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.

Eseguire i t-test

Flusso di lavoro per i test d'ipotesi

Statistica di test per due medie campionarie

Calcolare i p-value dai t-statistics

Perché serve la t?

La distribuzione t

Da t a p

t-test appaiati

t-test appaiati vs non appaiati

Appaiato

Non appaiato

Serve l’appaiamento?

Visualizzare la differenza

Uso di ttest()

Test ANOVA

Visualizzare molte categorie

Eseguire un test ANOVA

t-test a coppie

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

La distribuzione t

Test di ipotesi in Python

Esercizio pratico interattivo