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.

Erro relativo de estimativas pontuais

Calculando erros relativos

Erro relativo vs. tamanho da amostra

Criando uma distribuição amostral

Replicando amostras

Parâmetros de replicação

Aproximar distribuições amostrais

Distribuição amostral exata

Distribuição amostral aproximada

Exata vs. aproximada

Erros-padrão e o Teorema Central do Limite

Médias da população e da distribuição amostral

Variação da população e da distribuição amostral

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.

Introduction to bootstrapping

Principles of bootstrapping

With or without replacement

Generating a bootstrap distribution

Comparing sampling and bootstrap distributions

Bootstrap statistics and population statistics

Sampling distribution vs. bootstrap distribution

Compare sampling and bootstrap means

Compare sampling and bootstrap standard deviations

Confidence intervals

Confidence interval interpretation

Calculating confidence intervals

Congratulations!

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.

Erro relativo vs. tamanho da amostra

Amostragem em R

exercicio interativo prático