Statistiek 2
HOC 1 inleiding en herhaling
1. Herhaling basisconcepten:
1.1. Statistiek en statistische gegevens
- Weerbaar zijn in een SL gedreven door cijfers (‘data-driver’)
- Realiteit is complex en onzeker → realiteit kwantificeren
- Empirie om beweringen te staven
° beweringen op zich niet voldoende, nood aan empirie
➔ ‘fact check’
- Niet zomaar data verzamelen, maar volgens regels van de kunst
→ inleiding onderzoeksmethoden, etc.
- Niet zomaar data analyseren , maar a.d.h.v. juiste techniek en met ruimte voor onzekerheid
➔ Statistiek 2, etc.
1.2. Steekproef en onderzoekspopulatie
Populatie: Wie onderzoek ik?
- Vb. Alle personen met de Belgische nationaliteit op 1 januari 2025 → percentage actief op de
arbeidsmarkt.
- Vb. Alle klanten van de Colruyt in september 2025 → gemiddeld aankoopbedrag per klant
- Vb. Alle gebruikers van Netflix in 2025 → gemiddeld aantal minuten kijken per week
- Vb. Alle personen die in de loop van het jaar 2025 gedetineerd waren in België → percentage
recidivisten
- Vb. Alle studenten hoger onderwijs in Vlaanderen in 2025 → percentage studenten
criminologie.
(populatie-)parameters = de dingen die we willen weten.
Steekproef: Subset/selectie uit de volledige groep van onderzoekseenheden in de populatie.
- Een steekproef moet dezelfde karakteristieken hebben als de populatie die het
vertegenwoordigt (representativiteit).
- Belangrijk: Voor vele statistische technieken moet dit een eenvoudige aselecte
toevalssteekproef (EAS) zijn (SRS – ‘Simple Random Sample’) → elke onderzoekseenheid in
de populatie heeft een gelijke kans op selectie, verschillend van nul.
- Kengetallen die we meten in de steekproef → (steekproef)statistieken.
Populatie → parameters
Steekproef → Statistieken
,Problemen:
- Sampling error → toevalsfouten, onnauwkeurigheid → problemen rond betrouwbaarheid
° Verschil tussen steekproefschatting en populatiewaarde (‘onnauwkeurigheid’) te wijten aan
toeval in de toevalssteekproef
° → komt aan bod vanaf les 4!
- Non-sampling error → systematische fouten, vertekening → problemen rond geldigheid
° Selection bias (manier van selecteren van respondenten geeft vertekend beeld) → vb.
Survivor bias (schade aan vliegtuig meten, maar waarom zijn die plekken beschadigd? Omdat
degene die elders geraakt werden nooit zijn teruggekomen. Het is dus een selectie van
vliegtuigen die teruggeraakt zijn en niet degene die het niet overleefd hebben.)
° Non – response bias (zij die deelnemen weigeren verschillen mogelijk systematisch van de
respondenten). → bv. Omwille van de taal van de enquête.
° item non – response bias (sommige vragen in de bevraging worden niet beantwoord).
1.3. Beschrijvende & Inferentiële statistiek
* Beschrijvende of deductieve statistiek = beschrijven van geobserveerde gegevens (steekproef of
populatie).
- Vb. opinie rond invoeren doodstraf bij jongeren tussen 15-30 jaar in Vlaanderen (in %),
gebaseerd op een steekproef van 3000 jongeren.
,We willen dit kunnen veralgemenen naar de volledige populatie (alle jongeren). Mogen we die
percentages dan zomaar laten meetellen voor alle jongeren? Neen! Wel aan de hand van bepaalde
technieken.
* Inferentiële of inductieve statistiek = o.b.v. steekproefgegevens conclusies trekken m.b.t. de
populatie. Steekproefgegevens veralgemeenbaar maken naar de populatie → significantie van de
resultaten.
20% van alle 15-30 jarigen in de steekproef gaan ‘helemaal akkoord’ met het herinvoeren van de
doodstraf.
- Hoe waarschijnlijk is het dat dit percentage effectief het percentage ‘helemaal akkoord’ is in
de populatie van alle 15-30 jarigen in Vlaanderen (populatieparameter is een onbekende)?
- Kunnen we dus de populatieproportie schatten op basis van de steekproefproportie?
- Inferentiële statistiek maakt gebruik van kansrekenen (les 2) en kansverdelingen (les 3), en de
theoretische basis van de steekproevenverdeling en centrale limietstelling (les 4).
- 2 inferentiële technieken:
➔ hypothesetoetsen (les 5)
➔ betrouwbaarheidsintervallen (les 6)
1.4. Variabelen: operationalisering & meetniveaus
Variabelen: kenmerken die we observeren, meten of bevragen bij de onderzoekseenheden.
Variabelen zijn variabel, i.e. kunnen meerdere waarden hebben:
- cijfers (bv. Hoeveel weeg je, hoe oud ben je…)
- tekst (‘string’ – variabelen in SPSS) – (waar woon je, al in contact gekomen met het gerecht..)
➔ eventueel coderen
- NIS-code:
, - International Standard Classification of Education (ISCED)
- Nood aan definiëring en operationalisering van concepten
Bv. Leeftijd (20 jaar en een paar dagen en weken → we kunnen dit categoriseren)
Bv. Geslacht (is niet meer binair: man/vrouw)
Bv. Armoede
Bv. Gezondheid
Kwalitatief/categorisch → tekst (maar coderen!) Waarden van de variabelen wijzen op categorieën,
zonder verdere wiskundige betekenis.
Kwantitatief/metrisch → cijfer. Waarden van de variabelen wijzen op wiskundige betekenis.
4 meetniveaus:
- Nominaal: categorieën zonder ordening
HOC 1 inleiding en herhaling
1. Herhaling basisconcepten:
1.1. Statistiek en statistische gegevens
- Weerbaar zijn in een SL gedreven door cijfers (‘data-driver’)
- Realiteit is complex en onzeker → realiteit kwantificeren
- Empirie om beweringen te staven
° beweringen op zich niet voldoende, nood aan empirie
➔ ‘fact check’
- Niet zomaar data verzamelen, maar volgens regels van de kunst
→ inleiding onderzoeksmethoden, etc.
- Niet zomaar data analyseren , maar a.d.h.v. juiste techniek en met ruimte voor onzekerheid
➔ Statistiek 2, etc.
1.2. Steekproef en onderzoekspopulatie
Populatie: Wie onderzoek ik?
- Vb. Alle personen met de Belgische nationaliteit op 1 januari 2025 → percentage actief op de
arbeidsmarkt.
- Vb. Alle klanten van de Colruyt in september 2025 → gemiddeld aankoopbedrag per klant
- Vb. Alle gebruikers van Netflix in 2025 → gemiddeld aantal minuten kijken per week
- Vb. Alle personen die in de loop van het jaar 2025 gedetineerd waren in België → percentage
recidivisten
- Vb. Alle studenten hoger onderwijs in Vlaanderen in 2025 → percentage studenten
criminologie.
(populatie-)parameters = de dingen die we willen weten.
Steekproef: Subset/selectie uit de volledige groep van onderzoekseenheden in de populatie.
- Een steekproef moet dezelfde karakteristieken hebben als de populatie die het
vertegenwoordigt (representativiteit).
- Belangrijk: Voor vele statistische technieken moet dit een eenvoudige aselecte
toevalssteekproef (EAS) zijn (SRS – ‘Simple Random Sample’) → elke onderzoekseenheid in
de populatie heeft een gelijke kans op selectie, verschillend van nul.
- Kengetallen die we meten in de steekproef → (steekproef)statistieken.
Populatie → parameters
Steekproef → Statistieken
,Problemen:
- Sampling error → toevalsfouten, onnauwkeurigheid → problemen rond betrouwbaarheid
° Verschil tussen steekproefschatting en populatiewaarde (‘onnauwkeurigheid’) te wijten aan
toeval in de toevalssteekproef
° → komt aan bod vanaf les 4!
- Non-sampling error → systematische fouten, vertekening → problemen rond geldigheid
° Selection bias (manier van selecteren van respondenten geeft vertekend beeld) → vb.
Survivor bias (schade aan vliegtuig meten, maar waarom zijn die plekken beschadigd? Omdat
degene die elders geraakt werden nooit zijn teruggekomen. Het is dus een selectie van
vliegtuigen die teruggeraakt zijn en niet degene die het niet overleefd hebben.)
° Non – response bias (zij die deelnemen weigeren verschillen mogelijk systematisch van de
respondenten). → bv. Omwille van de taal van de enquête.
° item non – response bias (sommige vragen in de bevraging worden niet beantwoord).
1.3. Beschrijvende & Inferentiële statistiek
* Beschrijvende of deductieve statistiek = beschrijven van geobserveerde gegevens (steekproef of
populatie).
- Vb. opinie rond invoeren doodstraf bij jongeren tussen 15-30 jaar in Vlaanderen (in %),
gebaseerd op een steekproef van 3000 jongeren.
,We willen dit kunnen veralgemenen naar de volledige populatie (alle jongeren). Mogen we die
percentages dan zomaar laten meetellen voor alle jongeren? Neen! Wel aan de hand van bepaalde
technieken.
* Inferentiële of inductieve statistiek = o.b.v. steekproefgegevens conclusies trekken m.b.t. de
populatie. Steekproefgegevens veralgemeenbaar maken naar de populatie → significantie van de
resultaten.
20% van alle 15-30 jarigen in de steekproef gaan ‘helemaal akkoord’ met het herinvoeren van de
doodstraf.
- Hoe waarschijnlijk is het dat dit percentage effectief het percentage ‘helemaal akkoord’ is in
de populatie van alle 15-30 jarigen in Vlaanderen (populatieparameter is een onbekende)?
- Kunnen we dus de populatieproportie schatten op basis van de steekproefproportie?
- Inferentiële statistiek maakt gebruik van kansrekenen (les 2) en kansverdelingen (les 3), en de
theoretische basis van de steekproevenverdeling en centrale limietstelling (les 4).
- 2 inferentiële technieken:
➔ hypothesetoetsen (les 5)
➔ betrouwbaarheidsintervallen (les 6)
1.4. Variabelen: operationalisering & meetniveaus
Variabelen: kenmerken die we observeren, meten of bevragen bij de onderzoekseenheden.
Variabelen zijn variabel, i.e. kunnen meerdere waarden hebben:
- cijfers (bv. Hoeveel weeg je, hoe oud ben je…)
- tekst (‘string’ – variabelen in SPSS) – (waar woon je, al in contact gekomen met het gerecht..)
➔ eventueel coderen
- NIS-code:
, - International Standard Classification of Education (ISCED)
- Nood aan definiëring en operationalisering van concepten
Bv. Leeftijd (20 jaar en een paar dagen en weken → we kunnen dit categoriseren)
Bv. Geslacht (is niet meer binair: man/vrouw)
Bv. Armoede
Bv. Gezondheid
Kwalitatief/categorisch → tekst (maar coderen!) Waarden van de variabelen wijzen op categorieën,
zonder verdere wiskundige betekenis.
Kwantitatief/metrisch → cijfer. Waarden van de variabelen wijzen op wiskundige betekenis.
4 meetniveaus:
- Nominaal: categorieën zonder ordening
