Update pages/results.py

pages/results.py

@@ -76,7 +76,7 @@ average_good_quality = good_quality_stores['Quality of presence'].mean()
 average_poor_quality = poor_quality_stores['Quality of presence'].mean()
 
 st.markdown(f"""
-### Гипотезы для А/Б-теста.
+### Гипотезы для А/Б-теста
 Так как магазины с высоким качеством представленности и магазины с низким качеством представленности имеют статистически значимое различие в средних количествах проданных батончиков, можно предположить, что увеличив среднюю представленность в магазинах с плохой представленностью, можно статистически значимо увеличить объем продаж в этих магазинах.
 
 Гипотеза здесь заключается в том, что магазины с плохой представленностью демонстируют плохие продажи именно из-за качества представленности, а не из-за социально-демографических особенностей аудитории покупателей или территориальных особенностей расположения магазина.
@@ -87,7 +87,7 @@ st.markdown(f"""
 
 Н1 — если в магазинах с плохой представленностью увеличить среднюю представленность до среднего уровня магазинов с хорошей представленностью (средний уровень представленности в магазинах с хорошей представленностью: {average_good_quality:.2f}), то количество проданных баточников станет больше.
 
-#### Расчеты.
+#### Расчеты
 Так как на данный момент идёт февраль, я буду рассчитывать тест на март, с предположением, что данные показывают похожую сезонность в течение последних нескольких лет, и март 2024 года можно предсказывать, ориентируясь на март 2022 года.
 
 На основе средней представленности батончиков в магазинах за март, магазины были разделены на группы с хорошей и плохой представленностью.