Parret T-test
Følgende funktion udfører en parret t-test:
ttest_rel(a, b, alternative='two-sided')
Denne proces ligner den, der anvendes for uafhængige stikprøver, men her behøver vi ikke at kontrollere homogenitet af varians. Den parrede t-test forudsætter ikke, at varianserne er ens.
Bemærk, at for en parret t-test er det afgørende, at stikprøvestørrelserne er ens.
Med denne information i baghovedet kan du gå videre til opgaven med at udføre en parret t-test.
Her har du data vedrørende antallet af downloads for en bestemt app. Se på stikprøverne: gennemsnitsværdierne er næsten identiske.
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
Hypoteser opstilles:
- H₀: Det gennemsnitlige antal downloads før og efter ændringerne er det samme;
- Hₐ: Det gennemsnitlige antal downloads er større efter ændringerne.
Udfør en parret t-test med denne alternative hypotese, hvor before og after bruges som prøver.
Løsning
Tak for dine kommentarer!
single
Spørg AI
Spørg AI
Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat
Awesome!
Completion rate improved to 2.63Parret T-test
Stryg for at vise menuen
Følgende funktion udfører en parret t-test:
ttest_rel(a, b, alternative='two-sided')
Denne proces ligner den, der anvendes for uafhængige stikprøver, men her behøver vi ikke at kontrollere homogenitet af varians. Den parrede t-test forudsætter ikke, at varianserne er ens.
Bemærk, at for en parret t-test er det afgørende, at stikprøvestørrelserne er ens.
Med denne information i baghovedet kan du gå videre til opgaven med at udføre en parret t-test.
Her har du data vedrørende antallet af downloads for en bestemt app. Se på stikprøverne: gennemsnitsværdierne er næsten identiske.
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
Hypoteser opstilles:
- H₀: Det gennemsnitlige antal downloads før og efter ændringerne er det samme;
- Hₐ: Det gennemsnitlige antal downloads er større efter ændringerne.
Udfør en parret t-test med denne alternative hypotese, hvor before og after bruges som prøver.
Løsning
Skift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående mulighederTak for dine kommentarer!
Awesome!
Completion rate improved to 2.63single
