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.

Realização de testes t

Fluxo de trabalho de um teste de hipóteses

Estatística de teste para média de duas amostras

Cálculo de valores p a partir de estatísticas t

Por que o t é necessário?

A distribuição t

De t para p

Testes t emparelhados

Testes t emparelhados x não emparelhados

Emparelhado

Não emparelhado

O emparelhamento é necessário?

Visualização da diferença

Como usar o ttest()

Testes de ANOVA

Visualização de várias categorias

Realização de um teste de ANOVA

Testes t dois a dois

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

Para testar a eficácia de uma nova técnica de estudo no ensino fundamental, são aplicados pré e pós-testes à mesma amostra aleatória de alunos.

Os cientistas querem entender se as crianças mais velhas gostam menos de açúcar do que as mais novas. Foram entrevistados pares de irmãos para saber suas preferências de açúcar.

Para testar a eficácia de uma nova técnica de estudo no ensino fundamental, são aplicados pré e pós-testes a duas amostras aleatórias diferentes de alunos.

Para entender como a localização afeta a renda, foi realizada uma pesquisa com adultos que vivem em Budapeste e outra pesquisa com adultos que vivem em Londres.

O emparelhamento é necessário?

Teste de hipóteses em Python

exercicio interativo prático