前言

本書的使用方法



序章∼寫在學習統計之前

序章1 到底是什麼統計學？

序章2 生活充滿統計，以及致富線索

專欄 世界三大謊言

序章3 升職、加薪都離不開統計學

序章4 改變視角、早一步占得先機

序章5 面對統計數據，掌握工具、冷靜分析

專欄 錯誤的統計不會消失

序章6 超困難的計算，交給電腦就好

專欄 從古埃及就開始使用統計學了

序章7 測驗時間：你跟統計有多熟？

專欄 老學不會統計？問題不在你身上



第1章 統計學的基礎∼情報致富的祕密，從資料整理開始

1-1 原始數據是統計學的命脈∼「個別數據」很重要

專欄 原始資料、次級資料、開放式資料與封閉式資料

1-2 統計資料種類多，你確定有看懂？∼數量資料與質的資料

專欄 質的資料與數量資料的進一步分類

1-3 以表單彙整資料才清楚∼資料整理是有規則的

1-4 把表單變圖表，資料更清晰∼直方圖與次數分配曲線

專欄 圖表是否會隨著縮小組距而消失？

1-5 看懂各式圖表，數據不誤判∼圓餅圖、長條圖、折線圖……

1-6 一個數字就能展現資料特徵∼代表值與離散程度

專欄 什麼是峰度與偏度？

1-7 生活中最常見的「平均數」

1-8 利用「中位數」避免極端值干擾

1-9 生產商品，看「眾數」更適合

1-10 平均數、中位數、眾數與圖表

專欄 L型分配中的平均數、中位數與眾數

1-11分散程度如何影響資料判斷？

專欄 四分位差（Quartile Deviation, QD）

1-12 統計學中最重要的「變異數」

專欄 變異數會因單位不同而改變

1-13 變異數的分身「標準差」

專欄 數學上較易處理的差值平方和與變異數

1-14 使用標準化統一規格

1-15 數值經過標準化才有意義

專欄 學校老師最愛把統計數字掛在嘴邊

1-16 人生也有標準差與偏差值嗎？



第2章 機率的基本概念∼買樂透、抽樣調查、預測未來全是機率

2-1 推論統計學的基礎：機率

專欄 隨機抽樣是推論統計學的重要概念

2-2 世界處處充滿隨機資訊

專欄 透過Excel體驗隨機

2-3 可在生活中驗證的「統計機率」

2-4 一般說的機率是指「數學機率」

專欄 小小骰子，其實大有學問

2-5 用隨機變數，把文字化為數字

2-6 從相對次數分配到機率分配

2-7 隨機變數的平均數、變異數、標準差

2-8 機率分配的女王：常態分配

專欄 常態分配中的機率和標準差σ

2-9 容易使人受騙的母體、樣本與抽樣

專欄 隨機撥號抽樣法（RDD法）

2-10 樣本該不該放回去？∼放回抽樣、不放回抽樣

專欄 不同的樣本，抽取方式的總數量各是多少？

2-11 母體分配和樣本分配

2-12 推論統計學的重要工具∼中央極限定理

專欄 生活中的小遊戲也跟隨機分配大有關聯



第3章 推論統計學∼讓你聞一知十、搶占先機，工作處理快又有效率

3-1 搞懂統計，對工作大有助益

3-2 只用一個數據就能推估全體∼點估計

專欄 內閣支持率會隨媒體立場而有巨大差異

3-3 抽樣區間也是關鍵∼區間估計

3-4 區間估計的公式怎麼來？∼從中央極限定理推導

3-5 信賴水準到底是什麼意思？∼信賴水準95％、99％

3-6 優良的估計量必須具備不偏性

專欄 具備不偏性、一致性和有效性，才是良好估計量

3-7 變數並不代表可任意變動∼自由度

3-8 以100人的資料推估全體（區間估計實例1：大樣本）

3-9 以10人的資料推估全體（區間估計實例2：小樣本）

3-10 比例的區間估計（區間估計實例3：母體比例）

3-11 用上帝視角檢視估計∼區間估計真的準確嗎？



第4章 統計的假設檢定∼推翻原本的假設，不被數據誤導

4-1 判斷資料的重要方法：統計檢定

4-2 設定拒絕域，驗證資料正確性

專欄 假設檢定同樣以機率分配為基礎

4-3 小心疏忽和含糊的錯誤∼檢定的兩個錯誤

4-4 統計檢定的四個步驟

專欄 硬幣正反面的重量不一樣？

4-5 以100人的資料進行母體平均數假設檢定（假設檢定實例1：大樣本）

4-6 以10人的資料進行母體平均數假設檢定（假設檢定實例2：小樣本）

專欄 司徒頓t分配

4-7 以100人的比率推估母體比例假設檢定（假設檢定實例3：母體比例）

4-8 用上帝視角檢視檢定∼如何捨棄或接受虛無假設？

專欄 什麼是變異數分析？



第5章 用相關分析找出資料關聯性∼提升業績、預測銷售都靠它

5-1 將變數間的關係視覺化∼相關圖（散布圖）

專欄 小心，假相關騙了你

5-2 用正負值判斷變數間的相關性∼共變異數

5-3 廣告預算下得越多，銷售額就越高嗎？∼相關係數

5-4 用表單呈現兩變數間的關係∼交叉表

專欄 可同時分析多個變數的多變量分析



第6章 預測未來的迴歸分析∼職場上不可或缺的武器

6-1 以廣告預算預測銷售額：簡單線性迴歸分析

6-2 你的預測準確度有多高？：判定係數

6-3 以廣告預算及銷售員人數預測銷售額：複迴歸分析

專欄 為什麼要取名「迴歸」？

6-4 用經營者視角般分析公司：迴歸分析應用

專欄 調整自由度，判定係數更精準



第7章 AI時代最被看重的貝式統計學∼從丟硬幣到大數據都用得上

7-1 丟硬幣出現正反面的機率，並非正好一半

專欄 科摩哥洛夫的機率公理

7-2 貝式定理必備的符號和術語

7-3 賭博、醫療都派得上用場：超厲害的貝式定理

專欄 貝氏定理發現者：湯瑪士．貝葉斯

7-4 什麼！機率會隨著經驗改變？

7-5 垃圾郵件終結者：貝氏過濾法

專欄 在現代社會大放異彩的貝式定理



附錄

附錄1 序章7的統計測驗答案

附錄2 LINEST函數的使用方式

附錄3 各式機率分配簡介

附錄4 排列組合簡介? ?

附錄5 獨立試驗與重複試驗? ?

附錄6 中央極限定理的實例說明

附錄7 用貝氏定理計算硬幣的機率問題

附錄8 如何將「資料分析」工具新增至Excel？

附錄9 1-3節的測驗解答



?

前言



　　隨著電腦以及各種優秀的多功能軟體普及，從前難以計算的統計資料，現今已逐漸被大多數的人們廣泛運用。如此的結果，讓統計學這種把現代生活中所能看到的各項數據，以不同角度進行分析的學問，變成了一種廣受現代人歡迎的流行學科。此外，隨著IT科技的迅速發展，使得那些與以往截然不同的龐大資訊量，在這個世界上相互流通傳播，所謂的「大數據時代」（Big Data）已然來到你我的生活。



　　想要在這樣的時代中生存下來，有關統計學的學習已經變成不可或缺的要素之一。有兩個主要原因，第一個原因，是為了要使用統計學進行數據（資料）分析。若我們能學習並了解如何應用相關統計學知識的話，就可以積極地統整那些，充斥在IT社會中，堆積如山的龐大資料，例如：GDP、股票價格波動、經濟成長率、政府支持率、失業率和產品廣告等，使它們變成一座大寶庫。



　　第二個原因，是為了正確解讀第三者所製作的統計資料。在這社會上，充斥著許多你我雖然不知道，但實際上卻包含各式錯誤的統計分析資料。如果我們無法將這些錯誤揪出來的話，便容易在會議或商談時造成誤判，進而導致更多嚴重的後果。因此，出了社會才正是人們學習統計學的大好時機。



　　此外，在過去電腦尚未普及的年代，統計數據是一項困難且非常麻煩的研究；人們運用算盤或計算機，日日夜夜重複著無趣的計算，真是一件相當乏味的事。然而，現今社會則不一樣，你可以運用身邊的電腦軟體（例如：Excel）進行複雜的計算過程，輕輕鬆鬆就可以完成統計與分析作業。只要確實具備統計學基本常識，任何人都能從大量的數據中獲得豐富情報，並從中找出財富自由的線索。



　　這本書收錄大量圖解、Excel實作加上豐富案例和測驗，以最簡單、有效率的方式讓讀者輕鬆理解統計學。不過，它並不僅僅是單純的教科書而已，還是一個實用的商業武器，使你能夠正確預測未來、不被數據誤導、正確掌握賺錢情報，搶占先機。希望這本書，能成為各位讀者拉開與同事的差距、升職加薪的助力，那將會是我最大的榮幸。

?