Podstawowe przedziały ufności

Jesteś analitykiem danych w firmie produkującej fajerwerki w Des Moines w stanie Iowa. Musisz przekonać władze miasta, że wielki pokaz fajerwerków twojej firmy nie zaszkodził jakości powietrza. W tym celu analizujesz średnie poziomy zanieczyszczeń w tygodniu po czwartym lipca i porównujesz je z odczytami zebranymi po ostatnim pokazie. Pokazując przedziały ufności wokół wartości średnich, możesz udowodnić, że ostatnie odczyty mieściły się w normalnym zakresie.

Dane są wczytane jako average_ests – każdy wiersz odpowiada jednemu mierzonemu zanieczyszczeniu.

To ćwiczenie jest częścią kursu

Ulepszanie wizualizacji danych w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz dolną i górną granicę 95% przedziału ufności:
- Dolną granicę oblicz, odejmując 1,96 błędu standardowego ('std_err') od wartości 'mean' estymatorów.
- Górną granicę oblicz, dodając 1,96 błędu standardowego ('std_err') do wartości 'mean' estymatorów.
Przekaż pollutant jako zmienną podziału (faceting) do sns.FacetGrid() i odłącz osie x wykresów, aby przedziały miały odpowiednie rozmiary.
Przekaż wyznaczone granice przedziałów do zmapowanej funkcji plt.hlines().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Construct CI bounds for averages
average_ests['lower'] = average_ests['____'] - 1.96*average_ests['____']
average_ests['upper'] = average_ests['____'] + 1.96*average_ests['____']

# Setup a grid of plots, with non-shared x axes limits
g = sns.FacetGrid(average_ests, row = '____', ____ = False)

# Plot CI for average estimate
g.map(plt.hlines, 'y', '____', '____')

# Plot observed values for comparison and remove axes labels
g.map(plt.scatter, 'seen', 'y', color = 'orangered').set_ylabels('').set_xlabels('') 

plt.show()

Edytuj i uruchom kod