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.

Hypothesis tests and z-scores

Uses of A/B testing

Calculating the sample mean

Calculating a z-score

p-values

Criminal trials and hypothesis tests

Left tail, right tail, two tails

Calculating p-values

Statistical significance

Decisions from p-values

Calculating a confidence interval

Type I and type II errors

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.

Réalisation de tests t

Flux de travail des tests d'hypothèse

Statistique du test de la moyenne à deux échantillons

Calcul des valeurs p à partir des statistiques t

Pourquoi « t » est-il nécessaire ?

La distribution t

De t à p

Tests t par paires

Tests t appariés ou non appariés

Apparié

Non apparié

L'appariement est-il nécessaire ?

Visualiser la différence

Utilisation de ttest()

Tests ANOVA

Visualiser de nombreuses catégories

Réalisation d'un test ANOVA

Tests t par paire

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

Identifier le paramètre de la population sur lequel porte l'hypothèse

Spécifier l'hypothèse nulle et l'hypothèse alternative

Déterminer la statistique de test (standardisée) et la distribution nulle correspondante

Mesurer les preuves par rapport à l'hypothèse nulle et les comparer au niveau de signification.

Interpréter les résultats dans le contexte du problème initial

Flux de travail des tests d'hypothèse

Exercice interactif pratique