Visualizar o Bootstrap

Dando sequência ao que vimos nesta lição, vamos visualizar a distribuição bootstrap das velocidades estimadas usando o reamostramento bootstrap, em que ajustamos por mínimos quadrados a inclinação para cada amostra para testar a variação ou incerteza na nossa estimativa da inclinação.

Para começar, já deixamos pré-carregada a função compute_resample_speeds(distances, times) para fazer o cálculo e gerar a distribuição amostral de velocidades.

Este exercicio faz parte do curso

Introdução à Modelagem Linear em Python

Ver curso

Instruções do exercicio

Use a função pré-definida compute_resample_speeds(distances, times) para calcular resample_speeds.
Use np.mean() para calcular speed_estimate a partir de resample_speeds.
Use np.percentile() com [5, 95] para calcular os percentiles de resample_speeds, que definem os limites do intervalo de confiança.
Use axis.hist() para plotar resample_speeds, especificando as classes com hist_bin_edges.
Usando axis.axvline, informe os dois índices corretos de percentiles para marcar os limites do intervalo de confiança no gráfico.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# 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()

Editar e Executar Código