0Pricing
Learn AI with Python · Lekcja

Testowanie hipotez

Hipoteza zerowa, p-value, test t i test chi-kwadrat z użyciem scipy.stats.

Testowanie hipotez to bezpłatna lekcja Learn AI with Python na CoddyKit. To lekcja 3 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Learn AI with Python, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Learn AI with Python zawiera 4 lekcji w sumie.

Czym jest test hipotezy

Test hipotezy wykorzystuje dane, aby rozstrzygnąć, czy zaobserwowany efekt jest rzeczywisty, czy wynika tylko z przypadku. Dzięki niemu analitycy danych uzasadniają twierdzenia takie jak „nowy projekt zwiększył liczbę kliknięć”.

Hipoteza zerowa a alternatywna

Hipoteza zerowa H0 mówi, że NIE MA efektu (to domyślne, sceptyczne stanowisko). Hipoteza alternatywna H1 mówi, że efekt ISTNIEJE. Staramy się zebrać dowody przeciwko H0.

Wartość p

Wartość p to prawdopodobieństwo zaobserwowania danych tak skrajnych jak te uzyskane, JEŚLI H0 byłaby prawdziwa. Mała wartość p oznacza, że dane są zaskakujące przy założeniu H0, więc podajemy H0 w wątpliwość.

Poziom istotności

Porównujemy p z progiem alpha (zwykle 0.05). Jeśli p < alpha, odrzucamy H0, w przeciwnym razie nie odrzucamy H0. alpha to akceptowalny odsetek wyników fałszywie dodatnich.

Czego NIE oznacza wartość p

Wartość p NIE jest prawdopodobieństwem, że H0 jest prawdziwa, ani wielkością efektu. Bardzo mała wartość p przy dużej próbie może odzwierciedlać różnicę tak małą, że nie ma praktycznego znaczenia. Należy zawsze raportować również wielkość efektu.

Test t dla jednej próby

ttest_1samp sprawdza, czy średnia z próby różni się od znanej wartości, na przykład czy średni czas odpowiedzi różni się od wartości docelowej 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)

Test t dla dwóch prób

ttest_ind porównuje średnie dwóch NIEZALEŻNYCH grup i stanowi standardową analizę testu A/B.

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 differ

Interpretacja wyniku

Należy odczytać wartość p w odniesieniu do alpha i sformułować wniosek prostym językiem. Istotność jest decyzją, a nie dowodem pewności.

alpha = 0.05
if p < alpha:
    print("Reject H0: the groups differ significantly")
else:
    print("Fail to reject H0: no significant difference")

Test niezależności chi-kwadrat

chi2_contingency sprawdza, czy dwie ZMIENNE KATEGORYCZNE są powiązane, korzystając z tabeli kontyngencji zawierającej liczności.

table = np.array([[30, 10], [20, 40]])   # rows: group, cols: outcome
chi2, p, dof, expected = stats.chi2_contingency(table)
print(chi2, p)

Błędy pierwszego i drugiego rodzaju

Błąd pierwszego rodzaju (wynik fałszywie dodatni) polega na odrzuceniu prawdziwej H0; jego odsetek wynosi alpha. Błąd drugiego rodzaju (wynik fałszywie ujemny) polega na nieodrzuceniu fałszywej H0; jego odsetek wynosi beta. Moc testu = 1 - beta to prawdopodobieństwo wykrycia rzeczywistego efektu.

Kompromisy

Obniżenie alpha zmniejsza liczbę wyników fałszywie dodatnich, ale zwiększa odsetek wyników fałszywie ujemnych (obniża moc testu). Większe próby zmniejszają oba rodzaje błędów, dlatego planowanie liczebności próby przed eksperymentem ma znaczenie.

Szybkie sprawdzenie

Proszę sprawdzić swoją wiedzę na temat testowania hipotez.

Podsumowanie

Najważniejsze zagadnienia dotyczące testowania hipotez:

  • H0 (brak efektu) a H1 (efekt); należy zbierać dowody przeciwko H0
  • Wartość p = P(dane tak skrajne | H0); odrzucamy H0, jeśli p < alpha
  • p NIE oznacza P(H0 prawdziwa) ani wielkości efektu
  • ttest_1samp, ttest_ind, chi2_contingency
  • Błąd pierwszego rodzaju (wynik fałszywie dodatni, odsetek alpha) a błąd drugiego rodzaju (wynik fałszywie ujemny, odsetek beta); moc = 1-beta

Często zadawane pytania

Czy lekcja „Testowanie hipotez” jest bezpłatna?

Tak — pełny tekst „Testowanie hipotez” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Learn AI with Python, przejdź na CoddyKit PRO. Kurs Learn AI with Python zawiera 4 lekcji w sumie.

Co nauczysz się w „Testowanie hipotez”?

Hipoteza zerowa, p-value, test t i test chi-kwadrat z użyciem scipy.stats. Ćwiczysz Learn AI with Python z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.

Czy potrzebuję doświadczenia, aby zacząć Learn AI with Python?

Nie wymagamy żadnego doświadczenia. Learn AI with Python w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 3 z 4.

Ile czasu zajmuje lekcja „Testowanie hipotez”?

Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.

Czy mogę pisać i uruchamiać kod w tej lekcji Learn AI with Python?

Tak. Każda lekcja Learn AI with Python zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.

Wszystkie lekcje w tym kursie

  1. Statystyki opisowe i rozkłady
  2. Prawdopodobieństwo i twierdzenie Bayesa
  3. Testowanie hipotez
  4. Korelacja i kowariancja
← Powrót do Learn AI with Python