T-Test per Dati Appaiati
La seguente funzione esegue un t-test per campioni appaiati:
ttest_rel(a, b, alternative='two-sided')
Questo procedimento è simile a quello utilizzato per campioni indipendenti, ma in questo caso non è necessario verificare l'omogeneità della varianza. Il t-test per campioni appaiati non presuppone che le varianze siano uguali.
Ricorda che per un t-test per campioni appaiati è fondamentale che le dimensioni dei campioni siano uguali.
Tenendo presente queste informazioni, puoi procedere con l'esecuzione di un t-test per campioni appaiati.
Qui sono disponibili dati relativi al numero di download di una determinata app. Osserva i campioni: i valori medi sono quasi identici.
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
Stai verificando se una modifica ha aumentato il numero medio di download.
Sono forniti due dataset — before e after — che rappresentano il numero di download prima e dopo le modifiche.
Le ipotesi sono:
- H₀: Il numero medio di download prima e dopo le modifiche è lo stesso.
- Hₐ: Il numero medio di download è maggiore dopo le modifiche.
Esegui un t-test per dati appaiati utilizzando questi campioni e la corrispondente ipotesi alternativa.
- Utilizza la funzione
st.ttest_rel()per eseguire un t-test per dati appaiati. - Passa
afterebeforecome primi due argomenti in questo ordine. - Imposta l'argomento
alternative='greater'per verificare se la media dopo è maggiore di quella prima. - Memorizza i risultati nelle variabili
statsepvalue. - Utilizza il
pvalueper determinare se accettare o rifiutare l'ipotesi nulla.
Soluzione
Grazie per i tuoi commenti!
single
Chieda ad AI
Chieda ad AI
Chieda pure quello che desidera o provi una delle domande suggerite per iniziare la nostra conversazione
What should I do next to conduct the paired t-test?
Can you explain what the histogram and mean lines indicate?
How do I interpret the results of the paired t-test?
Awesome!
Completion rate improved to 2.63T-Test per Dati Appaiati
Scorri per mostrare il menu
La seguente funzione esegue un t-test per campioni appaiati:
ttest_rel(a, b, alternative='two-sided')
Questo procedimento è simile a quello utilizzato per campioni indipendenti, ma in questo caso non è necessario verificare l'omogeneità della varianza. Il t-test per campioni appaiati non presuppone che le varianze siano uguali.
Ricorda che per un t-test per campioni appaiati è fondamentale che le dimensioni dei campioni siano uguali.
Tenendo presente queste informazioni, puoi procedere con l'esecuzione di un t-test per campioni appaiati.
Qui sono disponibili dati relativi al numero di download di una determinata app. Osserva i campioni: i valori medi sono quasi identici.
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
Stai verificando se una modifica ha aumentato il numero medio di download.
Sono forniti due dataset — before e after — che rappresentano il numero di download prima e dopo le modifiche.
Le ipotesi sono:
- H₀: Il numero medio di download prima e dopo le modifiche è lo stesso.
- Hₐ: Il numero medio di download è maggiore dopo le modifiche.
Esegui un t-test per dati appaiati utilizzando questi campioni e la corrispondente ipotesi alternativa.
- Utilizza la funzione
st.ttest_rel()per eseguire un t-test per dati appaiati. - Passa
afterebeforecome primi due argomenti in questo ordine. - Imposta l'argomento
alternative='greater'per verificare se la media dopo è maggiore di quella prima. - Memorizza i risultati nelle variabili
statsepvalue. - Utilizza il
pvalueper determinare se accettare o rifiutare l'ipotesi nulla.
Soluzione
Cambia al desktop per esercitarti nel mondo realeContinua da dove ti trovi utilizzando una delle opzioni seguentiGrazie per i tuoi commenti!
single
