Corrélation de Pearson entre les données des parents et de la progéniture
Le coefficient de corrélation de Pearson semble être une bonne mesure de la force avec laquelle la profondeur du bec des parents est héritée par leur progéniture. Calculez le coefficient de corrélation de Pearson entre les profondeurs de bec des parents et de la progéniture pour G. scandens. Faites de même pour G. fortis. Ensuite, utilisez la fonction que vous avez écrite dans le dernier exercice pour calculer un intervalle de confiance de 95 % au moyen d'un bootstrap par paires.
Rappel : les données sont stockées dans bd_parent_scandens, bd_offspring_scandens, bd_parent_fortis et bd_offspring_fortis.
Cette activité fait partie du cours
Réflexion statistique en Python (partie 2)
Instructions de l’exercice
- Utilisez la fonction
pearson_r()que vous avez écrite dans la première partie de ce cours pour calculer le coefficient de corrélation de Pearson pour G. scandens et G. fortis. - Obtenez 1000 répliques bootstrap par paires du coefficient de corrélation de Pearson à l'aide de la fonction
draw_bs_pairs()que vous avez écrite à l'exercice précédent pour G. scandens et G. fortis. - Calculez l'intervalle de confiance à 95 % pour les deux jeux de données à partir de vos répliques bootstrap.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Compute the Pearson correlation coefficients
r_scandens = ____
r_fortis = ____
# Acquire 1000 bootstrap replicates of Pearson r
bs_replicates_scandens = ____
bs_replicates_fortis = ____
# Compute 95% confidence intervals
conf_int_scandens = ____
conf_int_fortis = ____
# Print results
print('G. scandens:', r_scandens, conf_int_scandens)
print('G. fortis:', r_fortis, conf_int_fortis)