Zjisti, co je vzorkování a proč je tak užitečné. Dozvíš se také o problémech, které přináší výběr z pohodlnosti, a pochopíš rozdíl mezi skutečnou náhodností a pseudo-náhodností.

Vzorkování a bodové odhady

Kdy má vzorkování smysl

Jednoduché vzorkování s pandas

Jednoduché vzorkování a výpočty s NumPy

Výběr příležitostným vzorkováním

Jsou výsledky ze vzorku zobecnitelné?

Jsou tato zjištění zobecnitelná?

Pseudonáhodné generování čísel

Generování náhodných čísel

Porozumění náhodným seedům

Úvod do vzorkování

Čas pustit se do praxe! Vyzkoušíš čtyři metody náhodného vzorkování v Pythonu: jednoduchý náhodný výběr, systematický, stratifikovaný a clusterový sampling.

Prostý náhodný a systematický výběr

Prosté náhodné vzorkování

Systematické vzorkování

Je systematické vzorkování v pořádku?

Stratifikované a vážené náhodné vzorkování

Která metoda vzorkování?

Proporcionální stratifikované vzorkování

Stratifikované vzorkování s rovnoměrným počtem

Vážené vzorkování

Shlukové vzorkování

Výhody clusterového vzorkování

Cluster sampling v praxi

Porovnání metod vzorkování

3 druhy vzorkování

Porovnání bodových odhadů

Metody vzorkování

Otestuj své znalosti vzorkování. V této kapitole zjistíš, jak kvantifikovat přesnost výběrových statistik pomocí relativních chyb, a naučíš se měřit variabilitu odhadů prostřednictvím distribucí výběrů.

Relativní chyba bodových odhadů

Výpočet relativní chyby

Relativní chyba vs. velikost vzorku

Tvorba výběrového rozdělení

Replikace vzorků

Parametry replikace

Přibližná rozdělení výběrových charakteristik

Přesné rozdělení výběru

Generování přibližného rozložení výběrových výsledků

Přesná vs. přibližná

Směrodatné chyby a centrální limitní věta

Průměry populace a výběrového rozdělení

Variace populace a výběrového rozdělení

Distribuce výběrů

Seznámíš se s převzorkováním pro bootstrapping a odhadováním variability v neznámé populaci. Pomocí převzorkování pochopíš rozdíl mezi distribucemi výběrů a bootstrapovými distribucemi.

Úvod do bootstrappingu

Možnosti

Pravda

Nepravda

Principy bootstrappingu

S nahrazením, nebo bez

S nahrazením

Bez nahrazení

S nahrazením, nebo bez?

Generování bootstrap distribuce

Porovnání výběrových a bootstrapových rozdělení

Bootstrapové statistiky a parametry populace

Rozdíl mezi výběrovým a bootstrapovým rozdělením

Porovnání průměrů výběrového a bootstrap rozdělení

Porovnání směrodatných odchylek: výběrové rozdělení vs. bootstrap

Intervaly spolehlivosti

Interpretace intervalu spolehlivosti

Výpočet intervalů spolehlivosti

Gratulujeme!

Bootstrapové distribuce

Spotify song attributes

Coffee ratings

Employee attrition

Vzorkování v Pythonu je základním kamenem inferenční statistiky a testování hypotéz. Jde o výkonnou dovednost využívanou při analýze průzkumů a návrhu experimentů — umožňuje vyvozovat závěry, aniž bys musel/a zkoumat celou populaci. V tomto kurzu zjistíš, kdy vzorkování použít a jak provádět jeho běžné typy — od jednoduchého náhodného výběru až po složitější metody, jako je stratifikovaný nebo clusterový sampling. Na reálných datasetech zahrnujících hodnocení kávy, skladby ze Spotify a fluktuaci zaměstnanců se naučíš odhadovat populační statistiky a kvantifikovat nejistotu svých odhadů pomocí distribucí výběrů a bootstrapových distribucí.

Introduction to Statistics in Python

Naučte se vyvozovat závěry z omezených dat pomocí Pythonu a statistiky.

Vzorkování v Pythonu

Naučte se vyvozovat závěry z omezených dat pomocí Pythonu a statistiky. Kurz pokrývá vše od náhodného výběru po stratifikovaný a shlukový výběr.

Asociovaný datový vědec  v Pythonu

Datový analytik  v Pythonu

Základy statistiky  v Pythonu

Interpretace intervalu spolehlivosti

Vzorkování v Pythonu

Interaktivní praktické cvičení