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.

Hipotez testleri ve z-skorları

A/B testinin kullanım alanları

Örneklem ortalamasını hesaplama

z-skoru hesaplama

p-değerleri

Ceza davaları ve hipotez testleri

Seçenekler

İki kuyruk

Sol kuyruk

Sağ kuyruk

Sol kuyruk, sağ kuyruk, iki kuyruk

p-değerlerini hesaplama

İstatistiksel anlamlılık

p-değerlerinden karar vermek

Güven aralığı hesaplama

Yanlış pozitif (Tip I) hatalar

Yanlış negatif (Tip II) hatalar

Hata değil

Tip I ve tip II hatalar

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

Hipotez testi, veri kümelerin hakkında soruları istatistiksel olarak sağlam bir şekilde yanıtlamanı sağlar. Bu kursta, t-testleri, oran testleri ve ki-kare testleri gibi yaygın testleri ne zaman ve nasıl kullanacağını öğrenirken Python analitik becerilerini geliştireceksin. Stack Overflow kullanıcı geri bildirimi ve tıbbi malzeme sevkiyatlarına ait tedarik zinciri verileri de dahil olmak üzere gerçek dünya verileriyle çalışarak, bu testlerin nasıl işlediğini ve onları temel alan kilit varsayımları derinlemesine anlayacaksın. Ayrıca, parametrik olmayan testlerin, geleneksel hipotez testlerinin sınırlamalarını aşmak için nasıl kullanılabileceğini keşfedeceksin.

Videolarda, videoların sol alt kısmındaki "Show transcript" butonuna tıklayarak açabileceğin canlı altyazılar bulunur.
Kurs sözlüğünü sağ taraftaki kaynaklar bölümünde bulabilirsin.
CPE kredileri alabilmek için kursu tamamlayıp nitelikli değerlendirmede %70 puana ulaşman gerekir. Sağ taraftaki CPE kredileri çağrısına tıklayarak değerlendirmeye gidebilirsin.

Sampling in Python

Python'da t-testi, oran testi ve ki-kare testi gibi hipotez testlerini nasıl ve ne zaman kullanacağınızı öğrenin.

Python'da Hipotez Testi

Python'da t-testleri, oran testleri ve ki-kare testleri gibi yaygın hipotez testlerini nasıl ve ne zaman kullanacağınızı öğrenin.

Yardımcı Veri Bilimcisi  Python'da

Veri Analisti  Python'da

İstatistik Temelleri  Python'da

p-değerlerini hesaplama

Python'da Hipotez Testi

Uygulamalı interaktif egzersiz