Au cours de la deuxième semaine, vous apprendrez à calculer des statistiques de population et d'échantillon, ainsi que des quartiles et des centiles. La visualisation des données est importante dans le domaine des statistiques - vous apprendrez tout sur les histogrammes, qui sont utilisés pour présenter des données univariées sous forme de graphiques, ainsi que sur les diagrammes de dispersion et les diagrammes en colonnes. Vous apprendrez à visualiser des données univariées dans un Graphique en boîte, une technique intéressante pour identifier les valeurs aberrantes. Enfin, vous apprendrez à nettoyer et à transformer les données et à utiliser des estimateurs robustes dans les ensembles de données fortement affectés par des valeurs aberrantes.

Au cours de la semaine 3, vous apprendrez tout sur les probabilités et les techniques de comptage. Une compréhension approfondie des probabilités est essentielle pour l'étude des statistiques. Il existe plusieurs règles et axiomes qui régissent les probabilités, et vous explorerez ces règles dans plusieurs screencasts. Enfin, vous apprendrez ce qu'est la probabilité conditionnelle, qui est à la base du théorème de Bayes.

La semaine 4 est consacrée aux distributions de probabilités discrètes, dans lesquelles la variable aléatoire est limitée à des valeurs discrètes. Les distributions de probabilités discrètes permettent aux statisticiens de faire des prédictions probabilistes liées à des modèles stochastiques discrets. Ces distributions comprennent les distributions binomiale, géométrique, binomiale négative, hypergéométrique, multinomiale et de Poisson.

En vous appuyant sur ce que vous avez appris sur les distributions de probabilités au cours de la semaine 4, vous explorerez les variables aléatoires continues et les distributions de probabilités continues au cours de la semaine 5. Ces distributions comprennent la distribution normale commune et la distribution normale standard, mais nous étudierons également la distribution exponentielle, la distribution gamma et d'autres. Ces distributions nous permettent de faire des prédictions probabilistes liées à des modèles stochastiques.