Δεδομένα

purchases.A = c(2233, 2327, 1280, 1477, 1461, 1495, 1950, 1857, 1471, 1567, 1627)
purchases.B = c(1404, 1514, 1730, 1610, 1854, 1107, 2145, 784, 1410, 2226)

1. Περιγραφή των δεδομένων

round(mean(purchases.A), 1)
round(mean(purchases.B), 1)
mean(purchases.A)- mean(purchases.B)

2. Έλεγχος κανονικότητας των κατανομών
Επιλογή 1η: Στατιστικός έλεγχος κανονικότητας Kolmorogov - Smirnov (K - S) (Δεν προτείνεται καθώς υπολογίζει παραμέτρους της κανονικής κατανομής από το ίδιο το δείγμα...)

ks.test(purchases.A, "pnorm", mean(purchases.A), sd(purchases.A))
ks.test(purchases.B, "pnorm", mean(purchases.B), sd(purchases.B))

Επιλογή 2η: Στατιστικός έλεγχος κανονικότητας Shapiro - Wilk

shapiro.test(purchases.A)
shapiro.test(purchases.B)

3. Έλεγχος ισότητας των διακυμάνσεων (έλεγχος ομοιογένειας)
3.1 Μορφοποίηση δεδομένων

group = c(rep(1, 11), rep(2, 10))
group = factor(group, levels = c(1, 2), labels = c("Α", "Β"))
purchases = c(purchases.A, purchases.B)
data = data.frame(group, purchases)

3.2 Έλεγχος ομοιογένειας Levene

library(car)
leveneTest(data$purchases, data$group, center = mean)

4. Υλοποίηση t - test ανεξαρτήτων δειγμάτων

t.test(purchases.A, purchases.B, var.equal = TRUE)

5. Δοκιμασία Welch (εφαρμόζεται όταν οι διακυμάνσεις δεν είναι ίσες)

t.test(purchases.A, purchases.B, var.equal = FALSE)

6. Μη παραμετρικό t - test για δύο ανεξάρτητα δείγματα (Wilcoxon test: εφαρμόζεται όταν η κανονικότητα και η ομοιογένεια δεν μπορούν να υποτεθούν για τα δεδομένα)

wilcox.test(purchases.A, purchases.B)