Saiba o que é amostragem e por que ela é tão poderosa. Você também aprenderá sobre os problemas causados pela amostragem por conveniência e as diferenças entre a aleatoriedade verdadeira e a pseudoaleatoriedade.

Amostragem e estimativas pontuais

Razões para a amostragem

Amostragem simples com pandas

Amostragem e cálculo simples com NumPy

Amostragem por conveniência

Os resultados da amostra são generalizáveis?

Essas descobertas são generalizáveis?

Geração de números pseudoaleatórios

Geração de números aleatórios

Entendendo as sementes aleatórias

Introdução à amostragem

Chegou a hora de você colocar a mão na massa e executar os quatro métodos de amostragem aleatória em Python: simples, sistemático, estratificado e por conglomerados.

Amostragem aleatória simples e sistemática

Amostragem aleatória simples

Amostragem sistemática

A amostragem sistemática é OK?

Amostragem aleatória estratificada e ponderada

Qual método de amostragem?

Amostragem estratificada proporcional

Amostragem estratificada com contagens iguais

Amostragem ponderada

Amostragem por conglomerados

Benefícios da amostragem de conglomerados

Realização de amostragem de conglomerados

Comparação de métodos de amostragem

Três tipos de amostragem

Comparação de estimativas pontuais

Métodos de amostragem

Vamos testar sua amostragem. Neste capítulo, você descobrirá como quantificar a precisão das estatísticas de amostra usando erros relativos e medir a variação nas estimativas gerando distribuições de amostragem.

Erro relativo das estimativas pontuais

Cálculo de erros relativos

Erro relativo vs. tamanho da amostra

Criação de uma distribuição de amostragem

Replicação de amostras

Parâmetros de replicação

Distribuições de amostragem aproximadas

Distribuição de amostragem exata

Geração de uma distribuição de amostragem aproximada

Exata vs. aproximada

Erros padrão e o Teorema Central do Limite

População e médias da distribuição de amostragem

População e variação da distribuição de amostragem

Distribuições de amostragem

Você aprenderá a usar a reamostragem para realizar o bootstrapping e estimar a variação em uma população desconhecida. Você aprenderá a diferença entre distribuições de amostragem e distribuições de bootstrap usando reamostragem.

Introdução ao bootstrapping

Princípios de bootstrapping

Com ou sem substituição?

Geração de uma distribuição bootstrap

Comparação das distribuições de amostragem e bootstrap

Estatísticas de bootstrap e estatísticas populacionais

Distribuição de amostragem vs. distribuição de bootstrap

Compare as médias de amostragem e de bootstrap

Compare os desvios padrão de amostragem e bootstrap

Intervalos de confiança

Interpretação do intervalo de confiança

Cálculo do intervalo de confiança

Parabéns!

Distribuições de bootstrap

Coffee ratings

Spotify song attributes

Employee attrition

A amostragem em Python é a essência das estatísticas de inferência e dos testes de hipóteses. É uma habilidade poderosa usada na análise de pesquisas e no projeto experimental para tirar conclusões sem pesquisar uma população inteira. Neste curso de Amostragem em Python, você descobrirá quando usar a amostragem e como realizar tipos comuns de amostragem, desde a amostragem aleatória simples até métodos mais complexos, como a amostragem estratificada e por conglomerados. Usando conjuntos de dados do mundo real, incluindo classificações de café, músicas do Spotify e rotatividade de funcionários, você aprenderá a estimar estatísticas populacionais e quantificar a incerteza em suas estimativas gerando distribuições de amostragem e distribuições de bootstrap.

Introduction to Statistics in Python

Aprenda a tirar conclusões de dados limitados com Python e estatística. Curso cobre amostragem aleatória.

Amostragem em Python

Aprenda a tirar conclusões com dados limitados usando Python e estatística: amostragem aleatória, estratificada e por grupos.

Erros padrão e o Teorema Central do Limite

Create Your Free Account