PricingLoginStart free
Lär Er AI med Python · Lektion

Hypotesprövning

Nollhypotes, p-värde, t-test och chi-två-test med scipy.stats.

Lektion 3 av 413 steg

Hypotesprövning är en gratis lektion i Lär Er AI med Python på CoddyKit. Detta är lektion 3 av 4. Du kan läsa vilka 3 lektioner som helst i den här lärvägen kostnadsfritt i sin helhet – därefter låser CoddyKit PRO upp alla lektioner, plus praktisk övning med en inbyggd kodredigerare och en AI-lärare dygnet runt. Den ingår i lärvägen för Lär Er AI med Python, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i Lär Er AI med Python innehåller totalt 4 lektioner.

Vad är ett hypotestest?

Ett hypotestest använder data för att avgöra om en observerad effekt är verklig eller bara slump. Det är så data scientists underbygger påståenden som ”den nya designen ökade antalet klick”.

Nollhypotes kontra alternativhypotes

Nollhypotesen H0 säger att det INTE finns någon effekt (den förvalda, skeptiska ståndpunkten). Alternativhypotesen H1 säger att det FINNS en effekt. Vi försöker samla evidens mot H0.

p-värdet

p-värdet är sannolikheten att observera data som är så här extrem om H0 vore sann. Ett litet p-värde innebär att data är överraskande givet H0, så vi tvivlar på H0.

Signifikansnivå

Vi jämför p med en tröskel alpha (vanligen 0.05). Om p < alpha förkastar vi H0; annars kan vi inte förkasta den. alpha är den acceptabla andelen falskt positiva resultat.

Vad p INTE betyder

p-värdet är INTE sannolikheten att H0 är sann och INTE effektens storlek. Ett mycket litet p-värde med ett stort stickprov kan återspegla en obetydligt liten skillnad. Rapportera alltid även effektstorleken.

t-test för ett stickprov

ttest_1samp kontrollerar om ett stickprovsmedelvärde skiljer sig från ett känt värde, till exempel om den genomsnittliga svarstiden skiljer sig från ett 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 för två stickprov

ttest_ind jämför medelvärdena för två OBEROENDE grupper, den vanliga analysen av ett 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 differ

Tolka resultatet

Jämför p-värdet med alpha och formulera en slutsats på ett enkelt språk. Signifikans är ett beslut, inte ett bevis på visshet.

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

Chi-två-test för oberoende

chi2_contingency testar om två KATEGORISKA variabler är relaterade med hjälp av en korstabell med antal.

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

Typ I- och typ II-fel

Ett typ I-fel (falskt positivt resultat) förkastar en sann H0; dess andel är alpha. Ett typ II-fel (falskt negativt resultat) misslyckas med att förkasta en falsk H0; dess andel är beta. Teststyrka = 1 - beta är sannolikheten att upptäcka en verklig effekt.

Avvägningar

Om alpha sänks minskar antalet falskt positiva resultat, men andelen falskt negativa resultat ökar (lägre teststyrka). Större stickprov minskar båda feltyperna, vilket är anledningen till att planering av stickprovsstorleken är viktig före ett experiment.

Snabbkontroll

Testa era kunskaper om hypotestestning.

Besvara frågan i den interaktiva lektionen

Sammanfattning

Det viktigaste om hypotestestning:

  • H0 (ingen effekt) kontra H1 (effekt); samla evidens mot H0
  • p-värde = P(data som är så här extrem | H0); förkasta om p < alpha
  • p är INTE P(H0 sann) och INTE effektstorleken
  • ttest_1samp, ttest_ind, chi2_contingency
  • Typ I (falskt positivt resultat, andel alpha) kontra typ II (falskt negativt resultat, andel beta); teststyrka = 1-beta
Gratis att börja

Lär dig Python med en AI-lärare – gratis

Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.

Kurser
53
Lektioner
225
Börja lära dig gratisVisa hela kursen

Vanliga frågor

Är lektionen ”Hypotesprövning” gratis?

Ja – du kan läsa vilka 3 lektioner som helst i lärvägen Lär Er AI med Python, inklusive ”Hypotesprövning”, kostnadsfritt i sin helhet här på webben. Därefter låser CoddyKit PRO upp alla lektioner, plus interaktiv övning med en inbyggd kodredigerare och en AI-lärare dygnet runt. Kursen i Lär Er AI med Python innehåller totalt 4 lektioner.

Vad lär jag mig i ”Hypotesprövning”?

Nollhypotes, p-värde, t-test och chi-två-test med scipy.stats. Ni övar på Lär Er AI med Python med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.

Behöver jag någon erfarenhet för att börja lära mig Lär Er AI med Python?

Du behöver inga förkunskaper. Utbildningen i Lär Er AI med Python på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 3 av 4.

Hur lång tid tar lektionen ”Hypotesprövning”?

De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.

Kan jag skriva och köra kod i den här Lär Er AI med Python-lektionen?

Ja. Varje Lär Er AI med Python-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.

Alla lektioner i den här kursen

  1. Beskrivande statistik och fördelningar
  2. Sannolikhet och Bayes sats
  3. Hypotesprövning
  4. Korrelation och kovarians
← Tillbaka till Lär Er AI med Python