參數估計：主動活動區段長度
為野生型與突變型計算平均主動活動區段長度，並給出 95% 自助法信賴區間。資料集同樣已載入至 numpy 陣列 bout_lengths_wt 與 bout_lengths_mut。dc_stat_think 模組已匯入為 dcst。
本練習屬於課程
統計思維個案研究
練習說明
- 使用
np.mean()計算野生型與突變型的平均主動活動區段長度。將結果分別存成mean_wt與mean_mut。 - 使用
dcst.draw_bs_reps()為各自抽取 10,000 次自助法重抽樣，將結果分別存成bs_reps_wt與bs_reps_mut。 - 使用
np.percentile()由重抽樣結果計算 95% 信賴區間，將結果分別存成conf_int_wt與conf_int_mut。 - 將平均數與信賴區間列印到畫面上。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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))