Ujian Hipotesis
Hipotesis nol, nilai-p, ujian-t dan ujian khi kuasa dua dengan scipy.stats.
Ujian Hipotesis ialah pelajaran Pelajari AI dengan Python percuma di CoddyKit. Ini ialah pelajaran 3 daripada 4. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pelajari AI dengan Python, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.
Apakah Ujian Hipotesis?
Ujian hipotesis menggunakan data untuk menentukan sama ada kesan yang diperhatikan itu benar atau sekadar kebetulan rawak. Inilah cara ahli sains data menyokong dakwaan seperti "reka bentuk baharu meningkatkan bilangan klik".
Nol berbanding Alternatif
Hipotesis nol H0 menyatakan bahawa tiada kesan NO (kedudukan lalai yang skeptik). Hipotesis alternatif H1 menyatakan bahawa terdapat kesan IS. Kami cuba mengumpulkan bukti terhadap H0.
Nilai-p
Nilai-p ialah kebarangkalian untuk melihat data yang seekstrem ini IF H0 benar. Nilai-p yang kecil bermaksud data itu mengejutkan di bawah H0, jadi kami meragui H0.
Aras Keertian
Kami membandingkan p dengan ambang alpha (biasanya 0.05). Jika p < alpha, kami menolak H0; jika tidak, kami gagal menolaknya. alpha ialah kadar positif palsu yang boleh diterima.
Maksud yang TIDAK Dibawa oleh p
Nilai-p ialah NOT kebarangkalian bahawa H0 benar dan NOT saiz kesan. Nilai-p yang sangat kecil dengan sampel yang besar boleh mencerminkan perbezaan yang amat kecil dan tidak penting. Sentiasa laporkan saiz kesan juga.
Ujian-t Satu Sampel
ttest_1samp memeriksa sama ada mean sampel berbeza daripada nilai yang diketahui, contohnya sama ada masa tindak balas purata berbeza daripada sasaran 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)Ujian-t Dua Sampel
ttest_ind membandingkan mean bagi dua kumpulan INDEPENDENT, iaitu analisis ujian A/B standard.
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 differMentafsir Keputusan
Baca nilai-p berbanding alpha dan nyatakan kesimpulan dalam bahasa mudah. Keertian ialah keputusan, bukannya bukti kepastian.
alpha = 0.05
if p < alpha:
print("Reject H0: the groups differ significantly")
else:
print("Fail to reject H0: no significant difference")Ujian Khi Kuasa Dua bagi Kebebasan
chi2_contingency menguji sama ada dua pemboleh ubah CATEGORICAL berkaitan, menggunakan jadual kontingensi kiraan.
table = np.array([[30, 10], [20, 40]]) # rows: group, cols: outcome
chi2, p, dof, expected = stats.chi2_contingency(table)
print(chi2, p)Ralat Jenis I dan Jenis II
Ralat Jenis I (positif palsu) menolak H0 yang benar; kadarnya ialah alpha. Ralat Jenis II (negatif palsu) gagal menolak H0 yang palsu; kadarnya ialah beta. Kuasa = 1 - beta ialah kebarangkalian mengesan kesan sebenar.
Tolak Ansur
Menurunkan alpha mengurangkan positif palsu tetapi meningkatkan kadar negatif palsu (kuasa yang lebih rendah). Sampel yang lebih besar mengurangkan kedua-dua jenis ralat, sebab itulah perancangan saiz sampel penting sebelum eksperimen.
Semakan Pantas
Uji pengetahuan anda tentang pengujian hipotesis.
Imbas Kembali
Asas pengujian hipotesis:
- H0 (tiada kesan) berbanding H1 (kesan); kumpulkan bukti terhadap H0
- Nilai-p = P(data seekstrem ini | H0); tolak jika p < alpha
- p ialah NOT P(H0 benar) dan NOT saiz kesan
ttest_1samp,ttest_ind,chi2_contingency- Jenis I (positif palsu, kadar alpha) berbanding Jenis II (negatif palsu, kadar beta); kuasa = 1-beta
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 53
- Pelajaran
- 225
Soalan Lazim
Adakah pelajaran “Ujian Hipotesis” percuma?
Ya — sebanyak 3 pelajaran dalam laluan pembelajaran Pelajari AI dengan Python, termasuk “Ujian Hipotesis”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Ujian Hipotesis”?
Hipotesis nol, nilai-p, ujian-t dan ujian khi kuasa dua dengan scipy.stats. Anda berlatih Pelajari AI dengan Python menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Pelajari AI dengan Python?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Pelajari AI dengan Python di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 3 daripada 4.
Berapa lamakah pelajaran “Ujian Hipotesis” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pelajari AI dengan Python ini?
Ya. Setiap pelajaran Pelajari AI dengan Python menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Statistik Deskriptif dan Taburan
- Kebarangkalian dan Teorem Bayes
- Ujian Hipotesis
- Korelasi dan Kovarians