엑셀 사용을위한 통계에 대해 알아야 할 10 가지 - 더미

Excel은 통계를 사용해야 할 때 유용한 도구입니다. 학교에서 통계에 노출 된 경험이 없거나 10 년이나 2 년이 지난 지금도이 팁을 통해 Excel에서 제공하는 통계 도구를 사용할 수 있습니다.

설명 적 통계는 간단합니다.

알아 두어야 할 첫 번째 사실은 일부 통계 분석과 통계적 측정이 매우 간단하다는 것입니다. 피벗 테이블 교차 표 및 통계 함수 중 일부와 같은 것을 포함하는 설명 통계는 정량 분석이 아닌 사람에게조차 의미가 있습니다.

평균이

라는 용어를 사용하는 경우 는 일반적으로 가장 일반적으로 사용되는 평균 측정 값이며 는 평균. 용어 가 라는 용어가 부정확하다는 것을 이해하면 Excel의 통계 기능을 더 잘 이해할 수 있습니다.

이 논의를보다 구체적으로 설명하기 위해 1, 2, 3, 4 및 5의 작은 값 집합을 살펴 보는 것으로 가정합니다. 알 수 있듯이이 작은 값 집합의 평균은 3입니다. 집합의 모든 수 (1 + 2 + 3 + 4 + 5)를 합산 한 다음이 합계 (15)를 집합 (5)의 총 값 수로 나누면 평균을 계산할 수 있습니다.

중간 값 은 가장 큰 값과 가장 작은 값을 구분하는 값입니다. 데이터 세트 1, 2, 3, 4 및 5에서 중앙값은 3입니다. 값 3은 가장 큰 값 (4와 5)을 가장 작은 값 (1과 2)에서 분리합니다.

다른 평균 측정 값을 이해할 필요는 없지만 average 라는 용어는 매우 부정확합니다.

표준 편차는 분산을 설명합니다.

표준 편차

는 데이터 세트의 값이 평균 주변에서 어떻게 변하는지를 설명합니다. 표준 편차와 같은 통계적 측정에 대한 깔끔한 점은보고있는 데이터의 특성에 대한 실제 통찰력을 얻는 경우가 많습니다. 또 다른 한가지는이 두 비트의 데이터로 샘플을보고 데이터에 대한 추론을 그릴 수 있다는 것입니다. 관측은 관측입니다. 관측

은 통계에 대해 읽는다면 만날 수있는 용어 중 하나입니다. 관찰은 단지 관찰 일뿐입니다. 관측 용어를 정의하는 한 가지 방법은 다음과 같습니다. 실제로 임의의 변수 중 하나에 값을 할당 할 때마다 관측치를 만듭니다.

표본은 값의 하위 집합입니다. A

표본

은 모집단의 관측 모음입니다. 예를 들어, 근처에 일일 고온을 기록하는 데이터 세트를 작성하면 작은 관찰 자료가 샘플이됩니다. 비교할 때, 표본은 모집단이 아닙니다. 모집단

에는 모든 가능한 관측치가 포함됩니다. 추론 통계는 시원하지만 복잡합니다. 모집단의 값 샘플을보고 샘플이 대표적이고 충분히 큰 경우 샘플의 특성을 기반으로 모집단에 대한 결론을 도출 할 수 있습니다.

정확도 문제

가파른 학습 곡선

확률 분포 함수가 항상 혼란스럽지는 않습니다.

• P

• 유능한 통계치는 매우 강력하지만, 당신이 알아야 할 두 가지 자질을 가지고 있습니다. function

꽤 까다로워 보인다. 실제로 유용한 예제를 통해 확률 분포 함수가 무엇인지 직관적으로 이해할 수 있습니다.

예를 들어 통계 클래스에서 들었던 일반적인 분포 중 하나는 T 분포입니다. T 분포 는 본질적으로 더 무겁고 두드러진 꼬리를 제외하고는 정규 분포입니다. 하나의 일반적인 확률 분포 함수는 균일 한 분포이다.

균일 한 분포에서 모든 이벤트는 동일한 발생 확률을 갖습니다. 이 배포판에 대한 유일한 점은 모든 것이 매우 귀중하다는 것입니다. 확률 분포 함수의 또 다른 일반적인 유형은 종곡

또는 가우스 분포라고도 알려진 정규 분포

이다. 정규 분포는 많은 경우 자연스럽게 발생합니다. 예를 들어 지능 지수 (IQ)는 정상적으로 분산됩니다. 파라미터는 복잡하지 않다. 파라미터 는 확률 분포 함수에 대한 입력이다. 즉, 확률 분포 곡선을 설명하는 수식이나 함수 또는 수식에는 입력이 필요합니다. 통계에서 이러한 입력을 매개 변수라고합니다. 일부 확률 분포 함수는 단일 매개 변수 하나만 있으면된다. 예를 들어, 균일 한 분포로 작업하려면 실제로 필요한 것은 데이터 세트의 값 수입니다. 예를 들어, 6 면체 다이는 6 가지 가능성 밖에 없습니다. 왜곡과 첨도는 확률 분포의 모양을 묘사합니다. 알아두면 유용한 통계적 용어로는 왜곡과 첨도가 있습니다.

왜도 (Skewness)

는 확률 분포에서 대칭성의 부족을 정량화합니다. 완벽하게 대칭적인 분포에서 정규 분포와 마찬가지로 왜곡은 0과 같습니다. 그러나 확률 분포가 오른쪽이나 왼쪽으로 기울어지면 비대칭은 0이 아닌 다른 값과 같으며 값은 대칭성 부족을 정량화합니다.

첨도 는 분포에서 꼬리의 무거움을 정량화합니다. 정규 분포에서 첨도는 0입니다. 꼬리

는 왼쪽이나 오른쪽에 도달하는 것입니다. 그러나 분포의 꼬리가 정규 분포보다 무겁다면 첨도는 양수입니다.분포의 꼬리가 정규 분포보다 더 가늘다면 첨도는 음수입니다.

처음에는 신뢰 구간이 복잡해 보이지만 유용합니다.

확률은 종종 사람들을 혼란스럽게합니다. 신뢰 수준에 대해 이해하는 것이 중요한 것은 오류의 한계와 관련이 있다는 것입니다. 신뢰도를 이해하는 또 다른 중요한 점은 표본 크기가 커질수록 같은 오차 수준을 사용하여 오차 범위가 작아진다는 것입니다. 중소 기업을 홍보하기 위해 실행중인 두 개의 서로 다른 웹 광고에 대한 Google 웹 로그 분석 데이터가 있고 어떤 광고가 더 효과적인지 알고 싶다고 가정 해 보겠습니다. 신뢰 구간 공식을 사용하면 광고가 실제로 얼마나 효과적인지 파악하기 위해 Google에서 충분한 데이터를 수집하기 전에 광고를 실행해야하는 시간을 파악할 수 있습니다.