BaşlayınÜcretsiz Başlayın

Akım etkisi kulvar konumuna nasıl bağlı?

Kulvar numarasının performans üzerindeki etkisini nicelendirmek için f_13 ile lanes verileri arasında doğrusal regresyon yap. %95 güven aralığı elde etmek için pairs bootstrap hesaplaması yap. Son olarak, regresyonun grafiğini çiz. lanes ve f_13 dizileri alan adında mevcut.

Not: Ortalama kesirli farklar için hata çubukları hesaplayıp regresyonda kullanabilirdik, ancak bu konunun kapsamı bu dersin dışında.

Bu egzersiz

İstatistiksel Düşünmede Vaka Çalışmaları

kursunun bir parçasıdır
Kursu Görüntüle

Egzersiz talimatları

  • np.polyfit() kullanarak f_13 ile lanes doğrusu için eğimi (slope) ve kesişimi (intercept) hesapla.
  • dcst.draw_bs_pairs_linreg() kullanarak eğim ve kesişimin 10.000 bootstrap tekrarını elde et ve sırasıyla bs_reps_slope ve bs_reps_int içinde sakla.
  • Bootstrap tekrarlarını kullanarak eğim için %95 güven aralığı hesapla.
  • Eğim ve %95 güven aralığını ekrana yazdır. Bu senin için yapıldı.
  • Bootstrap çizgilerinin grafiğinde kullanılacak x-değerlerini np.array() ile üret. x değeri 1'den 8'e kadar gitmeli.
  • Grafik veriyle zaten dolduruldu. Anahtar argümanlar color='red', alpha=0.2 ve linewidth=0.5 olacak şekilde grafiğe 100 bootstrap çizgisi eklemek için bir for döngüsü yaz.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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()
Kodu Düzenle ve Çalıştır