How does hypothesis testing work and what problems can it solve? To find out, you’ll walk through the workflow for a one sample proportion test. In doing so, you'll encounter important concepts like z-scores, p-values, and false negative and false positive errors.

Hypothesis tests and z-scores

Uses of A/B testing

Calculating the sample mean

Calculating a z-score

p-values

Criminal trials and hypothesis tests

Left tail, right tail, two tails

Calculating p-values

Statistical significance

Decisions from p-values

Calculating a confidence interval

Type I and type II errors

Hypothesis Testing Fundamentals

In this chapter, you’ll learn how to test for differences in means between two groups using t-tests and extend this to more than two groups using ANOVA and pairwise t-tests.

Performing t-tests

Hypothesis testing workflow

Two sample mean test statistic

Calculating p-values from t-statistics

Why is t needed?

The t-distribution

From t to p

Paired t-tests

Is pairing needed?

Visualizing the difference

Using ttest()

ANOVA tests

Visualizing many categories

Conducting an ANOVA test

Pairwise t-tests

Two-Sample and ANOVA Tests

Now it’s time to test for differences in proportions between two groups using proportion tests. Through hands-on exercises, you’ll extend your proportion tests to more than two groups with chi-square independence tests, and return to the one sample case with chi-square goodness of fit tests.

Proportionstests bei einer Stichprobe

t für Proportionen?

Test für einzelne Proportionen

Zwei-Stichproben-Proportionstests

Test von zwei Proportionen

proportions_ztest() für zwei Stichproben

Chi-Quadrat-Test der Unabhängigkeit

Die Chi-Quadrat-Verteilung

Wie viele Ränder gibt es bei Chi-Quadrat-Tests?

Durchführen eines Chi-Quadrat-Tests

Chi-Quadrat-Tests zur Anpassungsgüte

Visualisierung der Anpassungsgüte

Durchführen eines Goodness-of-Fit-Tests

Proportion Tests

Finally, it’s time to learn about the assumptions made by parametric hypothesis tests, and see how non-parametric tests can be used when those assumptions aren't met.

Assumptions in hypothesis testing

Common assumptions of hypothesis tests

Testing sample size

Non-parametric tests

Which parametric test?

Wilcoxon signed-rank test

Non-parametric ANOVA and unpaired t-tests

Wilcoxon-Mann-Whitney

Kruskal-Wallis

Congratulations!

Non-Parametric Tests

Late Shipments

Stack Overflow

U.S. Democrat Votes 2012/2016

U.S. Republican Votes 2008/2012

Course Glossary

Mit Hypothesentests kannst du Fragen zu deinen Datensätzen auf statistisch fundierte Weise beantworten. In diesem Kurs verbesserst du deine analytischen Fähigkeiten in Python, indem du lernst, wie und wann du gängige Tests wie t-Tests, Proportionstests und Chi-Quadrat-Tests anwenden kannst. Durch die Arbeit mit realen Daten, wie z. B. Stack Overflow-Nutzerfeedback und Lieferkettendaten für medizinische Lieferungen, wirst du ein tiefes Verständnis dafür gewinnen, wie diese Tests funktionieren und welche Annahmen ihnen zugrunde liegen. Außerdem erfährst du, wie nicht-parametrische Tests eingesetzt werden können, um die Grenzen der traditionellen Hypothesentests zu überwinden.

Die Live-Transkripte der Videos kannst du durch einen klicke auf „Mitschrift anzeigen“ unten links in den Videos aufrufen.
Das Kursglossar findest du rechts im Bereich Ressourcen.
Um CPE-Credits zu erhalten, musst du den Kurs abschließen und in dem Test 70 % erreichen. Du Assessment gelangst du, indem du rechts auf die Angabe zu den CPE-Credits klickst.

Sampling in Python

Lernen Sie, wann und wie Sie t-Tests, Anteilstests und Chi-Quadrat-Tests in Python verwenden.

Hypothesentests in Python

Dieser Kurs erklärt, wie und wann du gängige Hypothesentests wie t-Tests, Proportionentests und Chi-Quadrat-Tests in Python anwenden kannst.

Associate Data Scientist  in Python

Datenanalyst  in Python

Grundlagen der Statistik  mit Python

Die Chi-Quadrat-Verteilung

Hypothesentests in Python

Interaktive Übung