CERTIFICATIONS

Ce module explique les différents types de données, les niveaux de mesure, les variables catégorielles, les techniques de visualisation, les variables numériques, les diagrammes en histogramme, les tableaux croisés dynamiques et les diagrammes de dispersion.

Ce module fournit des informations sur les concepts de mesures de tendance centrale telles que la moyenne, la médiane et le mode, l'asymétrie, la variance, l'écart-type et le coefficient de variation, la covariance et le coefficient de corrélation.

Ce module fournit des informations sur les types de données, les niveaux de mesure, les graphiques et les tableaux pour les variables catégorielles et numériques, ainsi que la relation entre les variables, les mesures de tendance centrale, d'asymétrie, de variabilité et la relation entre les variables.

Ce module explique les statistiques inférentielles, ce qu'est une distribution, la distribution normale, la distribution normale standard, le théorème central limite et l'erreur standard.

Ce module explique les estimateurs et les estimations dans la prise de décision, les intervalles de confiance utilisés pour calculer des intervalles de confiance dans une population avec une variance inconnue. Une marge d'erreur est importante en statistiques.

Ce module explique le calcul des intervalles de confiance pour deux moyennes avec des échantillons dépendants, les intervalles de confiance pour deux moyennes et des échantillons dépendants.

Ce module explique les hypothèses nulles et alternatives et leurs différences, l'établissement d'une région de rejet et d'un niveau de signification, la région de rejet et le niveau de signification, et l'erreur de Type I par rapport à l'erreur de Type II.

Ce module vous apprend à effectuer des tests pour la moyenne, la variance de population connue, la valeur p, les tests pour la moyenne, les échantillons dépendants et la variance de population inconnue.

Ce module explique l'analyse de régression, la corrélation et la causalité, le modèle de régression linéaire simplifié, le modèle de régression linéaire, la différence entre la corrélation et la régression, la corrélation vs régression et la représentation géométrique du modèle de régression linéaire.

Ce module vous apprend à décomposer le modèle de régression linéaire - comprendre ses éléments fondamentaux, la décomposition, le R², les moindres carrés ordinaires et leurs applications pratiques, l'étude des tableaux de régression, les tableaux de régression, exercices, le modèle de régression linéaire multiple et le R² ajusté.

Ce module fournit des informations sur les hypothèses des moindres carrés ordinaires qui nécessitent la linéarité, l'absence d'endogénéité, la normalité et l'homoscédasticité, l'absence d'autocorrélation et l'absence de multicolinéarité.