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.

Bootstrapping’e giriş

Bootstrap doğru mu yanlış mı

Doğru

Yanlış

Bootstrapping'in prensipleri

Değiştirerek mi, değiştirmeden mi

Değiştirerek

Değiştirmeden

Bootstrap dağılımı oluşturma

Örnekleme ve bootstrap dağılımlarını karşılaştırma

Bootstrap istatistikleri ve anakütle istatistikleri

Örnekleme dağılımı vs. bootstrap dağılımı

Örnekleme ve bootstrap ortalamalarını karşılaştır

Örnekleme ve bootstrap standart sapmalarını karşılaştır

Güven aralıkları

Güven aralığının yorumlanması

Güven aralıklarını hesaplama

Tebrikler!

Bootstrap Distributions

Coffee ratings

Spotify song attributes

Employee attrition

Örnekleme, çıkarımsal istatistik ve hipotez testinin temel taşlarından biridir. Anket analizi ve deney tasarımında son derece önemlidir. Bu kurs, örneklemenin ne zaman ve neden önemli olduğunu açıklar; basit rastgele örneklemeden tabakalı ve küme örnekleme gibi daha karmaşık yöntemlere kadar yaygın örnekleme türlerini nasıl uygulayacağını öğretir. Kursun ilerleyen bölümlerinde, anakütle istatistiklerini tahmin etmeyi ve örnekleme dağılımları ile bootstrap dağılımları oluşturarak tahminlerindeki belirsizliği nasıl ölçebileceğini ele alırsın. Kurs boyunca kahve puanlamaları, Spotify şarkıları ve çalışan ayrılmaları gibi gerçek veri kümelerini keşfedeceksin.

Introduction to Statistics in R

R'de basit rastgele, tabakalı ve küme örnekleme gibi yaygın örnekleme türlerini öğrenin.

R'de Örnekleme

Daha az veriyle daha doğru istatistikler elde etmek için örneklemeyi ustaca kullanın.

Yardımcı Veri Bilimcisi in R

Veri Analisti  in R

İstatistikçi in R

İstatistik Temelleri in R

Bootstrap yeniden örneklemleri, orijinal örnekle ile aynı boyutta olmalıdır.

Veri kümesindeki her satırın, bir yeniden örneklemede seçilme olasılığı eşit olmalıdır.

Bir bootstrap dağılımı, ilgilenilen istatistiğin birçok tekrarlı değerinden oluşur.

Yeniden örnekleme, yerine koymadan örnekleme anlamına gelir.

Bootstrap örneklemleri, orijinal örneklemden daha küçük olmalıdır.

Her bootstrap örneklemi için ilgilenilen istatistik her zaman ortalamadır.

Bir bootstrap dağılımı, bir örnekleme dağılımıyla aynıdır.

Bootstrapping'in prensipleri

R'de Örnekleme

Uygulamalı interaktif egzersiz