Course Outline
Τι προσφέρουν οι στατιστικές στους λήπτες αποφάσεων Make
- Περιγραμματικές Statistics
- Βασικές στατιστικές - ποιες από τις στατιστικές (π.χ., μέση, διάμεσο, εκατοσταίες κλπ...) είναι πιο συνδεδεμένες με διάφορες κατανομές
- Γραφικά - τη σημασία να τα έχουμε σωστά (π.χ., πώς η τρόπος δημιουργίας του γραφήματος αντικατοπτρίζει την απόφαση)
- Τύποι μεταβλητών - ποιες μεταβλητές είναι εύκολο να διαχειριστούμε
- Τα πάντα είναι σε κίνηση (ceteris paribus)
- Πρόβλημα τρίτου μηκέτι - πώς να βρούμε τον πραγματικό επηρεαστή
- Συμπεραστικές Statistics
- Αξία πιθανότητας - τι σημαίνει P-value
- Επαναληφθέν ανάλυση - πώς να ερμηνεύσουμε τα αποτελέσματα μιας επαναληφθέν ανάλυσης
- Συλλογή δεδομένων - μπορείς να μειώσεις την παρεξήγηση, αλλά όχι να την εξαλείψεις
- Συνέχεια κατανόησης του ποδαρικού επίπεδου
Στατιστική Διάνοια
- Λήψη αποφάσεων με περιορισμένες πληροφορίες
- πώς να ελέγξετε πόσες πληροφορίες είναι αρκετές
- το όριο στόχων με βάση την πιθανότητα και την δυνατή οφέλιμη απόδοση (βιασμός/cost ratio, δέντρα αποφάσεων)
- Πώς τα λάθη συγκεντρώνονται
- Εξέλιξη Butterfly
- Σουηδική μέλαινη πεταλιά (Black swan)
- Τι είναι το κατσάρο Schrödinger και το μήλο του Newton στη διείσδυση
- Cassandra Πρόβλημα - πώς να μετρήσετε μια πρόβλεψη εάν ο δρόμος της ενέργειας έχει αλλάξει
- Google Τάση για πανώρεα - πώς κάτι μπόρεσε να πάει λάθος
- Πώς οι αποφάσεις κάνουν τις πρόβλεψεις ξεχωριστές
- Forecasting - μέθοδοι και ρεαλισμός
- ARIMA
- Γιατί οι αφυπνισμένες πρόβλεψεις είναι συχνά πιο απόδοση
- Πώς μακριά θα πρέπει να κοιτάξει μια πρόβλεψη στο παρελθόν;
- Γιατί τα περισσότερα δεδομένα μπορεί να σημαίνουν χειρότερη πρόβλεψη;
Στατιστικές μεθόδοι χρήσιμες για λήπτες αποφάσεων Make
- Περιγραφή δυαδικών δεδομένων
- Διανύσματα και δυαδικά δεδομένα
- Πιθανότητα
- γιατί τα πράγματα διαφέρουν κάθε φορά που τα μετράμε;
- Κανονικές κατανομές και σφάλματα
- Εκτίμηση
- Ανεξάρτητες πηγές πληροφοριών και βαθμούς ελευθερίας
- Επιστημονική λογική του σχεδίου δοκιμής
- Τι μπορεί να αποδειχθεί, και γιατί είναι πάντα το αντίθετο ό,τι θέλουμε (Falsification)
- Διάβασμα των αποτελεσμάτων μιας δοκιμής
- Ελέγχου συμβόλων
- Δύναμη
- Πώς να αποφάσισετε τη σωστή (και βαθύ) πίεση δεδομένων
- Ψευδό-ξεχωριστό και ψευδό-υπόστηλο και γιατί είναι πάντα μια αντικατάσταση
Requirements
Απαιτούνται δεξιότητες στα μαθηματικά και εφαρμογές των βασικών στατιστικών (δηλαδή, έργο με ατόμους που διεξάγουν στατιστική ανάλυση).
Testimonials (5)
Η παραλλαγή με άσκηση και επίδειξη.
Ida Sjoberg - Swedish National Debt Office
Course - Econometrics: Eviews and Risk Simulator
Machine Translated
Πολλά παραδείγματα και ασκήσεις που σχετίζονται με το θέμα της εκπαίδευσης.
Tomasz - Ministerstwo Zdrowia
Course - Advanced R Programming
Machine Translated
ο εκπαιδευτής είχε ανέψυχη και ήταν υπομονετάριος να σιγουρηνόσω πως όλοι κατάλαβαμε τα θέματα, τα μαθήματα ήταν προσωπικά παιχνιδιώδη να επισκεφθούν
Mamonyane Taoana - Road Safety Department
Course - Statistical Analysis using SPSS
Machine Translated
Η μέρα 1 και η μέρα 2 ήταν πράγματι ευπετή για μένα και πραγματικά απολαύσα αυτή την εμπειρία.
Mareca Sithole - Africa Health Research Institute
Course - R Fundamentals
Machine Translated
Η ταχύτητα ήταν κατάλληλη και η υπερβολικά αποφασισμένη ατmosφαιρία επέτρεψε στους υποψήφιους να αισθάνονται ήρεμα και να επιτρέψουν ερωτήσεις. (Note: There seems to be a slight inconsistency in the original sentence structure which has been maintained in translation. "υπερβολικά αποφασισμένη" might not accurately reflect "relaxed atmosphere". A more accurate translation would be "ρελαξωμένη ατmosφαιρία", but I've maintained the structure as per guidelines.) Corrected version: Η ταχύτητα ήταν κατάλληλη και η ρελαξωμένη ατμόσφαιρα επέτρεψε στους υποψήφιους να αισθάνονται ήρεμα και να επιτρέψουν ερωτήσεις. (Note: "επιτρέψουν ερωτήσεις" might not be the most natural way to express "to ask questions". A more natural translation would be "να ρωτούν ερωτήματα".) Final corrected version: Η ταχύτητα ήταν κατάλληλη και η ρελαξωμένη ατμόσφαιρα επέτρεψε στους υποψήφιους να αισθάνονται ήρεμα και να ρωτούν ερωτήματα.
Rhian Hughes - Public Health Wales NHS Trust
Course - Introduction to Data Visualization with Tidyverse and R
Machine Translated