Parat t-test
Följande funktion utför ett parat t-test:
ttest_rel(a, b, alternative='two-sided')
Denna process liknar den som används för oberoende urval, men här behöver vi inte kontrollera homogenitet av varians. Det parata t-testet förutsätter uttryckligen inte att varianserna är lika.
Observera att för ett parat t-test är det avgörande att stickprovsstorlekarna är lika.
Med denna information i åtanke kan du gå vidare till uppgiften att utföra ett parat t-test.
Här har du data om antalet nedladdningar för en viss app. Titta på urvalen: medelvärdena är nästan identiska.
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
Hypoteser fastställs:
- H₀: Det genomsnittliga antalet nedladdningar före och efter ändringarna är detsamma;
- Hₐ: Det genomsnittliga antalet nedladdningar är högre efter modifieringarna.
Utför ett parat t-test med detta alternativa hypotes, använd before och after som urval.
Lösning
Tack för dina kommentarer!
single
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
Awesome!
Completion rate improved to 2.63Parat t-test
Svep för att visa menyn
Följande funktion utför ett parat t-test:
ttest_rel(a, b, alternative='two-sided')
Denna process liknar den som används för oberoende urval, men här behöver vi inte kontrollera homogenitet av varians. Det parata t-testet förutsätter uttryckligen inte att varianserna är lika.
Observera att för ett parat t-test är det avgörande att stickprovsstorlekarna är lika.
Med denna information i åtanke kan du gå vidare till uppgiften att utföra ett parat t-test.
Här har du data om antalet nedladdningar för en viss app. Titta på urvalen: medelvärdena är nästan identiska.
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
Hypoteser fastställs:
- H₀: Det genomsnittliga antalet nedladdningar före och efter ändringarna är detsamma;
- Hₐ: Det genomsnittliga antalet nedladdningar är högre efter modifieringarna.
Utför ett parat t-test med detta alternativa hypotes, använd before och after som urval.
Lösning
Byt till skrivbordet för praktisk övningFortsätt där du är med ett av alternativen nedanTack för dina kommentarer!
Awesome!
Completion rate improved to 2.63single
