Візуалізація результатів ресемплінгу
Тепер ви візуалізуєте результати своєї симуляції з попередньої вправи! Ви й далі працюватимете з nba_weights, де містяться маси групи гравців NBA у кілограмах:
nba_weights = [96.7, 101.1, 97.9, 98.1, 98.1,
100.3, 101.0, 98.0, 97.4]
Ось ваш код симуляції з попередньої вправи:
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)
Список simu_weights, який ви створили в минулій вправі, уже завантажено. Так само mean_weight, lower і upper уже визначені як середнє значення та квантілі 2,5% і 97,5% для вашого довірчого інтервалу.
Наступні пакети вже імпортовано для вас: random, numpy як np, seaborn як sns і matplotlib.pyplot як plt.
Ця вправа є частиною курсу
Моделювання Монте-Карло в Python
Інструкції до вправи
- Використайте
sns.displot()для побудови розподілу змодельованих мас. - Використайте
plt.axvline()щоб побудувати дві вертикальні лінії для 95% довірчого інтервалу (спочатку позначтеlower, потімupper) червоним кольором, а середнє — зеленим.
Інтерактивна практична вправа
Спробуйте виконати цю вправу, доповнивши цей зразок коду.
# 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()