Zebrafiskrins aktivitet och melatonin

Fallstudier i statistiskt tänkande

Justin Bois

Lecturer, Caltech

Fallstudier i statistiskt tänkande

Fördjupa och vidareutveckla ditt statistiska tänkande
Arbeta med verkliga datamängder
Repetition av Statistical Thinking in Python (del 1) och (del 2)

Kom igång med zebrafisk

¹ Film med tillstånd av David Prober, Caltech

Nomenklatur

Mutant: Har mutationen på båda kromosomerna

Vildtyp: Saknar mutationen

Fiskars aktivitet dag och natt

¹ Data med tillstånd av Avni Gandhi, Grigorios Oikonomou och David Prober, Caltech

Aktivitetsperioder: ett mått på vakenhet

Aktivitetsperiod: En sammanhängande period då en fisk är kontinuerligt aktiv

Aktivitetsperiodens längd: Antal på varandra följande minuter med aktivitet

Sannolikhetsfördelningar och berättelser

Sannolikhetsfördelning: En matematisk beskrivning av utfall

En sannolikhetsfördelning har en berättelse

Fördelningar från Statistical Thinking I

Likformig
Binomial
Poisson
Normal
Exponential

Exponentialfördelningen

Poissonprocess: Tidpunkten för nästa händelse är helt oberoende av när den föregående inträffade

Exponentialfördelningens berättelse: Väntetiden mellan händelser i en Poissonprocess är exponentialfördelad

Exponentialfördelningens CDF

x, y = ecdf(nuclear_incident_times)

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

¹ Datakälla: Wheatley, Sovacool och Sornette, Nuclear Events Database

Exponentialfördelningens CDF

x, y = ecdf(nuclear_incident_times)

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

¹ Datakälla: Wheatley, Sovacool och 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

Använda modulen dc_stat_think

x, y = dcst.ecdf(nuclear_incident_times)

% pip install dc_stat_think

Nu kör vi en övning!

Fallstudier i statistiskt tänkande