JMP_DistributionRevB例析.pptVIP

JMPDistribution Nikki Hsu 2005/09/19 Histogram Options 直方圖(Histogram) 連續資料 例：球大小、雷射深度… Histogram 提供資料的三個特性： 分佈的形狀 位置或集中趨勢 分散或差異情形 Display Options-Quautiles Quartiles 四分位數 Percentile 百分位數 Display Options-Moments 集中趨勢 分散程度 分布形狀 次數分配的特徵數 代表全體資料次數分布情形的數值稱為特徵值，最基本的特徵值有下列四種量數(measure)： 集中趨勢(central tendency)mean、median、mode、分位數 分散程度絕對離差：variance、std dev、全距、四分位差相對離差：變異係數 偏態 – 分布形狀 峰態 – 分布形狀 集中趨勢 - 1 用來提供資料中心點、代表值或出現頻率最多的某個資料等。 集中趨勢 - 2 分散程度 - 1 反映一組資料中各觀測值之間的差異或離散程度。 分散程度 - 2 C.V. 變異係數 範例王先生最近打算將手中的閒錢用來購買股票，在要求的投資報酬率下，初步篩選可投資股票，王先生決定由A、B、C三家上市公司的股票中擇一購買。由近30天的收盤資料得三股票的收盤平均值與標準差分別為： (單位：元)若王先生是個保守的投資人，則他會購買何家公司的股票? 分布形狀 兩組資料雖然平均數與標準差皆相同，卻可能因各自不同的偏斜情況，使得次數分配的形狀不同。 描述資料的分布形狀可參考偏態係數及峰態係數。 Skewness 偏態 大部分的數值落在平均數的哪一邊，若資料較多集中在低數值方面，稱為右偏態分配；若資料較多集中在高數值方面，稱為右偏態分配。 偏態係數 Kurtosis 峰態 Outlier Box Plot - 1 用來觀察樣本分布的大概狀況和是否有極端值。 Outlier Box Plot - 2 常態分配 為什麼常態分配對資料統計很重要？ Good descriptions for some distributions of real data 例：身高、體重、成績… Good approximations to the results of many kinds of chance outcomes例：Tossing a coin many times Many statistical inference procedures are based on normal distributions 檢定常態分配 常用來檢驗資料是否符合常態分配的圖示法： 莖葉圖(Stem-and-Leaf Plot) 盒鬚圖(Box-and-Whisker Plot，亦稱Box Plot盒狀圖或Schematic Plot骨架圖) 常態機率圖(Normal Probability Plot) Stem and Left -1 莖葉圖與直方圖近似，是提供檢驗常態分配的簡易圖示法，其兼具數字和圖形的優點，不僅可以使我們看到資料的次數分配圖形，更可以提供更多有關實際資料值的訊息。通常莖葉圖是將觀察值分成兩部份，首數稱為莖(stem)，尾數稱為葉(leaf)， 例如數字75，有莖為7，葉為5。 Stem and Left –2 範例： Quantile Box Plot - 1 Quantile Box Plot - 2 (a)常態分配(normal distribution) (b)左偏分配(left-skewed distribution) (c)右偏分配(right-skewed distritution) Normal Quantile Plot 若所得到的常態機率圖近似一條對角直線的話，我們就接受這筆資料來自常態分佈，反之則拒絕此筆資料來自常態分佈。 Fit Distribution 利用統計的假設檢定來判斷收集的資料來自哪一種分配。 Fit Distribution – Fitted Model1 Fit Distribution – Fitted Model2 範例 Normal(0,1) Normal Quantile Plot ? 資料點都在紅色對角線上 ? 此組資料可視為來自常態分配。 Skewness = 0 ? 對稱圖形Kurtosis = 0 ? 常態峰 假設檢定P-value = 0.0663 0.05? 資料服從常態分配 Bimodal雙峰 Normal Quantile Plot ? 資料點幾乎都不在紅色對角線上 ? 此組資料不可視為來自常態分配。 Skewness