ข้ามไปยังเนื้อหาหลัก

บ้าน Python

Courses

Hypothesis Testing in Python

ระดับกลางระดับทักษะ

อัปเดตแล้ว 12/2568

Learn how and when to use common hypothesis tests like t-tests, proportion tests, and chi-square tests in Python.

เริ่มเรียนหลักสูตรฟรี

PythonProbability & Statistics4 ชม.15 videos50 Exercises3,750 เอ็กซ์พี58,118คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

Hypothesis testing lets you answer questions about your datasets in a statistically rigorous way. In this course, you'll grow your Python analytical skills as you learn how and when to use common tests like t-tests, proportion tests, and chi-square tests. Working with real-world data, including Stack Overflow user feedback and supply-chain data for medical supply shipments, you'll gain a deep understanding of how these tests work and the key assumptions that underpin them. You'll also discover how non-parametric tests can be used to go beyond the limitations of traditional hypothesis tests.The videos contain live transcripts you can reveal by clicking "Show transcript" at the bottom left of the videos. The course glossary can be found on the right in the resources section. To obtain CPE credits you need to complete the course and reach a score of 70% on the qualified assessment. You can navigate to the assessment by clicking on the CPE credits callout on the right.

ข้อกำหนดเบื้องต้น

Sampling in Python

1

Hypothesis Testing Fundamentals

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

50 เอ็กซ์พี

Uses of A/B testing

50 เอ็กซ์พี

Calculating the sample mean

100 เอ็กซ์พี

Calculating a z-score

100 เอ็กซ์พี

50 เอ็กซ์พี

Criminal trials and hypothesis tests

50 เอ็กซ์พี

Left tail, right tail, two tails

100 เอ็กซ์พี

Calculating p-values

100 เอ็กซ์พี

Statistical significance

50 เอ็กซ์พี

Decisions from p-values

50 เอ็กซ์พี

Calculating a confidence interval

100 เอ็กซ์พี

Type I and type II errors

100 เอ็กซ์พี

เริ่มบท

2

Two-Sample and ANOVA Tests

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

50 เอ็กซ์พี

Hypothesis testing workflow

100 เอ็กซ์พี

Two sample mean test statistic

100 เอ็กซ์พี

Calculating p-values from t-statistics

50 เอ็กซ์พี

Why is t needed?

50 เอ็กซ์พี

The t-distribution

50 เอ็กซ์พี

From t to p

100 เอ็กซ์พี

Paired t-tests

50 เอ็กซ์พี

Is pairing needed?

100 เอ็กซ์พี

Visualizing the difference

100 เอ็กซ์พี

Using ttest()

100 เอ็กซ์พี

ANOVA tests

50 เอ็กซ์พี

Visualizing many categories

100 เอ็กซ์พี

Conducting an ANOVA test

100 เอ็กซ์พี

Pairwise t-tests

100 เอ็กซ์พี

เริ่มบท

3

Proportion 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

50 เอ็กซ์พี

t for proportions?

50 เอ็กซ์พี

Test for single proportions

100 เอ็กซ์พี

Two-sample proportion tests

50 เอ็กซ์พี

Test of two proportions

100 เอ็กซ์พี

proportions_ztest() for two samples

100 เอ็กซ์พี

Chi-square test of independence

50 เอ็กซ์พี

The chi-square distribution

50 เอ็กซ์พี

How many tails for chi-square tests?

50 เอ็กซ์พี

Performing a chi-square test

100 เอ็กซ์พี

Chi-square goodness of fit tests

50 เอ็กซ์พี

Visualizing goodness of fit

100 เอ็กซ์พี

Performing a goodness of fit test

100 เอ็กซ์พี

เริ่มบท

4

Non-Parametric 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

50 เอ็กซ์พี

Common assumptions of hypothesis tests

50 เอ็กซ์พี

Testing sample size

100 เอ็กซ์พี

Non-parametric tests

50 เอ็กซ์พี

Which parametric test?

50 เอ็กซ์พี

Wilcoxon signed-rank test

100 เอ็กซ์พี

Non-parametric ANOVA and unpaired t-tests

50 เอ็กซ์พี

Wilcoxon-Mann-Whitney

100 เอ็กซ์พี

Kruskal-Wallis

100 เอ็กซ์พี

Congratulations!

50 เอ็กซ์พี

เริ่มบท

Hypothesis Testing in Python

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

หน่วยกิต CPE

3เรียนรู้เพิ่มเติม

สำหรับธุรกิจ

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ให้ทีมของคุณเข้าถึงแพลตฟอร์ม DataCamp แบบเต็มรูปแบบ รวมถึงฟีเจอร์ทั้งหมด

ในแทร็กต่อไปนี้

Data Analyst in Pythonการรับรอง

Associate Data Scientist in Pythonการรับรอง

Statistics Fundamentals in Python

instructors

James Chapman

AI Curriculum Manager, DataCamp

collaborators

Dr. Chester Ismay

Amy Peterson

Izzy Weber

Courses resources

Late Shipmentsdatasets

Stack Overflowdatasets

U.S. Democrat Votes 2012/2016datasets

U.S. Republican Votes 2008/2012datasets

Course Glossarydatasets

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Hypothesis Testing in Python วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา