Hypotesetest
Nulhypotese, p-værdi, t-test og chi-i-anden-test med scipy.stats.
Hypotesetest er en gratis Lær AI med Python-lektion på CoddyKit. Dette er lektion 3 af 4. Du kan læse alle 3 lektioner i dette læringsspor gratis i deres fulde længde — derefter låser CoddyKit PRO alle lektioner op samt praktiske øvelser med en indbygget kodeeditor og en AI-underviser døgnet rundt. Den er en del af læringsforløbet i Lær AI med Python, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Lær AI med Python-kurset indeholder 4 lektioner i alt.
Hvad er en hypotesetest?
En hypotesetest bruger data til at afgøre, om en observeret effekt er reel eller blot skyldes tilfældigheder. Det er sådan, dataforskere underbygger påstande som "det nye design øgede antallet af klik".
Nulhypotese kontra alternativ hypotese
Nulhypotesen H0 siger, at der IKKE er nogen effekt (det grundlæggende skeptiske udgangspunkt). Den alternative hypotese H1 siger, at der ER en effekt. Vi forsøger at indsamle evidens mod H0.
p-værdien
p-værdien er sandsynligheden for at se data, der er så ekstreme, HVIS H0 var sand. En lille p-værdi betyder, at dataene er overraskende under H0, så vi tvivler på H0.
Signifikansniveau
Vi sammenligner p med en tærskelværdi alpha (ofte 0.05). Hvis p < alpha, forkaster vi H0; ellers undlader vi at forkaste den. alpha er den acceptable rate af falsk positive.
Hvad p IKKE betyder
p-værdien er IKKE sandsynligheden for, at H0 er sand, og den er heller IKKE effektens størrelse. En meget lille p-værdi med en stor stikprøve kan afspejle en ubetydelig lille forskel. Rapportér altid også effektstørrelsen.
t-test for én stikprøve
ttest_1samp undersøger, om en stikprøves middelværdi afviger fra en kendt værdi, f.eks. om den gennemsnitlige svartid afviger fra et mål på 200 ms.
from scipy import stats
import numpy as np
times = np.array([198, 205, 210, 195, 220, 208])
t, p = stats.ttest_1samp(times, popmean=200)
print(t, p)t-test for to stikprøver
ttest_ind sammenligner middelværdierne for to UAFHÆNGIGE grupper – den almindelige analyse af en A/B-test.
control = np.array([20, 22, 19, 24, 21])
treat = np.array([25, 27, 24, 29, 26])
t, p = stats.ttest_ind(control, treat)
print(t, p) # small p -> groups differFortolkning af resultatet
Sammenhold p-værdien med alpha, og formulér en konklusion i et almindeligt sprog. Signifikans er en beslutning, ikke et bevis på sikkerhed.
alpha = 0.05
if p < alpha:
print("Reject H0: the groups differ significantly")
else:
print("Fail to reject H0: no significant difference")Chi-i-anden-test for uafhængighed
chi2_contingency undersøger, om to KATEGORISKE variable hænger sammen, ved hjælp af en krydstabel over antal.
table = np.array([[30, 10], [20, 40]]) # rows: group, cols: outcome
chi2, p, dof, expected = stats.chi2_contingency(table)
print(chi2, p)Type I- og Type II-fejl
En Type I-fejl (falsk positiv) forkaster en sand H0; dens rate er alpha. En Type II-fejl (falsk negativ) undlader at forkaste en falsk H0; dens rate er beta. Teststyrke = 1 - beta er sandsynligheden for at opdage en reel effekt.
Afvejninger
Hvis du sænker alpha, reducerer du antallet af falsk positive, men øger raten af falsk negative (lavere teststyrke). Større stikprøver reducerer begge fejltyper, og derfor er planlægning af stikprøvestørrelsen vigtig før et eksperiment.
Hurtigt tjek
Afprøv din viden om hypotesetest.
Opsamling
Det vigtigste om hypotesetest:
- H0 (ingen effekt) kontra H1 (effekt); indsaml evidens mod H0
- p-værdi = P(data så ekstreme | H0); forkast, hvis p < alpha
- p er IKKE P(H0 sand) og IKKE effektstørrelsen
ttest_1samp,ttest_ind,chi2_contingency- Type I (falsk positiv, rate alpha) kontra Type II (falsk negativ, rate beta); teststyrke = 1-beta
Lær Python med en AI-underviser — gratis
Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.
- Kurser
- 53
- Lektioner
- 225
Ofte stillede spørgsmål
Er lektionen “Hypotesetest” gratis?
Ja — alle 3 lektioner i læringssporet Lær AI med Python, inklusive “Hypotesetest”, kan læses gratis i deres fulde længde her på webstedet. Derefter låser CoddyKit PRO alle lektioner op samt interaktive øvelser med en indbygget kodeeditor og en AI-underviser døgnet rundt. Lær AI med Python-kurset indeholder 4 lektioner i alt.
Hvad lærer jeg i “Hypotesetest”?
Nulhypotese, p-værdi, t-test og chi-i-anden-test med scipy.stats. Du øver dig i Lær AI med Python med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.
Skal jeg have erfaring for at begynde på Lær AI med Python?
Der kræves ingen tidligere erfaring. Lær AI med Python på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 3 af 4.
Hvor lang tid tager lektionen “Hypotesetest”?
De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.
Kan jeg skrive og køre kode i denne Lær AI med Python-lektion?
Ja. Alle Lær AI med Python-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.
Alle lektioner i dette kursus
- Deskriptiv statistik og fordelinger
- Sandsynlighed og Bayes' sætning
- Hypotesetest
- Korrelation og kovarians