शुरू करेंमुफ़्त में शुरू करें

Parameter estimation: active bout length

Wild type और mutant के लिए mean active bout length, 95% bootstrap confidence interval के साथ निकालें. डेटासेट फिर से numpy arrays bout_lengths_wt और bout_lengths_mut में उपलब्ध हैं. dc_stat_think मॉड्यूल को dcst नाम से इम्पोर्ट किया गया है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Statistical Thinking के केस स्टडीज़

पाठ्यक्रम देखें

अभ्यास निर्देश

  • np.mean() का उपयोग करके wild type और mutant के लिए mean active bout length निकालें. परिणामों को mean_wt और mean_mut के रूप में स्टोर करें.
  • dcst.draw_bs_reps() का उपयोग करके, प्रत्येक के लिए 10,000 bootstrap replicates ड्रॉ करें, और परिणामों को bs_reps_wt और bs_reps_mut में स्टोर करें.
  • Bootstrap replicates से 95% confidence interval np.percentile() के जरिए निकालें, और परिणामों को conf_int_wt और conf_int_mut में स्टोर करें.
  • Mean और confidence intervals स्क्रीन पर प्रिंट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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))
कोड संपादित करें और चलाएँ