Wizualizacja wyników próbkowania bootstrapowego
Teraz zwizualizujesz wyniki symulacji z poprzedniego ćwiczenia! Nadal pracujesz z listą nba_weights, która zawiera wagi grupy zawodników NBA w kilogramach:
nba_weights = [96.7, 101.1, 97.9, 98.1, 98.1,
100.3, 101.0, 98.0, 97.4]
Oto kod symulacji z poprzedniego ćwiczenia:
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)
Lista simu_weights wygenerowana w poprzednim ćwiczeniu jest już załadowana. Podobnie zmienne mean_weight, lower i upper są już zdefiniowane jako odpowiednio: średnia oraz kwantyle 2,5% i 97,5% twojego przedziału ufności.
Następujące biblioteki są już załadowane: random, numpy jako np, seaborn jako sns oraz matplotlib.pyplot jako plt.
To ćwiczenie jest częścią kursu
Symulacje Monte Carlo w Pythonie
Instrukcje do ćwiczenia
- Użyj
sns.displot(), aby wykreślić rozkład symulowanych wag. - Użyj
plt.axvline(), aby narysować dwie pionowe linie wyznaczające 95-procentowy przedział ufności (najpierwlower, potemupper) w kolorze czerwonym, a średnią – w kolorze zielonym.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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()