Hur fungerar hypotestestning och vilka problem kan det lösa? För att ta reda på det går du igenom arbetsflödet för ett enurvals-proportionstest. På vägen stöter du på viktiga begrepp som z-värden, p-värden samt fel av typ 1 och typ 2.

Hypotestester och z-värden

Användningsområden för A/B-testning

Beräkna stickprovsmedelvärdet

Beräkna en z-poäng

p-värden

Brottmålsrättegångar och hypotestester

Alternativ

Tvåsvansigt

Vänstersvans

Högersvans

Vänstersvans, högersvans, tvåsvansigt

Beräkna p-värden

Statistisk signifikans

Beslut utifrån p-värden

Beräkna ett konfidensintervall

Falskt positiva (typ I-fel)

Falskt negativa (typ II-fel)

Inget fel

Fel av typ I och typ II

Grunderna i hypotestestning

I det här kapitlet lär du dig att testa skillnader i medelvärden mellan två grupper med hjälp av t-test, och sedan utöka det till fler än två grupper med ANOVA och parvisa t-test.

Genomföra t-test

Hypotestestningens arbetsflöde

Teststatistika för medelvärdesskillnad med två urval

Beräkna p-värden från t-statistik

Varför behövs t?

t-fördelningen

Från t till p

Parade t-test

Behövs parkoppling?

Visualisera skillnaden

Använda ttest()

ANOVA-tester

Visualisera många kategorier

Genomföra ett ANOVA-test

Parvisa t-test

Tvåurvals- och ANOVA-tester

Nu är det dags att testa skillnader i proportioner mellan två grupper med hjälp av proportionstester. Genom praktiska övningar utökar du dina proportionstester till fler än två grupper med chi-två-oberoendetestar, och återvänder till enurvalsfallet med chi-två-anpassningstester.

Ensampling-proportionstest

t för proportioner?

Testa enkla proportioner

Proportionstest för två urval

Test av två proportioner

proportions_ztest() för två urval

Chi-kvadrattest för oberoende

Khikvadratfördelningen

Hur många svansar har chi-två-test?

Utföra ett chi-kvadrattest

Chi-square-test för anpassning

Visualisera anpassning till fördelning

Utföra ett anpassningstest

Proportionstester

Slutligen lär du dig om de antaganden som parametriska hypotestest bygger på, och ser hur icke-parametriska tester kan användas när dessa antaganden inte är uppfyllda.

Antaganden vid hypotestestning

Vanliga antaganden för hypotestester

Testa urvalsstorlek

Icke-parametriska test

Vilket parametriskt test?

Wilcoxons teckenrangtest

Icke-parametrisk ANOVA och parade t-test

Wilcoxon-Mann-Whitney

Kruskal-Wallis

Grattis!

Icke-parametriska tester

U.S. Republican Votes 2008/2012

Late Shipments

Stack Overflow

Course Glossary

U.S. Democrat Votes 2012/2016

Med hypotestestning kan du besvara frågor om dina datamängder på ett statistiskt rigoröst sätt. I den här kursen utvecklar du dina analytiska Python-kunskaper när du lär dig hur och när du ska använda vanliga tester som t-test, proportionstest och chi-två-test. Du arbetar med verkliga data – bland annat feedback från Stack Overflow-användare och leveranskedjdata för medicinska förnödenheter – och bygger en djup förståelse för hur dessa tester fungerar och vilka grundläggande antaganden de bygger på. Du får också lära dig hur icke-parametriska tester kan användas för att gå bortom begränsningarna hos traditionella hypotestest.

Videorna innehåller live-transkript som du kan visa genom att klicka på "Visa transkript" längst ned till vänster i videon.
Kursens ordlista finns till höger i resurssektionen.
För att erhålla CPE-poäng behöver du slutföra kursen och nå ett resultat på 70 % på den kvalificerade bedömningen. Du kan navigera till bedömningen genom att klicka på CPE-poäng-notisen till höger.

Sampling in Python

Lär dig använda vanliga hypotesprövningar som t-test, proportionstest och chi-två-test i Python.

Hypotestestning i Python

Lär dig hur och när du använder vanliga hypotesprövningar som t-tester, proportionstester och chi-två-tester i Python.

Associate Data Scientist  i Python

Dataanalytiker  i Python

Statistikens grunder  i Python

Brottmålsrättegångar och hypotestester

Hypotestestning i Python

Interaktiv övning med praktiskt arbete