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.

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.

Assunzioni nei test d'ipotesi

Assunzioni comuni dei test d'ipotesi

Verificare la dimensione del campione

Test non parametrici

Quale test parametrico?

Test dei ranghi con segno di Wilcoxon

ANOVA non parametrica e t-test per campioni indipendenti

Wilcoxon-Mann-Whitney

Kruskal-Wallis

Congratulazioni!

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

Test dei ranghi con segno di Wilcoxon

Test di ipotesi in Python

Esercizio pratico interattivo