가온NAIS AI 연구동료가칭
둘러보기 모드 — 예시 대화를 읽기 전용으로 보여 줍니다. 질문 보내기 · 다시 생성 · 파일 첨부처럼 AI 를 부르는 기능은 요금이 나가므로, 관리자가 허가한 계정으로 로그인해야 쓸 수 있습니다.

두 집단 t-검정과 상자그림

평균 10과 12, 표준편차 2인 정규분포에서 두 집단(각 50개)의 유전자 발현량을 만들어 t-검정을 하고, 결과를 상자그림과 점 그림으로 비교해 줘.
K
실행 과정 18단계 · 34초
  1. 진행
    에이전트를 준비하고 있습니다.
  2. 진행
    질문에 맞는 도구와 데이터를 고르고 있습니다.
  3. 진행
    도구 1개, 데이터 0개, 라이브러리 9개를 골랐습니다.
  4. 계획
    분석 계획: 1. [ ] 재현 가능하도록 난수를 고정하고, 평균 10 및 12·표준편차 2인 정규분포에서 각 50개의 유전자 발현량을 생성합니다. 2. [ ] 독립표본 Welch t-검정을 수행하고 요약 통계와 검정 결과를 저장합니다. 3. [ ] 두 집단의 분포를 상자그림과 점 그림으로 비교한 그림 및 결과 표를 저장합니다.1. [✓] 재현 가능하도록 난수를 고정하고, 평균 10 및 12·표준편차 2인 정규분포에서 각 50개의 유전자 발현량을 생성합니다. 2. [ ] 독립표본 Welch t-검정을 수행하고 요약 통계와 검정 결과를 저장합니다. 3. [ ] 두 집단의 분포를 상자그림과 점 그림으로 비교한 그림 및 결과 표를 저장합니다.
  5. 코드 python
    python
    from biomni.tool.support_tools import run_python_repl
    
    result = run_python_repl(command=r'''
    import numpy as np
    import pandas as pd
    from pathlib import Path
    
    outdir = Path(".")
    rng = np.random.default_rng(2025)
    
    group1 = rng.normal(loc=10, scale=2, size=50)
    group2 = rng.normal(loc=12, scale=2, size=50)
    
    expression = pd.DataFrame({
        "group": ["집단 1 (μ=10)"] * 50 + ["집단 2 (μ=12)"] * 50,
        "expression": np.r_[group1, group2]
    })
    expression.to_csv(outdir / "simulated_gene_expression.csv", index=False, encoding="utf-8-sig")
    
    print("난수 시드: 2025")
    print("생성 데이터:", expression.shape)
    print(expression.groupby("group")["expression"].agg(["count", "mean", "std"]).round(3))
    print("저장 완료: simulated_gene_expression.csv")
    ''')
    print(result)
  6. 실행 결과
    실행 결과 보기
    난수 시드: 2025
    생성 데이터: (100, 2)
                 count    mean    std
    group                            
    집단 1 (μ=10)     50   9.712  2.286
    집단 2 (μ=12)     50  12.144  2.315
    저장 완료: simulated_gene_expression.csv
  7. 파일
    simulated_gene_expression.csv
  8. 계획
    생성된 표본의 관측 평균은 각각 9.712와 12.144입니다. 다음으로 분산을 동일하다고 가정하지 않는 Welch 독립표본 t-검정과 효과크기(Cohen’s d)를 계산하겠습니다. 1. [✓] 재현 가능하도록 난수를 고정하고, 평균 10 및 12·표준편차 2인 정규분포에서 각 50개의 유전자 발현량을 생성합니다. 2. [ ] 독립표본 Welch t-검정을 수행하고 요약 통계와 검정 결과를 저장합니다. 3. [ ] 두 집단의 분포를 상자그림과 점 그림으로 비교한 그림 및 결과 표를 저장합니다.
  9. 코드 python
    python
    from biomni.tool.support_tools import run_python_repl
    
    result = run_python_repl(command=r'''
    import pandas as pd
    import numpy as np
    from scipy import stats
    from pathlib import Path
    
    df = pd.read_csv("simulated_gene_expression.csv", encoding="utf-8-sig")
    groups = df["group"].unique()
    x = df.loc[df["group"] == groups[0], "expression"].to_numpy()
    y = df.loc[df["group"] == groups[1], "expression"].to_numpy()
    
    test = stats.ttest_ind(x, y, equal_var=False)
    n1, n2 = len(x), len(y)
    mean1, mean2 = x.mean(), y.mean()
    sd1, sd2 = x.std(ddof=1), y.std(ddof=1)
    difference = mean2 - mean1
    se = np.sqrt(sd1**2/n1 + sd2**2/n2)
    df_welch = (sd1**2/n1 + sd2**2/n2)**2 / ((sd1**2/n1)**2/(n1-1) + (sd2**2/n2)**2/(n2-1))
    tcrit = stats.t.ppf(0.975, df_welch)
    ci_low, ci_high = difference - tcrit*se, difference + tcrit*se
    pooled_sd = np.sqrt(((n1-1)*sd1**2 + (n2-1)*sd2**2)/(n1+n2-2))
    cohens_d = difference / pooled_sd
    
    summary = pd.DataFrame({
        "group": groups, "n": [n1, n2], "mean": [mean1, mean2],
        "sd": [sd1, sd2]
    })
    test_results = pd.DataFrame([{
        "test": "Welch independent-samples t-test (two-sided)",
        "comparison": f"{groups[1]} - {groups[0]}",
        "mean_difference": difference,
        "t_statistic": test.statistic,
        "degrees_freedom": df_welch,
        "p_value": test.pvalue,
        "ci_95_lower": ci_low,
        "ci_95_upper": ci_high,
        "cohens_d": cohens_d
    }])
    
    summary.to_csv("gene_expression_summary.csv", index=False, encoding="utf-8-sig")
    test_results.to_csv("ttest_results.csv", index=False, encoding="utf-8-sig")
    
    print("집단 요약:")
    print(summary.round(3).to_string(index=False))
    print("\nWelch t-검정:")
    print(test_results.round(4).to_string(index=False))
    print("\n저장 완료: gene_expression_summary.csv, ttest_results.csv")
    ''')
    print(result)
  10. 실행 결과
    실행 결과 보기
    집단 요약:
          group  n   mean    sd
    집단 1 (μ=10) 50  9.712 2.286
    집단 2 (μ=12) 50 12.144 2.315
    
    Welch t-검정:
                                            test                comparison  mean_difference  t_statistic  degrees_freedom  p_value  ci_95_lower  ci_95_upper  cohens_d
    Welch independent-samples t-test (two-sided) 집단 2 (μ=12) - 집단 1 (μ=10)           2.4326      -5.2868          97.9843      0.0       1.5195       3.3457    1.0574
    
    저장 완료: gene_expression_summary.csv, ttest_results.csv
  11. 파일
    gene_expression_summary.csv
  12. 파일
    ttest_results.csv
  13. 계획
    검정 결과, 두 집단의 평균 유전자 발현량 차이는 2.433이며, 집단 2가 더 높았습니다. Welch t-검정의 양측 p값은 매우 작아(반올림 시 0.0으로 표시됨) 통계적으로 유의합니다. 시각화를 생성하겠습니다. 1. [✓] 재현 가능하도록 난수를 고정하고, 평균 10 및 12·표준편차 2인 정규분포에서 각 50개의 유전자 발현량을 생성합니다. 2. [✓] 독립표본 Welch t-검정을 수행하고 요약 통계와 검정 결과를 저장합니다. 3. [ ] 두 집단의 분포를 상자그림과 점 그림으로 비교한 그림 및 결과 표를 저장합니다.
  14. 코드 python
    python
    from biomni.tool.support_tools import run_python_repl
    
    result = run_python_repl(command=r'''
    import pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt
    from scipy import stats
    
    df = pd.read_csv("simulated_gene_expression.csv", encoding="utf-8-sig")
    groups = list(df["group"].unique())
    vals = [df.loc[df["group"] == g, "expression"].to_numpy() for g in groups]
    
    plt.rcParams["font.family"] = "DejaVu Sans"
    colors = ["#4C78A8", "#E45756"]
    rng = np.random.default_rng(2025)
    
    fig, axes = plt.subplots(1, 2, figsize=(12, 5), sharey=True)
    
    # Box plot
    bp = axes[0].boxplot(vals, patch_artist=True, widths=0.55,
                         medianprops={"color": "black", "linewidth": 2},
                         whiskerprops={"linewidth": 1.4},
                         capprops={"linewidth": 1.4})
    for box, color in zip(bp["boxes"], colors):
        box.set_facecolor(color)
        box.set_alpha(0.65)
    for i, values in enumerate(vals, start=1):
        jitter = rng.normal(i, 0.045, len(values))
        axes[0].scatter(jitter, values, color=colors[i-1], alpha=0.55,
                        s=24, edgecolor="white", linewidth=0.4, zorder=3)
    axes[0].set_xticks([1, 2], ["Group 1\n($\\mu$=10)", "Group 2\n($\\mu$=12)"])
    axes[0].set_title("Box plot with individual observations")
    axes[0].set_ylabel("Gene expression")
    axes[0].grid(axis="y", alpha=0.25)
    
    # Dot (strip) plot
    for i, values in enumerate(vals, start=1):
        jitter = rng.normal(i, 0.075, len(values))
        axes[1].scatter(jitter, values, color=colors[i-1], alpha=0.75,
                        s=42, edgecolor="white", linewidth=0.5,
                        label=groups[i-1])
        axes[1].plot([i-0.20, i+0.20], [values.mean(), values.mean()],
                     color="black", linewidth=2.5)
    axes[1].set_xticks([1, 2], ["Group 1\n($\\mu$=10)", "Group 2\n($\\mu$=12)"])
    axes[1].set_title("Dot plot (black line = sample mean)")
    axes[1].set_ylabel("Gene expression")
    axes[1].grid(axis="y", alpha=0.25)
    axes[1].legend(frameon=False, loc="upper left", fontsize=9)
    
    fig.suptitle("Simulated gene-expression distributions (n=50 per group)", y=1.02,
                 fontsize=14, fontweight="bold")
    fig.tight_layout()
    fig.savefig("gene_expression_boxplot_dotplot.png", dpi=300, bbox_inches="tight")
    fig.savefig("gene_expression_boxplot_dotplot.pdf", bbox_inches="tight")
    plt.close(fig)
    
    p = stats.ttest_ind(vals[0], vals[1], equal_var=False).pvalue
    print(f"Welch t-test p-value (full precision): {p:.3e}")
    print("저장 완료: gene_expression_boxplot_dotplot.png, gene_expression_boxplot_dotplot.pdf")
    ''')
    print(result)
  15. 실행 결과
    실행 결과 보기
    Welch t-test p-value (full precision): 7.560e-07
    저장 완료: gene_expression_boxplot_dotplot.png, gene_expression_boxplot_dotplot.pdf
  16. 파일
    gene_expression_boxplot_dotplot.pdf
  17. 파일
    gene_expression_boxplot_dotplot.png
  18. 계획
    1. [✓] 재현 가능하도록 난수를 고정하고, 평균 10 및 12·표준편차 2인 정규분포에서 각 50개의 유전자 발현량을 생성합니다. 2. [✓] 독립표본 Welch t-검정을 수행하고 요약 통계와 검정 결과를 저장합니다. 3. [✓] 두 집단의 분포를 상자그림과 점 그림으로 비교한 그림 및 결과 표를 저장합니다.
두 집단(각 n=50)의 유전자 발현량을 정규분포에서 시뮬레이션했습니다(난수 시드 2025). | 집단 | 설정 평균 | 표본 평균 ± 표준편차 | |---|---:|---:| | 집단 1 | 10 | 9.712 ± 2.286 | | 집단 2 | 12 | 12.144 ± 2.315 | **Welch 독립표본 t-검정 (양측)** - 평균 차이(집단 2 − 집단 1): **2.433** - t(97.98) = **−5.287** - p = **7.56 × 10⁻⁷** - 평균 차이의 95% 신뢰구간: **1.520–3.346** - Cohen’s d = **1.057** (큰 효과크기) 따라서 시뮬레이션된 데이터에서 집단 2의 유전자 발현량은 집단 1보다 통계적으로 유의하게 높습니다. 생성 파일: - `simulated_gene_expression.csv`: 개별 시뮬레이션 데이터 - `gene_expression_summary.csv`: 집단별 요약 통계 - `ttest_results.csv`: t-검정 결과 - `gene_expression_boxplot_dotplot.png`: 상자그림 및 점 그림 - `gene_expression_boxplot_dotplot.pdf`: 벡터 형식 그림
GPT-5.6 Terra · 34초 · 약 $0.07
로그인하면 질문할 수 있습니다
가온은 실수할 수 있습니다 · 공개·비민감 자료만 넣어 주세요