Activité du poisson-zèbre et mélatonine

Études de cas en pensée statistique

Justin Bois

Lecturer, Caltech

Études de cas en pensée statistique

Aiguiser et élargir votre pensée statistique
Travailler avec de vrais ensembles de données
Revoir Statistical Thinking in Python (Part 1) et (Part 2)

Mise en train avec le poisson-zèbre

¹ Film gracieuseté de David Prober, Caltech

Nomenclature

Mutant : porte la mutation sur les deux chromosomes

Sauvage (wild type) : n'a pas la mutation

Activité des poissons, jour et nuit

¹ Données gracieusement fournies par Avni Gandhi, Grigorios Oikonomou et David Prober, Caltech

Séquences actives : une mesure de l'éveil

Séquence active : période où un poisson reste activement en mouvement

Durée de séquence active : nombre de minutes consécutives avec activité

Distributions et histoires

Distribution de probabilité : description mathématique des issues possibles

Une distribution a une histoire

Distributions vues dans Statistical Thinking I

Uniforme
Binomiale
Poisson
Normale
Exponentielle

La loi exponentielle

Processus de Poisson : le moment du prochain événement est totalement indépendant du précédent

Histoire de la loi exponentielle : le temps d'attente entre arrivées d'un processus de Poisson suit une loi exponentielle

Fonction de répartition exponentielle (CDF)

x, y = ecdf(nuclear_incident_times)

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

¹ Source des données : Wheatley, Sovacool et Sornette, Nuclear Events Database

Fonction de répartition exponentielle (CDF)

x, y = ecdf(nuclear_incident_times)

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

¹ Source des données : Wheatley, Sovacool et 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

Utiliser le module dc_stat_think

x, y = dcst.ecdf(nuclear_incident_times)

% pip install dc_stat_think

Passons à la pratique !

Études de cas en pensée statistique