粉丝460获赞1518

欢迎回到 jump 的教学指南,我们会透过简易好懂的教学带您快速了解一个使用 jump 的技巧。今天我们要分享的主题是如何利用 jump 的的水,比如选平台,做初步的资料分析及探索,快速的了解资料的轮廓。 在 jump 的的士兵选平台或称分布平台上提供互动式联动直防图,让我们快速了解参数间的关系。我们也可以利用的士兵选平台观察有兴趣的参数统计量,或是找寻适当的统计分配,提供后续的统计分析参考。 打开 help 选单下的 san potato library, 并且在资料库中寻找 big class 点 jump 资料,并且打开 big class 点 jump 资料。您可以在 jump 平台上点击 dissolution 小图饰, 或是由上方工具列中的 analyze distribution。 打开 distribution 平台,接着摆入您有兴趣的分析参数到 ycallins 区域蓝位这边我们放入 six height weight 的参数。 想要快速的了解参数间的连接关系及资料轮廓,可以勾选下方的 historygrounds only 选项,按下 ok, 完成联动直方图的制作。 在底速评选报告中点选 six 之方图的 m 或 f, 轮流切换,可以观察男生的身高分布状况,叫女生来的高。 利用壮普互动式选择图形功能,在 hit 直方图上动态选择资料,相对的 waiter 的资料也被选取。利用此联动功能,我们可以快速了解 hait 和 wait 存在一种正向相关。利用此 功能,我们可以快速的了解资料间的联动关系。接着再次打开 discussion 平台,摆入 hi weight 参数,按下 ok, 可以按下 disfubu 选旁的红色三角形,选择 stack。 将报告转为堆叠呈现, 观察 disco 优选报告,发现报告预测带出值方图,百分为统计量以及统计量汇总表。利用值方图的 box plug 可以确认是否有离群值,以及资料的分布是否有偏移的状况,且透过状态互动性探索功能,可以观察选定的资料跟资料表的对应关系。 百分位统计量及统计量汇总表提供统计量值。若想要增加统计量值,可以点选 summary statistic 旁的红色三角形,选择 customized summary statistics, 选择想要观察的统计量。想要对害参数寻找适当的统计模型做后续的统计分析,可以点开害旁的红色三角形的 continus feet 或 discoyfeit。 根据想要确认的统计模型检验适配或是不适配, 也可以选择 continues fit 下的 fit o。 对所有的连续型统计分配做检验。 jump 会根据 aicc 的结果排序,建议您最适当的统计分配,并提供相关的参数估计结果。 选择的预估统计模型会将预估线放入相应的脂肪图。若宁想检验参数 head 长太信,可以点击 headpond。 红色三角形下的 continues feet, 点选 fit normal。 打开 fit normal diss 普选报告,并点选 fit normal dissort 的红色三角形,选择 goodness of feet。 若小 pirate weeks 值大于零点零五,则表示资料符合常态性。也可以点选害旁的红色三角形下的 normal contel plus。 若资料点在上下线范围内,则代表资料符合常态性。 以此例,想要储存参数害预估的常态统计模型,选择 fit normal digital 选旁的红色三角形下的 safe collins 选择 safe dancert formula, 将公式储存到资料表。接着可以去 gravefield 将 high 放置 x 轴,将 normal dancet high 放置歪轴,选择 formula 图形形态,绘制统计几率密度图形。 对所有工作上会需要对数据做分析的使用者。 jump 的的是标准平台,让您快速了解参数的叙述、统计 量、资料轮廓以及资料间的关系性。非常建议在做其他统计分析前,运用此平台对资料做快速的诊断及了解。想了解更多壮婆数据分析技巧吗?欢迎在底下留言或一秒给我们,我们下次影片见!

欢迎观看账三分钟,玩转数据分析系列。本期我们的主题是绘制控制图。控制图是统计过程控制的两大核心之一,绘制控制图可以帮助我们分辨过程中的异常是偶然因素还是特殊因素, 并帮助我们对特殊事件展开调查。通常我们绘制的统计量符合正态分布,因此仅有百分之零点二七的数据会落在控制线外。根据小概率原则,控制线外的点被判定为异常点。 控制图的类型有很多种,按照数据的类型被分为计数型控制图和计量型控制图。现在我们来到账,我们可以通过分析质量和过程下的控制图生成器来绘制控制图, 也可以通过控制图下的此处来选择我们想绘制的控制图类型。下面我们来看一个例子,这组数据是典型的计量型数据,数据中记录了某工厂生产螺母的日期,螺母的直径以及不同的生产阶段。 打开控制图生成器,把螺母的直径拖拽到绘图区域当中,这样就会根据数据的类型自动生成相应的控制图。 我们也可以把日期纳入到词组当中,并生成不同类型的控制图。选中图中的点,点击右键警告检验,选择所有检验 就可以轻松的看到异常点违背了哪种判议原则。同时我们也可以通过定制检验来设置个性化的判议规则。如果把 阶段也纳入到控制图当中,我们可以轻松的锁定异常来源于制造的第一个阶段。在面板的左上方,我们可以看到数据中所有的变量。在面板的左下方,我们可以对控制图进行调整,例如添加镶嵌图、 加入警戒线以及对警戒线所示的区域进行着色等。在面板的中央下方的控制图用于确定控制线,上方的控制图用于根据控制线打点并发现过程中的异常。 在面板右侧的线值汇总报表中,记录了控制图的红色控制线和绿色均值所对应的具体数值等信息。下面我们来看另一个例子,这组数据是典型的计数型数据, 数据中记录了某工厂生产二极管的工作日不合格品数量以及当日抽样的样本量。由于每日抽样的样本量相同,我们既可以选择绘制 p 图,也可以选择绘制 np 图, 选择质量和过程平台控制图。下拉菜单下的批控制图子醋,将工作日纳入子组,将不合格品数量纳入 y, 将每日抽取的样本数量纳入 n 次实验, 我们就可以得到不合格品数量的批控制图。需要试用账或想要了解更多,欢迎联系我们,谢谢!

这样子的图形生成器可以灵活的生成各种图形数据表,记录了大陆三十一个省市、自治区二零二零年 gdp 和人均 gdp 数据。在图形灿烂线的图形生成器平台,把地区拖动到地图形状, 单击选中显示缺失形状复选框,在图形区域单击右键,选图形菜单下的背景地图,然后选择精心地球,单击确定 把 gdp 拖动的颜色按钮,就可以对各省以 gdp 着色。单击撤销按钮, 再把人均 gdp 拖动到颜色按钮,就可以对各省以人均 gdp 进行着色。从图中可以看出,除北京外人均 gdp 高的都是东南沿海各省,单机完成按钮就可以生成最终出行。

好,所以呢,在下来给大家讲正态分布,什么叫正态分布?大家知道左右对称形态象征的分布就是正态分布,其实大部分的自然现象都是或者人为成语都是呈现正态分布的,或者经过转换后可以 用正态分布的形式来表现的。所以呢,正态分布怎么来的?大家看正态分布呢?其实有一个叫高斯分布,高斯是一个数学家,他其实是叫高斯曲线,他有什么特点呢?两个特点,第一 就是正胎分布,只需要给他两个数据,一个叫平均值,一个叫标准差,我们就可以分析就可以描述出来这一个分布了,因为他有 一个对称的特征,所以看咱们看这三种正在分布之间有什么差异。我们很显然看到这三个分布的平均值是一样的,但是标准差是不一样的,对吧? 谁的标志差最大呢?绿色的谁的标志差最小?红色的, ok。 第二个特征就是在曲线下的曲段面积,可以用来估计一个特定事件发生的累积概率,这个其实就是什么一呢?咱们再知道整个红色正在分布的一个总面积,我们把它叫一, 所以呢我们看平均值是零,标准差一的这个分布呢,我们把它叫标准正太分布,也叫 z 分布。所以呢,当 z 分布里面的标准差是正负一的时候,中间上去那个概率面积就是六十八点二七,中负两个的话,中间就是九十五点四五,中负三个就是九十九点七三。 还有人问老师,这个九十五点四五怎么来的?九十九点七三怎么来的?这个来自于标准正太分布的一个 z 表,它可以根据你的累积函数去查表查出来的, 当然他的原理是什么呢?就是咱们在大学里学的那个微积分,但是你在这里不需要知道微积分,你只需要知道,我知道是正负一,我就能得到六十八点二七,我知道正负二,我就能得到九十五点四五。 他可以通过两种途径,一种是查表,一种是名利太补的计算啊,都可以的啊,这个大家先了解一下,如果后面在工具里面需要这个,或者我们的绿带黑带的需要的时候,我们再深入的去讲解这部分的这个原理。 所以呢,标准差的经验师的法则征服一,标准差多少,征服二,征服三,这个大家可以看实际的是什么样一个状态,这个里面其实在讲其实六七码的理论之后是一直之间,短期和长期有一点五七码的一个漂移啊,这个大家也要了解一下啊。好,接下来刚刚不是讲了,我们要 在正太的情况下才能用平均值和标准差,所以呢,我们如何判断一组数据是不是正太的? 所以当我们拿到一组数据的时候,首先我们第一个先判断他是正态还是非正态,那正态非正态怎么判呢?我们来看一下这个谜态部,又给了我们一个判定是否正态的一个路径,这个路径就叫正态概率图, 他的路径在民意太补里,图形点到我们的概率图,然后点单一,单一以后呢,把我们想要判定的那种数据放在图形变量里面去,在分布里面显示执行区间, 在分布里面显示直径区间,把它勾选上就可以了,勾选上以后呢,我们直接确定,确定以后就会出来这个图,这个图就叫正太概率图啊,那怎么判定他是 正太的呢?我们这个时候要看的就是右上角有个框框,框框里面最下面有个 p 值,这个 p 值等于零点四四二,看到吧? 什么叫正态呢?就是当你的批值大于零点零五的时候,说明你这部数据是符合正态分布的。 批值大于零点零五的时候,说明你的数据是符合正态分布的。 ok, 这是正态的判定啊,大家可以回去的时候用我们的这个民态部软件去做一些验证。 好,所以后面有个练习题,这个练习题呢,我们可以用自己业务中的一些数据去对他进行正态性检验。正态性检验啊,检验完以后呢,我们可以得出一些这个结论。当然我们从一些数据里面 可以去把他的平均值和标准差可以计算出来,计算的路径就是在统计基本统计量里面的显示描述性统计,我们可以计算出来所有略的数据的平均值和标准差以及他的中位数。 这里边我们可以看出来,从这个平均值上看,我们三列数据的平均值都是七十,标准差都是十,那说明这三列数据之间均值和标准差是一样的。 其实不然,为什么?因为只有一组数据是符合正态分布的,他的平均值和标准差才是有意义的,其他两个组的平均值和标准差不可信,所以这个时候我们只能看他的中分数。为什么你明显的看到他 三组数据的中微数是有显著性的差异的,最后呢,我们还有一个工具,就叫图形花卉种,这个工具呢是解决什么问题呢?我们刚才看 我们做点头也好,做直方头也好,明天不呢只给了我们图形,要么给了我计算结果,并没有把图形和计算结果放在一起。如果我们想实现把图形和 这个计算结果放在一起的话,我们就要走明天把这个菜单叫统计,基本统计量里面的图形化汇总, 然后我们把数据选进去,这样的话我们就可以得出这么一个图,这个图呢,左边就叫图形,右边就叫计算的结果。同时大家可以注意看啊,这个批值也跟我们刚才那个概率图算出来的批值是同一个批值 啊,只是现在数据不一样,刚才那个大零点零五,这个小零点零五,现在很明显我们看到这个配置是小零点零零五的,说明他是非正太的,为什么?因为他是一个双风型的数据,双风型的数据就是非 病态的,比如说企业的员工的工资,他就属于双风行的,甚至更多风行的,对吧?啊?所以呢,这个就是我们讲的基本统计学里面的几些关键的点。

正太分布图,也称常态分布或高斯分布,是连续随机变量概率分布的一种,常应用于质量管理控制, 如视频操作。把原数据整理成作图数据, 然后插入图表调整一下布局样式。

欢迎观看 jump 三分钟玩转数据分析系列。本期我们的主题是基于 jump 的剧烈分析。在无监督学期中,训练样本的标记信息是未知的,目标是通过对无标记训练样本的学习来揭示数据的内在性质和规律,为进一步的数据分析提供基础。 其中研究最多、应用最广的就是剧类分析。剧类分析试图将数据集中的样本划分为若干不相交的子集,每个子集称为一个醋。 通过划分,每个错误可能对应于一些潜在的概念或类别,如左图归列下的有翅膀、多足、无足昆虫等。 需要强调的是,这些概念对于剧烈而言,事先未知。剧烈过程仅能自动形成促结构,而促所对应的概念是意,需要由分析者来把握和赋予。 剧类即可作为一个单独的分析过程,用于寻找数据的内在结构,也可作为分类等其他分析的前驱过程。在 jum 中提供了层次剧类,可以郡植剧类、正态混合剧类等常用剧烈方法。 接下来,我们将使用艾瑞斯经典数据集来演示层次剧类的典型应用场景和软件实现。认为花是对异族草本开花植物的统称,其下还有很多细分物种,而不同物种的花瓣则各具特色。 在艾瑞斯数据集中,包含了三种原尾花的恶片长度、恶片宽度、花瓣长度和花瓣宽度的观测值。我们将依据这些观测值对这些原尾花样本进行归类。这里的每一行都是一朵原尾花的实际观测结果,而这 这里的最后一列表示是这朵约尾花所属的实际物种。但是在稍后的剧烈过程之中,这列信息并不会纳入分析,我仅将其用于呈现实际分类情况和剧烈结果之间的比对。 用正软件进行层次聚类十分简单。点击分析聚类层次聚类,我们将四个维度的约尾花特征纳入歪裂,在左侧可以选择不同的统计意义上的距离的度量。在这里我们保持默认。点击确定。 系统数图展示了层次距离的过程。 起初,每一朵渊尾花的样本都是一个子错,根据统计意义上距离的定, 将距离最相近的两朵原尾花进行合并归类为一处,其后将距离次相近的两处合并为一处,直至所有的原尾花的样本都归为一处。 我们可以借助陡坡图、剧烈准则和星座图等手段辅助界定适宜的剧烈数目。我们仅以较为直观可视的星座图为例进行简单说明。 在清座图中,每一个点表示一个样本观测横纵坐标没有实际的物理意义,但图中点和点之间的距离表示的是样本观测之间相似或相异的程度。因此,从当前情况来看,我们将 所有样本归为三大子素可能较为适宜。因此,我们将剧烈数设置为三, 然后通过剧烈汇总来进一步洞察数据结构特征。我们可以看到,在当前剧烈结果下,剧烈二和剧烈三在四个特征尺寸维度的变化趋势上十分相似, 都是恶片长度、花瓣长度,花瓣宽度较大,而恶片宽度较小。此外,剧烈三的整体尺寸要比剧烈二更大一些, 而剧烈一在四个维度的变化趋势上则截然相反,可以把当前剧烈结果和实际结果进行比对, 可以看到其中一个物种被进行了很好的区分,而另外两个物种则存在着一定的焦点和些许的不规类, 我们还可以与其他可视化手段相互印证, 总体而言说明当前剧烈结果较好。以上就是本期所要介绍的内容,需要使用账或需要了解更多,欢迎联系我们,谢谢!

hi, 大家好,今天我们分享 g g b 教学概率统计系列教程,概率统计二十二、自制正态分布图,如图所示,这是一个自制的正态分布图,那在这里有正态曲线, 有在一定范围内的对应的积分面积。好,下面我们来看一下如何来进行制作。我们先将之前的制作删除掉, 首先创建两个滑动条,一个滑动条是 mill, 用来代表正态分布的均值范围是负五到五,还有一个 sigma 零到五,用来控制正态分布的方叉 好之后我们在指令框当中输入指令,这个指令就是正带密度曲线函数所对应的指令,一除以括号 sigma 乘以根号二 pine 再乘以 e 的 多少次方,那就是负的 x 减 mill 的平方, 再除以两倍的 sigma 平方。 好,确定啊,那这样就 ok 了, 我们可以调整一下它的颜色。 之后我们用描点工具在 x 轴上描两个点,其中 b 点在 a 点的右面。 最后我们在指定框当中输入积分,需要积分的函数是 f, 它的范围是 x a, 也就是 a 点的横坐标到 b 点的横坐标 x b。 好,确定,这样就得到了我们所需要的基 分面积, 那这样做就可以利用 a b 两个点来控制这个积分面积的范围。 好,那这个就是自制的正态分布图,相对来说比较简单。那如果大家要制作啊,我之前展示的这个啊,可能相对来说呢,就会难一点啊。 好,我们也可以看一下啊,这个制作之后的效果啊,正在分布的形成与理解,那这里面有 mil 和 sicma 的一个调节,可以用滑动条,也可以输入具体的数值, 我们可以用频率分布表啊,做了一个频率分布表啊,主要是为了理解正态分布的行 成,然后有个正态密度曲线, 那这个也可以去理解正态密度曲线的,对正态密度曲线它的积分面积进行分割, 它的几个特点,其中有一个区间概率等于相应的面积,那这个我们是可以调节的。 还有三 sigma 原则啊,第一个,第二个和第三个, 那在图形当中都会以文本的形式来显示相应面积的所对应的概率,那这个 主要是交互相对来说有点多,但如果常规的能够做好的话,那这个课件呢,相对来说也不难做啊,留给大家自己来思考吧。 好了,关于啊自制正态分布图,我就就分享到这里,感谢聆听,再见!

哈喽,大家好,今天给大家分享的是用 excel 绘制正态分布图,例如我们模拟一个诠释的英语成绩分布情况,那就可以利用 这个正态分布图,它其实是一个组合图,柱形图以及折线图组合而成的,那我们只需要知道两个数据就可以模拟了,第一个是中心值,我这里设定的是六十五,标准差呢是四。 那首先我们理解了这个数据之后呢,我们开始来模拟,首先呢,我们可以定义,比如说几组数据,我这里的话呢,随意的设置了二十组数据,接着呢在组句当中呢,我们可以从四十五开始,或者是其他数据都可以, 并且它的一个间隔呢是二。那接着在概率这里的话呢,我们需要用到的是这个,喏,这个函数啊, 那这个函数的 x 这个值呢,就是第一个组句,接着呢第二个参数是中心值,其实就是一个,嗯,中数,或者是说平数啊,那第三个数呢,就是一个标准差, 那最后一个数据就是说我们要算的是概率密度函数,所以呢选择的是 four 四,补充又括号就可以了。接着呢,双击下拉填充, 那我们选中这两组数据,点击插入 三点图,找到第二个三点图,然后呢,现在呢,只有一组数据啊,得到的不是我们想要的,所以我们需要再次添加一组数据,直接点击图表设计当中的选择数据, 在编辑当中呢,我们添加,然后系列名称,依然选择概率 x 轴,我们选择的是组句对应的一个数据,那外轴对应的是概率所计算出来的值 确定,那又由于两组数据呢,它的类型是一致的,所以已经重合了,需要更改图表类型,找到组合图,然后选择第一个选择确定就可以了。那接下来的话呢,只需 需要对数据以及图表呢进行二次美化,那美化部分的话呢,会 略过啊,大家呢可以自行根据自己的一个风格来进行美化。那今天的分享呢,就到这里了。


哈喽,大家好,今天呢来跟大家聊一下什么是正态分布啊,首先呢,我们要召唤的概念,概念呢,首先它是最重要的一类,我们叫做连续型的随机变量分布啊,当一个随机变量的曲直受到了大量不同因素作用的一个共同影响啊,并且单个因素的影响都比较微不足道的时候呢,这个随机变量呢,就服从或者近似服从正态分布啊, 他的一个特征是啥呢?就我们知道一个光滑的一个中型曲线啊,正太分布的密度函数呢,是显著的,就是一个中间高,两边低,由中间向两边递减,并且分布在左右对称,是一条光滑的中型曲线啊,大家有手上有纸的话,可以画一下, 正太分布的距离均值最近的地方的数值越集中啊,但在离均值较远的地方的数值就比较稀疏了,这就意味着正太分布的出现极端值的概率是比较低的,而且出现均值附近的数值的概率呢,则就非常大呀。 那同时啊,涂上越瘦啊,我们的正太分布集中在均值附近的程度呢,也就会越大,所以呢,正太分布这个概念大家也要了解一下哦,也希望今天支持对你有所帮助,也祝大家早日实现一夜暴富,拜拜。

嗨,大家好,今天我们分享 gdp 教学概率统计二十四,获取正态分布随机数创建分布图, 那最终实现的效果是如图所示的,我们可以通过滑动条调节这里面的 meal 和 sigma, 也就是均值以及方差, 可以调节我们获取的正态分布随机数的总体数目,还有它分组 到底分成几组?好,下面我们来看一下如何来进行制作,我们先将之前的制作删除掉。 好,那么首先我们创建一个滑动条,滑动条负五到五,名称是 mill, 这个是用来控制钧池。 再创建一个滑动条 c 个码范围零到五,因为 c 个码肯定是大于零的。 好,之后再创建一个滑动条整数,滑动条范围是一百到一万,用来控制总的样本数。再创建一个整数滑动条 m, 范围是从十到两百,用来控制分组数。之后我们输入指定序列, 那这个序列指令表达式是正态分布随机数,其中平均数是 mill, 标准差是 sigma, 变量是 i, 从一到 i 好确定,这样就产生了 i, n 个正态分布随其数。 之后我们在指令框当中输入组线,组线是 l 一分成 m 组,好确定,这样就得到了 l 二,然后输入直方图, 那直方图是 l 二,然后 l 一伸直,那这个是一除以长度 l 一好确定,这样就得到了我们的直方图。 好,之后呢,我们输入指令得到相关的正态分布函数,我们输入的指令是,如果指令, 那你也可以直接输入啊,正态分布的那个函数解析式,那在这里呢?我输入的时候是想让它更加美观一点,所以我用了一个如果语句来限制一下 x 范围, x 从 d 横坐标 开始,然后到小于等于啊,小于等于 x, 小于等于,这时候 x a, 那这个其实指的就是我们啊之呃,之前啊制作好的坐标系啊,这个 x 轴,这个圆 圆点的位置,以及到它的最右侧的这个位置,这个是点 a 啊,这个就是点 d, 如果是这样的话,那我们产生的就是我们的函数,就是一除以, 然后括号啊,里面是 sigma, 根号二 pi sigma, 然后根号二 pi 啊, 之后再乘一个 e 的多少次方呢?啊, e 的 啊,括号里面是负的 x 减,没有平方 啊,它的平方再除以 括号两倍的 sigma 平方。 好,这样就可以了。好,确定好,我们将这个函数图像颜色调成成红色,脂肪图的颜色我们也调整一下。 好,这样就 ok 了,这样我们拖动一下看一看。 那这个呢,就是我们模拟啊正态分布的时候所用到的一个课件啊,首先要获取正态分布随机数,然后我们根据这个来创建脂肪图啊,最后体会 一下它,是啊,毕竟到一条啊正态密度曲线上去的。好了,关于这个的分享呢,嗯,我们就说到这里,感谢聆听,再见。

正在分布是什么? in this video, we'll be learning about the normal distribution and the sixty eight, ninety, five ninety nine point seven rule when we talk about normal distributions we refer to data we get from a population or sample so, before we actually talk about the normal distribution we need to first distinguish the difference between a parameter and a statistic a parameter is a number that describes the data from a population whereas a statistic is a number that describes the data from a sample examples of parameters and statistics are the mean and standard deviation but because of the definitions we just talked about we have to be very careful with what symbols we use to represent these numbers when we are dealing with a sample we use the symbol x bar to represent the sample mean and we use the letter s to represent the sample standard deviation these are statistics when we are dealing with a population we use the greek letter meu to represent the population mean and we use the greek letter sigma to represent the population standard deviation these are parameters the population primer is mu and sigma are very important when we talk about normally distributed populations so what is a normal distribution anyways a normal distribution is a special type of density curve that is bell shaped for this reason the normal distribution is sometimes called the bell curve or the normal curve the normal distribution describes the tendency for data to cluster around a central value in fact this central value is the population mean mew, which is always located in the middle of the curve so for any normal distribution we can say that some data points will fall below the mean other data points will fall up above the mean, but most of the data values are located near the mean the normal distribution and its shape actually arises from many different variables found in nature, such as weight, height, volume, blood pressure and many more this is why the normal distribution is commonly studied for example exam scores are known to follow a normal distribution some people do great on exams some people do poorly on exams but a larger majority of people score near the average or the mean in this example the average exam score is fifty because it is located in the middle of the curve now that you know what a normal distribution looks like we need to talk about the population mean meal and the population standard evasion sigma both of these tell us important information about how the normal distribution looks we'll talk about the population mean meu first the population mean mew characterizes the position of the normal distribution if you increase the mean the curve will follow and move towards the right and if you decrease the mean the curve will still follow and move towards the left this happens because the data will always cluster around the mean in normally distributed populations as a result the value of the mean determines the position of the normal distribution on the other hand the population standard evasion sigma characterizes the spread of the normal distribution the larger the standard evation the more spread of the distribution will be and the smaller the standard evasion the less spread out it will be notice that when the spread increases the curve gets much flatter and when the spread decreases the curve gets taller the reason for this is because the normal distribution is a density curve and the total area of any density curve must remain equal to one or a hundred percent so changes in the width of the curve must be compensated for by changes in the height of the curve and vice versa overall here are some points about the normal distribution the normal distribution is unimodal this means that the distribution has a single peak the normal curve is symmetric about its mean so you can clearly see that the distribution can be cut into two equal haths the parameters, mew and sigma completely characterized the normal distribution the population mean mew determines the location of the distribution and where the data tends to cluster around the population center deviation sigma determines how spread out the distribution will be the notation given to a population that follows a normal distribution can be written like this although it looks scary it means what it says for the variable x it follows a normal distribution and has the mean mew with a standard deviation of sigma now that you've been introduced to the normal distribution we can talk about the sixty eight, ninety five, ninety nine point seven rule if we were measuring the heights of all students at a local university and found that it was normally distributed with a mean height of five point, five feet and a standard deviation of half, a foot or zero point five we can construct a normal distribution as follows from here we can create intervals that increase by the standard deviation so we'll have six six point five and seven and on the other side we'll have five four point five and four so what the sixty eight ninety five, ninety nine point seven rule says is that within one standard deviation away from the mean it contains a total area of zero point, six eight or sixty eight percent because of this we can say that sixty eight percent of the population are between five and six feet tall and if you go two standard deviations away from the mean, it contains an area of ninety five percent this means that ninety five percent of the people in the population have a height between four point five and six point five feet and finally within three standard deviations away from the mean, it contains a total area of ninety nine point seven percent this means that for the population we are studying ninety nine point seven percent of the people are between four and seven feet tall now you might be wondering what happens if we go four standard evasions away from the mean or five or six standard evasions away from the mean and to answer that you actually can a normal distribution actually never touches the x axis it continues on to infinity so you can go as many stern deviations away from the mean as you want, but the area contained within these regions will be very very small the sixty eight ninety five ninety nine point seven rule is a great way for approximating the areas of a normal distribution and this works for any normal distribution no matter what shape and size so let's do some practice questions feel free to pause the video at any point so you can try these questions for yourself question number one the normal distribution below has a standard deviation of ten approximately what area is contained between seventy and ninety in this question we know that the population mean is equal to seventy because it's in the center of the distribution we also know from the question that one standard evation is equal to ten and we can see this because each interval goes up by ten according to the sixty eight ninety five ninety nine point seven rule we know that there is an area of ninety five percent contained within two standard eviations of the mean two standard eviations to the right gets us to ninety and two standard eviations to the left gets us to fifty according to the sixty eight ninety five ninety nine point seven rule this means that there is an area of ninety five percent contained within this interval however, we are only interested in the area from seventy to ninety so dividing this area by two gives us our area of interest ninety five percent developed by two gives us an area of forty seven point five percent and that is our answer question number two for the normal distribution below approximately what area is contained between negative two and one in this example we know that we have a me of zero because zero is in the sensor of the distribution and we know that we have a sigm of one because each interval goes up by one to approximate the area between negative two and one we will use the sixty eight ninety five ninety nine quite seven rule we can strategically divide this area into two parts so that we can easily incorporate this rule we'll start with the right half which goes from zero to one we know that one standard evation away from the mean gives us sixty eight percent and half of this is thirty four percent giving us our area from zero to one the next half goes from zero to negative two but we know that within two standard deviations from the mean we have an area of ninety five percent dividing this by two gives us the area from zero to negative two which is equal to forty seven point five percent and finally to get that total area contained between negative two and one all we have to do is add these two areas together and when we do we get a total area of eighty one point five percent。 科学改变世界。

做一下这道题,请大家算一算期望值,来算一下大加小,最大的是十九,这个数据值对不对?最小的话是七,中间的这个数据值呢是十,所以是要乘以四倍, 然后再除以一个六,那么得到的结果呢?是十一,好,十一。 sigma 呢?由最大的数据值十九减去最小的数据值七,再除以六,这是固定公式啊,记住,记住就完事了。 好吧,那么他的偏差是前后两天的一个误差,有两天前后两天的误差有可能是十三,有可能是九,就是这么一个误差啊,误差。大家在下午的简答题当中不要给我写大加小的这个公式,这个不是公式,这个叫口诀,你要写的是这个数据 的过程和这个结果,这样就能拿到满分了,就不要再写大家小了。一看这个,感觉老师蒙圈了,大家,小又是什么公式啊?只是我们记忆的一种方式而已。好,那现在呢,求概率的话,我们要学一个图,这个图呢叫做正态分布图啊,来,请同学们看好正态分布图, 正带分布图的特点呢,在这里面啊,他是有这个对应的坐标着来演化,他的特征呢是左右两边对称啊,左边他等于这个右边,左右两边对称, 这个后面的这个,呃,我们的这个数据值呢,靠近于 x 轴,但啊,但它不会跟 x 轴相交,就是无限靠近于 s 轴,但不完全重合。左右两边对称啊,上面乘四写错了吗?这个中间值乘四,这里面 应该是这个加法啊,这是加四乘十,嗯,四乘十是没错,这个符号啊,这个是写错了啊。 嗯,好,来左右两边对称。接下来我们开始教大家如何去演示这个正态分布图的一个理解,在我们的算出的期望值当中,我们的正态分布图的最顶端这个位置,就是我们最期望可能完成的这个时间,可能完成的这个时间呢?我们十一得到的期望值写在最上方, 最顶端我们写一个十一啊,那么十一的话,它会有前后两个误差,为什么啊? 为我们的 c 格码标准差算出的是二,如果他是一的话,就是前后误差一天,如果算出来结果是二的话,就是前后误差二。所以第一个 c 格码来,同学们看,第一个 c 格码的误差是前后 误差二的话,那么是多少天到多少天呢?第一个误差是多少天到多少天? 是九到十三,往前减两天是九,往后加两天呢?是十三啊。在我们的这个数学当中,一个 sig 嘛, 第一个 sig 码的一个差值,误差的概率值呢?它是等于百分之六十八,那么这个六十八怎么得来的呢?就是我们这些专家啊,经过各种数据的测算得出的结论,所以这个得出的结论我们后背 后人记住他就好了。就好比啊,我们的乘法口诀,你告诉我乘法口诀怎么来的?我也说不出个所以然,我只知道一一得一,一二得二,对不对?我也知道一一加一等于二,这个就是前辈帮我们总结出来的结果,我们只需要记住它就可以了。好吧,所以请大家记住一个 sig 嘛,它等于 百分之六十八,这是已有的结论,记它。由于正态分布图左右两边对称,所以九到十一和十一到十三的概率分别是多少? 呃,等于百分之三十四,对吧?为什么?因为我们的百分之六十八基于你的这个图形左右两边对称的一个逻辑,那么我们可以推断左右各一半 对称,就是各一半的意思,所以六十八的一半,六十八除以二等于百分之三十四。所以十一天到十三天完成的概率,以及九天到十一天完成的概率呢?为百分之三十四。 一个误差是二,两个误差就四嘛,对不对?两个误差是四的话,那么我们再累积往回推,十一前后负四天,对不对?正负四天,那么第二个误差就是差 四天,或者你可以站在第一个误差九到十三的基础上,再往回各减两天,也是可以的,你也可以站在中间的这个道德的这个制高点上啊,你可以干什么呀?你可以,就是,呃,想象他两一个误差就两天,两个误差就是四天,三个误差就是六天, 知道吗?看他的这个误差值,一个就是一乘二等于二,二乘二等于四,三乘二呢,就是六啊,就是一直这样往后推,所以呢,我们十一正负四,那么这里面得出的结论就是七到 十五天,对不对?所以第二个 sigm 又来了。第二个 sigm 呢?是前人帮我们总结好的这个经验啊,两个 sigm 是百分之九十五,对吧?好,那么它的这个区间的范围是在七到十五天之间,基于左右两边对称的这个原则,那么它 是七到十一和十一到十五,对不对啊?左右两边各对称一半,那么是等于九十五的一半除以二等于四十七点五, ok, 那么这是第二个 sig 码,那么第三个 sig 码的误差是多少?一个误差二,两个误差四,三个误差六,再给它的面积覆盖一部分, 概率值呢?覆盖面就更广一些。再覆盖一部分啊,那十一正负六 十一减六五,十一加六十七,五到十七来第三个 c 格码是吧?三个 c 格码的概率呢?是百分之九十九啊。又来了,这个又要死记的一个部分来把它圈起来,这个是死记的部分,管你这个是小白还是老 表白这些东西,该记的东西都是新的东西,都要记得,剩下的才是分析。三个 see 个码呢,是落在五到十七天之间的,我们为百分之九十九,所以这个五到十七之间的这一部分的所有的概率值是百分之九十九 啊,百分之九十九会在这个区间完成这些。呃,我的这个项目。好,那接下来呢?按照左右对称的原则,五到十一或十一到十七是多少?四十九点五。 好,那么我们就记六十八、九十五跟九十九。有些同学可能在一开始学的时候呢,会有这些小数点的记忆。好,我们不用去记这个小数点,不用去记小数点。选择题呢,选择最相近的一个结果,案例题呢?这种概率值一般不会说保留多少微小数的 啊,因为概率本身,比如说我们把百分比去掉,本身就是零点六八二几了,知道吧?所以他一般不会说保留多少位小数,我们直接写六十八就可以,所以老师只要求你记到六十八、九十五、九十九就行。后续的这个小数点,不管他忽视不记 啊,我的要求是不会要求这么的严苛啊,因为只要这些能够给我拎清楚,做到我们终极的这些题的一些,这个呃运算就完全够了啊。画图只是在草纸当中的一种分析,我只要求你写出结果九到十一天的概率,直接写等于三十四,百分之三十四就答案一出来就可以了, 这个答案估摸着就是两到三分的一个结果,不需要你画图。画图是在草图里面分析的好吗?嗯,好,那现在还没有完啊,整个项目呢,我们撇开五到十七天,那么甭管他多少天,如果在不发生意外的情况下,是不是百分之一百一定会完成?我们项目是不是百分之一百会 完成?不考虑出现意外的情况下百分之一百会完成,对不对?所以呢,我们是在十一天以内完成,以及十一天以后完成,那么他是分别为百分之多少?根据左右对称的原则,那么十一天以内,包括说十、九、八、七、六、五、四、三、二一, 这个叫做十一天以内,我们不局限在五到十一这个范围啊,我们是局限就是十一天以内的所有天数,那么他完成的概率是为百分之五十。左右两边对称,左边百分之五十,那么同理可得右边 也是百分之五十,所以左边百分之五十会完成,右边会百分之五十来完成。那么现在我想问大家的就是十一天以内啊,十一天以内,他等于十一天以后,那么所完成的概率呢?都 是百分之五十。那么现在问题来了,请问十三天以内完成的概率是多少?十三天以内他是由什么构成呢?他是等于十一天以内的概率加上十一到十三天的概率,对不对?十一天以内的概率呢?是百分之五十, 对吧?那么十一到十三天不就是一个 sig 码的这个一半吗?是不是一个 sig 码的一半,他是百分之三十四,所以百分之五十的概率加上百分之三十四的概率,十三天以内能够完成的概率呢?是百分之八十四, ok, 算出来了啊,也就是零点八四,百分之八十四,是吧?好,那么我现在再来问大家,请问九到十五天完成的概率是多少?九到十五天的 概率啊,你看九到十五,他是不是有九到十一和十一到十五构成呢?九到十一的概率我们是可以知道的,一个 sig 码的一半,然后加上十一到十五天的概率,他是不是二个 sig 码的一半呢? 九到十一,同学们看到是百分之三十四,对不对?十一到十五,十一到十五, 十一到十五。在这里百分之四十七点五,也就是两个 c 格码的一半,对不对?那么它是等于百分之三十四,一个 c 格码的一半加上两个 c 格码的一半,那么百分之三十四加上四十七点五,最终的结果是八十一点五, 八十一点五,因此同理可推其他的这个数据值一样得出结论。好吧,那么我讲例子的话就讲到这啊。呃,我, 我刚刚问的两个问题,第一个问题跟第二个这个问题相对来说呢,是比较难的。正常我们终极的题呢,就是九到十一天的概率就已经是很简单的问题了啊,已经也算是目前里面出过的真题,里面的一些问法 比较肤浅啊,老师讲的话还是相对给大家呢,就是延伸的比较深一些,把整个面都给你们讲了一遍,这个就是我们的概率值的一个分析。

欢迎回到 drum 教学指南,我们会透过简易好懂的教学,带您快速了解一个使用 drum 的技巧。 今天我们要分享的主题是如何利用 drum 的 disco 功能,帮助使用者建购报告仪表板,快速观察资料在各分析报告间的资讯及相关性,并储存成 drum 的报告格式或是交互性 htm 格式报告,分享给工作伙伴。 作为一款统计分析软体, drum 的连接式资料分析功能往往能帮助使用者更快速地了解资料之间的关系性。 运用 job 独有的 dashbow 功能,可以在一个画面试窗上观察分析各个 job 报告带来的重要资讯,整合各报告间的讯息。 相较于其他统计软体,报告跟报告之间往往缺少关联性的整合。壮普可以提供更全面、更整体性的分析, 配合 drum 的交互性 htm 格式报告输出功能, drum 的报告可以分享给其他不是 drum 的使用者,使 drum 的报告更方便、更广泛的分享给工作伙伴。顺畅团队的沟通及发展。 让我利用 jump 的 big class 资料说明,您可以在 help 下载 simple data, 下载 open the popular big class, 点 jump simple data table 中打开 big class 资料, 执行左上角脚本区的 distribution 脚本。我们可以发现 dream 的资料表和所有报告的图表都是联动的。也就是说,当您在 在资料表上选取某些资料,报告上的图表也会随之选取,反之易然。利用这个方式,我们可以很快的了解资料彼此间的相关性。 接着执行脚本区的百 vere red 弯位及 grabute light chart 脚本。当完成想要呈现在报告仪表板的报告后,可以由两种方式产生 dashboard。 第一种方式,您可以打开 fire 下的 new 下的 dashbow, 选择适当的模板或是选择空白模板,依序将报告根据需求放入试窗。 也可以用拖拉的方式改变报告格式及位置,或是根据需求放入 data filter 等功能。按下 run script 完成 dashboard 制作, 并根据需求调整仪表板的板面设定。 你也可以按下 dashboard 左上方红色三角形内的 self script to data table, 储存缴本制资料表。 第二种方式,你可以按下任何想要合并到仪表板的报告下方的黑色三角形,按下 combine window, 勾选你想要合并的报告,按下 ok 产生报告。接着可以根据需求调整版面,但此种方式储存的结果无法储存 存版面更改后的设定,所以如果要储存为脚本作为后续使用,请用第一种方式储存。 我们可以观察产生的 dashbow。 在仪表板中可以发现 edge 和 weight 有正相关, weight 和 high 也有正相关。 此外,我们也可以观察在弯位的报告中男女身高,虽然体检定结果是有差距 p v 六等于零点零二三,但差异不大。 观察百 h 的亥图表, h 等于十二,汉是三十,男女身高差异不大,甚至在 h 等于十二十。女生身高大于男生身高可以说明女生发育早,而男生在十四岁后开始发育身高,开始抽高, 渐渐拉开与女生的身高差距。利用 graph builder 选取 edge 等于十二。按下滑鼠右键,选择 rose 下的 rohi and is crew, 隐藏 edge 等于十二资料并重新 redo analysis, 可以发现弯位的报告中 pv 六等于零点零零四五,男女身高差距更显著。 接下来我们试着储存生成的 dashboard, 在 dashboard 报告上按下 fire 下的 safs, 选择档案类型为复档名点 jrp 即可储存 drom repo 格式,可以将此档案分享给 drom 的使用者, 若分享的对象没有撞,可以 储存互动性 h t m 格式作为分享 drop 资源部分的互动性报告,可以转为互动性 h t m 格式一样,在 dashbow 报告上按下 fire 下的 service, 选择 interactive h t m l with data 格式储存,即可分享给非 drop 用户。 让我们的 dashboard 适用于各产业各单位帮助。希望借由整合各统计报告,针对资料整体性的分析,挖掘更全面的资讯通盘的分析,作出更准确的判断及剖析的人员,使用 搭配互动性的 htm 格式或是 drop report 格式分享分析报告,可以快速让工作伙伴了解分析成果,加快分析讨论的步骤。 想了解更多转步数据分析技巧吗?欢迎在底下留言或一秒给我们,我们下次影片见!

