Jak działa testowanie hipotez i jakie problemy pozwala rozwiązać? Aby się tego dowiedzieć, przejdziesz przez cały przepływ pracy dla jednostronnego testu proporcji. Po drodze poznasz ważne pojęcia, takie jak wyniki z, wartości p oraz błędy fałszywie ujemne i fałszywie dodatnie.

Testy hipotez i z-scores

Zastosowania testów A/B

Obliczanie średniej z próby

Obliczanie z-score

Wartości p

Procesy sądowe a testy hipotez

Lewy ogon, prawy ogon, dwa ogony

Obliczanie p-wartości

Istotność statystyczna

Decyzje na podstawie wartości p

Obliczanie przedziału ufności

Błędy typu I i typu II

Podstawy testowania hipotez

W tym rozdziale nauczysz się testować różnice w średnich między dwiema grupami za pomocą testów t, a następnie rozszerzysz tę wiedzę na więcej niż dwie grupy – używając testów ANOVA i parami porównawczych testów t.

Testy t

Schemat testowania hipotez

Statystyka testowa dla dwóch średnich

Obliczanie p-wartości na podstawie statystyki t

Po co jest potrzebny rozkład t?

Rozkład t

Od t do p

Sparowane testy t

Parowany vs. nieparowany test t

Parowany

Nieparowany

Czy parowanie jest potrzebne?

Wizualizacja różnicy

Używanie ttest()

Testy ANOVA

Wizualizacja wielu kategorii

Przeprowadzanie testu ANOVA

Parowe testy t

Testy dla dwóch prób i ANOVA

Czas nauczyć się testować różnice w proporcjach między dwiema grupami za pomocą testów proporcji. Dzięki praktycznym ćwiczeniom rozszerzysz testy proporcji na więcej niż dwie grupy, stosując testy niezależności chi-kwadrat, a następnie wrócisz do przypadku jednej próby – z testami zgodności chi-kwadrat.

Jednostkowe testy proporcji

t dla proporcji?

Test dla pojedynczych proporcji

Testy proporcji dla dwóch próbek

Test dwóch proporcji

proportions_ztest() dla dwóch próbek

Test chi-kwadrat niezależności

Rozkład chi-kwadrat

Ile ogonów mają testy chi-kwadrat?

Przeprowadzanie testu chi-kwadrat

Testy zgodności chi-kwadrat

Wizualizacja dopasowania rozkładu

Przeprowadzanie testu zgodności z rozkładem

Testy proporcji

Na koniec poznasz założenia leżące u podstaw parametrycznych testów hipotez i zobaczysz, jak stosować testy nieparametryczne, gdy te założenia nie są spełnione.

Założenia testowania hipotez

Wspólne założenia testów hipotez

Testowanie wielkości próby

Testy nieparametryczne

Który test parametryczny?

Test znaków Wilcoxona

Nieparametryczna ANOVA i niesparowane testy t

Wilcoxon-Mann-Whitney

Kruskal-Wallis

Gratulacje!

U.S. Republican Votes 2008/2012

Late Shipments

Stack Overflow

Course Glossary

U.S. Democrat Votes 2012/2016

Testowanie hipotez pozwala odpowiadać na pytania dotyczące zbiorów danych w statystycznie rygorystyczny sposób. W tym kursie rozwiniesz swoje umiejętności analityczne w Pythonie, ucząc się, jak i kiedy stosować popularne testy, takie jak testy t, testy proporcji i testy chi-kwadrat. Pracując z rzeczywistymi danymi – w tym z opiniami użytkowników Stack Overflow oraz danymi łańcucha dostaw dla medycznych przesyłek zaopatrzeniowych – dogłębnie zrozumiesz, jak działają te testy i jakie kluczowe założenia je leżą u ich podstaw. Poznasz też testy nieparametryczne, które pozwalają wyjść poza ograniczenia tradycyjnych testów hipotez.

Filmy zawierają transkrypcje na żywo, które możesz wyświetlić, klikając „Pokaż transkrypcję" w lewym dolnym rogu odtwarzacza.
Glosariusz kursu znajdziesz po prawej stronie, w sekcji zasobów.
Aby uzyskać punkty CPE, musisz ukończyć kurs i zdobyć co najmniej 70% punktów w kwalifikowanym teście. Do testu możesz przejść, klikając informację o punktach CPE po prawej stronie.

Sampling in Python

Poznaj zastosowanie testów t, testów proporcji i chi-kwadrat w Pythonie.

Testowanie hipotez w Pythonie

Naucz się, jak i kiedy używać w Pythonie popularnych testów hipotez, takich jak testy t, testy proporcji i testy chi-kwadrat.

Młodszy Data Scientist  w Pythonie

Analityk danych  w Pythonie

Podstawy statystyki  w Pythonie

Aby zbadać skuteczność nowej techniki nauki w szkole podstawowej, tym samym uczniom z losowej próby przeprowadzono testy przed i po jej zastosowaniu.

Naukowcy chcą sprawdzić, czy starsze dzieci rzadziej przepadają za słodyczami niż młodsze. W tym celu przebadano pary rodzeństwa pod kątem ich preferencji dotyczących cukru.

Aby zbadać skuteczność nowej techniki nauki w szkole podstawowej, testy przeprowadzono na dwóch różnych losowych grupach uczniów.

Aby zbadać wpływ miejsca zamieszkania na dochody, przeprowadzono dwa niezależne badania: jedno wśród dorosłych mieszkających w Budapeszcie, drugie – wśród mieszkańców Londynu.

Czy parowanie jest potrzebne?

Testowanie hipotez w Pythonie

Interaktywne ćwiczenie praktyczne