How does hypothesis testing work and what problems can it solve? To find out, you’ll walk through the workflow for a one sample proportion test. In doing so, you'll encounter important concepts like z-scores, p-values, and false negative and false positive errors.

Tests d'hypothèse et scores z

Utilisations des tests A/B

Calcul de la moyenne de l'échantillon

Calcul d'un score z

valeurs p

Procès criminels et tests d'hypothèses

Options

Deux queues

Queue gauche

Queue droite

Queue gauche, queue droite, deux queues

Calcul des valeurs p

Signification statistique

Décisions à partir des valeurs p

Calculer un intervalle de confiance

Erreurs de type Faut positif (Type I)

Erreurs de type II (faux négatifs)

Pas d'erreur

Erreurs de type I et de type II

Hypothesis Testing Fundamentals

In this chapter, you’ll learn how to test for differences in means between two groups using t-tests and extend this to more than two groups using ANOVA and pairwise t-tests.

Performing t-tests

Hypothesis testing workflow

Two sample mean test statistic

Calculating p-values from t-statistics

Why is t needed?

The t-distribution

From t to p

Paired t-tests

Is pairing needed?

Visualizing the difference

Using ttest()

ANOVA tests

Visualizing many categories

Conducting an ANOVA test

Pairwise t-tests

Two-Sample and ANOVA Tests

Now it’s time to test for differences in proportions between two groups using proportion tests. Through hands-on exercises, you’ll extend your proportion tests to more than two groups with chi-square independence tests, and return to the one sample case with chi-square goodness of fit tests.

One-sample proportion tests

t for proportions?

Test for single proportions

Two-sample proportion tests

Test of two proportions

proportions_ztest() for two samples

Chi-square test of independence

The chi-square distribution

How many tails for chi-square tests?

Performing a chi-square test

Chi-square goodness of fit tests

Visualizing goodness of fit

Performing a goodness of fit test

Proportion Tests

Finally, it’s time to learn about the assumptions made by parametric hypothesis tests, and see how non-parametric tests can be used when those assumptions aren't met.

Assumptions in hypothesis testing

Common assumptions of hypothesis tests

Testing sample size

Non-parametric tests

Which parametric test?

Wilcoxon signed-rank test

Non-parametric ANOVA and unpaired t-tests

Wilcoxon-Mann-Whitney

Kruskal-Wallis

Congratulations!

Non-Parametric Tests

Late Shipments

Stack Overflow

U.S. Democrat Votes 2012/2016

U.S. Republican Votes 2008/2012

Course Glossary

Les tests d'hypothèse vous permettent de répondre à des questions sur vos ensembles de données d'une manière statistiquement rigoureuse. Dans ce cours, vous développerez vos compétences analytiques Python en apprenant comment et quand utiliser des tests courants tels que les tests t, les tests de proportion et les tests du khi-deux. En travaillant avec des données réelles, y compris les commentaires des utilisateurs de Stack Overflow et les données de la chaîne d'approvisionnement pour les expéditions de matériel médical, vous acquerrez une compréhension approfondie de la façon dont ces tests fonctionnent et des hypothèses clés qui les sous-tendent. Vous découvrirez également comment les tests non paramétriques peuvent être utilisés pour dépasser les limites des tests d'hypothèse traditionnels.

Les vidéos contiennent des transcriptions en direct que vous pouvez afficher en cliquant sur « Afficher la transcription » en bas à gauche des vidéos.
Le glossaire du cours se trouve à droite dans la section « Ressources ».
Pour obtenir des crédits CPE, vous devez suivre le cours dans son intégralité et obtenir une note d’au moins 70 % à l'évaluation qualifiante. Vous pouvez accéder à l'évaluation en cliquant sur la mention « Crédits CPE » à droite.

Sampling in Python

Apprenez à utiliser les tests d'hypothèse comme t-tests, tests de proportion et chi-carré en Python.

Tests d'hypothèses en Python

Apprenez quand et comment utiliser les tests d’hypothèse courants en Python : t-tests, tests de proportion et tests du khi-deux.

Associate Data Scientist  en Python

Analyste de données  en Python

Principes de la statistique  en Python

Rejeter l'hypothèse nulle alors que l'hypothèse nulle est vraie.

La condamnation de l'accusé alors qu'il était innocent.

Ne pas rejeter l'hypothèse nulle alors que l'hypothèse nulle est fausse

Déclarer l’accusé non coupable alors qu'il a bel et bien commis l'infraction.

Rejeter l'hypothèse nulle alors qu'elle est fausse.

Déclarer l’accusé non coupable alors qu'il est innocent

Erreurs de type I et de type II

Exercice interactif pratique