Teste T Pareado
A função a seguir realiza um teste t pareado:
ttest_rel(a, b, alternative='two-sided')
Este processo se assemelha ao utilizado para amostras independentes, mas aqui não é necessário verificar a homogeneidade de variância. O teste t pareado explicitamente não assume que as variâncias são iguais.
Lembre-se de que, para um teste t pareado, é fundamental que os tamanhos das amostras sejam iguais.
Com essas informações em mente, prossiga para a tarefa de realizar um teste t pareado.
Aqui, estão disponíveis dados sobre o número de downloads de um determinado aplicativo. Observe as amostras: os valores médios são quase idênticos.
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
As hipóteses são estabelecidas:
- H₀: A média do número de downloads antes e depois das alterações é a mesma;
- Hₐ: A média do número de downloads é maior após as modificações.
Realize um teste t pareado com esta hipótese alternativa, utilizando before e after como as amostras.
Solução
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixoObrigado pelo seu feedback!
