Как эффект течения зависит от положения дорожки?
Чтобы количественно оценить влияние номера дорожки на результат, выполните линейную регрессию данных f_13 относительно lanes. Проведите попарный бутстрап-расчёт для получения 95%-го доверительного интервала. Наконец, постройте график регрессии. Массивы lanes и f_13 уже доступны в вашем пространстве имён.
Обратите внимание: можно было бы вычислить планки погрешностей для средних долевых различий и использовать их в регрессии, однако это выходит за рамки данного курса.
Это упражнение является частью курса
Примеры применения статистического мышления
Инструкции к упражнению
- Вычислите наклон и точку пересечения прямой
f_13относительноlanesс помощьюnp.polyfit(). - Используйте
dcst.draw_bs_pairs_linreg(), чтобы получить 10 000 бутстрап-реплик наклона и точки пересечения, сохранив их соответственно вbs_reps_slopeиbs_reps_int. - С помощью бутстрап-реплик вычислите 95%-й доверительный интервал для наклона.
- Выведите наклон и 95%-й доверительный интервал на экран. Этот шаг уже выполнен за вас.
- С помощью
np.array()задайте значения по оси x для графика бутстрап-прямых.xдолжен принимать значения от1до8. - График уже содержит данные. Напишите цикл
for, чтобы добавить на график 100 бутстрап-прямых, используя именованные аргументыcolor='red',alpha=0.2иlinewidth=0.5.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Compute the slope and intercept of the frac diff/lane curve
____, ____ = ____
# Compute bootstrap replicates
bs_reps_slope, bs_reps_int = ____
# Compute 95% confidence interval of slope
conf_int = ____
# Print slope and confidence interval
print("""
slope: {0:.5f} per lane
95% conf int: [{1:.5f}, {2:.5f}] per lane""".format(slope, *conf_int))
# x-values for plotting regression lines
x = ____
# Plot 100 bootstrap replicate lines
for i in ____:
_ = ____(____, ____[i] * ____ + ____[i],
color='red', alpha=0.2, linewidth=0.5)
# Update the plot
plt.draw()
plt.show()