Kurzusleírás
Tudományos módszer, valószínűség és Statistics
- A statisztika nagyon rövid története
- Miért lehet "magabiztos" a következtetésekben
- Valószínűség és döntéshozatal
Felkészülés a kutatásra (a "mit" és a "hogyan" eldöntése)
- A nagy kép: a kutatás egy olyan folyamat része, amely bemenetekkel és kimenetekkel rendelkezik
- Adat gyűjtés
- Kérdezők és mérés
- Mit kell mérni
- Megfigyelési tanulmányok
- Kísérletek tervezése
- Adatok elemzése és grafikus módszerek
- Kutatási készségek és technikák
- Kutatás Management
Kétváltozós adatok leírása
- Bevezetés a kétváltozós adatokba
- A Pearson-korreláció értékei
- Találós összefüggések szimulációja
- A Pearson-féle r
- Számítástechnika Pearson r
- Tartomány bemutató korlátozása
- Varianciaösszeg törvény II
- Feladatok
Valószínűség
- Bevezetés
- Alapfogalmak
- Feltételes valószínűségi bemutató
- Szerencsejátékosok tévedés szimulációja
- Születésnapi bemutató
- Binomiális eloszlás
- Binomiális bemutató
- Alapdíjak
- Bayes-tétel bemutatása
- Monty Hall probléma bemutató
- Feladatok
Normál elosztások
- Bevezetés
- Történelem
- Normál eloszlású területek
- A normál eloszlású bemutató változatai
- Normál Normál
- Normál közelítés a binomiálishoz
- Normál közelítő bemutató
- Feladatok
Mintavételi elosztások
- Bevezetés
- Alap demo
- Mintaméret bemutató
- Central Limit Theorem Demo
- Az átlag mintavételi megoszlása
- Mintavétel Az eszközök közötti különbség megoszlása
- Mintavétel A Pearson-féle r
- Egy arány mintavételi megoszlása
- Feladatok
Becslés
- Bevezetés
- A szabadság fokozatai
- Becslők jellemzői
- Elfogultság és variabilitás szimuláció
- Bizalmi intervallumok
- Feladatok
A hipotézisvizsgálat logikája
- Bevezetés
- Jelentősségi vizsgálat
- I. és II. típusú hibák
- Egy- és kétfarkú tesztek
- Jelentős eredmények értelmezése
- Nem szignifikáns eredmények értelmezése
- A hipotézisvizsgálat lépései
- Szignifikanciavizsgálat és bizalmi intervallumok
- Tévhitek
- Feladatok
Tesztelési eszközök
- Egyetlen átlag
- t Elosztási bemutató
- A két eszköz közötti különbség (független csoportok)
- Robusztusság szimuláció
- Minden páronkénti összehasonlítás az eszközök között
- Konkrét összehasonlítások
- Két átlag közötti különbség (korrelált párok)
- Korrelált t szimuláció
- Konkrét összehasonlítások (korrelált megfigyelések)
- Páronkénti összehasonlítások (korrelált megfigyelések)
- Feladatok
Erő
- Bevezetés
- Példa számítások
- Az erőt befolyásoló tényezők
- Feladatok
Előrejelzés
- Bevezetés az egyszerű lineáris regresszióba
- Lineáris Fit Demo
- Négyzetösszegek particionálása
- A becslés szokásos hibája
- Prediction Line Demo
- Következtető Statistics b és r esetén
- Feladatok
ANOVA
- Bevezetés
- ANOVA Designs
- Egytényezős ANOVA (Témák közötti)
- Egyirányú bemutató
- Többtényezős ANOVA (tantárgyak között)
- Egyenlőtlen mintaméretek
- ANOVA-t kiegészítő vizsgálatok
- Tantárgyakon belüli ANOVA
- A tárgyakon belüli tervezések ereje
- Feladatok
Chi tér
- Chi Square Distribution
- Egyirányú asztalok
- A disztribúciók tesztelése demo
- Kontingencia táblázatok
- 2 x 2 táblázat szimuláció
- Feladatok
Esettanulmányok
Válogatott esettanulmányok elemzése
Követelmények
A leíró statisztikák (átlag, átlag, szórás, szórás) alapos ismerete és a valószínűség alapvető ismerete szükséges.
Érdemes lehet részt venni egy felkészítő tanfolyamon: Statistics 1. szint
Vélemények (8)
The pace was just right and the relaxed atmosphere made candidates feel at ease to ask questions.
Rhian Hughes - Public Health Wales NHS Trust
Kurzus - Introduction to Data Visualization with Tidyverse and R
We were using road accident data for practicals
Maphahamiso Ralienyane - Road Safety Department
Kurzus - Statistical Analysis using SPSS
Jól átgondolt és minőségi tervezési anyagok.
Andrew - Office of Projects Victoria - Department of Treasury & Finance
Kurzus - Forecasting with R
Machine Translated
Nem volt unalmas, a tréner le tudta tartani a figyelmet, a témákat behatóan járták körül.
Marta - Ministerstwo Zdrowia
Kurzus - Advanced R Programming
Machine Translated
very tailored to needs
Yashan Wang
Kurzus - Data Mining with R
The subject matter and the pace were perfect.
Tim - Ottawa Research and Development Center, Science Technology Branch, Agriculture and Agri-Food Canada
Kurzus - Programming with Big Data in R
At the end of the class, we had a great overview of the language, we were provided tools to continue learning and were provided suggestions on how to continue learning. We covered AI/ML information.
Victor Prado - Global Knowledge Network Training Ltd
Kurzus - R
That Haytham started with the basics and gave us enough time to do the examples and ensure that we were at the same page before we moved on to the next topic.