Wizualizacja metody bootstrap

Kontynuując wcześniejszą część tej lekcji, zwizualizujmy rozkład bootstrap prędkości oszacowanych za pomocą próbkowania bootstrap. W tym celu dla każdej próbki obliczamy dopasowanie metodą najmniejszych kwadratów do nachylenia, aby zbadać zmienność i niepewność w szacowaniu tego nachylenia.

Na dobry początek przygotowaliśmy funkcję compute_resample_speeds(distances, times), która wykonuje obliczenia i generuje rozkład próbek prędkości.

To ćwiczenie jest częścią kursu

Wprowadzenie do modelowania liniowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Użyj predefiniowanej funkcji compute_resample_speeds(distances, times), aby obliczyć resample_speeds.
Użyj np.mean(), aby obliczyć speed_estimate na podstawie resample_speeds.
Użyj np.percentile() z [5, 95], aby obliczyć percentiles dla resample_speeds – wyznaczają one granice przedziału ufności.
Użyj axis.hist(), aby narysować histogram resample_speeds, podając przedziały za pomocą hist_bin_edges.
Używając axis.axvline, wskaż dwa odpowiednie indeksy percentiles, aby zaznaczyć granice przedziału ufności na wykresie.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()

Edytuj i uruchom kod