心統
18免費公開
心理系小白的心統的學習紀錄，歡迎交流關注！
受試者內設計
前幾篇我們討論的都是受試者間設計，每個人測驗只做一次，並只會分配在一個cell裡面。這種作法收集的樣本數需要比較多，夠多的樣本數也才能夠抵銷這些個體的差異，讓我們能夠真正看見不同factor影響的效果。
但在考量成本與時間下，我們可以考慮使用受試者內設計。這不僅能夠控制個體差異，也
受試者內設計
前幾篇我們討論的都是受試者間設計，每個人測驗只做一次，並只會分配在一個cell裡面。這種作法收集的樣本數需要比較多，夠多的樣本數也才能夠抵銷這些個體的差異，讓我們能夠真正看見不同factor影響的效果。
但在考量成本與時間下，我們可以考慮使用受試者內設計。這不僅能夠控制個體差異，也
簡單主要效果 / 單純效果
在多因子ANOVA中，想要更了解交互作用的關係，因此使用簡單主要效果分析各因子在不同情境下的影響。
簡單主要效果表格需與兩因子ANOVA表格分開撰寫，並免混淆。在上述照片中，我們可以知道在啟發教學方法下，教學氣氛不同有所顯著；而在輕鬆教室氣氛下，不同的教學方法也有所顯
簡單主要效果 / 單純效果
在多因子ANOVA中，想要更了解交互作用的關係，因此使用簡單主要效果分析各因子在不同情境下的影響。
簡單主要效果表格需與兩因子ANOVA表格分開撰寫，並免混淆。在上述照片中，我們可以知道在啟發教學方法下，教學氣氛不同有所顯著；而在輕鬆教室氣氛下，不同的教學方法也有所顯
多因子ANOVA可以是獨立樣本、相依樣本，甚至是混合設計。多因子設計的好處在於較為省時省力、降低誤差來源，還可了解因子是否會相互影響其對依變項的效果。
在表格設計裡，教學方法和教室氣氛為Factor，演講、啟發、嚴肅與輕鬆為level，可以寫成教室氣氛(2)、教學方法(2)來表示。各個cell稱為
多因子ANOVA可以是獨立樣本、相依樣本，甚至是混合設計。多因子設計的好處在於較為省時省力、降低誤差來源，還可了解因子是否會相互影響其對依變項的效果。
在表格設計裡，教學方法和教室氣氛為Factor，演講、啟發、嚴肅與輕鬆為level，可以寫成教室氣氛(2)、教學方法(2)來表示。各個cell稱為
為什麼要有ANOVA？
學到現在，我們知道在處理名義變項上，我們使用卡方檢定；而在等距及比率變項上，我們使用z檢定與t檢定。卡方可以處理三個變項，那z檢定與t檢定呢？答案是可以，但不推薦。
ANOVA也可以使用在2個變項，這時F=t2。
為什麼3組變項時，不推薦z檢定與t檢定？
這兩個檢定方
為什麼要有ANOVA？
學到現在，我們知道在處理名義變項上，我們使用卡方檢定；而在等距及比率變項上，我們使用z檢定與t檢定。卡方可以處理三個變項，那z檢定與t檢定呢？答案是可以，但不推薦。
ANOVA也可以使用在2個變項，這時F=t2。
為什麼3組變項時，不推薦z檢定與t檢定？
這兩個檢定方
共變數
當兩個變項之間非獨立時，叉積(cross product)並非等於0，且相同趨勢資料個數越多叉積越大，因此我們取平均讓其更能夠代表兩變項關聯的強弱，我們稱之為共變數(covariance)。
共變數無固定範圍，難以判斷兩個變相間的關係強度，所以將共變數標準化—皮爾森積差相關係數(Pear
共變數
當兩個變項之間非獨立時，叉積(cross product)並非等於0，且相同趨勢資料個數越多叉積越大，因此我們取平均讓其更能夠代表兩變項關聯的強弱，我們稱之為共變數(covariance)。
共變數無固定範圍，難以判斷兩個變相間的關係強度，所以將共變數標準化—皮爾森積差相關係數(Pear
卡方檢定
使用於「名義變項」，計算實際與期望之間的差距，而每個變項觀察值都是獨立的。樣本數需足夠大（期望次數≧5），卡方值才會準確，若無法達到此樣本數，則可使用Yate correction for continuity或Fisher's exact test進行校正。
Yate correct
卡方檢定
使用於「名義變項」，計算實際與期望之間的差距，而每個變項觀察值都是獨立的。樣本數需足夠大（期望次數≧5），卡方值才會準確，若無法達到此樣本數，則可使用Yate correction for continuity或Fisher's exact test進行校正。
Yate correct
t檢定使用時機：不知道母群的標準差。
(備註：二項分配只適用z檢定，因其標準差是數學理論推導出來的)
不知道母群標準差，該怎麼解決？
用s^取代σ(因s^是σ的不偏估計數)。雖然s^會趨近於σ，但因為s^的抽樣分配是一個正偏態，若用z檢定的方式，我們會高估z值。因此，我們使用t檢定來解決這個問題
t檢定使用時機：不知道母群的標準差。
(備註：二項分配只適用z檢定，因其標準差是數學理論推導出來的)
不知道母群標準差，該怎麼解決？
用s^取代σ(因s^是σ的不偏估計數)。雖然s^會趨近於σ，但因為s^的抽樣分配是一個正偏態，若用z檢定的方式，我們會高估z值。因此，我們使用t檢定來解決這個問題
z檢定使用時機：已知母群標準差、若母群為非常態，需要抽取樣本數N>30。
(備註：常態分配時，才能夠使用。也是唯一能使用CLT的檢定方式)
區間估計：從x̄ 猜測μ範圍
連續變項
設x̄ 是一個N(61,1)的常態分配，信賴水準95%的情況下，μ的信賴區間為？
先確認是否可以使用z檢定：常態
z檢定使用時機：已知母群標準差、若母群為非常態，需要抽取樣本數N>30。
(備註：常態分配時，才能夠使用。也是唯一能使用CLT的檢定方式)
區間估計：從x̄ 猜測μ範圍
連續變項
設x̄ 是一個N(61,1)的常態分配，信賴水準95%的情況下，μ的信賴區間為？
先確認是否可以使用z檢定：常態
我們將要試著從樣本回推到母群，在開始之前，我們必須先對量數的寫法有所了解：
母群參數：μ、σ
樣本統計數：M、SD
而樣本統計數可不可以當成推論母群參數的估計值呢？答案是不一定！統計數需要滿足下面3種特性(尤其是不偏性)，才能是好的估計數。
不偏性：帶入期望值計算
一致性：樣本數增加，估計數
我們將要試著從樣本回推到母群，在開始之前，我們必須先對量數的寫法有所了解：
母群參數：μ、σ
樣本統計數：M、SD
而樣本統計數可不可以當成推論母群參數的估計值呢？答案是不一定！統計數需要滿足下面3種特性(尤其是不偏性)，才能是好的估計數。
不偏性：帶入期望值計算
一致性：樣本數增加，估計數
二項式分配
基本概念
二項式分配只能使用在間接變項上，探討的是N個獨立的二分（成功、失敗）試驗。
若把成功機率設為p，則p=0.5時，是常態分配。p<0.5時，分配是正偏態；p>0.5時，分配是負偏態。
除了p=0.5外，有其他方法讓分配趨近常態分配嗎
有的！不管p、q值為何，只要N很大的
二項式分配
基本概念
二項式分配只能使用在間接變項上，探討的是N個獨立的二分（成功、失敗）試驗。
若把成功機率設為p，則p=0.5時，是常態分配。p<0.5時，分配是正偏態；p>0.5時，分配是負偏態。
除了p=0.5外，有其他方法讓分配趨近常態分配嗎
有的！不管p、q值為何，只要N很大的
常態分配：常見事物的分配
我們透過觀察可以知道很多事物的分配呈現常態分配，例如：IQ、身高、兩顆骰子擲的點數等等。不管是間接變項或是連續變項，只要分配呈現左右對稱就可以稱之為常態分配。
常態分配為什麼重要
就像我們剛剛所說的，世界上許多事情是常態分配，所以當我們不確定我們要推論的事情是什麼分配
常態分配：常見事物的分配
我們透過觀察可以知道很多事物的分配呈現常態分配，例如：IQ、身高、兩顆骰子擲的點數等等。不管是間接變項或是連續變項，只要分配呈現左右對稱就可以稱之為常態分配。
常態分配為什麼重要
就像我們剛剛所說的，世界上許多事情是常態分配，所以當我們不確定我們要推論的事情是什麼分配
終於來到我們的大魔王推論統計啦！在這裡先給大家打個預防針，推論統計有很多種不一樣的方法，後面這一段路不像前面那麼好理解，所以不要急慢慢打好基礎，後面才不會搞混喔！準備好了嗎？開始囉~~
推論統計建立在「機率」上
這句話大概是學推論統計時，最不能忘記的核心！「推論」一詞說明的即是我的假設多可能會發
終於來到我們的大魔王推論統計啦！在這裡先給大家打個預防針，推論統計有很多種不一樣的方法，後面這一段路不像前面那麼好理解，所以不要急慢慢打好基礎，後面才不會搞混喔！準備好了嗎？開始囉~~
推論統計建立在「機率」上
這句話大概是學推論統計時，最不能忘記的核心！「推論」一詞說明的即是我的假設多可能會發
上一集我們探討的是PR值，這次我們要來說在統計裡很常用到的概念—標準分數。
原始分數的線性轉換
y = ax + b
線性轉換相信大家都並不陌生。當我們想要求標準分數的時候，我們就需要將原始分數做線性轉換，這個過程我們稱之為「標準化」。
z分數就是離均差除上標準差，以標準差為單位，看看自己的
上一集我們探討的是PR值，這次我們要來說在統計裡很常用到的概念—標準分數。
原始分數的線性轉換
y = ax + b
線性轉換相信大家都並不陌生。當我們想要求標準分數的時候，我們就需要將原始分數做線性轉換，這個過程我們稱之為「標準化」。
z分數就是離均差除上標準差，以標準差為單位，看看自己的
集中量數和分散量數只能夠描述數據的分布狀況，如果我今天想知道自己在這些數據裡是在哪個位置的話，就需要用到接下來要介紹的相對位置指標了！相對位置指標我們會分別介紹百分等級、z分數、t分數，就讓我們繼續看下去吧！
從最簡單的排排站說起！
當我們想要知道自己在班上多高的時候，我們就會從矮到高排成一直列
集中量數和分散量數只能夠描述數據的分布狀況，如果我今天想知道自己在這些數據裡是在哪個位置的話，就需要用到接下來要介紹的相對位置指標了！相對位置指標我們會分別介紹百分等級、z分數、t分數，就讓我們繼續看下去吧！
從最簡單的排排站說起！
當我們想要知道自己在班上多高的時候，我們就會從矮到高排成一直列
上次我們探討了資料集中的狀況，而這一章節我們要來討論數據的分布情況
全距 range
最大值-最小值
全距易受極端值影響，因此去頭尾某一比例衍伸出四分位距。
四分位距 interquartile range
IQR=Q3-Q1，可搭配箱型圖
進入下面環節前，我們必須先對 Σ 有更多的認識。
上次我們探討了資料集中的狀況，而這一章節我們要來討論數據的分布情況
全距 range
最大值-最小值
全距易受極端值影響，因此去頭尾某一比例衍伸出四分位距。
四分位距 interquartile range
IQR=Q3-Q1，可搭配箱型圖
進入下面環節前，我們必須先對 Σ 有更多的認識。
集中趨勢指標：數據集中的狀況
眾數 mode
最多樣本的數值，也有可能沒有
中位數 median
數據排序後排名最中間的數值。奇數個樣本：(N+1)/2。偶數個樣本：[N/2+(N+1)/2]/2
平均數 mean
全體數值加總除以樣本數。樣本平均數是最佳估計者，具有不偏性(unbias
集中趨勢指標：數據集中的狀況
眾數 mode
最多樣本的數值，也有可能沒有
中位數 median
數據排序後排名最中間的數值。奇數個樣本：(N+1)/2。偶數個樣本：[N/2+(N+1)/2]/2
平均數 mean
全體數值加總除以樣本數。樣本平均數是最佳估計者，具有不偏性(unbias
描述性統計就是對於樣本特性的分析而已，它是一個對於統計小白來講很適合初步了解的統計方式。因此，建議對描述性統計多了解後，再去挑戰大魔王推論統計喔！
描述性統計的功能：整理原始資料，找出數據的意義
次數分配表(frequency table)
名義、次序、等距和比率都可以使用，等距和比率可以再分
描述性統計就是對於樣本特性的分析而已，它是一個對於統計小白來講很適合初步了解的統計方式。因此，建議對描述性統計多了解後，再去挑戰大魔王推論統計喔！
描述性統計的功能：整理原始資料，找出數據的意義
次數分配表(frequency table)
名義、次序、等距和比率都可以使用，等距和比率可以再分
：你們班男女比多少啊？
：你在你們班算是高的嗎？
：你們班最多人喜歡的科目是什麼阿？
相信這都是我們從小到大被問到大的問題，你有想過你是怎麼回答這些問題的嗎？可能就是用「感覺」這兩個字趕快應付過去吧！從這些問題來看，其實不難發現統計已經融入在你我的生活裡。藉由它，我們能對事情有更多的理解。
數字
：你們班男女比多少啊？
：你在你們班算是高的嗎？
：你們班最多人喜歡的科目是什麼阿？
相信這都是我們從小到大被問到大的問題，你有想過你是怎麼回答這些問題的嗎？可能就是用「感覺」這兩個字趕快應付過去吧！從這些問題來看，其實不難發現統計已經融入在你我的生活裡。藉由它，我們能對事情有更多的理解。
數字
受試者內設計
前幾篇我們討論的都是受試者間設計，每個人測驗只做一次，並只會分配在一個cell裡面。這種作法收集的樣本數需要比較多，夠多的樣本數也才能夠抵銷這些個體的差異，讓我們能夠真正看見不同factor影響的效果。
但在考量成本與時間下，我們可以考慮使用受試者內設計。這不僅能夠控制個體差異，也
受試者內設計
前幾篇我們討論的都是受試者間設計，每個人測驗只做一次，並只會分配在一個cell裡面。這種作法收集的樣本數需要比較多，夠多的樣本數也才能夠抵銷這些個體的差異，讓我們能夠真正看見不同factor影響的效果。
但在考量成本與時間下，我們可以考慮使用受試者內設計。這不僅能夠控制個體差異，也
簡單主要效果 / 單純效果
在多因子ANOVA中，想要更了解交互作用的關係，因此使用簡單主要效果分析各因子在不同情境下的影響。
簡單主要效果表格需與兩因子ANOVA表格分開撰寫，並免混淆。在上述照片中，我們可以知道在啟發教學方法下，教學氣氛不同有所顯著；而在輕鬆教室氣氛下，不同的教學方法也有所顯
簡單主要效果 / 單純效果
在多因子ANOVA中，想要更了解交互作用的關係，因此使用簡單主要效果分析各因子在不同情境下的影響。
簡單主要效果表格需與兩因子ANOVA表格分開撰寫，並免混淆。在上述照片中，我們可以知道在啟發教學方法下，教學氣氛不同有所顯著；而在輕鬆教室氣氛下，不同的教學方法也有所顯
多因子ANOVA可以是獨立樣本、相依樣本，甚至是混合設計。多因子設計的好處在於較為省時省力、降低誤差來源，還可了解因子是否會相互影響其對依變項的效果。
在表格設計裡，教學方法和教室氣氛為Factor，演講、啟發、嚴肅與輕鬆為level，可以寫成教室氣氛(2)、教學方法(2)來表示。各個cell稱為
多因子ANOVA可以是獨立樣本、相依樣本，甚至是混合設計。多因子設計的好處在於較為省時省力、降低誤差來源，還可了解因子是否會相互影響其對依變項的效果。
在表格設計裡，教學方法和教室氣氛為Factor，演講、啟發、嚴肅與輕鬆為level，可以寫成教室氣氛(2)、教學方法(2)來表示。各個cell稱為
為什麼要有ANOVA？
學到現在，我們知道在處理名義變項上，我們使用卡方檢定；而在等距及比率變項上，我們使用z檢定與t檢定。卡方可以處理三個變項，那z檢定與t檢定呢？答案是可以，但不推薦。
ANOVA也可以使用在2個變項，這時F=t2。
為什麼3組變項時，不推薦z檢定與t檢定？
這兩個檢定方
為什麼要有ANOVA？
學到現在，我們知道在處理名義變項上，我們使用卡方檢定；而在等距及比率變項上，我們使用z檢定與t檢定。卡方可以處理三個變項，那z檢定與t檢定呢？答案是可以，但不推薦。
ANOVA也可以使用在2個變項，這時F=t2。
為什麼3組變項時，不推薦z檢定與t檢定？
這兩個檢定方
共變數
當兩個變項之間非獨立時，叉積(cross product)並非等於0，且相同趨勢資料個數越多叉積越大，因此我們取平均讓其更能夠代表兩變項關聯的強弱，我們稱之為共變數(covariance)。
共變數無固定範圍，難以判斷兩個變相間的關係強度，所以將共變數標準化—皮爾森積差相關係數(Pear
共變數
當兩個變項之間非獨立時，叉積(cross product)並非等於0，且相同趨勢資料個數越多叉積越大，因此我們取平均讓其更能夠代表兩變項關聯的強弱，我們稱之為共變數(covariance)。
共變數無固定範圍，難以判斷兩個變相間的關係強度，所以將共變數標準化—皮爾森積差相關係數(Pear
卡方檢定
使用於「名義變項」，計算實際與期望之間的差距，而每個變項觀察值都是獨立的。樣本數需足夠大（期望次數≧5），卡方值才會準確，若無法達到此樣本數，則可使用Yate correction for continuity或Fisher's exact test進行校正。
Yate correct
卡方檢定
使用於「名義變項」，計算實際與期望之間的差距，而每個變項觀察值都是獨立的。樣本數需足夠大（期望次數≧5），卡方值才會準確，若無法達到此樣本數，則可使用Yate correction for continuity或Fisher's exact test進行校正。
Yate correct
t檢定使用時機：不知道母群的標準差。
(備註：二項分配只適用z檢定，因其標準差是數學理論推導出來的)
不知道母群標準差，該怎麼解決？
用s^取代σ(因s^是σ的不偏估計數)。雖然s^會趨近於σ，但因為s^的抽樣分配是一個正偏態，若用z檢定的方式，我們會高估z值。因此，我們使用t檢定來解決這個問題
t檢定使用時機：不知道母群的標準差。
(備註：二項分配只適用z檢定，因其標準差是數學理論推導出來的)
不知道母群標準差，該怎麼解決？
用s^取代σ(因s^是σ的不偏估計數)。雖然s^會趨近於σ，但因為s^的抽樣分配是一個正偏態，若用z檢定的方式，我們會高估z值。因此，我們使用t檢定來解決這個問題
z檢定使用時機：已知母群標準差、若母群為非常態，需要抽取樣本數N>30。
(備註：常態分配時，才能夠使用。也是唯一能使用CLT的檢定方式)
區間估計：從x̄ 猜測μ範圍
連續變項
設x̄ 是一個N(61,1)的常態分配，信賴水準95%的情況下，μ的信賴區間為？
先確認是否可以使用z檢定：常態
z檢定使用時機：已知母群標準差、若母群為非常態，需要抽取樣本數N>30。
(備註：常態分配時，才能夠使用。也是唯一能使用CLT的檢定方式)
區間估計：從x̄ 猜測μ範圍
連續變項
設x̄ 是一個N(61,1)的常態分配，信賴水準95%的情況下，μ的信賴區間為？
先確認是否可以使用z檢定：常態
我們將要試著從樣本回推到母群，在開始之前，我們必須先對量數的寫法有所了解：
母群參數：μ、σ
樣本統計數：M、SD
而樣本統計數可不可以當成推論母群參數的估計值呢？答案是不一定！統計數需要滿足下面3種特性(尤其是不偏性)，才能是好的估計數。
不偏性：帶入期望值計算
一致性：樣本數增加，估計數
我們將要試著從樣本回推到母群，在開始之前，我們必須先對量數的寫法有所了解：
母群參數：μ、σ
樣本統計數：M、SD
而樣本統計數可不可以當成推論母群參數的估計值呢？答案是不一定！統計數需要滿足下面3種特性(尤其是不偏性)，才能是好的估計數。
不偏性：帶入期望值計算
一致性：樣本數增加，估計數
二項式分配
基本概念
二項式分配只能使用在間接變項上，探討的是N個獨立的二分（成功、失敗）試驗。
若把成功機率設為p，則p=0.5時，是常態分配。p<0.5時，分配是正偏態；p>0.5時，分配是負偏態。
除了p=0.5外，有其他方法讓分配趨近常態分配嗎
有的！不管p、q值為何，只要N很大的
二項式分配
基本概念
二項式分配只能使用在間接變項上，探討的是N個獨立的二分（成功、失敗）試驗。
若把成功機率設為p，則p=0.5時，是常態分配。p<0.5時，分配是正偏態；p>0.5時，分配是負偏態。
除了p=0.5外，有其他方法讓分配趨近常態分配嗎
有的！不管p、q值為何，只要N很大的
常態分配：常見事物的分配
我們透過觀察可以知道很多事物的分配呈現常態分配，例如：IQ、身高、兩顆骰子擲的點數等等。不管是間接變項或是連續變項，只要分配呈現左右對稱就可以稱之為常態分配。
常態分配為什麼重要
就像我們剛剛所說的，世界上許多事情是常態分配，所以當我們不確定我們要推論的事情是什麼分配
常態分配：常見事物的分配
我們透過觀察可以知道很多事物的分配呈現常態分配，例如：IQ、身高、兩顆骰子擲的點數等等。不管是間接變項或是連續變項，只要分配呈現左右對稱就可以稱之為常態分配。
常態分配為什麼重要
就像我們剛剛所說的，世界上許多事情是常態分配，所以當我們不確定我們要推論的事情是什麼分配
終於來到我們的大魔王推論統計啦！在這裡先給大家打個預防針，推論統計有很多種不一樣的方法，後面這一段路不像前面那麼好理解，所以不要急慢慢打好基礎，後面才不會搞混喔！準備好了嗎？開始囉~~
推論統計建立在「機率」上
這句話大概是學推論統計時，最不能忘記的核心！「推論」一詞說明的即是我的假設多可能會發
終於來到我們的大魔王推論統計啦！在這裡先給大家打個預防針，推論統計有很多種不一樣的方法，後面這一段路不像前面那麼好理解，所以不要急慢慢打好基礎，後面才不會搞混喔！準備好了嗎？開始囉~~
推論統計建立在「機率」上
這句話大概是學推論統計時，最不能忘記的核心！「推論」一詞說明的即是我的假設多可能會發
上一集我們探討的是PR值，這次我們要來說在統計裡很常用到的概念—標準分數。
原始分數的線性轉換
y = ax + b
線性轉換相信大家都並不陌生。當我們想要求標準分數的時候，我們就需要將原始分數做線性轉換，這個過程我們稱之為「標準化」。
z分數就是離均差除上標準差，以標準差為單位，看看自己的
上一集我們探討的是PR值，這次我們要來說在統計裡很常用到的概念—標準分數。
原始分數的線性轉換
y = ax + b
線性轉換相信大家都並不陌生。當我們想要求標準分數的時候，我們就需要將原始分數做線性轉換，這個過程我們稱之為「標準化」。
z分數就是離均差除上標準差，以標準差為單位，看看自己的
集中量數和分散量數只能夠描述數據的分布狀況，如果我今天想知道自己在這些數據裡是在哪個位置的話，就需要用到接下來要介紹的相對位置指標了！相對位置指標我們會分別介紹百分等級、z分數、t分數，就讓我們繼續看下去吧！
從最簡單的排排站說起！
當我們想要知道自己在班上多高的時候，我們就會從矮到高排成一直列
集中量數和分散量數只能夠描述數據的分布狀況，如果我今天想知道自己在這些數據裡是在哪個位置的話，就需要用到接下來要介紹的相對位置指標了！相對位置指標我們會分別介紹百分等級、z分數、t分數，就讓我們繼續看下去吧！
從最簡單的排排站說起！
當我們想要知道自己在班上多高的時候，我們就會從矮到高排成一直列
上次我們探討了資料集中的狀況，而這一章節我們要來討論數據的分布情況
全距 range
最大值-最小值
全距易受極端值影響，因此去頭尾某一比例衍伸出四分位距。
四分位距 interquartile range
IQR=Q3-Q1，可搭配箱型圖
進入下面環節前，我們必須先對 Σ 有更多的認識。
上次我們探討了資料集中的狀況，而這一章節我們要來討論數據的分布情況
全距 range
最大值-最小值
全距易受極端值影響，因此去頭尾某一比例衍伸出四分位距。
四分位距 interquartile range
IQR=Q3-Q1，可搭配箱型圖
進入下面環節前，我們必須先對 Σ 有更多的認識。
集中趨勢指標：數據集中的狀況
眾數 mode
最多樣本的數值，也有可能沒有
中位數 median
數據排序後排名最中間的數值。奇數個樣本：(N+1)/2。偶數個樣本：[N/2+(N+1)/2]/2
平均數 mean
全體數值加總除以樣本數。樣本平均數是最佳估計者，具有不偏性(unbias
集中趨勢指標：數據集中的狀況
眾數 mode
最多樣本的數值，也有可能沒有
中位數 median
數據排序後排名最中間的數值。奇數個樣本：(N+1)/2。偶數個樣本：[N/2+(N+1)/2]/2
平均數 mean
全體數值加總除以樣本數。樣本平均數是最佳估計者，具有不偏性(unbias
描述性統計就是對於樣本特性的分析而已，它是一個對於統計小白來講很適合初步了解的統計方式。因此，建議對描述性統計多了解後，再去挑戰大魔王推論統計喔！
描述性統計的功能：整理原始資料，找出數據的意義
次數分配表(frequency table)
名義、次序、等距和比率都可以使用，等距和比率可以再分
描述性統計就是對於樣本特性的分析而已，它是一個對於統計小白來講很適合初步了解的統計方式。因此，建議對描述性統計多了解後，再去挑戰大魔王推論統計喔！
描述性統計的功能：整理原始資料，找出數據的意義
次數分配表(frequency table)
名義、次序、等距和比率都可以使用，等距和比率可以再分
：你們班男女比多少啊？
：你在你們班算是高的嗎？
：你們班最多人喜歡的科目是什麼阿？
相信這都是我們從小到大被問到大的問題，你有想過你是怎麼回答這些問題的嗎？可能就是用「感覺」這兩個字趕快應付過去吧！從這些問題來看，其實不難發現統計已經融入在你我的生活裡。藉由它，我們能對事情有更多的理解。
數字
：你們班男女比多少啊？
：你在你們班算是高的嗎？
：你們班最多人喜歡的科目是什麼阿？
相信這都是我們從小到大被問到大的問題，你有想過你是怎麼回答這些問題的嗎？可能就是用「感覺」這兩個字趕快應付過去吧！從這些問題來看，其實不難發現統計已經融入在你我的生活裡。藉由它，我們能對事情有更多的理解。
數字