Sample mean vs. Theoretical mean

The app takes a sample from a discrete uniform distribution (numbers 1 through 9) and calculates the sample's mean. You can select different sample sizes and draw new samples to observe how the sample mean behaves. The expected value of this distribution is 5.

Cet exercice fait partie du cours

<cours>Introduction aux statistiques</cours>

Exercice interactif pratique

Transformez la théorie en action avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

<cours>Introduction aux statistiques</cours>

DébutantNiveau de compétence

4.8+

Commencer le cours gratuitement

Les statistiques récapitulatives vous fournissent les outils dont vous avez besoin pour décrire vos données. 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: Utiliser les statistiques dans le monde réel Exercise 3: Identifier les types de données Exercise 4: Descriptives ou Statistiques inférentielles Exercise 5: Mesures du centre Exercise 6: Nombre caractéristique de vols par arrondissement de Londres Exercise 7: Choosing a measure Exercise 8: London Boroughs with most frequent crimes Exercise 9: Mesures de dispersion Exercise 10: Définir les mesures de dispersion Exercise 11: Des diagrammes en boîte pour mesurer la dispersion Exercise 12: Quelle infraction a l'écart-type le plus élevé ?

Les probabilités sont à la base d'une grande partie des statistiques, où elles sont utilisées pour calculer la probabilité que des événements se produisent. Vous travaillerez avec des données de vente réelles et apprendrez comment des données de différentes valeurs peuvent être interprétées comme une distribution de probabilités. Vous découvrirez les distributions de probabilités discrètes et continues, y compris la découverte de la distribution normale et sa fréquence dans les événements naturels !

Exercise 1: Quelles sont les chances ?Exercise 2: Quelle est la probabilité la plus élevée ?Exercise 3: Chances of the next sale being more than the mean Exercise 4: Probabilité conditionnelle Exercise 5: Évènements dépendants ou indépendants Exercise 6: Commandes de plus de 10 produits de type panier Exercise 7: Distributions discrètes Exercise 8: Identifier les distributions Exercise 9: Sample mean vs. Theoretical mean

Exercice actuel

Exercise 10: Distributions continues Exercise 11: Discrètes ou. Distributions continues Exercise 12: Trouver la distribution normale Exercise 13: Probabilité avec une distribution uniforme

Il est temps d'explorer d'autres distributions de probabilités. Vous découvrirez la distribution binomiale, qui permet de visualiser la probabilité de résultats binaires, et l'une des distributions les plus importantes en statistiques, la distribution normale. Vous verrez comment les distributions peuvent être décrites par leur forme, et découvrirez la distribution de Poisson et son rôle dans le calcul des probabilités d'événements se produisant au fil du temps. Vous comprendrez également le théorème de la limite centrale !

Exercise 1: La distribution binomiale Exercise 2: Reconnaître une distribution binomiale Exercise 3: Comment la probabilité affecte la distribution binomiale Exercise 4: Identifier n et p Exercise 5: La distribution normale Exercise 6: Reconnaître la distribution normale Exercise 7: Qu'est-ce qui fait la spécificité de la distribution normale ?Exercise 8: Identifier l'asymétrie Exercise 9: Description des distributions à l'aide de l'aplatissement Exercise 10: Le théorème de la limite centrale (CLT)Exercise 11: Visualizing sampling distributions Exercise 12: Le CLT vs La loi des grands nombres Exercise 13: Quand utiliser le théorème de la limite centrale Exercise 14: La distribution de Poisson Exercise 15: Identification des processus de Poisson Exercise 16: Reconnaître le lambda dans la distribution de Poisson

Dans le dernier chapitre, vous découvrirez les tests d'hypothèse et la manière dont ils peuvent être utilisés pour tirer des conclusions précises sur une population. Vous découvrirez la corrélation et comment elle peut être utilisée pour quantifier une relation linéaire entre deux variables. Vous découvrirez des techniques de conception expérimentale telles que la randomisation et l'aveuglement. Vous découvrirez également les concepts utilisés pour minimiser le risque de tirer des conclusions erronées sur les résultats des tests d'hypothèse !

Exercise 1: Tests d'hypothèses Exercise 2: Soleil et sommeil Exercise 3: Le flux de travail des tests d'hypothèse Exercise 4: Variables indépendantes et dépendantes Exercise 5: Expériences Exercise 6: Reconnaître les essais contrôlés Exercise 7: Pourquoi utiliser la randomisation ?Exercise 8: Corrélation Exercise 9: Identifying correlation between variables Exercise 10: Que peut vous dire la corrélation ?Exercise 11: Variables confusionnelles Exercise 12: Interprétation des résultats des tests d'hypothèse Exercise 13: Niveaux de signification et valeurs-p Exercise 14: Erreurs de type I et de type II Exercise 15: Félicitations !