Hız ve Güvenini Tahmin Etme
Ulusal Park yürüyüş verilerine bakmaya devam edelim. Bazı mesafelerin negatif olduğuna dikkat et; bunun nedeni, başlangıç noktasının ters yönünde yürümeleri. Veri dağınık, o yüzden genel trende odaklanalım.
Bu egzersizde amacın, bir lineer model için hız değerlerinin dağılımını bootstrap yeniden örnekleme ile bulmak ve bu dağılımdan hareketle hız için en iyi tahmini ve bu tahminin yüzde 90 güven aralığını hesaplamak. Buradaki hız, zamanı bağımsız değişken alıp mesafeyi modele uyduran doğrusal regresyondaki eğim (slope) parametresidir.
Başlaman için, distance ve time verilerini ve her yeniden örnekleme için hız değerini hesaplayan önceden tanımlı least_squares() fonksiyonunu yükledik.

Bu egzersiz, kursun bir parçasıdır
Python ile Doğrusal Modellemenin Temelleri
Egzersiz talimatları
- Her bir verinin mesafe-zaman eşleşmesini koruyarak
population_indsiçindensample_indsçekmek içinnp.random.choice()kullan. - Zaman sırasını korumak için
sample_indsüzerinde.sort()çalıştır ve sonrasample_indsiledistancesvetimesdizinle. - Doğrusal model parametrelerini hesaplamak için
least_squares(times, distances)kullan vea1değeriniresample_speedsiçine kaydet. resample_speedsüzerindenp.mean()venp.percentiles()uygula; hız veci_90güven aralığını hesapla ve ikisini de yazdır.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Resample each preloaded population, and compute speed distribution
population_inds = np.arange(0, 99, dtype=int)
for nr in range(num_resamples):
sample_inds = np.random.choice(____, size=100, replace=True)
sample_inds.____()
sample_distances = distances[____]
sample_times = times[____]
a0, a1 = ____(sample_times, sample_distances)
resample_speeds[nr] = ____
# Compute effect size and confidence interval, and print
speed_estimate = np.mean(____)
ci_90 = np.percentile(____, [5, 95])
print('Speed Estimate = {:0.2f}, 90% Confidence Interval: {:0.2f}, {:0.2f} '.format(____, ____[0], ____[1]))