Hypothesetoetsing
Nulhypothese, p-waarde, t-toets en chi-kwadraattoets met scipy.stats.
Hypothesetoetsing is een gratis Leer AI met Python-les op CoddyKit. Dit is les 3 van 4. Je kunt 3 lessen uit dit leerpad gratis volledig lezen — daarna ontgrendelt CoddyKit PRO alle lessen, plus praktische oefeningen met een ingebouwde code-editor en een AI-tutor die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Leer AI met Python. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Leer AI met Python bevat in totaal 4 lessen.
Wat is een hypothesetoets
Een hypothesetoets gebruikt gegevens om te bepalen of een waargenomen effect echt is of slechts door toeval ontstaat. Zo onderbouwen datawetenschappers beweringen zoals "het nieuwe ontwerp heeft het aantal klikken verhoogd".
Nulhypothese versus alternatief
De nulhypothese H0 zegt dat er GEEN effect is (de standaardpositie waarin je sceptisch blijft). Het alternatief H1 zegt dat er WEL een effect is. We proberen bewijs tegen H0 te verzamelen.
De p-waarde
De p-waarde is de kans dat je gegevens ziet die minstens zo extreem zijn ALS H0 waar is. Een kleine p-waarde betekent dat de gegevens onder H0 verrassend zijn, dus gaan we aan H0 twijfelen.
Significantieniveau
We vergelijken p met een drempelwaarde alpha (meestal 0,05). Als p < alpha, verwerpen we H0; anders verwerpen we H0 niet. alpha is het aanvaardbare percentage fout-positieven.
Wat p NIET betekent
De p-waarde is NIET de kans dat H0 waar is en ook NIET de omvang van het effect. Een zeer kleine p-waarde bij een zeer grote steekproef kan wijzen op een verwaarloosbaar klein verschil. Rapporteer daarom altijd ook de effectgrootte.
t-toets voor één steekproef
ttest_1samp controleert of een steekproefgemiddelde afwijkt van een bekende waarde, bijvoorbeeld of de gemiddelde reactietijd afwijkt van een doelwaarde van 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-toets voor twee steekproeven
ttest_ind vergelijkt de gemiddelden van twee ONAFHANKELIJKE groepen, de standaardanalyse voor een A/B-toets.
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 differHet resultaat interpreteren
Vergelijk de p-waarde met alpha en formuleer een conclusie in gewone taal. Significant zijn is een beslissing, geen bewijs van zekerheid.
alpha = 0.05
if p < alpha:
print("Reject H0: the groups differ significantly")
else:
print("Fail to reject H0: no significant difference")Chi-kwadraattoets op onafhankelijkheid
chi2_contingency toetst of twee CATEGORISCHE variabelen verband met elkaar houden, aan de hand van een kruistabel met aantallen.
table = np.array([[30, 10], [20, 40]]) # rows: group, cols: outcome
chi2, p, dof, expected = stats.chi2_contingency(table)
print(chi2, p)Fouten van type I en type II
Bij een fout van type I (fout-positief) verwerp je een ware H0; het percentage daarvan is alpha. Bij een fout van type II (fout-negatief) verwerp je een onware H0 niet; het percentage daarvan is beta. Toetsingskracht = 1 - beta is de kans dat je een echt effect ontdekt.
Afwegingen
Een lagere alpha vermindert het aantal fout-positieven, maar verhoogt het percentage fout-negatieven (lagere toetsingskracht). Grotere steekproeven verminderen beide soorten fouten. Daarom is het belangrijk om vóór een experiment de steekproefomvang te plannen.
Korte toets
Toets je kennis van hypothesetoetsen.
Samenvatting
Essentiële begrippen uit hypothesetoetsen:
- H0 (geen effect) versus H1 (effect); verzamel bewijs tegen H0
- p-waarde = P(gegevens die minstens zo extreem zijn | H0); verwerp H0 als p < alpha
- p is NIET P(H0 is waar) en ook NIET de effectgrootte
ttest_1samp,ttest_ind,chi2_contingency- Type I (fout-positief, percentage alpha) versus type II (fout-negatief, percentage beta); toetsingskracht = 1-beta
Leer Python met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 53
- Lessen
- 225
Veelgestelde vragen
Is de les “Hypothesetoetsing” gratis?
Ja — je kunt hier op het web alle 3 lessen van het leerpad Leer AI met Python, waaronder “Hypothesetoetsing”, gratis volledig lezen. Daarna ontgrendelt CoddyKit PRO alle lessen, plus interactieve oefeningen met een ingebouwde code-editor en een AI-tutor die 24/7 beschikbaar is. De cursus Leer AI met Python bevat in totaal 4 lessen.
Wat leer ik in “Hypothesetoetsing”?
Nulhypothese, p-waarde, t-toets en chi-kwadraattoets met scipy.stats. Je oefent met Leer AI met Python door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Leer AI met Python te beginnen?
Ervaring vooraf is niet nodig. Leer AI met Python op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 3 van 4.
Hoe lang duurt de les “Hypothesetoetsing”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Leer AI met Python?
Ja. Elke les over Leer AI met Python bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Beschrijvende statistiek en verdelingen
- Kansrekening en de stelling van Bayes
- Hypothesetoetsing
- Correlatie en covariantie