Test t Apparié
La fonction suivante réalise un test t apparié :
ttest_rel(a, b, alternative='two-sided')
Ce processus ressemble à celui utilisé pour les échantillons indépendants, mais ici il n'est pas nécessaire de vérifier l'homogénéité des variances. Le test t apparié n'exige pas que les variances soient égales.
Il est important de noter que pour un test t apparié, il est essentiel que les tailles d'échantillon soient égales.
Avec ces informations, il est possible de passer à la réalisation d'un test t apparié.
Voici des données concernant le nombre de téléchargements d'une application spécifique. Examinez les échantillons : les valeurs moyennes sont presque identiques.
123456789101112import 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
Vous testez si une modification a augmenté le nombre moyen de téléchargements.
Deux ensembles de données sont fournis — before et after — représentant le nombre de téléchargements avant et après les modifications.
Les hypothèses sont :
- H₀ : Le nombre moyen de téléchargements avant et après les modifications est identique.
- Hₐ : Le nombre moyen de téléchargements est plus élevé après les modifications.
Réalisez un test t apparié à l'aide de ces échantillons et de l'hypothèse alternative correspondante.
- Utilisez la fonction
st.ttest_rel()pour effectuer un test t apparié. - Passez
afteretbeforecomme premiers arguments, dans cet ordre. - Définissez l'argument
alternative='greater'pour tester si la moyenne après est supérieure à celle d'avant. - Stockez les résultats dans les variables
statsetpvalue. - Utilisez la
pvaluepour déterminer s'il faut accepter ou rejeter l'hypothèse nulle.
Solution
Merci pour vos commentaires !
single
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
Awesome!
Completion rate improved to 2.63Test t Apparié
Glissez pour afficher le menu
La fonction suivante réalise un test t apparié :
ttest_rel(a, b, alternative='two-sided')
Ce processus ressemble à celui utilisé pour les échantillons indépendants, mais ici il n'est pas nécessaire de vérifier l'homogénéité des variances. Le test t apparié n'exige pas que les variances soient égales.
Il est important de noter que pour un test t apparié, il est essentiel que les tailles d'échantillon soient égales.
Avec ces informations, il est possible de passer à la réalisation d'un test t apparié.
Voici des données concernant le nombre de téléchargements d'une application spécifique. Examinez les échantillons : les valeurs moyennes sont presque identiques.
123456789101112import 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
Vous testez si une modification a augmenté le nombre moyen de téléchargements.
Deux ensembles de données sont fournis — before et after — représentant le nombre de téléchargements avant et après les modifications.
Les hypothèses sont :
- H₀ : Le nombre moyen de téléchargements avant et après les modifications est identique.
- Hₐ : Le nombre moyen de téléchargements est plus élevé après les modifications.
Réalisez un test t apparié à l'aide de ces échantillons et de l'hypothèse alternative correspondante.
- Utilisez la fonction
st.ttest_rel()pour effectuer un test t apparié. - Passez
afteretbeforecomme premiers arguments, dans cet ordre. - Définissez l'argument
alternative='greater'pour tester si la moyenne après est supérieure à celle d'avant. - Stockez les résultats dans les variables
statsetpvalue. - Utilisez la
pvaluepour déterminer s'il faut accepter ou rejeter l'hypothèse nulle.
Solution
Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessousMerci pour vos commentaires !
single
