Moyenne et médiane

Dans ce chapitre, vous allez travailler avec le jeu de données food_consumption tiré du 2018 Food Carbon Footprint Index de nu3. Le jeu de données food_consumption contient, pour chaque pays, le nombre de kilogrammes d'aliments consommés par personne et par an, la catégorie d'aliment 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.

Cet exercice fait partie du cours

<cours>Introduction aux statistiques en R</cours>

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Calculate mean food consumption 
___

Modifier et exécuter le code

Cet exercice fait partie du cours

<cours>Introduction aux statistiques en R</cours>

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Les statistiques descriptives vous donnent les outils pour condenser de vastes jeux de données et en faire ressortir l'essentiel. Dans ce chapitre, vous explorerez des indicateurs clés comme la moyenne, la médiane et l'écart-type, et apprendrez à les interpréter correctement. Vous développerez aussi votre esprit critique pour choisir les statistiques descriptives les plus adaptées à vos données.

Exercise 1: Les statistiques, qu’est-ce que c’est ?Exercise 2: Statistiques descriptives et inférentielles Exercise 3: Classification des types de données Exercise 4: Mesures du centre Exercise 5: Moyenne et médiane

Exercice actuel

Exercise 6: Moyenne ou médiane Exercise 7: Mesures de dispersion Exercise 8: Variance et écart-type Exercise 9: Quartiles, quantiles et quintiles Exercise 10: Recherche de valeurs aberrantes à l’aide de l’IQR

Dans ce chapitre, vous apprendrez à générer des échantillons aléatoires et à mesurer le hasard à l'aide de la probabilité. Vous travaillerez sur des données de ventes réelles afin de calculer la probabilité qu'un·e commercial·e réussisse. Enfin, vous utiliserez la loi binomiale pour modéliser des événements à issues binaires.

Exercise 1: Quelles sont les chances ?Exercise 2: Avec ou sans remise ?Exercise 3: Calcul de probabilités Exercise 4: Échantillonnage de transactions Exercise 5: Distributions discrètes Exercise 6: Créer une distribution de probabilités Exercise 7: Identifier des distributions Exercise 8: Valeur attendue vs moyenne d'échantillon Exercise 9: Distributions continues Exercise 10: Quelle distribution ?Exercise 11: Sauvegardes de données Exercise 12: Simulation de temps d’attente Exercise 13: La distribution binomiale Exercise 14: Simulation de transactions de ventes Exercise 15: Calcul de probabilités binomiales Exercise 16: Combien de ventes seront réalisées ?

Il est temps d'explorer l'une des lois de probabilité les plus importantes en statistique : la loi normale. Vous créerez des histogrammes pour représenter des distributions normales et comprendrez le théorème central limite, avant d'élargir votre palette de fonctions statistiques avec les lois de Poisson, exponentielle et de Student.

Exercise 1: La distribution normale Exercise 2: Distribution des ventes d’Amir Exercise 3: Probabilités de la distribution normale Exercise 4: Simuler des ventes dans de nouvelles conditions de marché Exercise 5: Quel est le meilleur marché ?Exercise 6: Le théorème de la limite centrale Exercise 7: Visualiser des distributions d'échantillonnage Exercise 8: Le TCL en pratique Exercise 9: La moyenne des moyennes Exercise 10: La distribution de Poisson Exercise 11: Identifier lambda Exercise 12: Suivi des réponses aux prospects Exercise 13: Plus de distributions de probabilités Exercise 14: Trop de distributions Exercise 15: Modélisation du temps entre les prospects Exercise 16: La distribution t

Dans ce chapitre, vous apprendrez à quantifier l'intensité d'une relation linéaire entre deux variables, et vous verrez comment des variables confondantes peuvent affecter la relation entre deux autres variables. Vous examinerez aussi comment le plan d'une étude peut influencer ses résultats, modifier la manière d'analyser les données et potentiellement affecter la fiabilité de vos conclusions.

Exercise 1: Corrélation Exercise 2: Devinez la corrélation Exercise 3: Relations entre les variables Exercise 4: Mises en garde sur les corrélations Exercise 5: Qu’est-ce que la corrélation ne peut pas mesurer ?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 ou transversales ?Exercise 12: Félicitations !