Summary  
This chapter covers formulating null and alternative hypotheses for t-tests, including both two-sided and one-sided comparisons of sample means.

General domain of usage  
A/B testing

Ensimmäinen vaihe t-testin suorittamisessa on **hypoteesin** muotoilu. Nämä hypoteesit ovat oletuksia, jotka joko vahvistetaan tai hylätään. Tarvitaan kaksi hypoteesia: **nollahypoteesi** ja **vaihtoehtoinen hypoteesi**.

T-testissä nollahypoteesi kuuluu: "Kahden otoksen keskiarvot ovat yhtä suuret."
Vaihtoehtoinen hypoteesi puolestaan kuuluu: "Kahden otoksen keskiarvot eivät ole yhtä suuret."

Nollahypoteesi merkitään $$H_0$$ ja vaihtoehtoinen hypoteesi merkitään $$H_a$$.

$$
H_0:\mu_0 =\mu_1\\
H_a:\mu_0 \neq \mu_1
$$

Jos t-testin perusteella nollahypoteesi hylätään, vaihtoehtoinen hypoteesi hyväksytään automaattisesti.

Toinen tapa muotoilla vaihtoehtoinen hypoteesi on seuraava:

$$
\begin{array}{cc}
H_0 : \mu_0 = \mu_1\\
H_a : \mu_0 > \mu_1
\end{array}
\quad\text{tai}\quad
\begin{array}{cc}
H_0 : \mu_0 = \mu_1\\
H_a : \mu_0 < \mu_1
\end{array}
$$


Jälkimmäistä muotoa käytetään, kun:

1. Olet varma, että yhdellä ryhmällä on joko korkeampi tai matalampi keskiarvo, mutta ei toisinpäin. Tämä pätee esimerkkiimme pituuksista, jossa voimme luottavaisesti todeta, että keskimäärin naiset eivät ole pidempiä kuin miehet;
2. Olet kiinnostunut vain siitä, onko jokin parempi. Jos se ei ole parempi, ei ole väliä, onko se sama vai huonompi. Tämä on verrattavissa uuteen verkkosivusuunnitteluun. Haluat ottaa sen käyttöön vain, jos se on parannus nykyiseen verrattuna. Jos ei ole, pysyt nykyisessä suunnittelussa, kunnes uusi versio on kehitetty paremmaksi.

Rakenna vahva tilastotieteen perusta Pythonin avulla. Opiskele keskeiset tilastolliset käsitteet ja sovella niitä NumPyn ja pandas-kirjaston kautta. Siirry perusmittareista, kuten keskiarvosta ja varianssista, hypoteesin testaukseen, luottamusväleihin ja datalähtöisiin oivalluksiin käytännön harjoitusten avulla.

Tutustu tilastotieteen keskeisiin periaatteisiin, kuten aineistotyyppeihin, keskilukuihin sekä keskeisiin eroihin otosten ja perusjoukkojen välillä.

Opi laskemaan ja tulkitsemaan keskiarvo, mediaani ja moodi Pythonin avulla. Harjoittele näitä operaatioita pandas-kirjastolla analysoidaksesi aitoja aineistoja.

Ymmärrys siitä, miten varianssi ja keskihajonta mittaavat aineiston hajontaa. Molempien laskeminen käsin ja Python-työkaluilla.

Perehdy siihen, miten kovarianssi ja korrelaatio kuvaavat muuttujien välisiä yhteyksiä. Harjoittele molempien mittareiden laskemista ja vertaamista Pythonilla.

Hallitse luottamusvälit populaatioparametrien arviointiin. Käytä NumPy-, pandas- ja visualisointikirjastoja luottamusvälien laskemiseen ja tulkintaan oikean datan avulla.

Opi hypoteesin testauksen ja t-testin perusteet. Ymmärrä, kuinka testejä suunnitellaan, suoritetaan ja tulkitaan Pythonin avulla tietoon perustuvien päätösten tueksi.

Hypoteesit

Awesome!

Hypoteesit