Zacznij terazZacznij za darmo

Jak efekt prądu zależy od pozycji toru?

Aby oszacować wpływ numeru toru na wyniki, przeprowadź regresję liniową danych f_13 względem lanes. Wykonaj obliczenia bootstrap par, aby uzyskać 95-procentowy przedział ufności. Na koniec sporządź wykres regresji. Tablice lanes i f_13 są dostępne w przestrzeni nazw.

Zauważ, że można by obliczyć słupki błędów dla średnich ułamkowych różnic i wykorzystać je w regresji, ale wykracza to poza zakres tego kursu.

To ćwiczenie jest częścią kursu

Studia przypadków w myśleniu statystycznym

Zobacz kurs

Instrukcje do ćwiczenia

  • Oblicz nachylenie i wyraz wolny prostej f_13 względem lanes przy użyciu np.polyfit().
  • Użyj dcst.draw_bs_pairs_linreg(), aby uzyskać 10 000 replik bootstrap nachylenia i wyrazu wolnego, zapisując je odpowiednio w bs_reps_slope i bs_reps_int.
  • Skorzystaj z replik bootstrap, aby obliczyć 95-procentowy przedział ufności dla nachylenia.
  • Wydrukuj nachylenie i 95-procentowy przedział ufności na ekranie. Ta część jest już gotowa.
  • Używając np.array(), wygeneruj wartości x do wykresu linii bootstrap. x powinno przebiegać od 1 do 8.
  • Wykres jest już wypełniony danymi. Napisz pętlę for, aby dodać do wykresu 100 linii bootstrap, używając argumentów kluczowych color='red', alpha=0.2 i linewidth=0.5.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Compute the slope and intercept of the frac diff/lane curve
____, ____ = ____

# Compute bootstrap replicates
bs_reps_slope, bs_reps_int = ____

# Compute 95% confidence interval of slope
conf_int = ____

# Print slope and confidence interval
print("""
slope: {0:.5f} per lane
95% conf int: [{1:.5f}, {2:.5f}] per lane""".format(slope, *conf_int))

# x-values for plotting regression lines
x = ____

# Plot 100 bootstrap replicate lines
for i in ____:
    _ = ____(____, ____[i] * ____ + ____[i], 
                 color='red', alpha=0.2, linewidth=0.5)
   
# Update the plot
plt.draw()
plt.show()
Edytuj i uruchom kod