logo

TechCodeview

Pochopenie testovania hypotéz

Testovanie hypotéz zahŕňa formulovanie predpokladov o parametroch populácie na základe štatistických údajov vzorky a dôsledné vyhodnotenie týchto predpokladov oproti empirickým dôkazom. Tento článok objasňuje význam testovania hypotéz a kritické kroky zahrnuté v tomto procese.

Čo je testovanie hypotéz?

Testovanie hypotéz je štatistická metóda, ktorá sa používa na štatistické rozhodnutie pomocou experimentálnych údajov. Testovanie hypotéz je v podstate predpoklad, ktorý robíme o parametri populácie. Vyhodnocuje dva vzájomne sa vylučujúce výroky o populácii, aby určil, ktorý výrok je najlepšie podporený vzorovými údajmi.



Príklad: Hovoríte, že priemerná výška v triede je 30 alebo chlapec je vyšší ako dievča. Toto všetko je predpoklad, ktorý predpokladáme, a potrebujeme nejaký štatistický spôsob, ako to dokázať. Potrebujeme nejaký matematický záver, čokoľvek predpokladáme, že je pravda.

Definovanie hypotéz

  • Nulová hypotéza (H 0 ): V štatistike je nulová hypotéza všeobecné tvrdenie alebo predvolená pozícia, že neexistuje žiadny vzťah medzi dvoma meranými prípadmi alebo žiadny vzťah medzi skupinami. Inými slovami, je to základný predpoklad alebo vytvorený na základe znalosti problému.
    Príklad : Priemerná produkcia spoločnosti je 50 jednotiek/den H0: mu= 50.
  • Alternatívna hypotéza (H 1 ): Alternatívna hypotéza je hypotéza použitá pri testovaní hypotéz, ktorá je v rozpore s nulovou hypotézou.
    Príklad: Produkcia spoločnosti sa nerovná 50 jednotkám/deň, t.j. H1: mu päťdesiat.

Kľúčové pojmy testovania hypotéz

  • Úroveň významnosti : Vzťahuje sa na stupeň významnosti, v ktorom prijímame alebo odmietame nulovú hypotézu. 100% presnosť nie je možná pre prijatie hypotézy, preto volíme hladinu významnosti, ktorá je zvyčajne 5%. Toto sa zvyčajne označuje s alphaa vo všeobecnosti je to 0,05 alebo 5 %, čo znamená, že váš výstup by mal mať 95 % istotu, že poskytne podobný výsledok v každej vzorke.
  • P-hodnota: The P hodnota , alebo vypočítaná pravdepodobnosť, je pravdepodobnosť nájdenia pozorovaných/extrémnych výsledkov, keď je pravdivá nulová hypotéza (H0) problému daného štúdiou. Ak je vaša P-hodnota nižšia ako zvolená hladina významnosti, potom zamietnete nulovú hypotézu, t. j. akceptujete, že vaša vzorka tvrdí, že podporuje alternatívnu hypotézu.
  • Štatistika testu: Štatistika testu je číselná hodnota vypočítaná z údajov vzorky počas testu hypotézy, ktorá sa používa na určenie, či sa má nulová hypotéza zamietnuť. Porovnáva sa s kritickou hodnotou alebo p-hodnotou, aby sa mohlo rozhodnúť o štatistickej významnosti pozorovaných výsledkov.
  • Kritická hodnota : Kritická hodnota v štatistike je prahová hodnota alebo hraničný bod, ktorý sa používa na určenie, či sa má nulová hypotéza zamietnuť v teste hypotéz.
  • Stupne slobody: Stupne voľnosti sú spojené s variabilitou alebo voľnosťou, ktorú má človek pri odhadovaní parametra. Stupne voľnosti súvisia s veľkosťou vzorky a určujú tvar.

Prečo používame testovanie hypotéz?

Testovanie hypotéz je dôležitým postupom v štatistike. Testovanie hypotéz hodnotí dve vzájomne sa vylučujúce populačné tvrdenia, aby sa určilo, ktoré tvrdenie je najviac podporené vzorovými údajmi. Keď hovoríme, že zistenia sú štatisticky významné, vďaka testovaniu hypotéz.

Jednochvostý a dvojchvostý test

Jednostranný test sa zameriava na jeden smer, buď väčší alebo menší ako špecifikovaná hodnota. Jednostranný test používame vtedy, keď existuje jasné smerové očakávanie založené na predchádzajúcich znalostiach alebo teórii. Kritická oblasť sa nachádza len na jednej strane distribučnej krivky. Ak vzorka spadá do tejto kritickej oblasti, nulová hypotéza sa zamietne v prospech alternatívnej hypotézy.



Jednostranný test

Existujú dva typy jednostranného testu:

  • Test s ľavým chvostom (ľavostranný): Alternatívna hypotéza tvrdí, že skutočná hodnota parametra je menšia ako nulová hypotéza. Príklad: H0: mu geq 50a H1:
  • a H1: mu>50

Dvojstranný test

Obojstranný test zohľadňuje oba smery, väčšie a menšie ako špecifikovaná hodnota. Obojstranný test používame vtedy, keď neexistuje žiadne špecifické očakávanie smeru a chceme zistiť akýkoľvek významný rozdiel.

Príklad: H0: in =50 a H1: mu eq 50



Aké sú chyby typu 1 a typu 2 pri testovaní hypotéz?

Pri testovaní hypotéz, Chyby typu I a typu II sú dve možné chyby, ktorých sa môžu výskumníci dopustiť pri vyvodzovaní záverov o populácii na základe vzorky údajov. Tieto chyby súvisia s rozhodnutiami týkajúcimi sa nulovej hypotézy a alternatívnej hypotézy.

  • Chyba typu I: Keď zamietneme nulovú hypotézu, hoci táto hypotéza bola pravdivá. Chyba typu I je označená alfa( alpha).
  • Chyby typu II: Keď prijmeme nulovú hypotézu, ale je nepravdivá. Chyby typu II sú označené beta( eta).


Nulová hypotéza je pravdivá

Nulová hypotéza je nepravdivá

reťazec.hodnota

Nulová hypotéza je pravdivá (prijať)

Správne rozhodnutie

Chyba typu II (falošný zápor)

Alternatívna hypotéza je pravdivá (odmietnuť)

Chyba typu I (falošne pozitívne)

Správne rozhodnutie

Ako funguje testovanie hypotéz?

Krok 1: Definujte nulovú a alternatívnu hypotézu

Vyslovte nulovú hypotézu ( H_0), čo predstavuje žiadny účinok, a alternatívna hypotéza ( H_1), čo naznačuje účinok alebo rozdiel.

Najprv identifikujeme problém, o ktorom chceme urobiť predpoklad, pričom máme na pamäti, že náš predpoklad by si mal navzájom odporovať, za predpokladu, že Normálne distribuované dáta.

Krok 2 – Vyberte úroveň významnosti

Vyberte úroveň významnosti ( alpha), zvyčajne 0,05, na určenie prahu pre zamietnutie nulovej hypotézy. Poskytuje platnosť nášho testu hypotézy a zabezpečuje, že máme dostatok údajov na podporu našich tvrdení. Svoju úroveň významnosti zvyčajne určujeme pred testom. The p-hodnota je kritérium používané na výpočet našej hodnoty významnosti.

Krok 3 – Zbierajte a analyzujte údaje.

Zhromaždite relevantné údaje pozorovaním alebo experimentovaním. Analyzujte údaje pomocou vhodných štatistických metód, aby ste získali testovaciu štatistiku.

Krok 4 – Výpočet štatistiky testu

Údaje pre testy sa vyhodnocujú v tomto kroku hľadáme rôzne skóre na základe charakteristík údajov. Výber testovacej štatistiky závisí od typu vykonávaného testu hypotézy.

Existujú rôzne testy hypotéz, z ktorých každý je vhodný pre iný cieľ na výpočet nášho testu. Toto môže byť a Z-test , Chí-kvadrát , T-test , a tak ďalej.

  1. Z-test : Ak sú známe priemery populácie a štandardné odchýlky. Bežne sa používa Z-štatistika.
  2. t-test : Ak štandardné odchýlky populácie nie sú známe. a veľkosť vzorky je malá, ako je vhodnejšia štatistika t-testu.
  3. Chí-kvadrát test : Chí-kvadrát test sa používa na kategorické údaje alebo na testovanie nezávislosti v kontingenčných tabuľkách
  4. F-test : F-test sa často používa pri analýze rozptylu (ANOVA) na porovnanie rozptylov alebo testovanie rovnosti priemerov vo viacerých skupinách.

Máme menší súbor údajov, takže na testovanie našej hypotézy je vhodnejší T-test.

T-štatistika je mierou rozdielu medzi priemermi dvoch skupín vo vzťahu k variabilite v rámci každej skupiny. Vypočíta sa ako rozdiel medzi priemerom vzorky vydelený štandardnou chybou rozdielu. Je tiež známy ako t-hodnota alebo t-skóre.

Krok 5 – Porovnanie štatistiky testu:

V tejto fáze sa rozhodujeme, kde by sme mali prijať nulovú hypotézu alebo zamietnuť nulovú hypotézu. Existujú dva spôsoby, ako rozhodnúť, kde by sme mali prijať alebo zamietnuť nulovú hypotézu.

Metóda A: Použitie kritických hodnôt

Porovnaním testovacej štatistiky a tabuľkovej kritickej hodnoty, ktorú máme,

  • Ak Štatistika testu>Kritická hodnota: Odmietnite nulovú hypotézu.
  • Ak štatistika testu ≤ kritická hodnota: Nepodarilo sa zamietnuť nulovú hypotézu.

Poznámka: Kritické hodnoty sú vopred určené prahové hodnoty, ktoré sa používajú na rozhodovanie pri testovaní hypotéz. Na určenie kritické hodnoty pri testovaní hypotéz sa zvyčajne odvolávame na tabuľku štatistického rozdelenia , ako sú tabuľky normálneho rozdelenia alebo t-rozdelenia založené na.

Metóda B: Použitie P-hodnôt

K záveru môžeme dospieť aj pomocou p-hodnoty,

spať pre javascript
  • Ak je p-hodnota menšia alebo rovná hladine významnosti, t.j. ( pleqalfa), zamietate nulovú hypotézu. To naznačuje, že je nepravdepodobné, že by sa pozorované výsledky vyskytli len náhodou, čo poskytuje dôkaz v prospech alternatívnej hypotézy.
  • Ak je p-hodnota väčšia ako hladina významnosti, t.j. ( pgeq alpha), nepodarí sa vám zamietnuť nulovú hypotézu. To naznačuje, že pozorované výsledky sú v súlade s tým, čo by sa dalo očakávať podľa nulovej hypotézy.

Poznámka : P-hodnota je pravdepodobnosť získania tak extrémnej alebo extrémnejšej štatistiky testu, ako je tá, ktorá bola pozorovaná vo vzorke, za predpokladu, že je pravdivá nulová hypotéza. Na určenie p-hodnota pri testovaní hypotéz sa zvyčajne odvolávame na tabuľku štatistického rozdelenia , ako sú tabuľky normálneho rozdelenia alebo t-rozdelenia založené na.

Krok 7 – Interpretujte výsledky

Nakoniec môžeme náš experiment uzavrieť pomocou metódy A alebo B.

Výpočet štatistiky testu

Na potvrdenie našej hypotézy o parametri populácie, ktorý používame štatistické funkcie . Používame z-skóre, p-hodnotu a hladinu významnosti (alfa), aby sme vytvorili dôkaz pre našu hypotézu normálne distribuované dáta .

1. Z-štatistika:

Keď sú známe priemery populácie a štandardné odchýlky.

z = frac{ar{x} - mu}{frac{sigma}{sqrt{n}}}

kde,

  • ar{x}je vzorový priemer,
  • μ predstavuje priemer populácie,
  • σ je štandardná odchýlka
  • a n je veľkosť vzorky.

2. T-štatistika

T test sa používa, keď n<30,

t-štatistický výpočet je daný:

t=frac{x̄-Μ}{s/sqrt{n}}

kde,

  • t = t-skóre,
  • x̄ = priemer vzorky
  • μ = priemer populácie,
  • s = štandardná odchýlka vzorky,
  • n = veľkosť vzorky

3. Chí-kvadrát test

Chí-kvadrát test pre kategorické údaje nezávislosti (nenormálne distribuované) pomocou:

chi^2 = sum frac{(O_{ij} - E_{ij})^2}{E_{ij}}

kde,

  • O_{ij}je pozorovaná frekvencia v bunke {ij}
  • i,j sú indexy riadkov a stĺpcov.
  • E_{ij}je očakávaná frekvencia v bunke {ij}, vypočítané ako:
    frac{{ ext{{Súčet riadkov}} imes ext{{Celkový počet stĺpcov}}}}{{ ext{{Celkový počet pozorovaní}}}}

Príklad testovania hypotézy zo skutočného života

Preskúmajme testovanie hypotéz pomocou dvoch situácií zo skutočného života,

Prípad A: D Má nový liek vplyv na krvný tlak?

Predstavte si, že farmaceutická spoločnosť vyvinula nový liek, o ktorom verí, že dokáže účinne znížiť krvný tlak u pacientov s hypertenziou. Pred uvedením lieku na trh musia vykonať štúdiu na posúdenie jeho vplyvu na krvný tlak.

údaje:

  • Pred ošetrením: 120, 122, 118, 130, 125, 128, 115, 121, 123, 119
  • Po ošetrení: 115, 120, 112, 128, 122, 125, 110, 117, 119, 114

Krok 1 : Definujte hypotézu

  • Nulová hypotéza : (H0)Nový liek nemá žiadny vplyv na krvný tlak.
  • Alternatívna hypotéza : (H1)Nový liek má vplyv na krvný tlak.

Krok 2: Definujte úroveň významnosti

Uvažujme úroveň významnosti na 0,05, čo naznačuje zamietnutie nulovej hypotézy.

Ak dôkazy naznačujú menej ako 5 % pravdepodobnosť pozorovania výsledkov v dôsledku náhodných variácií.

Krok 3 : Vypočítajte štatistiku testu

Použitím párový T-test analyzovať dáta, aby sa získala testovacia štatistika a p-hodnota.

Štatistika testu (napr. T-štatistika) sa vypočíta na základe rozdielov medzi meraniami krvného tlaku pred a po liečbe.

t = m/(s/√n)

Kde:

  • m = priemer rozdielu t.j X po, X predtým
  • s = smerodajná odchýlka rozdielu (d) t.j d i = X po, i − X predtým,
  • n = veľkosť vzorky,

potom m = -3,9, s = 1,8 a n = 10

my vypočítame , T-štatistiku = -9 na základe vzorca pre párový t test

Krok 4: Nájdite p-hodnotu

Vypočítaná t-štatistika je -9 a stupne voľnosti df = 9, p-hodnotu môžete nájsť pomocou štatistického softvéru alebo tabuľky t-rozdelenia.

teda p-hodnota = 8,538051223166285e-06

Krok 5: Výsledok

  • Ak je p-hodnota menšia alebo rovná 0,05, výskumníci zamietajú nulovú hypotézu.
  • Ak je p-hodnota väčšia ako 0,05, nepodarí sa im zamietnuť nulovú hypotézu.

záver: Keďže p-hodnota (8,538051223166285e-06) je nižšia ako hladina významnosti (0,05), výskumníci odmietajú nulovú hypotézu. Existujú štatisticky významné dôkazy, že priemerný krvný tlak pred a po liečbe novým liekom je odlišný.

Implementácia testovania hypotéz v jazyku Python

Vytvorme testovanie hypotéz pomocou pythonu, kde testujeme, či nový liek ovplyvňuje krvný tlak. Pre tento príklad použijeme párový T-test. Použijeme scipy.stats> knižnica pre T-test.

Implementujeme náš prvý skutočný životný problém prostredníctvom pythonu,

Python3

import> numpy as np> from> scipy>import> stats> # Data> before_treatment>=> np.array([>120>,>122>,>118>,>130>,>125>,>128>,>115>,>121>,>123>,>119>])> after_treatment>=> np.array([>115>,>120>,>112>,>128>,>122>,>125>,>110>,>117>,>119>,>114>])> # Step 1: Null and Alternate Hypotheses> # Null Hypothesis: The new drug has no effect on blood pressure.> # Alternate Hypothesis: The new drug has an effect on blood pressure.> null_hypothesis>=> 'The new drug has no effect on blood pressure.'> alternate_hypothesis>=> 'The new drug has an effect on blood pressure.'> # Step 2: Significance Level> alpha>=> 0.05> # Step 3: Paired T-test> t_statistic, p_value>=> stats.ttest_rel(after_treatment, before_treatment)> # Step 4: Calculate T-statistic manually> m>=> np.mean(after_treatment>-> before_treatment)> s>=> np.std(after_treatment>-> before_treatment, ddof>=>1>)># using ddof=1 for sample standard deviation> n>=> len>(before_treatment)> t_statistic_manual>=> m>/> (s>/> np.sqrt(n))> # Step 5: Decision> if> p_value <>=> alpha:> >decision>=> 'Reject'> else>:> >decision>=> 'Fail to reject'> # Conclusion> if> decision>=>=> 'Reject'>:> >conclusion>=> 'There is statistically significant evidence that the average blood pressure before and after treatment with the new drug is different.'> else>:> >conclusion>=> 'There is insufficient evidence to claim a significant difference in average blood pressure before and after treatment with the new drug.'> # Display results> print>(>'T-statistic (from scipy):'>, t_statistic)> print>(>'P-value (from scipy):'>, p_value)> print>(>'T-statistic (calculated manually):'>, t_statistic_manual)> print>(f>'Decision: {decision} the null hypothesis at alpha={alpha}.'>)> print>(>'Conclusion:'>, conclusion)> 
>
>

Výkon: 

T-statistic (from scipy): -9.0 P-value (from scipy): 8.538051223166285e-06 T-statistic (calculated manually): -9.0 Decision: Reject the null hypothesis at alpha=0.05. Conclusion: There is statistically significant evidence that the average blood pressure before and after treatment with the new drug is different.>

Vo vyššie uvedenom príklade, vzhľadom na T-štatistiku približne -9 a extrémne nízku hodnotu p, výsledky naznačujú silný dôvod na zamietnutie nulovej hypotézy na hladine významnosti 0,05.

abeceda a čísla
  • Výsledky naznačujú, že nový liek, liečba alebo intervencia má významný vplyv na zníženie krvného tlaku.
  • Negatívna T-štatistika naznačuje, že priemerný krvný tlak po liečbe je výrazne nižší ako predpokladaný priemer populácie pred liečbou.

Prípad B : Hladina cholesterolu v populácii

údaje: Odoberie sa vzorka 25 jedincov a zmeria sa ich hladina cholesterolu.

Hladiny cholesterolu (mg/dl): 205, 198, 210, 190, 215, 205, 200, 192, 198, 205, 198, 202, 208, 200, 205, 198, 21 9, 08, 21 9, 05, 05, 205 205, 210, 192, 205.

Priemer populácie = 200

Štandardná odchýlka populácie (σ): 5 mg/dl (udávané pre tento problém)

Krok 1: Definujte hypotézu

  • Nulová hypotéza (H 0 ): Priemerná hladina cholesterolu v populácii je 200 mg/dl.
  • Alternatívna hypotéza (H 1 ): Priemerná hladina cholesterolu v populácii sa líši od 200 mg/dl.

Krok 2: Definujte úroveň významnosti

Keďže smer odchýlky nie je daný, predpokladáme obojstranný test a na základe tabuľky normálneho rozdelenia možno kritické hodnoty pre hladinu významnosti 0,05 (obojstranný) vypočítať pomocou z-tabuľka a sú približne -1,96 a 1,96.

Krok 3 : Vypočítajte štatistiku testu

Štatistika testu sa vypočíta pomocou vzorca z S = (203,8 – 200) / (5 div sqrt{25})a podľa toho dostaneme, S =2,039999999999992.

Krok 4: Výsledok

Keďže absolútna hodnota testovacej štatistiky (2,04) je väčšia ako kritická hodnota (1,96), nulovú hypotézu zamietame. A urobte záver, že existujú štatisticky významné dôkazy, že priemerná hladina cholesterolu v populácii je iná ako 200 mg/dl

Implementácia testovania hypotéz v jazyku Python

Python3

import> scipy.stats as stats> import> math> import> numpy as np> # Given data> sample_data>=> np.array(> >[>205>,>198>,>210>,>190>,>215>,>205>,>200>,>192>,>198>,>205>,>198>,>202>,>208>,>200>,>205>,>198>,>205>,>210>,>192>,>205>,>198>,>205>,>210>,>192>,>205>])> population_std_dev>=> 5> population_mean>=> 200> sample_size>=> len>(sample_data)> # Step 1: Define the Hypotheses> # Null Hypothesis (H0): The average cholesterol level in a population is 200 mg/dL.> # Alternate Hypothesis (H1): The average cholesterol level in a population is different from 200 mg/dL.> # Step 2: Define the Significance Level> alpha>=> 0.05> # Two-tailed test> # Critical values for a significance level of 0.05 (two-tailed)> critical_value_left>=> stats.norm.ppf(alpha>/>2>)> critical_value_right>=> ->critical_value_left> # Step 3: Compute the test statistic> sample_mean>=> sample_data.mean()> z_score>=> (sample_mean>-> population_mean)>/> > >(population_std_dev>/> math.sqrt(sample_size))> # Step 4: Result> # Check if the absolute value of the test statistic is greater than the critical values> if> abs>(z_score)>>max>(>abs>(critical_value_left),>abs>(critical_value_right)):> >print>(>'Reject the null hypothesis.'>)> >print>(>'There is statistically significant evidence that the average cholesterol level in the population is different from 200 mg/dL.'>)> else>:> >print>(>'Fail to reject the null hypothesis.'>)> >print>(>'There is not enough evidence to conclude that the average cholesterol level in the population is different from 200 mg/dL.'>)> 
>
>

Výkon: 

Reject the null hypothesis. There is statistically significant evidence that the average cholesterol level in the population is different from 200 mg/dL.>

Obmedzenia testovania hypotéz

  • Hoci je to užitočná technika, testovanie hypotéz neponúka komplexné pochopenie skúmanej témy. Bez toho, aby plne odrážal zložitosť alebo celý kontext javov, sústreďuje sa na určité hypotézy a štatistickú významnosť.
  • Presnosť výsledkov testovania hypotéz závisí od kvality dostupných údajov a vhodnosti použitých štatistických metód. Nepresné údaje alebo zle formulované hypotézy môžu viesť k nesprávnym záverom.
  • Spoliehanie sa výlučne na testovanie hypotéz môže spôsobiť, že analytici prehliadnu významné vzorce alebo vzťahy v údajoch, ktoré nie sú zachytené špecifickými testovanými hypotézami. Toto obmedzenie podčiarkuje dôležitosť doplnenia testovania hypotéz s inými analytickými prístupmi.

Záver

Testovanie hypotéz je základným kameňom štatistickej analýzy, ktorá umožňuje vedcom údajov orientovať sa v neistotách a vyvodzovať vierohodné závery zo vzorových údajov. Systematickým definovaním nulových a alternatívnych hypotéz, výberom úrovní významnosti a využitím štatistických testov môžu výskumníci posúdiť platnosť svojich predpokladov. Článok tiež objasňuje kritický rozdiel medzi chybami typu I a typu II a poskytuje komplexné pochopenie procesu rozhodovania s rôznymi odtieňmi, ktorý je súčasťou testovania hypotéz. Reálny príklad testovania účinku nového lieku na krvný tlak pomocou párového T-testu ukazuje praktickú aplikáciu týchto princípov a podčiarkuje dôležitosť štatistickej prísnosti pri rozhodovaní na základe údajov.

Často kladené otázky (FAQ)

1. Aké sú 3 typy testov hypotéz?

Existujú tri typy testov hypotéz: pravostranné, ľavostranné a obojstranné. Pravostranné testy hodnotia, či je parameter väčší, ľavostranné, ak je menší. Obojstranné testy kontrolujú nesmerové rozdiely, väčšie alebo menšie.

2.Aké sú 4 zložky testovania hypotéz?

Nulová hypotéza ( H_o): Neexistuje žiadny efekt ani rozdiel.

Alternatívna hypotéza ( H_1): Existuje efekt alebo rozdiel.

Úroveň významnosti ( alpha): Riziko zamietnutia nulovej hypotézy, keď je pravdivá (chyba I. typu).

Štatistika testu: Číselná hodnota predstavujúca pozorovaný dôkaz proti nulovej hypotéze.

3.Čo je testovanie hypotéz v ML?

Štatistická metóda na vyhodnotenie výkonnosti a platnosti modelov strojového učenia. Testuje konkrétne hypotézy o správaní modelu, napríklad či funkcie ovplyvňujú predpovede alebo či model dobre zovšeobecňuje na neviditeľné údaje.

4. Aký je rozdiel medzi Pytestom a hypotézou v Pythone?

Pytest slúži na všeobecný testovací rámec pre kód Python, zatiaľ čo Hypothesis je testovací rámec založený na vlastnostiach pre Python, ktorý sa zameriava na generovanie testovacích prípadov na základe špecifikovaných vlastností kódu.