Il corso “Sampling in Python” mi ha fornito le competenze chiave nel campo del campionamento, elemento centrale nelle statistiche inferenziali e nei test di ipotesi. Ho imparato a utilizzare questa potente tecnica nell’analisi di sondaggi e nella progettazione sperimentale, consentendomi di trarre conclusioni significative senza dover esaminare l’intera popolazione.
Durante la prima parte del corso, ho acquisito una solida comprensione di cosa sia il campionamento e di come si riveli uno strumento incredibilmente potente. Abbiamo esplorato i problemi legati al campionamento ‘di comodo’ e ho appreso le differenze cruciali tra casualità vera e pseudocasualità.
Successivamente, sono passato all’azione con i quattro metodi di campionamento casuale in Python: semplice, sistematico, stratificato e per cluster. Questa parte pratica mi ha permesso di applicare direttamente ciascun metodo, comprendendone appieno l’implementazione.
Nel corso ho approfondito la valutazione dell’accuratezza dei campioni attraverso la generazione di distribuzioni di campionamento. Ho imparato a quantificare l’errore relativo delle statistiche di campionamento e a misurare la variazione nelle stime, fornendomi strumenti preziosi per valutare la validità dei risultati.
Infine, ho affrontato la tecnica del resampling per eseguire il bootstrap, stimando la variazione in una popolazione sconosciuta. Questa parte del corso mi ha permesso di distinguere chiaramente le distribuzioni di campionamento da quelle di bootstrap attraverso il resampling.
Questo corso mi ha fornito una solida base per applicare il campionamento in modo efficace, permettendomi di stimare statistiche di popolazione e di quantificare l’incertezza nei miei risultati. Questa competenza si è dimostrata preziosa nel contesto dell’analisi di dati reali, infatti durante il corso sono stati analizzati dataset di esempio come valutazioni del caffè e brani popolari su Spotify.