Zjisti, co je vzorkování a proč je užitečné, pochop problémy způsobené příležitostným výběrem a seznám se s rozdílem mezi skutečnou a pseudonáhodností.

Vzorkování a bodové odhady

Kdy se vzorkování hodí

Jednoduché vzorkování s dplyr

Jednoduché vzorkování v base-R

Výběr dostupných vzorků

Jsou zjištění z vzorku zobecnitelná?

Jsou tato zjištění zobecnitelná?

Pseudonáhodné generování čísel

Generování náhodných čísel

Porozumění náhodným seedům

Úvod do vzorkování

Nauč se, jak a kdy používat čtyři metody náhodného vzorkování: jednoduchý výběr, systematický výběr, stratifikovaný výběr a klastrový výběr.

Jednoduchý 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 rovnými počty

Vážené vzorkování

Shlukové vzorkování

Výhody shlukového vzorkování

Clusterové vzorkování v praxi

Porovnání metod vzorkování

3 druhy vzorkování

Souhrnné statistiky pro různé typy vzorků

Metody vzorkování

Nauč se kvantifikovat přesnost výběrových statistik pomocí relativních chyb a měřit variabilitu svých odhadů generováním výběrových rozdělení.

Relativní chyba bodových odhadů

Výpočet relativních chyb

Relativní chyba vs. velikost vzorku

Tvorba rozdělení výběrových statistik

Replikace vzorků

Parametry replikace

Přibližná rozložení výběrových statistik

Přesné rozdělení výběrového průměru

Přibližné rozdělení výběrového průměru

Přesné vs. přibližné

Směrodatné odchylky výběru a centrální limitní věta

Průměry populace a výběrového rozdělení

Variabilita populace a výběrového rozdělení

Výběrová rozdělení

Nauč se využívat opakovaný výběr k bootstrappingu, který slouží k odhadování variability v neznámé populaci. Pochop rozdíl mezi výběrovými a bootstrapovými rozděleními.

Úvod do bootstrappingu

Bootstrap – pravda nebo lež

Pravda

Lež

Principy bootstrappingu

S nahrazením, nebo bez?

S nahrazením

Bez nahrazení

Generování bootstrap distribuce

Porovnání výběrových a bootstrapových rozdělení

Bootstrapové statistiky a populační statistiky

Výběrové rozdělení vs. bootstrapové rozdělení

Porovnání průměrů výběrového a bootstrap rozdělení

Porovnání směrodatných odchylek: výběrové a bootstrapové rozdělení

Intervaly spolehlivosti

Interpretace intervalu spolehlivosti

Výpočet intervalů spolehlivosti

Gratulujeme!

Bootstrapová rozdělení

Spotify song attributes

Coffee ratings

Employee attrition

Vzorkování je základním kamenem inferenční statistiky a testování hypotéz. Má zásadní význam pro analýzu průzkumů a návrh experimentů. Tento kurz vysvětluje, kdy a proč je vzorkování důležité, a naučí tě provádět běžné typy vzorkování – od jednoduchého náhodného výběru až po složitější metody, jako je stratifikované a klastrové vzorkování. Dále se kurz věnuje odhadování populačních statistik a kvantifikaci nejistoty v odhadech pomocí výběrových a bootstrapových rozdělení. V průběhu celého kurzu budeš pracovat s reálnými datasety hodnocení kávy, skladeb na Spotify a fluktuace zaměstnanců.

Introduction to Statistics in R

Naučte se provádět běžné typy vzorkování v R, včetně jednoduchého náhodného a složitějšího stratifikovaného.

Vzorkování v R

Zvládněte výběr vzorků a získejte přesnější statistiky s menším množstvím dat.

Asociovaný datový vědec v R

Datový analytik  v R

Statistik v R

Základy statistiky v R

Bootstrap resample by měl mít stejnou velikost jako původní vzorek.

Každý řádek datasetu by měl mít stejnou pravděpodobnost, že bude vybrán do resamplu.

Bootstrap distribuce se skládá z mnoha replik statistiky zájmu.

Resampling znamená vzorkování bez vracení.

Bootstrap vzorky by měly být menší než původní vzorek.

Statistika zájmu pro každý bootstrap vzorek je vždy průměr.

Bootstrap distribuce je totéž co výběrové rozdělení.

Principy bootstrappingu

Vzorkování v R

Interaktivní praktické cvičení