Aktivität von Zebrafischen und Melatonin

Fallstudien zum statistischen Denken

Justin Bois

Lecturer, Caltech

Fallstudien zum statistischen Denken

Schärfe und erweitere dein statistisches Denken
Arbeite mit echten Datensätzen
Rückblick: Statistical Thinking in Python (Teil 1) und (Teil 2)

Aufwärmen mit Zebrafischen

¹ Film mit freundlicher Genehmigung von David Prober, Caltech

Nomenklatur

Mutant: Trägt die Mutation auf beiden Chromosomen

Wildtyp: Hat die Mutation nicht

Aktivität von Fischen am Tag und in der Nacht

¹ Daten mit freundlicher Genehmigung von Avni Gandhi, Grigorios Oikonomou und David Prober, Caltech

Aktivphasen: ein Maß für Wachheit

Aktivphase: Zeitraum, in dem ein Fisch durchgehend aktiv ist

Länge der Aktivphase: Anzahl aufeinanderfolgender Minuten mit Aktivität

Wahrscheinlichkeitsverteilungen und Geschichten

Wahrscheinlichkeitsverteilung: Mathematische Beschreibung von Ergebnissen

Eine Wahrscheinlichkeitsverteilung hat eine Geschichte

Verteilungen aus Statistical Thinking I

Gleichverteilung
Binomialverteilung
Poisson-Verteilung
Normalverteilung
Exponentialverteilung

Die Exponentialverteilung

Poisson-Prozess: Der Zeitpunkt des nächsten Ereignisses ist völlig unabhängig davon, wann das vorherige stattfand

Geschichte der Exponentialverteilung: Die Wartezeit zwischen Ankünften eines Poisson-Prozesses ist exponentialverteilt

Die Exponential-KVF

x, y = ecdf(nuclear_incident_times)

_ = plt.plot(x, y, marker='.', linestyle='none')

¹ Datenquelle: Wheatley, Sovacool und Sornette, Nuclear Events Database

Die Exponential-KVF

x, y = ecdf(nuclear_incident_times)

_ = plt.plot(x, y, marker='.', linestyle='none')

¹ Datenquelle: Wheatley, Sovacool und Sornette, Nuclear Events Database

 import dc_stat_think as dcst

 dcst.pearson_r?

 Signature: dcst.pearson_r(data_1, data_2)
 Docstring: Compute the Pearson correlation coefficient between two 
 samples.
 Parameters
 ----------
 data_1 : array_like
     One-dimensional array of data.
 data_2 : array_like
     One-dimensional array of  data.
 Returns
 -------
 output : float
     The Pearson correlation coefficient between `data_1`
     and `data_2`.
 File:      usr/local/lib/python3.5/site-packages/
            dc_stat_think-0.1.4-py3.6.egg/dc_stat_think/dc_stat_think.py
 Type:      function

dc_stat_think verwenden

x, y = dcst.ecdf(nuclear_incident_times)

% pip install dc_stat_think

Lass uns üben!

Fallstudien zum statistischen Denken