L'échantillonnage en Python
Commencer Le Cours Gratuitement4 heures15 vidéos51 exercices34 619 apprenantsDéclaration de réalisation
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données sont stockées aux États-Unis.Formation de 2 personnes ou plus ?
Essayer DataCamp for BusinessApprécié par les apprenants de milliers d'entreprises
Description du cours
L'échantillonnage en Python est la pierre angulaire des statistiques d'inférence et des tests d'hypothèse. Il s'agit d'une compétence puissante utilisée dans l'analyse d'enquêtes et la conception d'expériences pour tirer des conclusions sans enquêter auprès d'une population entière. Dans ce cours sur l'échantillonnage en Python, vous découvrirez quand utiliser l'échantillonnage et comment effectuer les types d'échantillonnage courants, de l'échantillonnage aléatoire simple à des méthodes plus complexes comme l'échantillonnage stratifié et l'échantillonnage en grappes. À l'aide d'ensembles de données réels, tels que les notes de café, les chansons Spotify et l'attrition des employés, vous apprendrez à estimer les statistiques de population et à quantifier l'incertitude de vos estimations en générant des distributions d'échantillonnage et des distributions bootstrap.
Formation de 2 personnes ou plus ?
Donnez à votre équipe l’accès à la plateforme DataCamp complète, y compris toutes les fonctionnalités.Dans les titres suivants
Principes de la statistique en Python
Aller à la piste- 1
Introduction à l'échantillonnage
GratuitApprenez ce qu'est l'échantillonnage et pourquoi il est si puissant. Vous découvrirez également les problèmes posés par l'échantillonnage de commodité et les différences entre le vrai hasard et le pseudo-aléatoire.
Échantillonnage et estimations ponctuelles50 xpRaisons de l'échantillonnage50 xpÉchantillonnage simple avec pandas100 xpEchantillonnage et calcul simples avec NumPy100 xpÉchantillonnage de commodité50 xpLes résultats de l'échantillon sont-ils généralisables ?100 xpCes résultats sont-ils généralisables ?100 xpGénération de nombres pseudo-aléatoires50 xpGénérer des nombres aléatoires100 xpComprendre les graines aléatoires100 xp - 2
Méthodes d'échantillonnage
Il est temps de mettre la main à la pâte et d'exécuter les quatre méthodes d'échantillonnage aléatoire en Python : simple, systématique, stratifié et en grappe.
Échantillonnage aléatoire simple et systématique50 xpÉchantillonnage aléatoire simple100 xpÉchantillonnage systématique100 xpL'échantillonnage systématique est-il OK?100 xpÉchantillonnage aléatoire stratifié et pondéré50 xpQuelle méthode d'échantillonnage ?100 xpÉchantillonnage stratifié proportionnel100 xpÉchantillonnage stratifié à effectifs égaux100 xpÉchantillonnage pondéré100 xpÉchantillonnage en grappe50 xpAvantages de la mise en grappe50 xpRéalisation d'un échantillonnage en grappe100 xpComparaison des méthodes d'échantillonnage50 xp3 types d'échantillonnage100 xpComparaison des estimations ponctuelles100 xp - 3
Distributions d'échantillonnage
Testons votre échantillonnage. Dans ce chapitre, vous découvrirez comment quantifier la précision des statistiques d'un échantillon à l'aide des erreurs relatives et comment mesurer la variation de vos estimations en générant des distributions d'échantillonnage.
Erreur relative des estimations ponctuelles50 xpCalcul des erreurs relatives100 xpErreur relative en fonction de la taille de l'échantillon50 xpCréation d'une distribution d'échantillonnage50 xpReproduction d'échantillons100 xpParamètres de réplication50 xpDistributions d'échantillonnage approximatives50 xpDistribution d'échantillonnage exacte100 xpGénérer une distribution d'échantillonnage approximative100 xpExact ou approximatif50 xpErreurs standard et théorème de la limite centrale50 xpMoyens de distribution de la population et de l'échantillonnage100 xpVariation de la population et de la distribution de l'échantillonnage100 xp - 4
Distributions bootstrap
Vous vous familiariserez avec le rééchantillonnage pour effectuer un bootstrapping et estimer la variation dans une population inconnue. Vous apprendrez la différence entre les distributions d'échantillonnage et les distributions bootstrap utilisant le rééchantillonnage.
Introduction au bootstrapping50 xpPrincipes du bootstrapping100 xpAvec ou sans remplacement ?100 xpGénérer une distribution bootstrap100 xpComparaison des distributions d'échantillonnage et de bootstrap50 xpStatistiques bootstrap et statistiques démographiques50 xpDistribution d'échantillonnage vs. distribution bootstrap100 xpComparez les moyennes d'échantillonnage et les moyennes bootstrap100 xpComparez les écarts types d'échantillonnage et de bootstrap100 xpIntervalles de confiance50 xpInterprétation des intervalles de confiance50 xpCalcul des intervalles de confiance100 xpFélicitations !50 xp
Formation de 2 personnes ou plus ?
Donnez à votre équipe l’accès à la plateforme DataCamp complète, y compris toutes les fonctionnalités.Dans les titres suivants
Principes de la statistique en Python
Aller à la pistecollaborateurs
prérequis
Introduction to Statistics in Python
Qu’est-ce que les autres apprenants ont à dire ?
Inscrivez-vous 15 millions d’apprenants et commencer L'échantillonnage en Python Aujourd’hui!
Créez votre compte gratuit
ou
En continuant, vous acceptez nos Conditions d'utilisation, notre Politique de confidentialité et le fait que vos données sont stockées aux États-Unis.