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.

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!

Bootstrap Distributions

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.

Calcolare gli intervalli di confidenza

Campionamento in R

Esercizio pratico interattivo