EmpezarEmpieza gratis

Estimación de parámetros: longitud de intervalos de actividad

Calcula la longitud media de los intervalos de actividad para el tipo silvestre y el mutante, con un intervalo de confianza bootstrap del 95 %. Los conjuntos de datos están disponibles de nuevo en los numpy arrays bout_lengths_wt y bout_lengths_mut. El módulo dc_stat_think se ha importado como dcst.

Este ejercicio forma parte del curso

Casos prácticos de pensamiento estadístico

Ver curso

Instrucciones del ejercicio

  • Calcula la longitud media de los intervalos de actividad para el tipo silvestre y el mutante usando np.mean(). Guarda los resultados como mean_wt y mean_mut.
  • Extrae 10.000 réplicas bootstrap para cada uno usando dcst.draw_bs_reps(), guardando los resultados como bs_reps_wt y bs_reps_mut.
  • Calcula un intervalo de confianza del 95 % a partir de las réplicas bootstrap usando np.percentile(), guardando los resultados como conf_int_wt y conf_int_mut.
  • Imprime en pantalla la media y los intervalos de confianza.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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))
Editar y ejecutar código