estadística descriptiva mediante un script en Python

 Este script genera dos conjuntos de datos calificaciones antes y después de la tutoría, realiza un boxplot para visualizar la distribución de los datos y luego realiza una prueba t muestras independientes para determinar si hay una diferencia significativa. alfa), 0,05. Es una gran oferta.

https://chat.openai.com/share/1a627e4a-69e1-415f-a8b9-b0b3878d8766

#importarlasbibliotecasnecesarias

importar pandas como pd

importar numpy como np

importar matplotlib.pyplot como plt

# Crear un conjunto de datos de ejemplo

datos = { 'Estudiante' : [ 'Estudiante1' , 'Estudiante2' , 'Estudiante3' , 'Estudiante4' , 'Estudiante5' ],

        'Calificaciones' : [ 85 , 90 , 88 , 78 , 92 ]}

# Crear un DataFrame de Pandas a partir del conjunto de datos

df = pd.DataFrame(datos)

# Mostrar el marco de datos

imprimir ( "Datos del DataFrame:" )

imprimir (df)

#Estadísticas descriptivas básicas utilizando Pandas y NumPy

media = np.mean(df[ 'Calificaciones' ])

mediana = np.median(df[ 'Calificaciones' ])

desviacion_estandar = np.std(df[ 'Calificaciones' ])

print ( "\nEstadísticas Descriptivas:" )

imprimir ( f "Medios: {medios} " )

imprimir ( f "Mediana: {mediana} " )

print ( f "Desviación Estándar: {desviacion_estandar} " )

# Crear un histograma utilizando Matplotlib

plt.hist(df[ 'Calificaciones' ], bins= 10 , color= 'celeste' , edgecolor= 'negro' )

plt.title( 'Histograma de Calificaciones' )

plt.xlabel( 'Calificaciones' )

plt.ylabel( 'Frecuencia' )

plt.mostrar()

# Importar las bibliotecas necesarias

import pandas as pd

import numpy as np

import matplotlib.pyplot as plt

from scipy.stats import ttest_ind

# Crear conjuntos de datos de ejemplo

np.random.seed(42)  # Para reproducibilidad

antes_tutoria = np.random.normal(loc=75, scale=10, size=30)

despues_tutoria = np.random.normal(loc=80, scale=8, size=30)

# Crear un DataFrame de Pandas a partir de los conjuntos de datos

data = {'Antes Tutoría': antes_tutoria, 'Después Tutoría': despues_tutoria}

df = pd.DataFrame(data)

# Visualizar los datos

plt.boxplot([antes_tutoria, despues_tutoria], labels=['Antes Tutoría', 'Después Tutoría'])

plt.title('Boxplot de Calificaciones antes y después de la Tutoría')

plt.ylabel('Calificaciones')

plt.show()

# Realizar una prueba t de muestras independientes

t_statistic, p_value = ttest_ind(antes_tutoria, despues_tutoria)

# Mostrar los resultados de la prueba

print(f"\nPrueba t de muestras independientes:")

print(f"Estadística t: {t_statistic}")

print(f"Valor p: {p_value}")

# Interpretar los resultados

alpha = 0.05

if p_value < alpha:

    print("\nSe rechaza la hipótesis nula. Hay evidencia significativa de que la tutoría afecta las calificaciones.")

else:

    print("\nNo hay suficiente evidencia para rechazar la hipótesis nula. No hay diferencia significativa en las calificaciones.")