Visualisering av omsamplingsresultat

Nu ska du visualisera resultaten från simuleringen i föregående övning! Du fortsätter att arbeta med nba_weights, som innehåller vikterna för en grupp NBA-spelare i kilogram:

nba_weights = [96.7, 101.1, 97.9, 98.1, 98.1, 
               100.3, 101.0, 98.0, 97.4]

Här är din simuleringskod från föregående övning:

simu_weights = []
for i in range(1000):
    bootstrap_sample = random.choices(nba_weights, k=9)
    simu_weights.append(np.mean(bootstrap_sample))
mean_weight = np.mean(simu_weights)
upper = np.quantile(simu_weights, 0.975)
lower = np.quantile(simu_weights, 0.025)
print(mean_weight, lower, upper)

Listan simu_weights som du skapade i förra övningen är redan inläst. På samma sätt är mean_weight, lower och upper redan definierade som medelvärdet samt 2,5%- och 97,5%-kvantilerna för ditt konfidensintervall.

Följande paket är redan inlästa: random, numpy som np, seaborn som sns och matplotlib.pyplot som plt.

Den här övningen är en del av kursen

Monte Carlo-simuleringar i Python

Visa kurs

Övningsinstruktioner

Använd sns.displot() för att plotta fördelningen av de simulerade vikterna.
Använd plt.axvline() för att rita två vertikala linjer för 95%-konfidensintervallet (plotta lower följt av upper) i rött, och medelvärdet i grönt.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Plot the distribution of the simulated weights
____

# Plot vertical lines for the 95% confidence intervals and mean
plt.axvline(____, color="red")
plt.axvline(____, color="red")
plt.axvline(____, color="green")
plt.show()

Redigera och kör kod