Stima dei parametri: lunghezza degli intervalli di attività

Calcola la lunghezza media degli intervalli di attività per wild type e mutanti, con intervallo di confidenza bootstrap al 95%. I dataset sono disponibili negli array numpy bout_lengths_wt e bout_lengths_mut. Il modulo dc_stat_think è stato importato come dcst.

Questo esercizio fa parte del corso

Casi di studio nel pensiero statistico

Visualizza corso

Istruzioni dell'esercizio

Calcola la lunghezza media degli intervalli di attività per wild type e mutanti usando np.mean(). Salva i risultati come mean_wt e mean_mut.
Estrai 10.000 repliche bootstrap per ciascuno usando dcst.draw_bs_reps(), salvando i risultati come bs_reps_wt e bs_reps_mut.
Calcola un intervallo di confidenza al 95% dalle repliche bootstrap usando np.percentile(), salvando i risultati come conf_int_wt e conf_int_mut.
Stampa a schermo la media e gli intervalli di confidenza.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# 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))

Modifica ed esegui il codice