ComeçarComece de graça

Intuição por trás da significância estatística

Neste exercício, você vai desenvolver uma compreensão intuitiva de significância estatística. Para isso, vai usar a função get_pvalue() em vários conjuntos de parâmetros que podem surgir ou ser escolhidos durante um teste A/B. Ao fazer isso, observe como os resultados de significância estatística mudam conforme você altera os parâmetros. Isso vai ajudar a construir sua intuição sobre o conceito e revelar algumas armadilhas sutis dos p-values. Relembrando, esta é a assinatura da função get_pvalue():

def get_pvalue(con_conv, test_conv, con_size, test_size):  
    lift =  - abs(test_conv - con_conv)

    scale_one = con_conv * (1 - con_conv) * (1 / con_size)
    scale_two = test_conv * (1 - test_conv) * (1 / test_size)
    scale_val = (scale_one + scale_two)**0.5

    p_value = 2 * stats.norm.cdf(lift, loc = 0, scale = scale_val )

    return p_value

Este exercício faz parte do curso

Customer Analytics and A/B Testing in Python

Ver curso

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# Get the p-value
p_value = get_pvalue(con_conv=____, test_conv=____, con_size=____, test_size=____)
print(p_value)
Editar e executar o código