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.

Hypothesetests en z-scores

Toepassingen van A/B-testen

De steekproefgemiddelde berekenen

Een z-score berekenen

p-waarden

Strafzaken en hypothesetests

Opties

Twee staarten

Linkerstaart

Rechterstaart

Linkerstaart, rechterstaart, twee staarten

p-waarden berekenen

Statistische significantie

Beslissingen op basis van p-waarden

Een betrouwbaarheidsinterval berekenen

False positive (type I)-fouten

False negative (type II)-fouten

Geen fout

Type I- en type II-fouten

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.

One-sample proportion tests

t for proportions?

Test for single proportions

Two-sample proportion tests

Test of two proportions

proportions_ztest() for two samples

Chi-square test of independence

The chi-square distribution

How many tails for chi-square tests?

Performing a chi-square test

Chi-square goodness of fit tests

Visualizing goodness of fit

Performing a goodness of fit test

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

Met hypothesetoetsen kun je vragen over je gegevenssets op een statistisch onderbouwde manier beantwoorden. In deze cursus breid je je analytische Python-vaardigheden uit terwijl je leert hoe en wanneer je gangbare toetsen zoals t-toetsen, proportietoetsen en chi-kwadraattoetsen gebruikt. Met echte data, waaronder feedback van Stack Overflow-gebruikers en supplychaingegevens over medische zendingen, krijg je een diep begrip van hoe deze toetsen werken en de belangrijkste aannames erachter. Je ontdekt ook hoe niet-parametrische toetsen je helpen voorbij de beperkingen van traditionele hypothesetoetsen te gaan.

De video's bevatten live-transcripts die je kunt weergeven door linksonder in de video's op "Show transcript" te klikken.
De begrippenlijst van de cursus vind je rechts in de sectie met bronnen.
Om CPE-credits te behalen, moet je de cursus afronden en minimaal 70% scoren op de gekwalificeerde toets. Je gaat naar de toets via de CPE-creditsvermelding aan de rechterkant.

Sampling in Python

Leer hoe en wanneer je t-toetsen, proportietoetsen en chi-kwadraattoetsen in Python gebruikt.

Hypothesetoetsen in Python

Associate Data Scientist  in Python

Data-analist  in Python

Statistiek voor beginners  in Python

Toepassingen van A/B-testen

Hypothesetoetsen in Python

Praktische interactieve oefening