# Statistica inferenziale (Data Science & ML) > Test di ipotesi, intervalli di confidenza, p-value, t-test, chi-quadrato, ANOVA, regressione lineare - 24 domande da colloquio - Mid-Level - [Domande da colloquio: Data Science & ML](https://sharpskill.dev/it/technologies/data-science/domande-colloquio.md) ## 1. Cos'è l'ipotesi nulla (H₀) in un test di ipotesi? **Risposta** L'ipotesi nulla (H₀) è l'affermazione predefinita che presuppone l'assenza di effetto o di differenza significativa. È l'ipotesi che cerchiamo di rifiutare o non rifiutare in base ai dati raccolti. Ad esempio, H₀ potrebbe affermare che un nuovo trattamento non ha effetto rispetto al placebo. Il test statistico valuta se i dati forniscono prove sufficienti per rifiutare questa ipotesi a favore dell'ipotesi alternativa (H₁). ## 2. Cosa rappresenta il p-value in un test statistico? **Risposta** Il p-value è la probabilità di ottenere un risultato almeno tanto estremo quanto quello osservato, assumendo che l'ipotesi nulla sia vera. Un p-value basso (tipicamente < 0.05) indica che i dati osservati sono improbabili sotto H₀, portando al suo rifiuto. Nota: il p-value non è la probabilità che H₀ sia vera, né la probabilità che i risultati siano dovuti al caso. ## 3. Cos'è un errore di tipo I in statistica inferenziale? **Risposta** Un errore di tipo I (falso positivo) si verifica quando rifiutiamo l'ipotesi nulla quando in realtà è vera. Il livello di significatività α (spesso 0.05) rappresenta la probabilità massima accettabile di commettere questo errore. Ad esempio, concludere che un farmaco è efficace quando non lo è costituisce un errore di tipo I. Questo errore è controllato dalla scelta del livello di significatività. ## Altre 21 domande disponibili - Cos'è un errore di tipo II in statistica inferenziale? - Cosa rappresenta un intervallo di confidenza al 95%? Registrati gratis: https://sharpskill.dev/it/login ## Altri argomenti di colloquio Data Science & ML - [Fondamenti di Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-basics.md): 25 domande, Junior - [Programmazione Orientata agli Oggetti in Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-oop.md): 20 domande, Junior - [Strutture dati Python](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/python-data-structures.md): 20 domande, Junior - [Fondamenti di Git](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/git-fundamentals.md): 18 domande, Junior - [Fondamenti di SQL](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/sql-basics.md): 20 domande, Junior - [Fondamenti di NumPy](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/numpy-fundamentals.md): 22 domande, Junior - [Fondamenti di Pandas](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/pandas-basics.md): 22 domande, Junior - [Jupyter & Google Colab](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/jupyter-colab.md): 16 domande, Junior - [SQL Joins e query avanzate](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/sql-joins-advanced.md): 22 domande, Mid-Level - [Pandas avanzato](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/pandas-advanced.md): 24 domande, Mid-Level - [Visualizzazione con Matplotlib & Seaborn](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/matplotlib-seaborn.md): 20 domande, Mid-Level - [Visualizzazioni interattive con Plotly](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/plotly-interactive.md): 18 domande, Mid-Level - [Statistica descrittiva](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/statistics-descriptive.md): 20 domande, Mid-Level - [Web Scraping](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/web-scraping.md): 18 domande, Mid-Level - [BigQuery & Cloud Data](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/bigquery-cloud.md): 18 domande, Mid-Level - [Feature Engineering](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/feature-engineering.md): 22 domande, Mid-Level - [ML Supervisionato: Regressione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-supervised-regression.md): 24 domande, Mid-Level - [ML Supervisionato: Classificazione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-supervised-classification.md): 24 domande, Mid-Level - [Alberi Decisionali e Ensembles](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-trees-ensembles.md): 24 domande, Mid-Level - [ML Non Supervisionato](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-unsupervised.md): 22 domande, Mid-Level - [Pipeline ML e Validazione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/ml-pipelines-validation.md): 22 domande, Mid-Level - [Serie Temporali e Previsione](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/time-series-forecasting.md): 22 domande, Mid-Level - [Fondamenti di Deep Learning](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/deep-learning-fundamentals.md): 24 domande, Senior - [TensorFlow & Keras](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/tensorflow-keras.md): 22 domande, Senior - [CNN e classificazione di immagini](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/cnn-image-classification.md): 24 domande, Senior - [RNN e Sequenze](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/rnn-sequences.md): 22 domande, Senior - [Transformers e Attention](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/transformers-attention.md): 24 domande, Senior - [NLP e Hugging Face](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/nlp-huggingface.md): 24 domande, Senior - [GenAI e LangChain](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/genai-langchain.md): 24 domande, Senior - [MLOps e Deployment](https://sharpskill.dev/it/technologies/data-science/domande-colloquio/mlops-deployment.md): 24 domande, Senior --- Source: SharpSkill (https://sharpskill.dev), tech interview preparation for your real stack. HTML version of this page: https://sharpskill.dev/it/technologies/data-science/domande-colloquio/statistics-inferential