Dowiedz się, czym jest próbkowanie i dlaczego jest tak użyteczne. Poznasz też problemy wynikające z próbkowania wygodnego oraz różnicę między prawdziwą losowością a pseudolosowością.

Próbkowanie i estymatory punktowe

Kiedy stosować próbkowanie?

Proste próbkowanie z pandas

Proste próbkowanie i obliczenia z NumPy

Próbkowanie wygodne

Czy wyniki z próbki można uogólnić?

Czy te wyniki można uogólnić?

Generowanie liczb pseudolosowych

Generowanie liczb losowych

Rozumienie ziarna losowości

Wprowadzenie do próbkowania

Czas na praktykę – wykonasz cztery metody losowego próbkowania w Pythonie: prostą, systematyczną, warstwową i grupową.

Próbkowanie proste losowe i systematyczne

Proste losowanie próby

Próbkowanie systematyczne

Czy próbkowanie systematyczne jest właściwe?

Próbkowanie warstwowe i ważone losowanie

Typ próbkowania

Próbkowanie warstwowe

Proste próbkowanie losowe

Która metoda próbkowania?

Proporcjonalne próbkowanie warstwowe

Warstwowe losowanie równoliczne

Próbkowanie ważone

Próbkowanie skupiskowe

Zalety próbkowania klastrowego

Próbkowanie grupowe w praktyce

Porównanie metod próbkowania

3 rodzaje próbkowania

Porównywanie estymatorów punktowych

Metody próbkowania

Sprawdź swoje próbkowanie w działaniu. W tym rozdziale nauczysz się mierzyć dokładność statystyk próby za pomocą błędów względnych oraz oceniać zmienność swoich szacunków, generując rozkłady próbkowania.

Względny błąd estymatorów punktowych

Obliczanie błędów względnych

Błąd względny a rozmiar próby

Tworzenie rozkładu próbkowania

Replikowanie próbek

Parametry replikacji

Przybliżone rozkłady próbkowania

Dokładny rozkład próbkowania

Generowanie przybliżonego rozkładu próbkowania

Dokładny vs. przybliżony

Błędy standardowe i Centralne Twierdzenie Graniczne

Średnie populacji i rozkładu próbkowania

Zmienność rozkładu populacji i rozkładu próbkowania

Rozkłady próbkowania

Opanujesz technikę resamplingową, jaką jest bootstrapping, i nauczysz się szacować zmienność w nieznanej populacji. Poznasz różnicę między rozkładami próbkowania a rozkładami bootstrapowymi.

Wprowadzenie do bootstrappingu

Zasady bootstrappingu

Ze zwracaniem czy bez?

Generowanie rozkładu bootstrap

Porównanie rozkładów próbkowania i rozkładów bootstrap

Statystyki bootstrapowe a statystyki populacji

Rozkład próbkowania a rozkład bootstrapowy

Porównanie średnich z próbkowania i bootstrappingu

Porównanie odchyleń standardowych próbkowania i bootstrapu

Przedziały ufności

Interpretacja przedziału ufności

Obliczanie przedziałów ufności

Gratulacje!

Rozkłady bootstrapowe

Spotify song attributes

Coffee ratings

Employee attrition

Próbkowanie w Pythonie to fundament statystyki wnioskowania i testowania hipotez. To przydatna umiejętność w analizie ankiet i projektowaniu eksperymentów – pozwala wyciągać wnioski bez badania całej populacji. W tym kursie poznasz przypadki, w których warto stosować próbkowanie, oraz nauczysz się wykonywać najpopularniejsze jego metody – od prostego losowania próby po bardziej zaawansowane techniki, takie jak próbkowanie warstwowe i grupowe. Pracując na rzeczywistych zbiorach danych – ocenach kaw, piosenkach ze Spotify i danych o rotacji pracowników – nauczysz się szacować statystyki populacji i mierzyć niepewność swoich szacunków za pomocą rozkładów próbkowania i rozkładów bootstrapowych.

Introduction to Statistics in Python

Naucz się wyciągać wnioski z ograniczonych danych za pomocą Pythona i statystyki.

Próbkowanie w Pythonie

Wyciągaj wnioski z ograniczonych danych, używając Python i statystyki. Kurs obejmuje wszystko: od losowego doboru próby po dobór warstwowy i klastrowy.

Młodszy Data Scientist  w Pythonie

Analityk danych  w Pythonie

Podstawy statystyki  w Pythonie

Dopasowanie danych demograficznych według rasy, aby zapewnić prawidłowe przeprowadzenie spisu powszechnego.

Grupy krwi, aby sprawdzić skuteczność szczepionki dla różnych podgrup.

Grupy dochodowe, aby zrozumieć wpływ zmian stawek podatkowych.

Analiza rozkładu kolorów cukierków Skittles – przy założeniu, że pięć kolorów pojawia się z podobną częstością, około 20% każdy.

Właściwości konkretnej podgrupy nie są tu priorytetem – chodzi o uzyskanie reprezentatywnej próby z całej populacji.

Która metoda próbkowania?

Próbkowanie w Pythonie

Interaktywne ćwiczenie praktyczne