Moyenne et médiane

Dans ce chapitre, vous travaillerez avec le jeu de données food_consumption de l'indice 2018 de l’empreinte carbone de nu3. L'ensemble de données food_consumption contient le nombre de kilogrammes de nourriture consommés par personne et par an dans chaque pays, la colonne de catégorie alimentaire food_category, la volume de consommation (consumption), et son empreinte carbone (co2_emissions) mesurée en kilogrammes de dioxyde de carbone, ou CO2.

dplyr est chargé pour vous et food_consumption est disponible.

Cet exercice fait partie du cours

Introduction aux statistiques en R

Afficher le cours

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Calculate mean food consumption 
___

Modifier et exécuter le code

Cet exercice fait partie du cours

Introduction aux statistiques en R

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

Les statistiques récapitulatives vous fournissent les outils dont vous avez besoin pour résumer des ensembles de données volumineux et en révéler les points saillants. Dans ce chapitre, vous explorerez les statistiques récapitulatives, notamment la moyenne, la médiane et l'écart-type, et apprendrez à les interpréter avec précision. Vous développerez également votre esprit critique, ce qui vous permettra de choisir les meilleures statistiques récapitulatives pour 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 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: Recherche de valeurs aberrantes à l'aide de IQR

Dans ce chapitre, vous apprendrez à générer des échantillons aléatoires et à mesurer le hasard à l'aide des probabilités. Vous travaillerez avec des données de vente réelles pour calculer la probabilité de réussite d'un vendeur. Enfin, vous utiliserez la distribution binomiale pour modéliser des événements à résultats binaires.

Exercise 1: Quelles sont les chances ?Exercise 2: Avec ou sans remplacement ?Exercise 3: Calcul des probabilités Exercise 4: Échantillonnage des affaires Exercise 5: Distributions discrètes Exercise 6: Créer une distribution de probabilités Exercise 7: Identifier les distributions Exercise 8: Valeur attendue par rapport à la moyenne de l'échantillon Exercise 9: Distributions continues Exercise 10: Quelle distribution ?Exercise 11: Sauvegarde des données Exercise 12: Simulation des temps d'attente Exercise 13: La distribution binomiale Exercise 14: Simulation d'opérations de vente Exercise 15: Calcul des probabilités binomiales Exercise 16: Combien de ventes seront réalisées ?

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

Exercise 1: La distribution normale Exercise 2: Répartition 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: Visualisation des distributions d'échantillonnage Exercise 8: Le CLT en action Exercise 9: La moyenne des moyennes Exercise 10: La distribution de Poisson Exercise 11: Identifier lambda Exercise 12: Suivi des réponses des prospects Exercise 13: Plus de distributions de probabilités Exercise 14: Trop de distributions Exercise 15: Modélisation du temps entre les prospections Exercise 16: La distribution t

Dans ce chapitre, vous apprendrez à quantifier la force d'une relation linéaire entre deux variables et à explorer la façon dont les variables confusionnelles peuvent affecter la relation entre deux autres variables. Vous verrez également comment la conception d'une étude peut influencer ses résultats, modifier la façon dont les données doivent être analysées et potentiellement affecter la fiabilité de vos conclusions.

Exercise 1: Correlation 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 les 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 et transversales Exercise 12: Félicitations !