統計學:從概念到數據分析(第二版)

統計學:從概念到數據分析(第二版)

《統計學:從概念到數據分析(第二版)》是2016年4月高等教育出版社出版的圖書,作者是吳喜之、劉超。

基本介紹

  • 書名:統計學:從概念到數據分析(第二版)
  • 作者:吳喜之、劉超
  • 出版社:高等教育出版社
  • 出版時間:2016年4月
  • 頁數:217 頁
  • 定價:26.4 元
  • 開本:16 開
  • 裝幀:平裝
  • ISBN:9787040449723
內容簡介,圖書目錄,

內容簡介

  《統計學:從概念到數據分析(第二版)》主要介紹了機率基礎、統計的基本概念、描述性統計、估計、假設檢驗、回歸與分類等內容,同時介紹了一些經典的數據挖掘方法以及如何用R軟體來實現相應的計算目標。
  《統計學:從概念到數據分析(第二版)》著重直觀討論,儘量少用公式,避免數學推導,強調統計學的基本內容及套用,使讀者能夠完整、準確地理解統計學的概念,學會利用R軟體進行數據分析。
  《統計學:從概念到數據分析(第二版)》主要是為非統計學專業的學生和讀者編寫,讀者不需要任何機率統計基礎知識。

圖書目錄

第一章 引言
1.1 什麼是科學方法?
1.2 什麼是統計學?
1.3 統計學習需要的基礎知識和技能
1.4 習題
第二章 數據和變數
2.1 變數
2.2 數據
2.3 總體、樣本和抽樣
2.3 1幾個基本概念
2.3.2 抽樣調查方法
2.4 習題
第三章 數據的展示和描述方法
3.1 制表方法
3.2 統計圖
3.2.1 條形圖
3.2.2 餅圖
3.2.3 直方圖
3.2.4 盒形圖
3.2.5 莖葉圖
3.2.6 散點圖
3.2.7 其他的圖描述法
3.3 用少量匯總數字的描述方法
3.3.1 關於數據位置的匯總統計量
3.3.2 關於數據尺度的匯總統計量
3.3.3 標準得分、標準化和離群點
3.4 習題
第四章 變數的分布
4.1 機率和機率分布
4.2 機率運算回顧
4.3 離散型隨機變數的分布
4.3.1 二項分布
4.3.2 多項分布
4.3.3 超幾何分布
4.3.4 Poisson分布
4.4 連續型隨機變數的分布
4.4.1 均勻分布
4.4.2 常態分配
4.4.3 總體分位數和尾機率
4.5 簡單機率計算例子
4.6 用小機率事件進行判斷
4.7 習題
第五章 抽樣分布
5.1 樣本函式的分布
5.1.1 樣本均值的分布
5.1.2 樣本均值的性質和中心極限定理
5.1.3 樣本比例的抽樣分布
5.2 常用的抽樣分布
5.2.1 χ2分布
5.2.2 t分布
5.2.3 F分布
5.3 非正態數據的正態化變換
5.4 統計量的一些常用函式
5.5 習題
第六章 簡單統計推斷:對總體參數的估計
6.1 點估計
6.2 區問估計
6.2.1 常態分配總體均值μ的區間估計
6.2.2 兩個獨立常態分配總體均值差μ1-μ2的區間估計
6.2.3 配對常態分配總體均值差μD=μ1一μ2的區間估計
6.2.4 總體比例(BeTnoulli試驗成功機率)p的區間估計
6.2.5 如何概算調查所需的樣本量
6.2.6 總體比例(Bernoulli試驗成功機率)之差p1一p2的區間估計
6.3 習題
第七章 簡單統計推斷:總體參數的假設檢驗
7.1 假設檢驗的過程和邏輯
7.2 正態總體均值的檢驗
7.2.1 對一個正態總體均值μ的t檢驗
7.2.2 對兩個正態總體均值之差μ1-μ2的t檢驗
7.2.3 配對常態分配總體均值差μD=μl-μ2的t檢驗
7.3 總體比例(Bernoulli試驗成功機率)p的檢驗
7.3.1 一個總體比例p的檢驗
7.3.2 兩個總體比例之差m-p2的檢驗
7.4 關於中位數的非參數檢驗
7.4.1 非參數檢驗簡介
7.4.2 單樣本的關於總體中位數(或總體α分位數)的符號檢驗
7.4.3 單樣本的關於對稱總體中位數(總體均值)的Wilcoxon符號秩檢驗
7.4.4 比較兩獨立樣本總體中位數的Wilcoxon秩和檢驗
7.5 習題
第八章 變數之間的關係
8.1 定性變數之間的相關
8.1.1 列聯表
8.1 X2檢驗
8.2 定量變數之間的相關
8.2.1 相關關係的圖形描述
8.2.2 相關關係的數字刻畫:Pearson線性相關係數
8.2.3 相關關係的數字刻畫:Kendau.T相關係數
8.3 習題
第九章 經典回歸和分類
9.1 回歸和分類概述
9.1.1 “黑匣子”說法
9.1.2 試圖破解“黑匣子”的實踐
9.1.3 回歸和分類的區別
9.2 線性回歸模型
9.2.1 因變數和自變數均為數量型變數的情形
9.2.2 因變數是數量型變數而自變數包含分類變數的情形
9.2.3 對於回歸利用交叉驗證的例子
9.3 Loglstic回歸
9.4 判別分析
9.5 習題
第十章 現代回歸和分類:數據挖掘方法
10.1 決策樹:分類樹和回歸樹
10.1.1 分類樹
10.1.2 回歸樹
10.2 組合方法:adaboost,bagging和隨機森林
10.2.1 為什麼組合?
10.2.2 Boosting
10.2.3 Bagging
10.2.4 隨機森林
10.3 對於例9.6和例9.3的交叉驗證結果
10.4 習題
附錄:熟練使用R軟體
參考文獻

熱門詞條

聯絡我們