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.

Test d'ipotesi e z-score

A cosa serve l'A/B testing

Calcolare la media campionaria

Calcolare uno z-score

p-value

Processi penali e test di ipotesi

Opzioni

Due code

Coda sinistra

Coda destra

Coda sinistra, coda destra, due code

Calcolare i p-value

Significatività statistica

Decisioni basate sui p-value

Calcolare un intervallo di confidenza

Falsi positivi (errori di tipo I)

Falsi negativi (errori di tipo II)

Non è un errore

Errori di tipo I e di tipo 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

Il testing d’ipotesi ti permette di rispondere a domande sui tuoi insiemi di dati in modo statisticamente rigoroso. In questo corso, potenzierai le tue abilità analitiche in Python imparando come e quando usare test comuni come t-test, test per le proporzioni e test chi-quadro. Lavorando con dati reali, tra cui feedback degli utenti di Stack Overflow e dati della catena di approvvigionamento per spedizioni di forniture mediche, acquisirai una profonda comprensione di come funzionano questi test e delle ipotesi chiave su cui si basano. Scoprirai anche come i test non parametrici possono aiutarti a superare i limiti dei test di ipotesi tradizionali.

I video includono trascrizioni in tempo reale che puoi visualizzare facendo clic su "Show transcript" in basso a sinistra nei video.
Il glossario del corso si trova a destra nella sezione delle risorse.
Per ottenere i crediti CPE devi completare il corso e raggiungere un punteggio del 70% nella valutazione qualificata. Puoi accedere alla valutazione facendo clic sull’avviso dei crediti CPE sulla destra.

Sampling in Python

Impara a usare test d'ipotesi comuni come t-test, test di proporzione e chi-quadro in Python.

Test di ipotesi in Python

Scopri come e quando usare i test di ipotesi più comuni come i test t, i test di proporzione e i test chi-quadrato in Python.

Scienziato dei dati associato  in Python

Analista dati  in Python

Fondamenti di statistica  in Python

Rifiutare l'ipotesi nulla quando in realtà l'ipotesi nulla è vera.

Dichiarare l'imputato colpevole quando in realtà l'imputato era innocente.

Non rifiutare l'ipotesi nulla quando in realtà l'ipotesi nulla è falsa

Dichiarare l'imputato non colpevole quando in realtà l'imputato ha commesso il reato

Rifiutare l'ipotesi nulla quando in realtà l'ipotesi nulla è falsa.

Dichiarare l'imputato non colpevole quando in realtà era innocente

Errori di tipo I e di tipo II

Test di ipotesi in Python

Esercizio pratico interattivo