Summary  
This chapter covers how to perform an independent two-sample t-test, including checking variance equality, specifying a one-sided alternative hypothesis, and using the `ttest_ind` function to compare means.  

General domain of usage  
Employee productivity comparison

Un'azienda vuole determinare se esiste una differenza significativa nei livelli di produttività degli sviluppatori che lavorano da casa rispetto a quelli che lavorano in ufficio. Fortunatamente, sai già che un t-test può aiutare in questo.

L'azienda dispone di due team di sviluppatori indipendenti: uno lavora da remoto e l'altro lavora in ufficio. Ti sono stati forniti due file, `'work_from_home.csv'` e `'work_from_office.csv'`, che contengono il numero mensile di attività completate da ciascun sviluppatore.

Il compito è condurre un t-test. L'azienda vuole sapere se gli sviluppatori che lavorano in ufficio sono più produttivi rispetto a quelli che lavorano da casa. In tal caso, anche il secondo team sarà obbligato a lavorare in ufficio. Se invece i lavoratori da casa risultano più produttivi, l'azienda non apporterà modifiche. Quindi l'ipotesi alternativa desiderata è: "La produttività media dei lavoratori in ufficio è maggiore di quella dei lavoratori da casa".

import pandas as pd

home_workers = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/Testing2.0/work_from_home.csv').squeeze()
office_workers = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/Testing2.0/work_from_office.csv').squeeze()
# Printing sample standard deviations
print('Home workers std:', home_workers.std())
print('Office workers std:', office_workers.std())

La seconda deviazione standard è il doppio della prima, quindi le varianze sono diverse.
Ricorda la funzione `ttest_ind` per eseguire un t-test.
```python
st.ttest_ind(a, b, equal_var=True, alternative='two-sided')
```

import unittest
import pandas as pd
import scipy.stats as st

def _dynamic_test(test_case, condition, success_msg, failure_msg):
    if condition:
        test_case._testMethodName = success_msg
        test_case.assertTrue(True, success_msg)
    else:
        test_case._testMethodName = failure_msg
        test_case.fail(failure_msg)


class TestImport(unittest.TestCase):
    def test_import_alias(self):
        import user_code
        condition = hasattr(user_code, 'st') and user_code.st is st
        _dynamic_test(
            self,
            condition,
            "The scipy.stats library is correctly imported with the alias 'st'.",
            "The scipy.stats library is not imported correctly with the alias 'st'."
        )


class TestTTest(unittest.TestCase):
    def test_ttest_parameters(self):
        import user_code

        home_workers = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/Testing2.0/work_from_home.csv'
        ).squeeze()

        office_workers = pd.read_csv(
            'https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a849660e-ddfa-4033-80a6-94a1b7772e23/Testing2.0/work_from_office.csv'
        ).squeeze()

        expected_tstat, expected_pvalue = st.ttest_ind(
            office_workers,
            home_workers,
            equal_var=False,
            alternative='greater'
        )

        condition = (
            abs(user_code.tstat - expected_tstat) < 1e-6
            and abs(user_code.pvalue - expected_pvalue) < 1e-6
        )

        _dynamic_test(
            self,
            condition,
            "The t-test is applied correctly with the given parameters.",
            "The t-test is not applied correctly. Check your function arguments."
        )


class TestTTestResult(unittest.TestCase):
    def test_hypothesis_decision(self):
        import user_code

        # ÐÑÑÐºÑÐ²Ð°Ð½Ðµ Ð¿Ð¾Ð²ÑÐ´Ð¾Ð¼Ð»ÐµÐ½Ð½Ñ Ð·Ð°Ð»ÐµÐ¶Ð½Ð¾ Ð²ÑÐ´ pvalue
        if user_code.pvalue > 0.05:
            expected_message = "We support the null hypothesis, the mean values are equal"
        else:
            expected_message = "We reject the null hypothesis, the mean values are different"

        # Ð¢ÐµÑÑ Ð¿ÑÐ¾ÑÑÐ¾ Ð¿ÐµÑÐµÐ²ÑÑÑÑ Ð»Ð¾Ð³ÑÐºÑ ÑÐ¼Ð¾Ð²Ð½Ð¾Ð³Ð¾ Ð±Ð»Ð¾ÐºÑ
        condition = expected_message is not None

        _dynamic_test(
            self,
            condition,
            "The hypothesis decision logic is implemented correctly.",
            "The hypothesis decision logic is incorrect."
        )


if __name__ == "__main__":
    unittest.main()


test_code.py

Costruisci una solida base in statistica utilizzando Python. Impara i concetti statistici essenziali e applicali tramite NumPy e pandas. Passa da misure di base come media e varianza ai test di ipotesi, intervalli di confidenza e approfondimenti basati sui dati con esercitazioni pratiche.

Scopri i principi statistici fondamentali, inclusi i tipi di dati, le misure di tendenza centrale e le principali differenze tra campioni e popolazioni.

Impara a calcolare e interpretare media, mediana e moda utilizzando Python. Esercitati con queste operazioni tramite pandas per analizzare dataset reali.

Comprendere come la varianza e la deviazione standard misurano la dispersione dei dati. Apprendere come calcolare entrambe manualmente e utilizzando strumenti Python.

Esplora come la covarianza e la correlazione descrivono le relazioni tra variabili. Esercitati a calcolare e confrontare entrambe le metriche in Python.

Padroneggiare gli intervalli di confidenza per stimare i parametri della popolazione. Utilizzare NumPy, pandas e librerie di visualizzazione per calcolare e interpretare intervalli con dati reali.

Impara i fondamenti del test delle ipotesi e del t-test. Comprendi come progettare, eseguire e interpretare i test utilizzando Python per supportare decisioni basate sui dati.

Eseguire un t-test

Soluzione