母体变异数样本变异数.PPT

共變異數實例 圖 3.9 為兩變數的散布圖，顯示出正向關係：較高的銷售量 (y) 伴隨著較高的廣告次數 (x) 。事實上，散布圖顯示出兩變數呈現近似直線的關係 第3章 敘述統計：數值方法 第120-121頁 * 共變異數實例 為了衡量廣告次數 x 與銷售額 y 的線性關係之強度，我們利用式 (3.13) 計算樣本共變異數。表 3.7 是 的計算過程。請注意 ＝30/10＝3 且　 ＝510/10＝51，利用式 (3.12)，可得共變異數為 第3章 敘述統計：數值方法 第120-121頁 * 共變異數實例 第3章 敘述統計：數值方法 第121頁 * 共變異數的解釋 以圖3.10 來解釋樣本共變異數。 第3章 敘述統計：數值方法 第122頁 * 共變異數的解釋 第3章 敘述統計：數值方法 第123頁 * 共變異數的解釋 第3章 敘述統計：數值方法 第123頁 * 共變異數的解釋 第3章 敘述統計：數值方法 第123頁 * 相關係數 相關係數的範圍由 ?1 到 +1。 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。 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。 第3章 敘述統計：數值方法 第122-124頁 * 相關係數 皮爾生相關係數：樣本資料 皮爾生相關係數：母體資料 第3章 敘述統計：數值方法 第123-124頁 * 相關係數實例 以立體音響店的資料為例，求其樣本相關係數。利用表 3.6 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 第3章 敘述統計：數值方法 第124頁 * 相關係數的解釋 圖 3.12 的散布圖是根據以下樣本資料而得。 第3章 敘述統計：數值方法 第124頁 * 相關係數的解釋 第3章 敘述統計：數值方法 第125頁 * 相關係數的解釋 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 (3.15) 來計算樣本相關係數，要先算出 sxy、sx 與 sy，某些計算過程列在表3.8。運用表中的資料，我們發現 因此，樣本相關係數為 1 。 第3章 敘述統計：數值方法 第124-125頁 * 相關係數的解釋 假設某一特定資料集顯示 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，表示在散布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。 以立體音響設備店的資料為例， rxy＝0.93，因此我們的結論是：廣告次數與銷售量之間存在很強的正線性關係。更明確地說，廣告次數增加時，銷售量也增加。 第3章 敘述統計：數值方法 第125-126頁 * 相關係數實例 第3章 敘述統計：數值方法 第125頁 * 評註 由於相關係數只衡量兩個定量變數間的線性關係的強度，當兩變數之間的關係是非線性的，線性係數可能近乎 0，意味著沒有線性關係。例如，以下散布圖顯示過去 100 天中，小型雜貨店在環境控制 (如冷氣或暖氣) 的花費與每天室外溫度間的關係。 這些資料的樣本相關係數是 rxy＝?0.007，表示兩變數間沒有線性相關。然而，散布圖提供強烈的視覺證據，顯示兩變數間的非線性關係。也就是說，我們可以看出，當室外溫度剛升高時，需要較少暖氣，繼續升高時就需要冷氣，所以環境控制的花費先減少然後增加。 第3章 敘述統計：數值方法 第126頁 * 評註 第3章 敘述統計：數值方法 第126頁 * 評註 相關係數可以用來衡量兩個定量變數的關係，諸如斯皮爾曼等級相關係數 (Spearman’s rank correlation coefficient) 的量數，則可用來評估至少有一變數是名目或順序尺度時兩變數間的關係。 第3章 敘述統計：數值方法 第126頁 * 3.6 資料儀表板：增加數值量數以提升效能 資料儀表板是用以組織並表達資訊的一組視覺表示，以易讀易懂易解釋的方式來監控組織或企業的表現。 增加諸如關鍵績效指標 (key performance indicators, KPI) 的平均值與標準差的數值量數到資料儀表板是很緊要的，因為數值量數可以做為評估 KPI 的目標或標竿。 資料儀表板經常是互動式的。 向下鑽取 (drilling down) 是指互動式資料儀表板的功能，讓使用者可以在更細部的層次存取資訊、進行分析。 第3章 敘述統計：數值方法 第128頁 * En