パラメータ推定：アクティブバウト長
野生型と変異型の平均アクティブバウト長を、95%ブートストラップ信頼区間とともに計算しましょう。データセットは引き続き numpy 配列 bout_lengths_wt と bout_lengths_mut として用意されています。また、dc_stat_think モジュールは dcst としてインポート済みです。
この演習はコースの一部です
統計的思考 ケーススタディ
演習の手順
np.mean()を使って、野生型と変異型それぞれの平均アクティブバウト長を計算してください。結果はmean_wtとmean_mutに格納します。dcst.draw_bs_reps()を使って、各タイプに対して10,000回のブートストラップ反復を行ってください。結果はbs_reps_wtとbs_reps_mutに格納します。np.percentile()を使って、ブートストラップ反復結果から95%信頼区間を計算してください。結果はconf_int_wtとconf_int_mutに格納します。- 平均値と信頼区間を画面に出力してください。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# 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))