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.

Introductie tot bootstrapping

Opties

Waar

Onwaar

Principes van bootstrapping

Met of zonder terugleggen

Met terugleggen

Zonder terugleggen

Met of zonder terugleggen?

Een bootstrapverdeling genereren

Steekproef- en bootstrapverdelingen vergelijken

Bootstrapstatistieken en populatiestatistieken

Steekproefverdeling vs. bootstrapverdeling

Vergelijk steekproef- en bootstrapgemiddelden

Vergelijk de standaarddeviaties van steekproef en bootstrap

Betrouwbaarheidsintervallen

Interpretatie van een betrouwbaarheidsinterval

Betrouwbaarheidsintervallen berekenen

Gefeliciteerd!

Bootstrap Distributions

Coffee ratings

Spotify song attributes

Employee attrition

Steekproeven in Python vormen de basis van inferentiële statistiek en hypothesetoetsing. Het is een krachtige vaardigheid die wordt gebruikt in enquêteanalyse en experimenteel ontwerp om conclusies te trekken zonder een hele populatie te onderzoeken. In deze cursus Steekproeven in Python ontdek je wanneer je steekproeven gebruikt en hoe je veelvoorkomende methoden uitvoert—van eenvoudige aselecte steekproeven tot meer geavanceerde methoden zoals gestratificeerde en clustersteekproeven. Met echte gegevenssets, waaronder koffiebeoordelingen, Spotify-nummers en personeelsverloop, leer je populatiestatistieken schatten en de onzekerheid in je schattingen kwantificeren door steekproevenverdelingen en bootstrapverdelingen te genereren.

Introduction to Statistics in Python

Leer conclusies trekken uit beperkte data met Python en statistiek, van steekproeven tot clusters.

Steekproeven in Python

Associate Data Scientist  in Python

Data-analist  in Python

Statistiek voor beginners  in Python

Bootstrapstatistieken en populatiestatistieken

Steekproeven in Python

Praktische interactieve oefening