Verifica delle ipotesi
Ipotesi nulla, p-value, t-test e test chi-quadrato con scipy.stats.
Verifica delle ipotesi è una lezione Learn AI with Python gratuita su CoddyKit. Questa è la lezione 3 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Learn AI with Python, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Learn AI with Python include 4 lezioni in totale.
Che cos’è un test d’ipotesi
Un test d’ipotesi utilizza i dati per decidere se un effetto osservato è reale o dovuto soltanto al caso. È il modo in cui i data scientist giustificano affermazioni come «il nuovo design ha aumentato i clic».
Ipotesi nulla e alternativa
L’ipotesi nulla H0 afferma che NON c’è alcun effetto (la posizione predefinita e scettica). L’ipotesi alternativa H1 afferma che c’è un effetto. Cerchiamo di raccogliere prove contro H0.
Il p-value
Il p-value è la probabilità di osservare dati così estremi SE H0 fosse vera. Un p-value piccolo indica che i dati sono sorprendenti nell’ipotesi H0, quindi dubitiamo di H0.
Livello di significatività
Confrontiamo p con una soglia alpha (comunemente 0,05). Se p < alpha, rifiutiamo H0; altrimenti non possiamo rifiutarla. alpha è il tasso di falsi positivi accettabile.
Cosa NON significa p
Il p-value NON è la probabilità che H0 sia vera e NON è la dimensione dell’effetto. Un p molto piccolo con un campione enorme può riflettere una differenza trascurabile. Riporti sempre anche la dimensione dell’effetto.
t-test a un campione
ttest_1samp verifica se la media di un campione differisce da un valore noto, ad esempio se il tempo medio di risposta differisce da un obiettivo di 200 ms.
from scipy import stats
import numpy as np
times = np.array([198, 205, 210, 195, 220, 208])
t, p = stats.ttest_1samp(times, popmean=200)
print(t, p)t-test a due campioni
ttest_ind confronta le medie di due gruppi INDIPENDENTI, la tipica analisi di un test A/B.
control = np.array([20, 22, 19, 24, 21])
treat = np.array([25, 27, 24, 29, 26])
t, p = stats.ttest_ind(control, treat)
print(t, p) # small p -> groups differInterpretazione del risultato
Confronti il p-value con alpha ed esprima una conclusione in linguaggio semplice. La significatività è una decisione, non una prova certa.
alpha = 0.05
if p < alpha:
print("Reject H0: the groups differ significantly")
else:
print("Fail to reject H0: no significant difference")Test chi-quadrato di indipendenza
chi2_contingency verifica se due variabili CATEGORICHE sono associate, utilizzando una tabella di contingenza dei conteggi.
table = np.array([[30, 10], [20, 40]]) # rows: group, cols: outcome
chi2, p, dof, expected = stats.chi2_contingency(table)
print(chi2, p)Errori di tipo I e di tipo II
Un errore di tipo I (falso positivo) rifiuta un H0 vero; il suo tasso è alpha. Un errore di tipo II (falso negativo) non rifiuta un H0 falso; il suo tasso è beta. La potenza = 1 - beta è la probabilità di rilevare un effetto reale.
Compromessi
Ridurre alpha diminuisce i falsi positivi, ma aumenta il tasso di falsi negativi (riducendo la potenza). Campioni più grandi riducono entrambi i tipi di errore: per questo è importante pianificare la dimensione del campione prima di un esperimento.
Verifica rapida
Verifichi le Sue conoscenze sui test d’ipotesi.
Riepilogo
Concetti essenziali sui test d’ipotesi:
- H0 (nessun effetto) rispetto a H1 (effetto); raccolga prove contro H0
- p-value = P(dati così estremi | H0); rifiuti H0 se p < alpha
- p NON è P(H0 vera) e NON è la dimensione dell’effetto
ttest_1samp,ttest_ind,chi2_contingency- Tipo I (falso positivo, tasso alpha) rispetto a tipo II (falso negativo, tasso beta); potenza = 1-beta
Domande Frequenti
La lezione «Verifica delle ipotesi» è gratuita?
Sì — il testo completo di «Verifica delle ipotesi» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Learn AI with Python, passa a CoddyKit PRO. Il corso Learn AI with Python include 4 lezioni in totale.
Cosa imparerò in «Verifica delle ipotesi»?
Ipotesi nulla, p-value, t-test e test chi-quadrato con scipy.stats. Eserciti Learn AI with Python con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Learn AI with Python?
Non è richiesta alcuna esperienza precedente. Learn AI with Python su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 3 di 4.
Quanto tempo richiede la lezione «Verifica delle ipotesi»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Learn AI with Python?
Sì. Ogni lezione Learn AI with Python include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Statistiche descrittive e distribuzioni
- Probabilità e teorema di Bayes
- Verifica delle ipotesi
- Correlazione e covarianza