import numpy as np
import pandas as pd
np.mean([np.random.binomial(1, 68/110, size = 10).mean() - np.random.binomial(1,68/110, size = 100).mean() >= 0.2 for i in range (10000)])
# output:
# p-value ~ 0,21, что больше, чем a(0,05), значит нулевую гипотезу не отвергаем.
P.S: для тестирований есть специальные калькуляторы, в которых вы можете также поиграться.
Распределение с вероятностями (весами), было тестовое задание в OZON с симуляцией данных и дальнейшего исследования.🐲 Пример на Python для пяти элементов с соответствующими вероятностями pi import numpy as np
list = np.arange(1,6)
sNumbers = np.random.choice(list, size = 1000, replace = True, p = [0.35, 0.25, 0.2, 0.15, 0.05])
pd.DataFrame(sNumbers).value_counts(normalize = True)
🤯 Проверка распределения на нормальность (необходимо для корректности расчета разницы между распределениями):- тест Шапиро-уилка
- QQ-plot
- Критерий Лиллифорса
- Критерий хи-квадрат Пирсона
📖 Полезные материалы:
Калькулятор для A/B
Ещё один калькулятор
Про распределения
❗️ Настоятельно рекомендую смотреть открытые лекции Яндекса по A/B тестам + Матемаркетинг на Youtube, очень много всего. От понижения дисперсий (про это поговорим дальше) до множественного A/B тестирования и сокращения времени проведения A/B тестов в несколько сотен раз!
