Test t Apparié
La fonction suivante réalise un test t apparié :
ttest_rel(a, b, alternative='two-sided')
Ce processus ressemble à celui utilisé pour les échantillons indépendants, mais ici il n'est pas nécessaire de vérifier l'homogénéité des variances. Le test t apparié n'assume explicitement pas que les variances sont égales.
Gardez à l'esprit que pour un test t apparié, il est essentiel que les tailles d'échantillon soient égales.
Avec ces informations en tête, vous pouvez passer à la réalisation d'un test t apparié.
Ici, vous disposez de données concernant le nombre de téléchargements d'une application particulière. Examinez les échantillons : les valeurs moyennes sont presque identiques.
123456789101112import pandas as pd import matplotlib.pyplot as plt # Read the data before = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/Testing2.0/before.csv').squeeze() after = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/Testing2.0/after.csv').squeeze() # Plot histograms plt.hist(before, alpha=0.7) plt.hist(after, alpha=0.7) # Plot the means plt.axvline(before.mean(), color='blue', linestyle='dashed') plt.axvline(after.mean(), color='gold', linestyle='dashed')
Swipe to start coding
Les hypothèses sont établies :
- H₀ : La moyenne du nombre de téléchargements avant et après les modifications est identique ;
- Hₐ : La moyenne du nombre de téléchargements est supérieure après les modifications.
Effectuer un test t apparié avec cette hypothèse alternative, en utilisant before et after comme échantillons.
Solution
Merci pour vos commentaires !
single
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
Résumer ce chapitre
Expliquer le code dans file
Expliquer pourquoi file ne résout pas la tâche
Awesome!
Completion rate improved to 2.63Test t Apparié
Glissez pour afficher le menu
La fonction suivante réalise un test t apparié :
ttest_rel(a, b, alternative='two-sided')
Ce processus ressemble à celui utilisé pour les échantillons indépendants, mais ici il n'est pas nécessaire de vérifier l'homogénéité des variances. Le test t apparié n'assume explicitement pas que les variances sont égales.
Gardez à l'esprit que pour un test t apparié, il est essentiel que les tailles d'échantillon soient égales.
Avec ces informations en tête, vous pouvez passer à la réalisation d'un test t apparié.
Ici, vous disposez de données concernant le nombre de téléchargements d'une application particulière. Examinez les échantillons : les valeurs moyennes sont presque identiques.
123456789101112import pandas as pd import matplotlib.pyplot as plt # Read the data before = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/Testing2.0/before.csv').squeeze() after = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/Testing2.0/after.csv').squeeze() # Plot histograms plt.hist(before, alpha=0.7) plt.hist(after, alpha=0.7) # Plot the means plt.axvline(before.mean(), color='blue', linestyle='dashed') plt.axvline(after.mean(), color='gold', linestyle='dashed')
Swipe to start coding
Les hypothèses sont établies :
- H₀ : La moyenne du nombre de téléchargements avant et après les modifications est identique ;
- Hₐ : La moyenne du nombre de téléchargements est supérieure après les modifications.
Effectuer un test t apparié avec cette hypothèse alternative, en utilisant before et after comme échantillons.
Solution
Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessousMerci pour vos commentaires !
Awesome!
Completion rate improved to 2.63single
