Moyenne et médiane

Dans ce chapitre, vous utiliserez l'ensemble de données food_consumption tiré du 2018 Food Carbon Footprint Index de nu3. L'ensemble food_consumption contient, pour chaque pays, le nombre de kilogrammes d'aliments consommés par personne et par année, la catégorie d'aliments dans la colonne food_category, la quantité de consumption, ainsi que son empreinte carbone (co2_emission) mesurée en kilogrammes de dioxyde de carbone, ou CO₂.

dplyr est déjà chargé et food_consumption est disponible.

Cette activité fait partie du cours

Introduction aux statistiques avec R

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Calculate mean food consumption 
___

Modifier et exécuter le code

Cette activité fait partie du cours

Introduction aux statistiques avec R

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Les statistiques descriptives vous offrent les outils nécessaires pour condenser de vastes ensembles de données et en faire ressortir l'essentiel. Dans ce chapitre, vous explorerez des statistiques descriptives comme la moyenne, la médiane et l'écart type, et apprendrez à bien les interpréter. Vous développerez aussi votre esprit critique pour choisir les meilleures statistiques descriptives pour vos données.

Exercise 1: Qu'est-ce que les statistiques ?Exercise 2: Statistiques descriptives et inférentielles Exercise 3: Classification des types de données Exercise 4: Mesures de tendance centrale Exercise 5: Moyenne et médiane

Exercice en cours

Exercise 6: Moyenne ou médiane Exercise 7: Mesures de dispersion Exercise 8: Variance et écart type Exercise 9: Quartiles, quantiles et quintiles Exercise 10: Détecter les valeurs aberrantes avec l'IQR

Dans ce chapitre, vous apprendrez à générer des échantillons aléatoires et à mesurer le hasard à l'aide de la probabilité. Vous utiliserez des données réelles de ventes pour calculer la probabilité qu'un ou une représentante des ventes réussisse. Enfin, vous utiliserez la distribution binomiale pour modéliser des événements à issues binaires.

Exercise 1: Quelles sont les chances ?Exercise 2: Avec ou sans remise ?Exercise 3: Calculer des probabilités Exercise 4: Échantillonner des transactions Exercise 5: Lois discrètes Exercise 6: Créer une distribution de probabilité Exercise 7: Identifier les distributions Exercise 8: Valeur attendue vs moyenne d'échantillon Exercise 9: Distributions continues Exercise 10: Quelle distribution ?Exercise 11: Copies de sauvegarde des données Exercise 12: Simuler des temps d'attente Exercise 13: La loi binomiale Exercise 14: Simuler des ententes de vente Exercise 15: Calcul des probabilités binomiales Exercise 16: Combien de ventes seront conclues?

Il est temps d'explorer l'une des distributions de probabilité les plus importantes en statistiques, la distribution normale. Vous créerez des histogrammes pour représenter des distributions normales et vous comprendrez le théorème central limite, avant d'élargir votre boîte à outils de fonctions statistiques en y ajoutant les distributions de Poisson, exponentielle et t.

Exercise 1: La loi normale Exercise 2: Distribution des ventes d'Amir Exercise 3: Probabilités liées à la loi normale Exercise 4: Simuler les ventes dans les nouvelles conditions du marché Exercise 5: Quel marché est le plus avantageux?Exercise 6: Le théorème central limite Exercise 7: Visualiser des distributions d'échantillonnage Exercise 8: Le TCL en action Exercise 9: La moyenne des moyennes Exercise 10: La loi de Poisson Exercise 11: Identifier lambda Exercise 12: Suivi des réponses aux occasions de vente Exercise 13: D'autres lois de probabilité Exercise 14: Beaucoup trop de distributions Exercise 15: Modéliser le temps entre les pistes Exercise 16: La loi t

Dans ce chapitre, vous apprendrez à quantifier la force d'une relation linéaire entre deux variables et explorerez comment des variables de confusion peuvent influer sur la relation entre deux autres variables. Vous verrez aussi comment le plan d'une étude peut orienter ses résultats, modifier la façon d'analyser les données et potentiellement affecter la fiabilité de vos conclusions.

Exercise 1: Corrélation Exercise 2: Devinez la corrélation Exercise 3: Relations entre variables Exercise 4: Mises en garde sur la corrélation Exercise 5: Que ne peut pas mesurer la corrélation?Exercise 6: Transformer des variables Exercise 7: Le sucre améliore-t-il le bonheur?Exercise 8: Facteurs de confusion Exercise 9: Plan d'expériences Exercise 10: Types d'études Exercise 11: Études longitudinales vs. transversales Exercise 12: Félicitations !