Wie funktioniert das Testen von Hypothesen und welche Probleme kann es lösen? Um das herauszufinden, gehst du durch den Workflow für einen Proportionstest mit einer Stichprobe. Dabei lernst du wichtige Konzepte wie z-Scores, p-Werte sowie falsch-negative und falsch-positive Fehler kennen.

Hypothesentests und z-Scores

Einsatzmöglichkeiten von A/B-Tests

Berechnung des Mittelwerts der Stichprobe

Berechnung eines z-Scores

p-Werte

Strafprozesse und Hypothesentests

Linker Rand, rechter Rand, zwei Ränder

Berechnen von p-Werten

Statistische Signifikanz

Entscheidungen aus p-Werten

Berechnung eines Konfidenzintervalls

Fehler 1. Art und Fehler 2. Art

Grundlagen des Hypothesentests

In diesem Kapitel lernst du, wie du mit t-Tests auf Mittelwertdifferenzen zwischen zwei Gruppen testen kannst und wie du dies mit ANOVA und paarweisen t-Tests auf mehr als zwei Gruppen ausweiten kannst.

Durchführung von t-Tests

Ablauf von Hypothesentests

Zwei-Stichproben-Mittelwert-Teststatistik

Berechnen von p-Werten aus t-Statistiken

Warum wird t benötigt?

Die t-Verteilung

Von t bis p

Gepaarte t-Tests

Gepaarte vs. ungepaarte t-Tests

Gepaart

Nicht gepaart

Ist eine Paarung erforderlich?

Den Unterschied sichtbar machen

ttest() verwenden

ANOVA-Tests

Viele Kategorien visualisieren

Durchführen eines ANOVA-Tests

Paarweise t-Tests

Tests mit zwei Stichproben und ANOVA

Jetzt ist es an der Zeit, mit Hilfe von Proportionstests zu prüfen, ob es Unterschiede in den Anteilen zwischen zwei Gruppen gibt. In praktischen Aufgaben erweiterst du deine Proportionstests mit Chi-Quadrat-Unabhängigkeitstests auf mehr als zwei Gruppen und kehrst mit Chi-Quadrat-Anpassungstests zum Fall mit einer Stichprobe zurück.

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

Proportionale Tests

Zum Schluss lernst du die Annahmen parametrischer Hypothesentests kennen und erfährst, wie nicht-parametrische Tests verwendet werden können, wenn diese Annahmen nicht erfüllt sind.

Annahmen bei Hypothesentests

Gemeinsame Annahmen von Hypothesentests

Größe der Teststichprobe

Nicht-parametrische Tests

Welcher parametrische Test?

Wilcoxon Signed-Rank-Test

Nicht-parametrische ANOVA- und ungepaarte t-Tests

Wilcoxon-Mann-Whitney

Kruskal-Wallis

Glückwunsch!

Late Shipments

Stack Overflow

U.S. Democrat Votes 2012/2016

U.S. Republican Votes 2008/2012

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.

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

Identifiziere den Populationsparameter, über den eine Hypothese aufgestellt wird

Bestimme die Null- und Alternativhypothesen

Bestimme die (standardisierte) Teststatistik und die entsprechende Nullverteilung

Durchführung von Hypothesentests in Python

Hinweise gegen die Nullhypothese messen und mit dem Signifikanzniveau vergleichen

Interpretiere die Ergebnisse im Zusammenhang mit dem ursprünglichen Problem

Ablauf von Hypothesentests

Hypothesentests in Python

Interaktive Übung