ComeçarComece de graça

Plotando regressões bootstrap

Uma boa forma de visualizar a variabilidade que podemos esperar em uma regressão linear é traçar a reta que você obteria de cada repetição bootstrap da inclinação e da interceptação. Faça isso para as primeiras 100 repetições bootstrap da inclinação e da interceptação (armazenadas como bs_slope_reps e bs_intercept_reps).

Este exercício faz parte do curso

Pensamento Estatístico em Python (Parte 2)

Ver curso

Instruções do exercício

  • Gere um array de valores de \(x\) contendo 0 e 100 para o gráfico das retas de regressão. Use a função np.array() para isso.
  • Escreva um loop for em que você plote uma reta de regressão com inclinação e interceptação dadas pelas repetições bootstrap em pares. Faça isso para 100 retas.
    • Ao plotar as retas de regressão em cada iteração do loop for, lembre-se da equação de regressão y = a*x + b. Aqui, a é bs_slope_reps[i] e b é bs_intercept_reps[i].
    • Especifique os argumentos nomeados linewidth=0.5, alpha=0.2 e color='red' na sua chamada a plt.plot().
  • Faça um diagrama de dispersão com illiteracy no eixo x e fertility no eixo y. Lembre-se de especificar os argumentos nomeados marker='.' e linestyle='none'.
  • Rotule os eixos, defina uma margem de 2% e mostre o gráfico. Isso já foi feito para você, então clique em Enviar Resposta para visualizar as regressões bootstrap!

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Generate array of x-values for bootstrap lines: x
x = ____

# Plot the bootstrap lines
for i in range(____):
    _ = plt.plot(____, 
                 ____*x + ____,
                 ____=0.5, ____=0.2, ____='red')

# Plot the data
_ = ____

# Label axes, set the margins, and show the plot
_ = plt.xlabel('illiteracy')
_ = plt.ylabel('fertility')
plt.margins(0.02)
plt.show()
Editar e executar o código