Learn why hypothesis testing is useful, and step through the workflow for a one sample proportion test. In doing so, you'll encounter important concepts like z-scores, p-p-values, and false negative and false positive errors. The Stack Overflow survey and late medical shipments datasets are introduced.

Hypothesis tests and z-scores

Uses of A/B testing

Calculating the sample mean

Calculating a z-score

p-values

Criminal trials and hypothesis tests

Left tail, right tail, two tails

Calculating p-values

Statistical significance

Decisions from p-values

Calculating confidence intervals

Type I and type II errors

Introduction to Hypothesis Testing

Learn how to test for differences in means between two groups using t-tests, and how to extend this to more than two groups using ANOVA and pairwise t-tests.

t-toetsen uitvoeren

Workflow voor hypothesetoetsen

Toetsstatistiek voor twee gemiddelden

p-waarden berekenen uit t-statistieken

Waarom heb je t nodig?

De t-verdeling

Van t naar p

Gepaarde t-toetsen

Gepaarde vs. niet-gepaarde t-toetsen

Gepaard

Niet gepaard

Is paren nodig?

Het verschil visualiseren

t.test() gebruiken

ANOVA-toetsen

Veel categorieën visualiseren

Een ANOVA-toets uitvoeren

Paarsgewijze t-toetsen

Two-Sample and ANOVA Tests

Learn how to test for differences in proportions between two groups using proportion tests, extended it to more than two groups with chi-square independence tests, and return to the one sample case with chi-square goodness of fit tests.

One-sample proportion tests

t for proportions?

Test for single proportions

Two-sample proportion tests

Test of two proportions

prop_test() for two samples

Chi-square test of independence

The chi-square distribution

How many tails for chi-square tests?

Performing a chi-square test

Chi-square goodness of fit tests

Visualizing goodness of fit

Performing a goodness of fit test

Proportion Tests

Learn about the assumptions made by parametric hypothesis tests and see how simulation-based and rank-based non-parametric tests can be used when those assumptions aren't met.

Assumptions in hypothesis testing

Common assumptions of hypothesis tests

Testing sample size

The "There is only one test" framework

There is only one test

Specifying and hypothesizing

Continuing the infer pipeline

Generating & calculating

Observed statistic and p-value

Non-parametric ANOVA and unpaired t-tests

Simulation-based t-test

Rank sum tests

Congratulations!

Non-Parametric Tests

Late Shipments

Late shipments Bootstrap Distribution

Democratic Presidential Candidates by County

StackOverflow Survey

Late Shipments w/ Freight Cost Group

Met hypothesetoetsen kun je vragen stellen over je gegevenssets en die op een statistisch verantwoorde manier beantwoorden. In deze cursus leer je hoe en wanneer je veelgebruikte toetsen inzet, zoals t-toetsen, proportietoetsen en chi-kwadraattoetsen. Je krijgt grondig inzicht in hoe ze werken en welke aannames eraan ten grondslag liggen. Je leert ook hoe verschillende hypothesetoetsen samenhangen via het "There is only one test"-framework, en je gebruikt niet-parametrische toetsen waarmee je de vereisten van traditionele hypothesetoetsen kunt omzeilen. Door de hele cursus heen verken je een Stack Overflow-gebruikersenquête en een gegevensset met vertraagde leveringen van medische hulpmiddelen.

Sampling in R

Leer over hypothesetests in R, inclusief het gebruik van t-tests, proportietests en chi-kwadraattests.

Hypothesis Testing in R

Associate Data Scientist in R

Data-analist  in R

Statisticus in R

Statistiek voor beginners in R

Bepaal de populatieparameter waarover een hypothese wordt opgesteld.

Specificeer de nul- en alternatieve hypothesen.

Bepaal de (gestandaardiseerde) toetsingsgrootheid en de bijbehorende nulverdeling.

Beoordeel het bewijs tegen de nulhypothese en vergelijk dit met het significantieniveau.

Interpreteer de resultaten in de context van het oorspronkelijke probleem.

Workflow voor hypothesetoetsen

Hypothesis Testing in R

Praktische interactieve oefening