Scopri che cos’è il campionamento e perché è utile, capisci i problemi causati dal campionamento di convenienza e le differenze tra vera casualità e pseudo-casualità.

Campionamento e stime puntuali

Motivi per campionare

Campionamento semplice con dplyr

Campionamento semplice con base R

Campionamento per convenienza

I risultati del campione sono generalizzabili?

Questi risultati sono generalizzabili?

Generazione di numeri pseudo-casuali

Generare numeri casuali

Capire i semi casuali (random seeds)

Introduzione al campionamento

Impara come e quando applicare quattro metodi di campionamento casuale: semplice, sistematico, stratificato e a grappolo.

Campionamento casuale semplice e sistematico

Campionamento casuale semplice

Campionamento sistematico

Il campionamento sistematico va bene?

Campionamento casuale stratificato e pesato

Quale metodo di campionamento?

Campionamento stratificato proporzionale

Campionamento stratificato a conteggi uguali

Campionamento pesato

Campionamento a grappolo

Vantaggi del clustering

Eseguire il campionamento a grappolo

Confrontare i metodi di campionamento

3 tipi di campionamento

Statistiche riassuntive su diversi tipi di campione

Metodi di campionamento

Impara a quantificare l’accuratezza delle statistiche campionarie usando gli errori relativi e a misurare la variabilità delle stime generando distribuzioni campionarie.

Errore relativo delle stime puntuali

Calcolare gli errori relativi

Errore relativo vs. dimensione del campione

Creare una distribuzione campionaria

Replicare i campioni

Parametri di replicazione

Distribuzioni campionarie approssimate

Distribuzione campionaria esatta

Distribuzione campionaria approssimata

Esatta vs. approssimata

Errori standard e Teorema del Limite Centrale

Medie di popolazione e della distribuzione campionaria

Variazione della popolazione e della distribuzione campionaria

Distribuzioni campionarie

Impara a usare il ricampionamento per eseguire il bootstrapping, utile per stimare la variabilità in una popolazione sconosciuta. Comprendi la differenza tra distribuzioni campionarie e distribuzioni bootstrap.

Introduzione al bootstrapping

Bootstrap vero o falso

Vero

Falso

Principi del bootstrapping

Con o senza reinserimento

Con reinserimento

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!

Distribuzioni bootstrap

Coffee ratings

Spotify song attributes

Employee attrition

Il campionamento è un pilastro dell’inferenza statistica e del test d’ipotesi. È fondamentale nell’analisi dei sondaggi e nella progettazione degli esperimenti. In questo corso scoprirai quando e perché il campionamento è importante e imparerai a eseguire i tipi più comuni di campionamento, dal campionamento casuale semplice a metodi più complessi come quello stratificato e a grappolo. Nella parte finale, il corso tratta la stima delle statistiche della popolazione e la quantificazione dell’incertezza nelle stime generando distribuzioni campionarie e distribuzioni bootstrap. Durante il corso, esplorerai insiemi di dati reali su valutazioni del caffè, brani di Spotify e abbandono dei dipendenti.

Introduction to Statistics in R

Scopri come eseguire campionamenti in R, inclusi campionamento casuale semplice, stratificato e a cluster.

Interpretazione dell'intervallo di confidenza

Campionamento in R

esercizio interattivo pratico