Quando si conduce un test A/B, l'obiettivo è determinare se una nuova variante (B) sia realmente diversa dal controllo (A) in base ai dati raccolti. Tuttavia, la conclusione può essere errata per due motivi principali: si potrebbe rilevare una differenza quando in realtà non esiste (**errore di Tipo I**, o "falso positivo"), oppure si potrebbe non rilevare una differenza reale (**errore di Tipo II**, o "falso negativo"). Per identificare quale errore - se presente - si sia verificato, è necessario confrontare la verità reale (se esiste un effetto reale) con l'esito del test statistico (se è stato dichiarato un effetto significativo).

Se il test rileva un risultato significativo quando non esiste un effetto reale, si è commesso un **errore di Tipo I**. Se il test non rileva un risultato significativo quando esiste un effetto reale, si è commesso un **errore di Tipo II**. Se la conclusione corrisponde alla realtà (rilevando correttamente un effetto reale o concludendo correttamente che non ce n'è), si è presa una **decisione corretta**. Comprendere questi scenari è fondamentale per interpretare le implicazioni pratiche dei test e per prendere decisioni aziendali informate basate sui risultati ottenuti.


import unittest
import user_code
import ast
import re   
import importlib
import csv
import unittest
import importlib

class TestTask(unittest.TestCase):
    def test_correct_decision_true_effect_significant(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.classify_ab_test_outcome(True, True)
        _dynamic_test(
            self,
            result == "Correct Decision",
            'Returns "Correct Decision" for (True, True)',
            f'Expected "Correct Decision" for (True, True), got {result}'
        )

    def test_correct_decision_no_effect_not_significant(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.classify_ab_test_outcome(False, False)
        _dynamic_test(
            self,
            result == "Correct Decision",
            'Returns "Correct Decision" for (False, False)',
            f'Expected "Correct Decision" for (False, False), got {result}'
        )

    def test_type_i_error(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.classify_ab_test_outcome(False, True)
        _dynamic_test(
            self,
            result == "Type I Error",
            'Returns "Type I Error" for (False, True)',
            f'Expected "Type I Error" for (False, True), got {result}'
        )

    def test_type_ii_error(self):
        import user_code
        importlib.reload(user_code)
        result = user_code.classify_ab_test_outcome(True, False)
        _dynamic_test(
            self,
            result == "Type II Error",
            'Returns "Type II Error" for (True, False)',
            f'Expected "Type II Error" for (True, False), got {result}'
        )

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

def normalize_text(text):
    text = text.lower()
    text = re.sub(r"\\s{2,}", " ", text)
    text = re.sub(r"\\s*([,:?])\\s*", r"\\1 ", text)
    return text.strip()

def change_var(code: str, var_name: str, value: str) -> str:
    tree = ast.parse(code)
    lines = code.splitlines()
    changed = False
    # Collect all assignment nodes to modify
    assign_nodes = [
        (i, node)
        for i, node in enumerate(tree.body)
        if isinstance(node, ast.Assign)
        and any(isinstance(target, ast.Name) and target.id == var_name for target in node.targets)
    ]

    # If nothing to change, return unmodified code
    if not assign_nodes:
        return code

    # Perform replacements for all matching assignments (from last to first to not break line offsets)
    for i, node in reversed(assign_nodes):
        start_line = node.lineno - 1
        line = lines[start_line]
        indent = ' ' * (len(line) - len(line.lstrip()))
        lines[start_line] = f"{indent}{var_name} = {value}"
        next_line = len(lines)
        for next_node in tree.body[i+1:]:
            if hasattr(next_node, 'lineno'):
                next_line = next_node.lineno - 1
                break
        if next_line > start_line + 1:
            lines[start_line+1:next_line] = []
        changed = True

    return '\\n'.join(lines) if changed else code

if __name__ == "__main__":
    unittest.main()


test_main.py

Padroneggiare l'arte e la scienza dell'A/B testing utilizzando Python. Questo corso copre le basi statistiche, la progettazione degli esperimenti e l'implementazione pratica dei test A/B, con una forte enfasi sulla pratica e su scenari reali. Imparare ad analizzare i risultati, evitare errori comuni e comunicare efficacemente le conclusioni.

Esplora gli elementi essenziali dell'A/B testing — dalla terminologia di base e il metodo scientifico ai flussi di lavoro pratici utilizzati nella tecnologia e nel marketing. Questa sezione fornisce una base completa, includendo il contesto storico, la motivazione alla base della sperimentazione e il vocabolario essenziale necessario per una comunicazione efficace in ambienti guidati dai dati.

Padroneggia le competenze necessarie per progettare test A/B robusti: dalla formulazione delle ipotesi e randomizzazione al calcolo della dimensione del campione e selezione delle metriche. Questa sezione copre in dettaglio la creazione delle ipotesi, la randomizzazione, la determinazione della dimensione del campione e la selezione delle metriche, con esempi pratici ed esercitazioni applicate.

Approfondisci i concetti statistici che sono alla base dell'A/B testing, inclusi significatività, p-value, tipi di errore e intervalli di confidenza. Questa sezione offre spiegazioni dettagliate, esempi pratici di codice ed esercizi interattivi per consolidare la tua comprensione.

Approfondimento dei fondamenti dell'analisi pratica dei test A/B: simulazione dei dati, interpretazione dei risultati, creazione di visualizzazioni efficaci e comunicazione dei risultati agli stakeholder. Apprendimento di tecniche per comunicare efficacemente i risultati, realizzare visualizzazioni coinvolgenti ed evitare errori comuni nell'interpretazione.

Sfida: Identificazione del Tipo di Errore

Soluzione