Парний t-тест
Наступна функція виконує парний t-тест:
ttest_rel(a, b, alternative='two-sided')
Цей процес подібний до того, що використовується для незалежних вибірок, але тут не потрібно перевіряти однорідність дисперсій. Парний t-тест явно не передбачає рівність дисперсій.
Зверніть увагу, що для парного t-тесту обов'язково рівні обсяги вибірок.
Маючи цю інформацію, можна перейти до виконання парного t-тесту.
Тут наведені дані щодо кількості завантажень певного додатка. Зверніть увагу на вибірки: середні значення майже однакові.
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')
Завдання
Swipe to start coding
Встановлюються гіпотези:
- H₀: Середня кількість завантажень до і після змін однакова;
- Hₐ: Середня кількість завантажень більша після внесення змін.
Проведіть парний t-тест з цією альтернативною гіпотезою, використовуючи before та after як вибірки.
Рішення
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівВсе було зрозуміло?
Дякуємо за ваш відгук!
