Zacznij terazZacznij za darmo

Rysowanie krzywej wzrostu

W poprzednim ćwiczeniu zauważyłeś, że przedział ufności dla krzywej wzrostu jest bardzo wąski. Teraz zbadasz to graficznie, nakładając na wykres kilka linii bootstrapowych wraz z krzywą wzrostu. Do stworzenia wykresu z osią y w skali logarytmicznej użyjesz funkcji plt.semilogy(). Oznacza to, że przed narysowaniem trzeba będzie przekształcić teoretyczną krzywą regresji liniowej przez jej eksponencjację.

To ćwiczenie jest częścią kursu

Studia przypadków w myśleniu statystycznym

Zobacz kurs

Instrukcje do ćwiczenia

  • Wyrysuj punkty danych za pomocą plt.semilogy(). Tablice numpy o nazwach t i bac_area są dostępne w twoim środowisku.
  • Użyj np.array(), aby wygenerować wartości czasu do wyrysowania linii bootstrapowych. Nadaj tej tablicy nazwę t_bs. Czas powinien obejmować zakres od 0 do 14 godzin.
  • Napisz pętlę for, która wyrysuje linie regresji odpowiadające pierwszym 100 parom replik bootstrapowych. Tablice numpy o nazwach growth_rate_bs_reps i log_a0_bs_reps, obliczone w poprzednim ćwiczeniu, są dostępne w twoim środowisku.
    • Oblicz krzywą wzrostu, eksponencjując linię regresji liniowej za pomocą np.exp().
    • Wyrysuj linię teoretyczną za pomocą plt.semilogy() z argumentami kluczowymi linewidth=0.5, alpha=0.05 i color='red'.
  • Opisz osie i wyświetl wykres. Odpowiednie etykiety dla osi x i y to odpowiednio 'time (hr)' i 'area (sq. µm)'.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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('____')
____
Edytuj i uruchom kod