BaşlayınÜcretsiz başlayın

İki örneklemli ortalama farkı için bootstrap hipotez testi

Şimdi, Frog A ve Frog B'nin aynı ortalama darbe kuvvetine sahip olduğu, ancak zorunlu olarak aynı dağılıma sahip olmadığı hipotezini test etmek istiyoruz; bu da permütasyon testiyle mümkün değildir.

İki örneklemli bootstrap testini yapmak için, her iki diziyi de aynı ortalamaya sahip olacak şekilde kaydırıyoruz; çünkü aslında ortalamalarının eşit olduğu hipotezini simüle ediyoruz. Sonra kaydırılmış dizilerden bootstrap örnekleri çekip ortalama farkını hesaplıyoruz. Bu, bir bootstrap yinelemesi oluşturur ve bunlardan çok sayıda üretiriz. p-değeri, ortalama farkı gözlenen değerden büyük ya da ona eşit olan yinelemelerin payıdır.

forces_concat ve empirical_diff_means nesneleri zaten çalışma alanında mevcut.

Bu egzersiz, kursun bir parçasıdır

Python ile İstatistiksel Düşünme (Bölüm 2)

Kursa Göz Atın

Egzersiz talimatları

  • np.mean() kullanarak tüm kuvvetlerin (forces_concat) ortalamasını hesapla.
  • Hem force_a hem de force_b için, her birinin ortalaması birleştirilmiş darbe kuvvetleri dizisinin ortalaması olacak şekilde kaydırılmış veri kümeleri üret.
  • İki kaydırılmış dizi için de, her biri için 10.000 adet ortalama bootstrap yinelemesi üret.
  • Kurbağa B'nin kaydırılmış darbe kuvveti yinelemelerini Kurbağa A'nınkilerden çıkararak ortalama farkının bootstrap yinelemelerini hesapla.
  • Bootstrap yinelemelerinden p-değerini hesaplayıp yazdır.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Compute mean of all forces: mean_force
mean_force = ____

# Generate shifted arrays
force_a_shifted = force_a - np.mean(force_a) + mean_force
force_b_shifted = ____ 

# Compute 10,000 bootstrap replicates from shifted arrays
bs_replicates_a = draw_bs_reps(____, ____, ____)
bs_replicates_b = draw_bs_reps(____, ____, ____)

# Get replicates of difference of means: bs_replicates
bs_replicates = ____

# Compute and print p-value: p
p = ____ / ____
print('p-value =', p)
Kodu Düzenle ve Çalıştır