Inferentiële statistiek
Hypothesetoetsing, betrouwbaarheidsintervallen, p-value, t-test, chi-kwadraat, ANOVA, lineaire regressie
1Wat is de nulhypothese (H₀) bij hypothesetoetsing?
Wat is de nulhypothese (H₀) bij hypothesetoetsing?
Antwoord
De nulhypothese (H₀) is de standaardbewering die aanneemt dat er geen effect of significant verschil bestaat. Het is de hypothese die we proberen te verwerpen of niet te verwerpen op basis van de verzamelde gegevens. H₀ kan bijvoorbeeld stellen dat een nieuwe behandeling geen effect heeft in vergelijking met een placebo. De statistische toets evalueert of de gegevens voldoende bewijs leveren om deze hypothese te verwerpen ten gunste van de alternatieve hypothese (H₁).
2Wat stelt de p-value voor in een statistische toets?
Wat stelt de p-value voor in een statistische toets?
Antwoord
De p-value is de waarschijnlijkheid om een resultaat te verkrijgen dat ten minste zo extreem is als het waargenomen resultaat, aannemende dat de nulhypothese waar is. Een lage p-value (meestal < 0.05) geeft aan dat de waargenomen gegevens onwaarschijnlijk zijn onder H₀, wat leidt tot verwerping ervan. Let op: de p-value is niet de waarschijnlijkheid dat H₀ waar is, noch de waarschijnlijkheid dat de resultaten toevallig zijn.
3Wat is een type I-fout in inferentiële statistiek?
Wat is een type I-fout in inferentiële statistiek?
Antwoord
Een type I-fout (vals positief) treedt op wanneer we de nulhypothese verwerpen terwijl deze daadwerkelijk waar is. Het significantieniveau α (vaak 0,05) vertegenwoordigt de maximaal aanvaardbare kans om deze fout te maken. Bijvoorbeeld, concluderen dat een medicijn effectief is terwijl het dat niet is, vormt een type I-fout. Deze fout wordt beheerst door de keuze van het significantieniveau.
Wat is een type II-fout in inferentiële statistiek?
Wat stelt een 95%-betrouwbaarheidsinterval voor?
+21 gespreksvragen
Andere Data Science & ML-sollicitatieonderwerpen
Python-basisbeginselen
Python Objectgeoriënteerd Programmeren
Python-datastructuren
Git-Fundamenten
SQL-basisbeginselen
NumPy-grondbeginselen
Pandas-basis
Jupyter & Google Colab
SQL Joins & geavanceerde queries
Geavanceerd Pandas
Visualisatie met Matplotlib & Seaborn
Interactieve visualisaties met Plotly
Beschrijvende statistiek
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Supervised ML: Regressie
Supervised ML: Classificatie
Beslissingsbomen & Ensembles
Ongesuperviseerd ML
ML Pipelines & Validatie
Tijdreeksen & Voorspelling
Fundamenten van Deep Learning
TensorFlow & Keras
CNN en beeldclassificatie
RNN & Reeksen
Transformers & Attention
NLP & Hugging Face
GenAI & LangChain
MLOps en Deployment
Beheers Data Science & ML voor je volgende gesprek
Krijg toegang tot alle vragen, flashcards, technische tests, code review-oefeningen en gespreksimulatoren.
Begin gratis