Suy luận thống kê và lấy mẫu ngẫu nhiên

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Bài tập này là một phần của khóa học

Nền tảng Suy luận trong Python

SkillTag.level.advancedSkillTag.label

4.9+

228 reviews

Bắt đầu khóa học miễn phí

Trong chương này, chúng ta sẽ khám phá mối quan hệ giữa mẫu và các kết luận có cơ sở thống kê. Việc chọn mẫu là nền tảng để đưa ra quyết định thống kê đúng đắn, và chúng ta sẽ tìm hiểu cách lựa chọn mẫu ảnh hưởng đến kết quả suy luận của bạn như thế nào.

Exercise 1: Suy luận thống kê và lấy mẫu ngẫu nhiên

Bài tập hiện tại

Exercise 2: Lấy mẫu và ước lượng điểm Exercise 3: Lấy mẫu lặp lại, ước lượng điểm và suy luận Exercise 4: Lấy mẫu và sai lệch Exercise 5: Trực quan hóa mẫu Exercise 6: Suy luận và sai lệch Exercise 7: Khoảng tin cậy và lấy mẫu Exercise 8: Phân phối lấy mẫu chuẩn Exercise 9: Tính khoảng tin cậy Exercise 10: Rút ra kết luận từ mẫu

Tìm hiểu cách áp dụng các kiểm định tính chuẩn, kiểm định tương quan, và các kiểm định tham số cũng như phi tham số để suy luận vững chắc. Kiểm định giả thuyết là các công cụ, và chọn đúng công cụ cho công việc là yếu tố then chốt trong ra quyết định thống kê. Dù bạn có thể đã quen với một số kiểm định trong các khóa nhập môn, bạn sẽ đi sâu hơn để tăng cường bộ công cụ suy luận của mình trong chương này.

Exercise 1: Kiểm định phân phối chuẩn Exercise 2: Kiểm tra tính chuẩn Exercise 3: Phân phối của sai số Exercise 4: Khớp phân phối chuẩn Exercise 5: Kiểm định tương quan Exercise 6: Kiểm định tương quan Exercise 7: Tự tương quan (Autocorrelation)Exercise 8: Phần phương sai được giải thích Exercise 9: Kiểm định tham số Exercise 10: Phương sai bằng nhau Exercise 11: Tính chuẩn của từng nhóm Exercise 12: ANOVA Exercise 13: Kiểm định phi tham số Exercise 14: So sánh thứ hạng Exercise 15: So sánh trung vị

Trong chương này, bạn sẽ đo lường và diễn giải kích thước hiệu ứng trong nhiều tình huống, gặp vấn đề so sánh nhiều lần, và khám phá quyền lực của kiểm định một cách chi tiết. Trong khi p-value cho biết liệu có hiệu ứng đáng kể hay không, chúng không cho biết hiệu ứng đó mạnh đến mức nào. Kích thước hiệu ứng đo lường mức độ mạnh của tác động từ một can thiệp. Hãy nắm vững các yếu tố nền tảng của kích thước hiệu ứng trong chương này.

Exercise 1: Kích thước hiệu ứng Exercise 2: Kích thước hiệu ứng cho trung bình Exercise 3: Kích thước hiệu ứng cho tương quan Exercise 4: Kích thước hiệu ứng cho biến phân loại Exercise 5: So sánh bội và các phép hiệu chỉnh Exercise 6: Vấn đề so sánh đa bội Exercise 7: Hiệu chỉnh Bonferroni-Holm Exercise 8: Độ mạnh của phép kiểm định Exercise 9: Rốt cuộc power là gì?Exercise 10: Power cho thiết kế thực nghiệm Exercise 11: Tính power và cỡ mẫu

Bạn sẽ mở rộng thêm bộ công cụ thống kê suy luận với bootstrapping, kiểm định hoán vị và các phương pháp kết hợp bằng chứng từ p-value. Bootstrapping sẽ mang đến cái nhìn đầu tiên về mô phỏng thống kê. Trong bài học về meta-analysis, bạn sẽ học cách kết hợp kết quả từ nhiều nghiên cứu. Bạn sẽ kết thúc với kiểm định hoán vị, một công cụ thống kê phi tham số mạnh mẽ và linh hoạt.

Exercise 1: Bootstrapping (lấy mẫu bù)Exercise 2: Khoảng tin cậy bootstrap Exercise 3: Bootstrapping và tính chuẩn Exercise 4: Kết hợp bằng chứng từ p-value Exercise 5: Phương pháp Fisher trong SciPy Exercise 6: Suy luận bằng phương pháp của Fisher Exercise 7: Tóm tắt phương pháp Fisher Exercise 8: Kiểm định hoán vị Exercise 9: Kiểm định hoán vị cho tương quan Exercise 10: Kiểm định hoán vị và bootstrapping Exercise 11: Phân tích dữ liệu lệch bằng phép kiểm hoán vị Exercise 12: Video tổng kết khóa học