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.

Testes de hipóteses e escores z

Usos dos testes A/B

Cálculo da média da amostra

Cálculo de um escore z

Valores p

Julgamentos criminais e testes de hipóteses

Opções

Bicaudal

Unicaudal à esquerda

Unicaudal à direita

Unicaudal à esquerda, unicaudal à direita e bicaudal

Cálculo dos valores p

Significância estatística

Decisões com base nos valores p

Cálculo do intervalo de confiança

Erros falsos positivos (Tipo I)

Erros falsos negativos (Tipo II)

Não é um erro

Erros tipo I e 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

O teste de hipóteses permite que você responda a perguntas sobre seus conjuntos de dados com rigor estatístico. Neste curso, você desenvolverá suas habilidades analíticas em Python à medida que aprender como e quando usar testes comuns, como testes t, testes de proporção e testes de qui-quadrado. Trabalhando com dados reais, como feedback de usuários do Stack Overflow e dados de uma cadeia de suprimentos de entregas de materiais médicos, você vai adquirir uma grande compreensão de como funcionam esses testes e as principais suposições que os embasam. Você também descobrirá como os testes não paramétricos podem ser usados para ir além das limitações dos testes de hipóteses tradicionais.

Sampling in Python

Aprenda a usar testes de hipótese comuns como t-testes, testes de proporção e qui-quadrado em Python.

Teste de hipóteses em Python

Saiba como e quando usar testes de hipóteses comuns, como testes t, testes de proporção e testes de qui-quadrado em Python.

Associate Data Scientist  em Python

Analista de dados  Em Python

Fundamentos de estatística  em Python

Usos dos testes A/B

Teste de hipóteses em Python

exercicio interativo prático