LoslegenKostenlos loslegen

Parameterschätzung: Länge aktiver Phasen

Berechne die mittlere Länge aktiver Phasen für Wildtyp und Mutante mit einem 95-%-Bootstrap-Konfidenzintervall. Die Datensätze liegen wieder in den numpy-Arrays bout_lengths_wt und bout_lengths_mut vor. Das Modul dc_stat_think wurde als dcst importiert.

Diese Übung ist Teil des Kurses

Fallstudien zum statistischen Denken

Kurs anzeigen

Anleitung zur Übung

  • Berechne die mittlere Länge aktiver Phasen für Wildtyp und Mutante mit np.mean(). Speichere die Ergebnisse als mean_wt und mean_mut.
  • Ziehe für beide jeweils 10.000 Bootstrap-Replikate mit dcst.draw_bs_reps() und speichere die Ergebnisse als bs_reps_wt und bs_reps_mut.
  • Berechne aus den Bootstrap-Replikaten ein 95-%-Konfidenzintervall mit np.percentile() und speichere die Ergebnisse als conf_int_wt und conf_int_mut.
  • Gib den Mittelwert und die Konfidenzintervalle auf dem Bildschirm aus.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Compute mean active bout length
mean_wt = ____
mean_mut = ____

# Draw bootstrap replicates
bs_reps_wt = ____(____, ____, size=____)
bs_reps_mut = ____

# Compute 95% confidence intervals
conf_int_wt = ____(____, [____, ____])
conf_int_mut = ____

# Print the results
print("""
wt:  mean = {0:.3f} min., conf. int. = [{1:.1f}, {2:.1f}] min.
mut: mean = {3:.3f} min., conf. int. = [{4:.1f}, {5:.1f}] min.
""".format(mean_wt, *conf_int_wt, mean_mut, *conf_int_mut))
Code bearbeiten und ausführen