Свайпніть щоб показати меню

Парний t-тест

Наступна функція виконує парний t-тест:


python

Цей процес подібний до того, що використовується для незалежних вибірок, але тут не потрібно перевіряти однорідність дисперсій. Парний t-тест явно не передбачає рівність дисперсій.

Зверніть увагу, що для парного t-тесту обов'язково рівні обсяги вибірок.

Маючи цю інформацію, можна перейти до виконання парного t-тесту.

Тут наведені дані щодо кількості завантажень певного додатка. Зверніть увагу на вибірки: середні значення майже однакові.


              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

Встановлюються гіпотези:

H₀: Середня кількість завантажень до і після змін однакова;
Hₐ: Середня кількість завантажень більша після внесення змін.

Проведіть парний t-тест 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