叙述统计-KNUMail.ppt

樣 (三)平均數與標準差之應用 進一步將平均數與標準差結合起來，來探討以平均數及變異數相關之母體參數與統計測量值，作為進一步統計分析之基礎。 (1)變異係數(coefficient of variance )： 所謂的變異係數即為標準差除以平均數，以CV 示之。變異係數亦可以數學式表示如下： (a)當資料為母體： (b)當資料為樣本： 資料分析 例 假設甲、乙兩班由不同的二位老師教授，且二位老師給分 標準不同，若二班之統計學期中考的平均分數分別為80及 60分，其標準差分別為10分及9分，請以變異係數比較甲、 乙兩班統計學期中考成績之分散程度何者較大？ 由此可知，乙班統計學期中考成績分配之分散程度較大。 資料分析 (三)平均數與標準差之應用 (2)Z分數(Z-score)： 決定資料中各資料值之相對位置，以 表示第i個 資料之Z 分數，其數學式可表示如下： (a)母體資料： (b)樣本資料： 資料分析 例 如例2.31，請問(1)若林同學之統計學成績為50分，則其 Z分數為何？(2)若李同學之微積分成績為50分，則其Z分 數為何？(3)統計學考50分與微積分考50分之成績可否 相同？ (1)林同學之統計學50分之Z分數為 (2)李同學之微積分50分之Z分數為 (3)由(1)、(2)得知，兩者之Z分數不相同，其中微積分50分之Z分數大於統計學50分之Z分數，因此以標準化值來比較，微積分之50分高於統計學之50分。 資料分析 (三)平均數與標準差之應用 (3)柴比雪夫定理(Chebyshev’s Theory)： 在十九世紀早期，蘇聯數學家柴比雪夫証明至少有一定的數量之資料值與平均數距離的絕對值小 於或等於倍的標準差。 定理2-2 當 時，任一組資料至少有 比例的觀測值會 落在距離平均數k 個標準之內。 由以上定理得知，當k = 2時，至少有75% 的資料會落在距離平均數兩個標準差內。當k = 3時，至少有89% 的資料會落在距離平均數三個標準差內。 資料分析 例 假設有100位學生體重的平均數為60公斤，標準差為5公斤請利用柴比雪夫定理算出此100位學生至少有多少學生的體重介於52至68公斤之間？ 介於52至68之間，代表與平均數距離有 個標準差，由柴比雪夫定理得知， 故在此100位學生中至少有60位體重介於52至68公斤之間。 資料分析 (三)平均數與標準差之應用 (4)經驗法則(the empirical rule)： 實際上我們發現許多資料的分佈形狀為鐘(山)形分佈(如圖2.10)，由圖可知在距離平均數的一個標準差內的資料數比例將明顯多於零，因此經驗法則乃針對鐘(山)形分佈的資料， 提供一個能獲得較精確值的方式。 資料分析 定理2-3 經驗法則 若資料呈鐘 (山) 形分佈，則： (1)接近68%的資料會落在距離平均數1個標準差內； (2)接近95%的資料會落在距離平均數2個標準差內； (3)幾乎所有的資料會落在距離平均數3個標準差內。 資料分析 (四)離群值之判定 在蒐集資料的時候，常常會因為某種原因（如： 筆誤、打瞌睡等）而產生不正常的極端大或極端小的資料值，此值稱之為離群值 (outlier)。 而此離群值的存在將會影響統計決策之判定，其 常用之判定方法有以下兩種判定法則： (1)Z分數判定法：決若資料值 的Z分數為 ， 當 ，則 可視為離群值。關於Z分數的判 定法則主要是來自經驗法則，因為在現實生活中， 有許多資料分佈呈現鐘形分佈。 資料分析 例 隨機抽取天天蔬菜油工廠內之蔬菜油20罐，得其蔬菜油 內容量如下所示：(單位：公升) 1.8,1.9,2.1,2.0,2.0,2.1,1.9,2.6,2.1,2.0,2.1,1.9,1.9,2.0,2.1,1.6,2.0,2.1,1.9,1.9請以Z分數判定法 則判定此資料是否有離群值？ 經計算得知此資料之樣本平均數與樣本標準差 以Z分數判定法判定離群值之臨界值為 由此得知，此資料中2.6大於臨界值為一離群值，其餘資料均 非離群值。 資料分析 (四)離群值之判定 (2)盒形圖判定法： 所謂盒形圖(box-whisker plot)是將資料的最值 、 、 、 及最大值 以盒形及直線之方式表示如圖2.11的圖形。 資料分析 承上圖盒形長度為IQR，此盒形圖可以幫助 我們瞭解資料的分佈情形： (a)若Q1至