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.

Introdução ao bootstrap

Bootstrap verdadeiro ou falso

Verdadeiro

Falso

Princípios do bootstrapping

Com ou sem reposição

Com reposição

Sem reposição

Gerando uma distribuição bootstrap

Comparando distribuições amostrais e de bootstrap

Estatísticas de bootstrap e estatísticas populacionais

Distribuição amostral vs. distribuição bootstrap

Compare médias de amostra e de bootstrap

Compare os desvios-padrão das distribuições amostral e bootstrap

Intervalos de confiança

Interpretação de intervalo de confiança

Calculando intervalos de confiança

Parabéns!

Bootstrap Distributions

Coffee ratings

Spotify song attributes

Employee attrition

A amostragem é um pilar da estatística inferencial e dos testes de hipótese. Ela é extremamente importante em análise de pesquisas e desenho experimental. Neste curso, você vai entender quando e por que a amostragem é importante e aprender a realizar tipos comuns de amostragem, desde a amostragem aleatória simples até métodos mais complexos, como amostragem estratificada e por conglomerados. Depois, o curso aborda a estimativa de estatísticas da população e a quantificação da incerteza nas suas estimativas, gerando distribuições amostrais e distribuições bootstrap. Ao longo do curso, você vai explorar conjuntos de dados reais sobre avaliações de café, músicas do Spotify e rotatividade de funcionários.

Introduction to Statistics in R

Aprenda a realizar amostragens em R, como amostragem aleatória simples, estratificada e por clusters.

Interpretação de intervalo de confiança

Amostragem em R

exercicio interativo prático