統計
含有「統計」共 494 篇內容
全部內容
發佈日期由新至舊
【100%報酬率區間統計圖】台灣股市：2020 年至 2025 年中
🧹 資料清洗與異常排除邏輯
🧠 清洗後的好處
每一筆年K報酬都來自「可交易、邏輯正確、無企業行為干擾」的樣本
不會因為拆併或配股導致報酬率失真
不會因為冷門股或便士股造成統計偏誤
每一張圖表都能放心解讀，不需要再做二次清洗
📉 為什麼美股從 8,000 家變成 5,000 多家？
【100%報酬率區間統計圖】日本股市：2020 年至 2025 年中
【100%報酬率區間統計圖】韓國股市：2020 年至 2025 年中
【10%報酬率區間統計圖】日本股市：2020 年至 2025 年中
美股原始 8,000 家 → 清洗後剩 5,000 家的異常排除邏輯
美國原始上市公司約 8,000 家，但我不是全部都拿來分析。
我使用一套異常排除模組，針對每一家公司進行清洗，最終只留下約 5,000 家能夠進行年K報酬分析的標的。
以下是我排除的異常條件：
🧹 資料清洗與異常排除邏輯
在 Excel 中進行統計推論時，ZTEST 函數可用於針對樣本資料進行 Z 檢定，以判斷樣本平均數是否與假設的母體平均數有顯著差異。它回傳的是 右尾 P 值，適用於母體標準差已知的情境，常用於品質管制、實驗分析與假設檢定。
統計學從來都不是為了「計算而計算」，它的價值在於幫助我們在不確定性中做出可衡量的判斷。當數據規模巨大時，我們不是拋棄統計，而是要調整戰略，讓它更好地服務於業務場景！
核心觀點：從「嚴謹推論」轉向「實務效益權衡」
在大數據環境下，資料量大、更新快速、來源複雜，這使得傳統統計推論所依賴的假設（如隨
11/8考試要到了，但統計這個單元對於我們這種統計通通還給老師的人來說，真的是有夠他媽的難也，我用AI做了一個好理解的版本，分享給有需要的人，讓我們一起準備吧!!
🧠 L22 大數據處理分析與應用-數學與統計方法
課程內容分成五大主題：
描述性統計： 拿到一堆數字（資料）時，怎麼跟別人「一
敘述性統計（Descriptive Statistics）是我們駕馭資料的第一道門檻，它的核心目標非常純粹：不是去推論母體，而是將手邊龐大複雜的資料，做最快速、最清晰的總結與可視化呈現。
讓我們從來源提供的資訊中，將敘述性統計這個面向，拆解成三個核心的分析維度：集中趨勢、離散度量，以及分佈形狀。