Hur beror strömeffekten på banposition?
För att kvantifiera hur banpositionen påverkar prestationen utför du en linjär regression på f_13 mot lanes-data. Gör en parvisa bootstrap-beräkning för att få ett 95%-konfidensintervall. Skapa sedan ett diagram över regressionen. Arrayerna lanes och f_13 finns i ditt namnrymd.
Observera att vi skulle kunna beräkna felstaplar för de genomsnittliga fraktionella skillnaderna och använda dem i regressionen, men det ligger utanför den här kursens omfång.
Den här övningen är en del av kursen
Fallstudier i statistiskt tänkande
Övningsinstruktioner
- Beräkna lutningen och intercept för linjen
f_13motlanesmed hjälp avnp.polyfit(). - Använd
dcst.draw_bs_pairs_linreg()för att generera 10 000 bootstrap-replikat av lutningen och intercept, och lagra dem ibs_reps_sloperespektivebs_reps_int. - Använd bootstrap-replikaten för att beräkna ett 95%-konfidensintervall för lutningen.
- Skriv ut lutningen och 95%-konfidensintervallet. Det har redan gjorts åt dig.
- Använd
np.array()för att generera x-värden till diagrammet med bootstrap-linjerna.xska gå från1till8. - Diagrammet är redan ifyllt med data. Skriv en
for-slinga för att lägga till 100 bootstrap-linjer i diagrammet med nyckelordsargumentencolor='red',alpha=0.2ochlinewidth=0.5.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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()