MulaiMulai sekarang secara gratis

Estimasi parameter: active bout length

Hitung rata-rata active bout length untuk wild type dan mutan, beserta interval keyakinan bootstrap 95%. Himpunan data tersedia kembali dalam numpy array bout_lengths_wt dan bout_lengths_mut. Modul dc_stat_think telah diimpor sebagai dcst.

Latihan ini adalah bagian dari kursus

Studi Kasus dalam Pemikiran Statistik

Lihat Kursus

Petunjuk latihan

  • Hitung rata-rata active bout length untuk wild type dan mutan menggunakan np.mean(). Simpan hasilnya sebagai mean_wt dan mean_mut.
  • Ambil 10.000 replikasi bootstrap untuk masing-masing menggunakan dcst.draw_bs_reps(), dan simpan hasilnya sebagai bs_reps_wt dan bs_reps_mut.
  • Hitung interval keyakinan 95% dari replikasi bootstrap menggunakan np.percentile(), dan simpan hasilnya sebagai conf_int_wt dan conf_int_mut.
  • Cetak rata-rata dan interval keyakinan ke layar.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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))
Edit dan Jalankan Kode