Kom igångKom igång gratis

Visualisera bootstrap-fördelningen

Vi fortsätter där vi slutade tidigare i den här lektionen. Nu ska du visualisera bootstrap-fördelningen av hastigheter som skattats med bootstrap-resampling, där vi beräknade en minstakvadratanpassning av lutningen för varje urval för att undersöka variationen och osäkerheten i vår lutningsskattning.

Som hjälp på vägen har vi förladdat funktionen compute_resample_speeds(distances, times), som sköter beräkningen och genererar hastigheternas urvalsfördelning.

Den här övningen är en del av kursen

Introduktion till linjär modellering i Python

Visa kurs

Övningsinstruktioner

  • Använd den fördefinierade funktionen compute_resample_speeds(distances, times) för att beräkna resample_speeds.
  • Använd np.mean() för att beräkna speed_estimate från resample_speeds.
  • Använd np.percentile() med [5, 95] för att beräkna percentiles av resample_speeds, som definierar konfidensintervallets gränser.
  • Använd axis.hist() för att rita ett histogram över resample_speeds och ange intervallerna med hist_bin_edges.
  • Använd axis.axvline och ange rätt två index i percentiles för att markera konfidensintervallets gränser i diagrammet.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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()
Redigera och kör kod