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.

Test di proporzione a un campione

t per le proporzioni?

Test per proporzioni singole

Test sulle proporzioni a due campioni

Test su due proporzioni

proportions_ztest() per due campioni

Test del chi quadrato di indipendenza

La distribuzione chi-quadro

Quante code nei test chi-quadro?

Eseguire un test chi-quadrato

Test chi-quadrato di bontà dell’adattamento

Visualizzare l'adattamento (goodness of fit)

Eseguire un test di bontà dell'adattamento

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

La distribuzione chi-quadro

Test di ipotesi in Python

Esercizio pratico interattivo