Hypotesetesting
Nullhypotese, p-verdi, t-test og kjikvadrattest med scipy.stats.
Hypotesetesting er en gratis leksjon i Lær AI med Python på CoddyKit. Dette er leksjon 3 av 4. Du kan lese valgfritt 3 leksjoner fra denne læringsstien gratis i sin helhet – deretter låser CoddyKit PRO opp alle leksjoner, samt praktisk øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Lær AI med Python, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.
Hva er en hypotesetest?
En hypotesetest bruker data til å avgjøre om en observert effekt er reell eller bare skyldes tilfeldigheter. Dette er måten dataforskere underbygger påstander som «det nye designet økte antall klikk».
Nullhypotese kontra alternativ hypotese
Nullhypotesen H0 sier at det IKKE finnes noen effekt (standardantakelsen og den skeptiske posisjonen). Den alternative hypotesen H1 sier at det FINNES en effekt. Vi forsøker å finne evidens mot H0.
p-verdien
p-verdien er sannsynligheten for å observere data som er så ekstreme som disse HVIS H0 var sann. En liten p-verdi betyr at dataene er overraskende under H0, og derfor tviler vi på H0.
Signifikansnivå
Vi sammenligner p med en terskelverdi alpha (vanligvis 0,05). Hvis p < alpha, forkaster vi H0; ellers forkaster vi den ikke. alpha er den akseptable raten for falske positive.
Hva p IKKE betyr
p-verdien er IKKE sannsynligheten for at H0 er sann, og heller IKKE effektens størrelse. En svært liten p-verdi med et stort utvalg kan gjenspeile en ubetydelig liten forskjell. Rapporter alltid også effektstørrelsen.
t-test for ett utvalg
ttest_1samp undersøker om gjennomsnittet i et utvalg skiller seg fra en kjent verdi, for eksempel om den gjennomsnittlige svartiden skiller seg 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 utvalg
ttest_ind sammenligner gjennomsnittene i to UAVHENGIGE grupper, som i standardanalysen av 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 differTolke resultatet
Sammenlign p-verdien med alpha, og formuler en konklusjon med et klart språk. Signifikans er en beslutning, ikke et bevis på sikkerhet.
alpha = 0.05
if p < alpha:
print("Reject H0: the groups differ significantly")
else:
print("Fail to reject H0: no significant difference")Kjikvadrattest for uavhengighet
chi2_contingency tester om to KATEGORISKE variabler er knyttet til hverandre, ved hjelp av en krysstabell med antall.
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-feil
En type I-feil (falsk positiv) forkaster en sann H0; raten er alpha. En type II-feil (falsk negativ) unnlater å forkaste en usann H0; raten er beta. Teststyrke = 1 - beta er sannsynligheten for å oppdage en reell effekt.
Avveininger
En lavere alpha reduserer antallet falske positive, men øker raten for falske negative (lavere teststyrke). Større utvalg reduserer begge feiltypene, og derfor er planlegging av utvalgsstørrelsen viktig før et eksperiment.
Kort kontroll
Test kunnskapene Deres om hypotesetesting.
Oppsummering
Det viktigste om hypotesetesting:
- H0 (ingen effekt) kontra H1 (effekt); finn evidens mot H0
- p-verdi = P(data som er så ekstreme | H0); forkast hvis p < alpha
- p er IKKE P(H0 sann) 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 deg Python med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 53
- Leksjoner
- 225
Ofte stilte spørsmål
Er leksjonen «Hypotesetesting» gratis?
Ja – du kan lese valgfritt 3 av leksjonene i læringsstien Lær AI med Python, inkludert «Hypotesetesting», gratis i sin helhet her på nettet. Deretter låser CoddyKit PRO opp alle leksjoner, samt interaktiv øving med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Kurset i Lær AI med Python inneholder totalt 4 leksjoner.
Hva lærer jeg i «Hypotesetesting»?
Nullhypotese, p-verdi, t-test og kjikvadrattest med scipy.stats. Du øver på Lær AI med Python med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med Lær AI med Python?
Ingen tidligere erfaring er nødvendig. Lær AI med Python på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 3 av 4.
Hvor lang tid tar leksjonen «Hypotesetesting»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne Lær AI med Python-leksjonen?
Ja. Alle Lær AI med Python-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Beskrivende statistikk og fordelinger
- Sannsynlighet og Bayes’ teorem
- Hypotesetesting
- Korrelasjon og kovarians