Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lære Parret T-test | Statistisk Testning
Lær Statistik med Python

Stryg for at vise menuen

book
Parret T-test

Følgende funktion udfører en parret t-test:

python

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.

123456789101112
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')
copy
Opgave

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

Switch to desktopSkift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder
Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

Sektion 6. Kapitel 8
single

single

Spørg AI

expand

Spørg AI

ChatGPT

Spørg om hvad som helst eller prøv et af de foreslåede spørgsmål for at starte vores chat

close

Awesome!

Completion rate improved to 2.63

book
Parret T-test

Følgende funktion udfører en parret t-test:

python

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.

123456789101112
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')
copy
Opgave

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

Switch to desktopSkift til skrivebord for at øve i den virkelige verdenFortsæt der, hvor du er, med en af nedenstående muligheder
Var alt klart?

Hvordan kan vi forbedre det?

Tak for dine kommentarer!

close

Awesome!

Completion rate improved to 2.63

Stryg for at vise menuen

some-alt