SRM
Cuando diseñamos un experimento para asignar unidades de participación (p. ej., usuarios) a un porcentaje determinado por variante, esperamos pequeñas variaciones debidas a problemas de registro, retrasos, errores menores de instrumentación, etc. Sin embargo, cuando esa desviación es mayor de lo esperado, suele indicar un problema más serio que podría invalidar y sesgar los resultados del test. El objetivo de este ejercicio es revisar las técnicas estadísticas que te permiten detectar casos en los que el desajuste de asignación es demasiado grande para atribuirlo solo al azar.
Como analytics engineer, puede que tu rol requiera diseñar e incluso automatizar marcos para detectar desajustes en la proporción de muestra (SRM) en tests A/B. El DataFrame checkout ya está cargado junto con las librerías pandas y numpy. Consideremos el grupo de control como el diseño 'A' de checkout y el grupo de tratamiento como 'B'.
Este ejercicio forma parte del curso
A/B Testing en Python
Ejercicio interactivo práctico
Prueba este ejercicio y completa el código de muestra.
# Assign the unqiue counts to each variant
control_users = ____
treatment_users = ____
total_users = ____ + ____
print("Control unique users:",control_users)
print("Control unique users:",treatment_users)