ComeçarComece de graça

Exibindo os resultados da regressão linear

Agora, você vai exibir seus resultados de regressão linear no gráfico de dispersão, cujo código já está pré-escrito a partir do exercício anterior. Para isso, pegue as primeiras 100 amostras de bootstrap (armazenadas em bs_slope_reps_1975, bs_intercept_reps_1975, bs_slope_reps_2012 e bs_intercept_reps_2012) e trace as linhas usando os argumentos alpha=0.2 e linewidth=0.5 em plt.plot().

Este exercício faz parte do curso

Pensamento Estatístico em Python (Parte 2)

Ver curso

Instruções do exercício

  • Gere os valores de \(x\) para as linhas de bootstrap usando np.array(). Eles devem consistir de 10 mm e 17 mm.
  • Escreva um loop for para traçar 100 das linhas de bootstrap para os conjuntos de dados de 1975 e 2012. As linhas do conjunto de 1975 devem ser 'blue' e as do conjunto de 2012 devem ser 'red'.
  • Clique em Enviar Resposta para visualizar o gráfico!

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Make scatter plot of 1975 data
_ = plt.plot(bl_1975, bd_1975, marker='.',
             linestyle='none', color='blue', alpha=0.5)

# Make scatter plot of 2012 data
_ = plt.plot(bl_2012, bd_2012, marker='.',
             linestyle='none', color='red', alpha=0.5)

# Label axes and make legend
_ = plt.xlabel('beak length (mm)')
_ = plt.ylabel('beak depth (mm)')
_ = plt.legend(('1975', '2012'), loc='upper left')

# Generate x-values for bootstrap lines: x
x = np.array([____, ____])

# Plot the bootstrap lines
for i in range(100):
    plt.plot(____, ____,
             linewidth=0.5, alpha=0.2, color=____)
    plt.plot(____, ____,
             linewidth=0.5, alpha=0.2, color=____)

# Draw the plot again
plt.show()
Editar e executar o código