ComeçarComece de graça

Plotando a curva de crescimento

Você viu, no exercício anterior, que o intervalo de confiança da curva de crescimento é bem estreito. Aqui, você vai explorar isso visualmente, plotando várias retas de bootstrap junto com a curva de crescimento. Você usará a função plt.semilogy() para fazer o gráfico com o eixo y em escala logarítmica. Isso significa que você precisará transformar sua curva teórica de regressão linear para plotagem, exponenciando-a.

Este exercício faz parte do curso

Estudos de caso em pensamento estatístico

Ver curso

Instruções do exercício

  • Plote os pontos de dados usando plt.semilogy(). Os arrays do numpy t e bac_area estão novamente no seu ambiente.
  • Use np.array() para gerar valores de tempo para plotar as linhas de bootstrap. Chame isso de t_bs. O tempo deve ir de 0 a 14 horas.
  • Escreva um loop for para plotar as linhas de regressão correspondentes aos primeiros 100 pares de réplicas de bootstrap. Os arrays do numpy growth_rate_bs_reps e log_a0_bs_reps que você calculou no último exercício estão no seu ambiente.
    • Calcule a curva de crescimento exponenciando a linha de regressão linear usando np.exp().
    • Plote a linha teórica usando plt.semilogy() com os argumentos nomeados linewidth=0.5, alpha=0.05 e color='red'.
  • Rotule os eixos e exiba o gráfico. Rótulos apropriados para os eixos x e y, respectivamente, são 'time (hr)' e 'area (sq. µm)'.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Plot data points in a semilog-y plot with axis labeles
_ = ____(____, ____, marker='.', linestyle='none')

# Generate x-values for the bootstrap lines: t_bs
t_bs = ____([____, ____])

# Plot the first 100 bootstrap lines
for i in range(____):
    y = ____(____[i] * ____ + ____[i])
    _ = ____(____, ____, linewidth=____, alpha=____, color=____)
    
# Label axes and show plot
_ = plt.xlabel('____')
_ = plt.ylabel('____')
____
Editar e executar o código