Gepaarter t-Test
Die folgende Funktion führt einen gepaarten t-Test durch:
python
Dieses Verfahren ähnelt dem für unabhängige Stichproben, jedoch muss hier die Varianzhomogenität nicht überprüft werden. Der gepaarte t-Test setzt ausdrücklich nicht voraus, dass die Varianzen gleich sind.
Beachten Sie, dass beim gepaarten t-Test gleiche Stichprobengrößen zwingend erforderlich sind.
Mit diesen Informationen können Sie nun die Aufgabe durchführen, einen gepaarten t-Test durchzuführen.
Hier liegen Daten zur Anzahl der Downloads einer bestimmten App vor. Betrachten Sie 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
Die Hypothesen werden aufgestellt:
- H₀: Die durchschnittliche Anzahl der Downloads vor und nach den Änderungen ist gleich;
- Hₐ: Die durchschnittliche Anzahl der Downloads ist nach den Modifikationen größer.
Führen Sie einen gepaarten t-Test mit dieser Alternativhypothese 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