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.
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
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
¡Gracias por tus comentarios!