Kursinhalt
Lernen von Statistik mit Python
Lernen von Statistik mit Python
Gepaarter t-Test
Die folgende Funktion führt einen gepaarten t-Test durch:
Dieser Prozess ähnelt dem, der für unabhängige Stichproben verwendet wird, aber hier müssen wir die Homogenität der Varianz nicht überprüfen. Der gepaarte t-Test geht ausdrücklich nicht davon aus, dass die Varianzen gleich sind.
Beachten Sie, dass es für einen gepaarten t-Test entscheidend ist, dass die Stichprobengrößen gleich sind.
Mit diesen Informationen im Hinterkopf können Sie mit der Durchführung eines gepaarten t-Tests fortfahren.
Hier haben Sie Daten über die Anzahl der Downloads einer bestimmten App. Werfen Sie einen Blick auf die Stichproben: Die Mittelwerte sind nahezu identisch.
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
Wir stellen die Hypothesen auf:
- H₀: Die durchschnittliche Anzahl der Downloads vor und nach den Änderungen ist gleich;
- Hₐ: Die durchschnittliche Anzahl der Downloads ist nach den Änderungen größer.
Führen Sie einen gepaarten t-Test mit dieser alternativen Hypothese durch, wobei before und after als Stichproben verwendet werden.
Lösung
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwendenDanke für Ihr Feedback!
Gepaarter t-Test
Die folgende Funktion führt einen gepaarten t-Test durch:
Dieser Prozess ähnelt dem, der für unabhängige Stichproben verwendet wird, aber hier müssen wir die Homogenität der Varianz nicht überprüfen. Der gepaarte t-Test geht ausdrücklich nicht davon aus, dass die Varianzen gleich sind.
Beachten Sie, dass es für einen gepaarten t-Test entscheidend ist, dass die Stichprobengrößen gleich sind.
Mit diesen Informationen im Hinterkopf können Sie mit der Durchführung eines gepaarten t-Tests fortfahren.
Hier haben Sie Daten über die Anzahl der Downloads einer bestimmten App. Werfen Sie einen Blick auf die Stichproben: Die Mittelwerte sind nahezu identisch.
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
Wir stellen die Hypothesen auf:
- H₀: Die durchschnittliche Anzahl der Downloads vor und nach den Änderungen ist gleich;
- Hₐ: Die durchschnittliche Anzahl der Downloads ist nach den Änderungen größer.
Führen Sie einen gepaarten t-Test mit dieser alternativen Hypothese durch, wobei before und after als Stichproben verwendet werden.
Lösung
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwendenDanke für Ihr Feedback!
Wechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden