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.

Hypothesis tests and z-scores

Uses of A/B testing

Calculating the sample mean

Calculating a z-score

p-values

Criminal trials and hypothesis tests

Left tail, right tail, two tails

Calculating p-values

Statistical significance

Decisions from p-values

Calculating a confidence interval

Type I and type II errors

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.

Hipotez testindeki varsayımlar

Hipotez testlerinin yaygın varsayımları

Örneklem büyüklüğünü test etme

Parametrik olmayan testler

Hangi parametrik test?

Wilcoxon işaretli-sıralar testi

Parametrik olmayan ANOVA ve eşleştirilmemiş t-testleri

Wilcoxon-Mann-Whitney

Kruskal-Wallis

Tebrikler!

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

Hipotez testlerinin yaygın varsayımları

Python'da Hipotez Testi

Uygulamalı interaktif egzersiz