参数估计：活跃区段时长
计算野生型和突变型的平均活跃区段时长，并给出 95% 的自助法置信区间。数据集仍存放在 numpy 数组 bout_lengths_wt 和 bout_lengths_mut 中。dc_stat_think 模块已按 dcst 导入。
本练习是课程的一部分
统计思维案例研习
练习说明
- 使用
np.mean()分别计算野生型和突变型的平均活跃区段时长。将结果分别保存为mean_wt和mean_mut。 - 使用
dcst.draw_bs_reps()为每组各抽取 10,000 个自助法重复，结果分别保存为bs_reps_wt和bs_reps_mut。 - 使用
np.percentile()基于自助法重复计算 95% 置信区间，结果分别保存为conf_int_wt和conf_int_mut。 - 将均值和置信区间打印到屏幕。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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))