Свайпніть щоб показати меню

Парний t-критерій

Наступна функція проводить парний t-тест:

python

Цей процес схожий на той, що використовується для незалежних вибірок, але тут нам не потрібно перевіряти однорідність дисперсій. Парний t-тест явно не передбачає, що дисперсії рівні.

Майте на увазі, що для парного t-тесту критично важливо, щоб розміри вибірок були рівні.

З огляду на цю інформацію, ви можете приступити до завдання проведення парного t-критерія Стьюдента.

Тут у вас є дані щодо кількості завантажень певного додатку. Розгляньте зразки: середні значення майже ідентичні.


              123456789101112
            
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')

Завдання

Swipe to start coding

Ми встановлюємо гіпотези:

H₀: Середня кількість завантажень до та після змін залишається незмінною.
Hₐ: Середня кількість завантажень після модифікацій є більшою.

Проведіть парний t-критерій з цією альтернативною гіпотезою, використовуючи before та after як вибірки.

Рішення

Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 6. Розділ 8

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат