Ga naar hoofdinhoud

Cursus

Statistisch denken in Python (deel 1)

GemiddeldVaardigheidsniveau

Bijgewerkt 03-2026

Zorg dat je de basis hebt om statistisch te denken en de taal van je data te spreken.

Start Cursus Kosteloos

PythonProbability & Statistics

3 u

18 videos

61 Opdrachten

4,550 XP

180K+

Bewijs van Prestatie

Geliefd bij leerlingen van duizenden bedrijven

Een team trainen?

Probeer voor bedrijven

Cursusbeschrijving

Na al het harde werk om gegevens te verzamelen en ze in een bruikbare vorm te krijgen, wil je er uiteindelijk heldere, bondige conclusies uit kunnen trekken. Deze cruciale laatste stap in een data-analysepijplijn steunt op de principes van statistische inferentie. In deze cursus leg je de basis om statistisch te leren denken, de taal van je data te spreken en te begrijpen wat je data je vertellen. De fundamenten van statistisch denken kostten decennia om op te bouwen, maar zijn tegenwoordig veel sneller te doorgronden met hulp van computers. Met de kracht van Python-tools ben je in korte tijd up-to-speed en denk je aan het eind van deze cursus al statistisch.

Vereisten

1

Grafische verkennende data-analyse

Voordat je duikt in geavanceerde technieken voor statistische inferentie, is het goed om je data eerst te verkennen door ze te plotten en eenvoudige samenvattende statistieken te berekenen. Dit proces, verkennende data-analyse genoemd, is een cruciale eerste stap in de statistische analyse van data.

Introductie tot verkennende data-analyse

Wat is het doel van statistische inferentie?

Voordelen van grafische EDA

Een histogram plotten

Een histogram van irisgegevens plotten

Het aantal bins in een histogram aanpassen

Visualiseer al je data: beeswarm-plots

Bee-swarmplot

Een bee swarm-plot interpreteren

Laat al je data zien: ECDF's

De ECDF berekenen

De ECDF plotten

ECDF's vergelijken

Op naar het hele verhaal!

Hoofdstuk beginnen

2

Kwantitatieve verkennende data-analyse

In dit hoofdstuk bereken je handige samenvattende statistieken, die met een paar getallen de belangrijkste kenmerken van een gegevensset beknopt beschrijven.

Introductie tot samenvattende statistieken: het steekproefgemiddelde en de mediaan

Gemiddelden en medianen

Gemiddelden berekenen

Percentielen, uitschieters en boxplots

Percentielen berekenen

Percentielen vergelijken met ECDF

Box-and-whiskerplot

Variantie en standaarddeviatie

De variantie berekenen

De standaarddeviatie en de variantie

Covariantie en de Pearson-correlatiecoëfficiënt

Spreidingsdiagrammen

Varianties en covariantie op het oog

De covariantie berekenen

De Pearson-correlatiecoëfficiënt berekenen

Hoofdstuk beginnen

3

Probabilistisch denken — Discrete variabelen

Statistische inferentie rust op kansrekening. Omdat we zelden met absolute zekerheid iets betekenisvols uit data kunnen concluderen, gebruiken we probabilistische taal om kwantitatieve uitspraken over data te doen. In dit hoofdstuk leer je probabilistisch te denken over discrete grootheden: waarden die alleen bepaalde uitkomsten kunnen aannemen, zoals gehele getallen.

Probabilistische logica en statistische inferentie

Wat is het doel van statistische inferentie?

Waarom gebruiken we de taal van waarschijnlijkheid?

Willekeurige getalgeneratoren en hackerstatistiek

Willekeurige getallen genereren met de module np.random

De module np.random en Bernoulli-proeven

Hoeveel wanbetalingen kunnen we verwachten?

Zal de bank omvallen?

Kansverdelingen en verhalen: de binomiale verdeling

Steekproeven uit de Binomiale verdeling

De Binomiale PMF plotten

Poisson-processen en de Poisson-verdeling

Relatie tussen Binomiale en Poissonverdelingen

Hoeveel no-hitters in een seizoen?

Was 2015 afwijkend?

Hoofdstuk beginnen

4

Probabilistisch denken — Continue variabelen

Tijd voor continue variabelen, zoals grootheden die elke fractionele waarde kunnen aannemen. Veel principes zijn hetzelfde, maar er zijn enkele subtiliteiten. Aan het eind van dit laatste hoofdstuk spreek je de probabilistische taal die je nodig hebt om van start te gaan met de inferentietechnieken in het vervolg op deze cursus.

Kansdichtheidsfuncties

PDF's interpreteren

CDF’s interpreteren

Introductie van de normale verdeling

De Normale PDF

De normale CDF

De normale verdeling: eigenschappen en waarschuwingen

Gauss en het 10-Duitsemarkbiljet

Zijn de resultaten van de Belmont Stakes normaal verdeeld?

Hoe groot is de kans dat een paard het record van Secretariat evenaart of verbetert?

De exponentiële verdeling

Een verhaal koppelen aan een verdeling

Wachten op de volgende Secretariat

Als je een verhaal hebt, kun je het simuleren!

Verdeling van no-hitters en cycles

Hoofdstuk beginnen

Statistisch denken in Python (deel 1)

Cursus
voltooid

Verdien een prestatieverklaring

Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitae
Deel het op sociale media en in je functioneringsgesprekSchrijf je nu in

Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Statistisch denken in Python (deel 1)!

Ontwikkel je datavaardigheden met DataCamp voor Mobiel

Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.