Aan de slagGa gratis aan de slag

Parameterinschatting: lengte van actieve bout

Bereken de gemiddelde lengte van een actieve bout voor wildtype en mutant, met een 95% bootstrap-betrouwbaarheidsinterval. De datasets zijn opnieuw beschikbaar in de numpy-arrays bout_lengths_wt en bout_lengths_mut. De module dc_stat_think is geïmporteerd als dcst.

Deze oefening maakt deel uit van de cursus

Casestudies in statistisch denken

Cursus bekijken

Oefeninstructies

  • Bereken de gemiddelde lengte van een actieve bout voor wildtype en mutant met np.mean(). Sla de resultaten op als mean_wt en mean_mut.
  • Trek 10.000 bootstrap-replicaties voor beide met dcst.draw_bs_reps() en sla de resultaten op als bs_reps_wt en bs_reps_mut.
  • Bereken een 95%-betrouwbaarheidsinterval uit de bootstrap-replicaties met np.percentile() en sla de resultaten op als conf_int_wt en conf_int_mut.
  • Print het gemiddelde en de betrouwbaarheidsintervallen naar het scherm.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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))
Code bewerken en uitvoeren