten zijn al voor je geladen: random, numpy als np, seaborn als sns en matplotlib.pyplot als plt.
Deze oefening maakt deel uit van de cursus
Monte Carlo-simulaties in Python
Oefeninstructies
- Gebruik
sns.displot()om de verdeling van de gesimuleerde gewichten te plotten. - Gebruik
plt.axvline()om twee verticale lijnen te tekenen voor het 95%-betrouwbaarheidsinterval (plotlowergevolgd doorupper) in rood, en het gemiddelde in groen.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Plot the distribution of the simulated weights
____
# Plot vertical lines for the 95% confidence intervals and mean
plt.axvline(____, color="red")
plt.axvline(____, color="red")
plt.axvline(____, color="green")
plt.show()