Contenu du cours
Apprendre les Statistiques avec Python
Apprendre les Statistiques avec Python
Test T Apparié
La fonction suivante effectue un test t apparié :
Ce processus ressemble à celui utilisé pour les échantillons indépendants, mais ici nous n'avons pas besoin de vérifier l'homogénéité de la variance. Le test t apparié ne suppose pas explicitement que les variances sont égales.
Gardez à l'esprit que pour un test t apparié, il est crucial que les tailles d'échantillon soient égales.
Avec ces informations en tête, vous pouvez procéder à la tâche de réaliser un test t apparié.
Ici, vous avez des données concernant le nombre de téléchargements pour une application particulière. Jetez un œil aux échantillons : les valeurs moyennes sont presque identiques.
import 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
Nous établissons les hypothèses :
- H₀ : Le nombre moyen de téléchargements avant et après les changements est le même ;
- Hₐ : Le nombre moyen de téléchargements est plus grand après les modifications.
Effectuez 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 !
Test T Apparié
La fonction suivante effectue un test t apparié :
Ce processus ressemble à celui utilisé pour les échantillons indépendants, mais ici nous n'avons pas besoin de vérifier l'homogénéité de la variance. Le test t apparié ne suppose pas explicitement que les variances sont égales.
Gardez à l'esprit que pour un test t apparié, il est crucial que les tailles d'échantillon soient égales.
Avec ces informations en tête, vous pouvez procéder à la tâche de réaliser un test t apparié.
Ici, vous avez des données concernant le nombre de téléchargements pour une application particulière. Jetez un œil aux échantillons : les valeurs moyennes sont presque identiques.
import 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
Nous établissons les hypothèses :
- H₀ : Le nombre moyen de téléchargements avant et après les changements est le même ;
- Hₐ : Le nombre moyen de téléchargements est plus grand après les modifications.
Effectuez 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 !
Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous