第一單元統計學基本概念介紹.pptVIP

題型1與2 (應用) 統計分配 統計分配 還記得王先生只根據一組樣本作為台北市房價平均值的案例? 如果他多抽樣幾組樣本，會不會比較接近真值呢?? 當我們要利用樣本統計量去推論母體參數時，會遭遇到所使用的樣本統計量是否能夠正確的代表母體參數的問題。由於樣本統計量隨樣本的變動而不同，根據樣本統計量所做的推論便含有某一程度的不確定性·為了瞭 解此種不確定性的程度，就必須先瞭解樣本統計量的值可能出現的機率(這句話是甚麼意思?) 。 樣本統計量的機率分配(這句話是甚麼意思?)，稱為抽樣分配。 抽樣分配 抽樣分配 有了樣本平均數X的抽樣分配，我們可以進一步計算 樣本平均數的平均數μx 其中 μx= μ 樣本平均數的標準差 加法定理:若母體是常態分配N(μ，σ2)，則X也是常態分配N(μ，σ2/n)，但其間還是存在一差距，只是這差距隨n變化。 Ex:已知成人的身高為一常態分配，平均數為168公分，變異數為100，簡單隨機抽取5人，則5人的平均身高將為常態分配，其平均數為μ=168公分，標準差為 中央極限定理 觀念複習 一般而言，感興趣的是很廣泛的族群(母體，population)，但因母體不易取得，所以會從母體中抽取部份個體(樣本，sample)，再由這些樣本資料來計算一些數字(統計量，Statistics)，估計母體的特性（或參數，parameter)。通常以希臘字表示母體的參數，英文字母表示樣本的統計量。 中央極限定理(舉例) 假設一個班級有100人, 我想進行一個抽樣調查~~ 一次抽10人，我可以抽幾次? 10次可以嗎? 可以 會有幾個樣本平均數? 10個 我能不能把這10個平均數，拿來再算一個平均數? 我能不能把這10個平均數，拿來再算一個標準差? 可以 中央極限定理(續) 眾多樣本平均數的平均數 = 母體平均數 眾多樣本平均數的標準差 = 標準誤 (standard error) 眾多樣本平均數的分佈 = 常態分佈 中央極限定理(續) 中央極限定理（central limit theorem）是推論統計中很基本及重要的定理之一。是指當樣本數n夠大（n30)，則從母體（不一定是常態分佈），非常完美的隨機重複抽出固定n個樣本，樣本平均之抽樣分佈會趨近常態分佈。更廣而言之，母體不一定要連續性分布，就算連續性分布也不限常態，單峰、雙峰、多峰、不規則峰、間斷分布都適用。 設母體資料之平均值為μ，標準差為σ。 從母體隨機計抽取樣本，每次抽出n個數值，計算其平均值X。 重複抽樣無數次，便有無數個X。 這些X可組成一分佈，稱為樣本平均數組成的抽樣分佈。 中央極限定理(續) 中央極限定理(續) 中央極限定理及抽樣分佈 製作身高直方圖 母體分布 中央極限定理及抽樣分佈(續) A B C 中央極限定理及抽樣分佈(續) 為何要叫做中央極限定理? 母體 n=2~10 n=11~20 n=~100 母體分佈形狀及樣本數對樣本平均之抽樣分佈之影響 何時達到中央極限 續前頁，從前頁我們可以發現的趨勢，當n越大: 中的 σ x 應越小(即越往中間集中，換句話說就是離散情形越小的類似常態分布) 當n趨近非常大，以台灣人口抽樣而言，如果n趨近於2300萬(極限為全部人口)，那麼μ x分布圖會變甚麼樣? 中央極限定理結論: 若母體為常態(或近似)，則sample size n不論大小，重複抽樣的分布必定為常態。(前頁最右欄) 若母體為未知分布，則sample size n需大於30，則重複抽樣的分布才會為常態，才能用x推估μ。 應用題 應用題(解) Z Z Z 結語 ■已知數據來自某一母體（μ，σ），只有抽樣一次，可計算出現X之機率。 （標準常態分佈） ■未知數據來自哪一母體，假如重複抽樣無限次，便可估計μ 。 （中央極限定理） ■未知數據來自哪一母體，只有抽樣一次，可估計件值之範圍。 （見後面章節信賴區間） ■未知數據來自哪一母體自一特定母體，評估X檢定），只有抽樣一次，假設數據來來自此母體之可能性。 （見後面章節假說檢定） 第二單元之一：統計估計-點估計 統計估計 人們對於未知的事件或現象，通常利用少數已知的資料來估計或推測它的真相，估計是人們最常使用的統計方法之。統計估計是利用樣本統計量來估計母體參數。統計估計可分為點估計及區間估計。一般而言，是先進行點估計，然後再進行區間估計。 統計估計(續) 如果是以普查的方法來蒐集資料，則不需要利用估計與檢定的方法來推估母體參數。 當我們要研究研究今年大學畢業生的平均薪資或就業比例，或要研究國民的平均所得等問題時，因為母體很大，因此我們必須利用抽樣的方法，去抽取樣本，再從樣本中得出樣本統計