Learn what sampling is and why it is so powerful. You’ll also learn about the problems caused by convenience sampling and the differences between true randomness and pseudo-randomness.

Sampling and point estimates

Reasons for sampling

Simple sampling with pandas

Simple sampling and calculating with NumPy

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

It’s time to get hands-on and perform the four random sampling methods in Python: 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

Comparing point estimates

Sampling Methods

Let’s test your sampling. In this chapter, you’ll discover 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

Generating an approximate sampling distribution

Exact vs. approximate

Standard errors and the Central Limit Theorem

Population & sampling distribution means

Population & sampling distribution variation

Sampling Distributions

You’ll get to grips with resampling to perform bootstrapping and estimate variation in an unknown population. You’ll learn the difference between sampling distributions and bootstrap distributions using resampling.

Introduzione al bootstrapping

Opzioni

Vero

Falso

Principi del bootstrapping

Con o senza reinserimento

Con reinserimento

Senza reinserimento

Con o senza reinserimento?

Generare una distribuzione bootstrap

Confrontare distribuzioni campionarie e bootstrap

Statistiche bootstrap e statistiche della popolazione

Distribuzione campionaria vs. distribuzione bootstrap

Confronta le medie di campionamento e bootstrap

Confronta le deviazioni standard di campionamento e bootstrap

Intervalli di confidenza

Interpretazione dell'intervallo di confidenza

Calcolare gli intervalli di confidenza

Congratulazioni!

Bootstrap Distributions

Coffee ratings

Spotify song attributes

Employee attrition

Il campionamento in Python è la pietra angolare dell’inferenza statistica e dei test d’ipotesi. È una competenza potente usata nell’analisi dei sondaggi e nella progettazione degli esperimenti per trarre conclusioni senza dover esaminare l’intera popolazione. In questo corso su Sampling in Python scoprirai quando usare il campionamento e come eseguire i tipi più comuni di campionamento — dal campionamento casuale semplice a metodi più complessi come il campionamento stratificato e a grappolo. Utilizzando insiemi di dati reali, tra cui valutazioni del caffè, brani di Spotify e turnover del personale, imparerai a stimare le statistiche di popolazione e a quantificare l’incertezza delle tue stime generando distribuzioni campionarie e distribuzioni bootstrap.

Introduction to Statistics in Python

Impara a trarre conclusioni da dati limitati con Python e statistica: campionamento casuale e stratificato.

Campionamento in Python

Scienziato dei dati associato  in Python

Analista dati  in Python

Fondamenti di statistica  in Python

Interpretazione dell'intervallo di confidenza

Campionamento in Python

Esercizio pratico interattivo