Kom igångKom igång gratis

Visualisera bootstrapurval

I den här övningen genererar du bootstrapurval från en uppsättning årliga nederbördsdata mätta vid Sheffield Weather Station i Storbritannien mellan 1883 och 2015. Data finns lagrade i NumPy-arrayen rainfall i enheten millimeter (mm). Genom att grafiskt visa bootstrapurvalen med en ECDF får du en känsla för hur bootstrapsampling möjliggör sannolikhetsbaserade beskrivningar av data.

Den här övningen är en del av kursen

Statistiskt tänkande i Python (del 2)

Visa kurs

Övningsinstruktioner

  • Skriv en for-loop för att generera 50 bootstrapurval av nederbördsdata och plotta deras ECDF.
    • Använd np.random.choice() för att generera ett bootstrapurval från NumPy-arrayen rainfall. Se till att size för den omsamplade arrayen är len(rainfall).
    • Använd funktionen ecdf() som du skrev i föregångarkursen för att generera x- och y-värdena för ECDF av bootstrapurvalet bs_sample.
    • Plotta ECDF-värdena. Ange color='gray' (för grå punkter) och alpha=0.1 (för att göra dem halvtransparenta, eftersom vi lägger så många ovanpå varandra) utöver nyckelordsargumenten marker='.' och linestyle='none'.
  • Använd ecdf() för att generera x- och y-värden för ECDF av de ursprungliga nederbördsdata som finns i arrayen rainfall.
  • Plotta ECDF-värdena för originaldata.
  • Klicka på Skicka in svar för att visualisera urvalen!

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

for _ in range(50):
    # Generate bootstrap sample: bs_sample
    bs_sample = ____(____, size=____)

    # Compute and plot ECDF from bootstrap sample
    x, y = ____
    _ = plt.plot(____, ____, ____='.', ____='none',
                 ____='gray', ____=0.1)

# Compute and plot ECDF from original data
x, y = ____
_ = plt.plot(____, ____, ____='.')

# Make margins and label axes
plt.margins(0.02)
_ = plt.xlabel('yearly rainfall (mm)')
_ = plt.ylabel('ECDF')

# Show the plot
plt.show()
Redigera och kör kod