Learn what sampling is and why it is useful, understand the problems caused by convenience sampling, and learn about the differences between true randomness and pseudo-randomness.

Sampling and point estimates

Reasons for sampling

Simple sampling with dplyr

Simple sampling with base-R

Convenience sampling

Are findings from the sample generalizable?

Are these findings generalizable?

Pseudo-random number generation

Generating random numbers

Understanding random seeds

Introduction to Sampling

Learn how to and when to perform the four methods of random sampling: simple, systematic, stratified, and cluster.

Simple random and systematic sampling

Simple random sampling

Systematic sampling

Is systematic sampling OK?

Stratified and weighted random sampling

Which sampling method?

Proportional stratified sampling

Equal counts stratified sampling

Weighted sampling

Cluster sampling

Benefits of clustering

Performing cluster sampling

Comparing sampling methods

3 kinds of sampling

Summary statistics on different kinds of sample

Sampling Methods

Learn how to quantify the accuracy of sample statistics using relative errors, and measure variation in your estimates by generating sampling distributions.

Relative error of point estimates

Calculating relative errors

Relative error vs. sample size

Creating a sampling distribution

Replicating samples

Replication parameters

Approximate sampling distributions

Exact sampling distribution

Approximate sampling distribution

Exact vs. approximate

Standard errors and the Central Limit Theorem

Population & sampling distribution means

Population and sampling distribution variation

Sampling Distributions

Learn how to use resampling to perform bootstrapping, used to estimate variation in an unknown population. Understand the difference between sampling distributions and bootstrap distributions.

Einführung in das Bootstrapping

Bootstrap: richtig oder falsch

Richtig

Falsch

Grundprinzipien des Bootstrappings

Mit oder ohne Zurücklegen

Mit Zurücklegen

Ohne Zurücklegen

Eine Bootstrap-Verteilung erzeugen

Stichproben- und Bootstrap-Verteilungen vergleichen

Bootstrap-Statistiken und Populationsstatistiken

Stichprobenverteilung vs. Bootstrap-Verteilung

Vergleiche Stichproben- und Bootstrap-Mittelwerte

Vergleiche Stichproben- und Bootstrap-Standardabweichungen

Konfidenzintervalle

Konfidenzintervall interpretieren

Konfidenzintervalle berechnen

Glückwunsch!

Bootstrap Distributions

Coffee ratings

Spotify song attributes

Employee attrition

Stichproben sind ein Grundpfeiler der Inferenzstatistik und der Hypothesentests. Sie sind in der Umfrageanalyse und im Versuchsdesign enorm wichtig. In diesem Kurs erfährst du, wann und warum Stichproben wichtig sind, und lernst, wie du gängige Arten der Stichprobenziehung durchführst – von der einfachen Zufallsstichprobe bis hin zu komplexeren Methoden wie geschichteter und Klumpenstichprobe. Später behandelt der Kurs die Schätzung von Populationskennzahlen und das Quantifizieren der Unsicherheit in deinen Schätzungen durch das Erzeugen von Stichprobenverteilungen und Bootstrap-Verteilungen. Im gesamten Kurs arbeitest du mit realen Datensätzen zu Kaffeebewertungen, Spotify-Songs und Mitarbeiterfluktuation.

Introduction to Statistics in R

Lernen Sie, wie Sie in R Stichproben ziehen, z.B. einfache Zufallsstichproben und komplexere Methoden.

Stichprobenerhebung in R

Hier erfährst du, wie du mit weniger Daten genauere Statistiken erhalten kannst.

Associate Data Scientist in R

Datenanalyst  in R

Statistiker in R

Grundlagen der Statistik in R

Bootstrap-Resamples sollten die gleiche Größe haben wie die ursprüngliche Stichprobe.

Jede Zeile im Datensatz sollte die gleiche Chance haben, in einem Resample gezogen zu werden.

Eine Bootstrap-Verteilung besteht aus vielen Replikaten der interessierenden Kennzahl.

Resampling bedeutet Ziehen ohne Zurücklegen.

Bootstrap-Stichproben sollten kleiner sein als die ursprüngliche Stichprobe.

Die interessierende Kennzahl für jede Bootstrap-Stichprobe ist immer der Mittelwert.

Eine Bootstrap-Verteilung ist dasselbe wie eine Stichprobenverteilung.

Grundprinzipien des Bootstrappings

Interaktive praktische Übung