1. Nauka
    2. /
  2. Kursy
    3. /
  3. Symulacje Monte Carlo w Pythonie
Connected

ćwiczenie

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.

Instrukcje

100 XP
  • Użyj sns.displot(), aby wykreślić rozkład symulowanych wag.
  • Użyj plt.axvline(), aby narysować dwie pionowe linie wyznaczające 95-procentowy przedział ufności (najpierw lower, potem upper) w kolorze czerwonym, a średnią – w kolorze zielonym.