中ch03a(3.3-3.6)(wu).ppt.pptVIP

相關係數 樣本相關係數為? 1代表兩變數 x 與 y 之間是 完全負線性相關。 樣本相關係數為+ 1代表兩變數 x 與 y 之間是 完全正線性相關。 相關係數的範圍由?1到+1 相關係數 樣本資料 母體資料 相關係數 相關係數讓我們瞭解兩個變數間線性相關的程 度，而非因果關係存在與否。 相關係數 相關係數實例 以音響店的資料為例，求其樣本相關係數。利用表3.8的資料，我們便能計算兩變數的樣本標準差。 因為 sxy＝11，可得到樣本相關係數為 相關係數實例 圖3.10的散佈圖是根據以下樣本資料而得。 相關係數實例 相關係數實例 通過這三點的直線顯示變數 x 與 y 存在有完全線性相關。為了套用式(3.12)來計算樣本相關係數，要先算出 sxy, sx 與 sy，某些必要的計算過程列在表3.9。運用表中的資料，我們發現因此，樣本相關係數為1。 相關係數實例 假設某一特定資料集合顯示 x 與 y 間有正線性相關但不是完全正線性相關，rxy 之值將會小於1，表示在散佈圖上的點並非全部落在一條直線上。當資料點愈來愈偏離完全正線性相關， rxy的值會愈變愈小。 rxy之值等於零表示 x 與 y 之間沒有線性關係，且 rxy之值接近零表示一種微弱的線性相關。 以音響店的資料為例， rxy ＝+0.93，因此，我們的結論是：廣告次數與銷售量之間存在正的線性關係。更明確地說，廣告次數增加時，銷售量也增加。 相關係數實例 End of Chapter 3, Part B ? 2006 by 滄海書局 * Slide 第 3 章 資料與統計 Part B (3.3~3.6) 資料與統計Part B 3.3 相對位置的量數與離群值的偵測 3.4 探究性資料分析 3.5 兩變數的相關性量數 3.6 加權平均數與群組資料的處理 3.3 相對位置的量數與離群值的偵測 分配的形狀 z 分數 柴比雪夫定理 經驗法則 離群值的偵測 分配的形狀：偏度(skewness) 一分配形狀的重要數值衡量則是偏度(skewness) 算偏度的公式有些複雜。 衡量樣本的偏度公式是： 但是若以統計軟體來計算，則是輕而易舉。 分配的形狀：偏度(skewness) 對稱 (不偏) 偏度為 0 。 對稱分配的平均數及中位數是相等的。 分配的形狀：偏度(skewness) 適度左偏 偏度是負的。 平均數常小於中位數。 分配的形狀：偏度(skewness) 適度右偏 偏度是正的。 平均數通常大於中位數。 分配的形狀：偏度(skewness) 高度右偏 偏度是正的。 (通常大於1.0) 平均數通常大於中位數。 分配的形狀：偏度(skewness) 分數通常稱為標準化值(standardized value)。 每個 會有一個稱之為 z 分數(-score)的數值與之對應。 z 分數 z 分數 資料集小於樣本平均數則 z 分數小於 0。 資料集大於樣本平均數則 z 分數大於 0。 資料集等於樣本平均數則 z 分數等於 0。 利用平均數與標準差，我們便能決定任何觀察值的相對位置。 z 分數實例 表3.5是班級人數資料的 z 分數，之前算出平均數為　＝44，樣本標準差為 s ＝8。第5個觀察值的 z 分數為 ?1.50，是離平均數最遠的資料值，比平均數小1.50個標準差。 柴比雪夫定理 在任何資料集合內至少有 (1 - 1/z2)百分比的觀察值與 平均數的差距在 z 個標準差之內，此處 z 為任何大於 1 之值。 至少有0.75或75% 的觀察值，與平均數的差距 在2個標準差之內。 至少有0.89或89% 的觀察值，與平均數的差距 在3個標準差之內。 至少有0.94或94% 的觀察值，與平均數的差距 在4個標準差之內。 柴比雪夫定理 柴比雪夫定理實例 若某學院商用統計課程有100位學生修課，期中考成績之平均數為70，標準差為5。有多少學生的分數介於60與80之間？又有多少學生的分數介於58與82之間？ 我們注意到60的值是小於平均數2個標準差，而80則是大於平均數兩個標準差。利用柴比雪夫定理，我們可看出至少0.75或至少75% 的觀察值與平均數的差距在兩個標準差之內。因此，100個學生至少有75人分數介於60與80之間。 柴比雪夫定理實例 而分數介於58與82的人數又是多少？我們可看出(58－70)/5＝?2.4 表示58是小於平均數2.4個標準差，而(82－70)/5＝2.4表示82大於平均數2.4個標準差。利用柴比雪夫定理 z ＝2.4，我們可得到至少有82.6%的學生的分數介於58與82。 經驗法則 針對鐘形分配的資料集而言： 大約68% 的資料與平均數