Identifier n et p

Beau travail pour avoir repéré quel vendeur avait la probabilité la plus élevée de conclure neuf ventes ou plus.

Rappelez-vous qu'une distribution binomiale est définie par deux paramètres : \(n\) (le nombre d'essais) et \(p\) (la probabilité de succès à chaque essai). La mode (résultat le plus probable) de la distribution de James est 8 ventes sur un maximum de 12 tentatives par semaine.

Souvenez-vous, \(p\) est la probabilité de succès lors d'un seul essai, pas la probabilité indiquée sur l'axe des y du graphique.

Pouvez-vous identifier n et p pour la distribution des ventes de James?

james_sales_distribution_peaking_between_eight_and_nine_successes.png

Cette activité fait partie du cours

Introduction aux statistiques

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

Introduction aux statistiques

SkillTag.level.beginnerSkillTag.label

4.8+

Commencer le cours gratuitement

Les statistiques sommaires vous donnent les outils pour décrire vos données. Dans ce chapitre, vous explorerez des statistiques sommaires comme la moyenne, la médiane et l'écart-type, et apprendrez à bien les interpréter. Vous développerez aussi votre esprit critique, ce qui vous aidera à choisir les meilleures statistiques sommaires pour vos données.

Exercise 1: Qu'est-ce que les statistiques ?Exercise 2: Utiliser les statistiques dans le monde réel Exercise 3: Identifier les types de données Exercise 4: Statistiques descriptives vs inférentielles Exercise 5: Mesures de tendance centrale Exercise 6: Nombre typique de vols qualifiés par arrondissement de Londres Exercise 7: Choisir une mesure Exercise 8: Arrondissements de Londres où les crimes sont les plus fréquents Exercise 9: Mesures de dispersion Exercise 10: Définir les mesures de dispersion Exercise 11: Diagrammes à boîtes pour mesurer la dispersion Exercise 12: Quel type de crime présente le plus grand écart-type

La probabilité est au cœur d'une grande partie des statistiques, où elle sert à calculer la chance qu'un événement se produise. Vous travaillerez avec de vraies données de ventes et verrez comment des données ayant différentes valeurs peuvent être interprétées comme une distribution de probabilité. Vous découvrirez les distributions de probabilité discrètes et continues, y compris la découverte de la distribution normale et sa présence fréquente dans les phénomènes naturels!

Exercise 1: Quelles sont les chances ?Exercise 2: Qu'est-ce qui est le plus probable ?Exercise 3: Probabilité que la prochaine vente dépasse la moyenne Exercise 4: Probabilité conditionnelle Exercise 5: Événements dépendants vs indépendants Exercise 6: Commandes de plus de 10 articles de panier Exercise 7: Lois discrètes Exercise 8: Identifier les distributions Exercise 9: Moyenne d'échantillon vs moyenne théorique Exercise 10: Distributions continues Exercise 11: Discrètes vs continues Exercise 12: Repérer la loi normale Exercise 13: Probabilité avec une distribution uniforme

Il est temps d'explorer d'autres distributions de probabilité. Vous apprendrez la distribution binomiale pour visualiser la probabilité d'issues binaires, ainsi que l'une des distributions les plus importantes en statistiques, la distribution normale. Vous verrez comment on peut décrire les distributions par leur forme, tout en découvrant la distribution de Poisson et son rôle dans le calcul des probabilités d'événements au fil du temps. Vous développerez aussi une compréhension du théorème central limite!

Exercise 1: La loi binomiale Exercise 2: Reconnaître une loi binomiale Exercise 3: Comment la probabilité influence la loi binomiale Exercise 4: Identifier n et p

Exercice en cours

Exercise 5: La loi normale Exercise 6: Reconnaître la distribution normale Exercise 7: Qu'est-ce qui rend la distribution normale particulière?Exercise 8: Identifier l'asymétrie Exercise 9: Décrire les distributions à l'aide de la kurtose Exercise 10: Le théorème central limite Exercise 11: Visualiser les distributions d'échantillonnage Exercise 12: Le TCL vs la loi des grands nombres Exercise 13: Quand utiliser le théorème central limite Exercise 14: La loi de Poisson Exercise 15: Repérer des processus de Poisson Exercise 16: Reconnaître lambda dans la distribution de Poisson

Dans le dernier chapitre, vous serez initié aux tests d'hypothèses et à la façon de les utiliser pour tirer des conclusions exactes sur une population. Vous découvrirez la corrélation et comment elle permet de quantifier une relation linéaire entre deux variables. Vous verrez des techniques de plan expérimental comme la randomisation et l'aveuglement. Vous apprendrez aussi des notions visant à réduire le risque de tirer une mauvaise conclusion à partir des résultats de tests d'hypothèses!

Exercise 1: Tests d'hypothèses Exercise 2: Ensoleillement et sommeil Exercise 3: Le déroulement d'un test d'hypothèse Exercise 4: Variables indépendante et dépendante Exercise 5: Expériences Exercise 6: Reconnaître les essais contrôlés Exercise 7: Pourquoi utiliser la randomisation ?Exercise 8: Corrélation Exercise 9: Repérer la corrélation entre des variables Exercise 10: Que peut vous dire la corrélation?Exercise 11: Variables de confusion Exercise 12: Interpréter les résultats d'un test d'hypothèse Exercise 13: Seuils de signification vs valeurs p Exercise 14: Erreurs de type I et de type II Exercise 15: Félicitations !