Desliza para mostrar el menú

T de Student Pareada

La siguiente función realiza una prueba t pareada:


python

Este proceso es similar al utilizado para muestras independientes, pero aquí no es necesario comprobar la homogeneidad de varianzas. La prueba t pareada no asume que las varianzas sean iguales.

Tenga en cuenta que para una prueba t pareada, es fundamental que los tamaños de muestra sean iguales.

Con esta información en mente, puede proceder a la tarea de realizar una prueba t pareada.

Aquí se presentan datos sobre el número de descargas de una aplicación en particular. Observe las muestras: los valores medios son casi idénticos.


              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')

Tarea

Swipe to start coding

Se establecen las hipótesis:

H₀: El número medio de descargas antes y después de los cambios es el mismo;
Hₐ: El número medio de descargas es mayor después de las modificaciones.

Realizar una prueba t pareada con esta hipótesis alternativa, utilizando before y after como las muestras.

Solución

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 6. Capítulo 8

Pregunte a AI

Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla

T de Student Pareada

La siguiente función realiza una prueba t pareada:


python

Este proceso es similar al utilizado para muestras independientes, pero aquí no es necesario comprobar la homogeneidad de varianzas. La prueba t pareada no asume que las varianzas sean iguales.

Tenga en cuenta que para una prueba t pareada, es fundamental que los tamaños de muestra sean iguales.

Con esta información en mente, puede proceder a la tarea de realizar una prueba t pareada.

Aquí se presentan datos sobre el número de descargas de una aplicación en particular. Observe las muestras: los valores medios son casi idénticos.


              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')

Tarea

Swipe to start coding

Se establecen las hipótesis:

H₀: El número medio de descargas antes y después de los cambios es el mismo;
Hₐ: El número medio de descargas es mayor después de las modificaciones.

Realizar una prueba t pareada con esta hipótesis alternativa, utilizando before y after como las muestras.

Solución

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 6. Capítulo 8

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones