Intervalos de confiança básicos

Você é cientista de dados de uma fabricante de fogos de artifício em Des Moines, Iowa. Você precisa argumentar para a cidade que o grande show de fogos da sua empresa não causou nenhum dano ao ar da cidade. Para isso, você observa os níveis médios de poluentes na semana após o quatro de julho e como eles se comparam às leituras feitas após seu último show. Ao mostrar intervalos de confiança em torno das médias, você pode defender que as leituras recentes ficaram bem dentro da faixa normal.

Esses dados estão carregados como average_ests, com uma linha para cada poluente medido.

Este exercicio faz parte do curso

Aprimorando suas visualizações de dados em Python

Ver curso

Instruções do exercicio

Crie os limites inferior e superior do intervalo de 95%:
- Crie o limite inferior subtraindo 1,96 erros-padrão ('std_err') da 'mean' das estimativas.
- Crie o limite superior adicionando 1,96 erros-padrão ('std_err') à 'mean' das estimativas.
Passe pollutant como a variável de facetas para sns.FacetGrid() e desvincule os eixos x dos gráficos para que os intervalos fiquem bem dimensionados.
Passe os limites de intervalo construídos para a função mapeada plt.hlines().

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# 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()

Editar e Executar Código