Lär dig vad sampling är och varför det är så användbart. Du får också lära dig om problemen med bekvämlighetsurval och skillnaderna mellan äkta slumpmässighet och pseudoslumpmässighet.

Urval och punktskattningar

När är sampling lämpligt?

Enkel sampling med pandas

Enkelt urval och beräkningar med NumPy

Bekvämlighetsurval

Går resultaten från urvalet att generalisera?

Går resultaten att generalisera?

Pseudoslumptalsgenerering

Generera slumptal

Förstå slumpmässiga frön

Introduktion till sampling

Nu är det dags att praktisera. I det här kapitlet genomför du de fyra slumpmässiga samplingsmetoderna i Python: enkel, systematisk, stratifierad och klustersampling.

Enkel slumpmässig och systematisk sampling

Enkelt slumpmässigt urval

Systematiskt urval

Är systematiskt urval OK?

Stratifierat och viktat slumpmässigt urval

Urvalstyp

Stratifierat urval

Vilken urvalsmetod?

Proportionell stratifierad sampling

Stratifierat urval med lika antal

Viktat urval

Klustersampling

Fördelar med klustersampling

Utföra klustersampling

Jämföra urvalsmetoder

3 typer av sampling

Jämföra punktskattningar

Samplingsmetoder

Dags att sätta din sampling på prov. I det här kapitlet lär du dig att kvantifiera noggrannheten hos stickprovsstatistik med hjälp av relativa fel, och att mäta variationen i dina skattningar genom att generera samplingsfördelningar.

Relativa fel i punktskattningar

Beräkna relativa fel

Relativt fel jämfört med urvalsstorlek

Skapa en samplingfördelning

Replikera urval

Replikeringsparametrar

Ungefärliga samplingfördelningar

Exakt samplingfördelning

Generera en approximativ samplingsfördelning

Exakt kontra approximativ

Standardfel och centrala gränsvärdessatsen

Medelvärden för population och samplingfördelning

Variation i population och samplingfördelning

Samplingsfördelningar

Du lär dig att använda återsampling för att genomföra bootstrapping och skatta variationen i en okänd population. Du upptäcker också skillnaden mellan samplingsfördelningar och bootstrapfördelningar med hjälp av återsampling.

Introduktion till bootstrapping

Principerna bakom bootstrapping

Med eller utan återläggning?

Skapa en bootstrapfördelning

Jämföra samplings- och bootstrapfördelningar

Bootstrapstatistik och populationsstatistik

Samplingfördelning vs. bootstrapfördelning

Jämför medelvärden för urval och bootstrap

Jämför standardavvikelser för urvals- och bootstrapfördelningar

Konfidensintervall

Tolkning av konfidensintervall

Beräkna konfidensintervall

Grattis!

Bootstrapfördelningar

Spotify song attributes

Coffee ratings

Employee attrition

Sampling i Python är grunden för inferensstatistik och hypotesprövning. Det är en kraftfull teknik som används inom undersökningsanalys och experimentdesign för att dra slutsatser utan att behöva undersöka en hel population. I den här kursen får du lära dig när sampling är lämpligt och hur du genomför vanliga samplingsmetoder – från enkel slumpmässig sampling till mer avancerade metoder som stratifierad och klustersampling. Med hjälp av verkliga datamängder, bland annat kaffebetyg, Spotify-låtar och personaldata, lär du dig att skatta populationsparametrar och kvantifiera osäkerheten i dina skattningar genom att generera samplings- och bootstrapfördelningar.

Introduction to Statistics in Python

Lär dig dra slutsatser från begränsad data med Python och statistik. Kursen täcker olika urvalsmetoder.

Sampling i Python

Lär dig dra slutsatser från begränsad data med Python och statistik. Kursen täcker allt från slumpmässigt urval till stratifierat och klusterurval.

Stratifierat och viktat slumpmässigt urval

Create Your Free Account