搜尋結果
2019年7月24日 · 屬於冰川湖的「夢蓮湖」在十峰谷下，海拔高度約1,884公尺，無污染下呈現非常清澈的感覺，而且因為折射沉積的岩粉，所以是藍綠色澤，要拍出好照片可以站在Rockpile Trail的頂端，對了！這 個湖泊 每年只開放5~10月喔～
- 統計學是一門關於改變既定觀念的學科
- 貝葉斯學派從先驗信念的角度看待問題
- 假設是對現實世界的一種「可能的」描述
- 簡而言之，假設檢驗的目的在於：「我們的事實證據能否拒絕零假設？」
- P 值理論是統計學中重要的一部分
- 信賴區間與零假設不重疊的話，就改變你的看法吧
- 數學理論是建立零假設的基礎，這也是 p 值理論的來源
- 我們做準備工作了嗎？這是功效所衡量的內容
- 功效分析用於檢查在著手之前你是否準備了足夠的數據
- 數據越多越容易杜絕錯誤的結論
一般情況下，我們根據事件（統計參數）進行決策尚有難度，更何況有時候我們連對應的事件都沒有。相反，我們已知的部分事件（統計樣本）與我們所希望知道的整體事件（統計總體）之間可能會存在很大的差異。這就意味測量本身是存在著不確定性的。 統計學是一門能在充滿不確定性的情況下改變你對事物看法的科學。當然，首先要確定的是：你目前的看法從何而來？是基於假設檢驗還是基於先驗信念？或者也有可能你沒有任何看法，大腦一片空白。
貝葉斯統計學通過結合數據來更新人們對事物的先驗信念（無需經驗或先於經驗獲得的知識，簡單來說就像是「直覺」。）。貝葉斯學派傾向於使用信賴區間（即介於兩個數字之間的區間）來表示結果。 頻率學派則主張從頻率的角度看待問題。 頻率學派統計學著重於改變一個人的選擇。人們不需要任何先驗信念就可以做出下意識的選擇，也無需分析任何數據。頻率學派統計學（也被稱為古典統計學）大多出現在日常生活中或者像 STAT101 這種統計學入門課程中，因此本文也對這類經典的理論進行介紹。
零假設描述的是一種缺省的情況，即默認的選擇；備擇假設（又稱：對立假設）則是與零假設對立的其他一種或者多種情況。如果我用數據證明了「零假設」並不成立，那麼你就可以拒絕「零假設」從而接受備擇假設。 例如：如果你每天早上用於準備的時間少於 15 分鐘（零假設），我們就可以一起去上課（默認情況）。但是，如果事實（數據）證明你得花更長的時間（對立假設）才能準備好的話，你就只能自己一個人去了，因為在你準備好之前我已經走了（備選情況）。
所有的假設檢驗都在問這樣一個問題：我們的證據能否拒絕零假設？拒絕零假設意味著我們學到了一些東西，我們應該改變自己的觀念。不拒絕零假設意味著我們沒有學到任何新的東西。 就像我們在樹林裡徒步旅行的時候，在周圍沒有看到其他人並不能證明地球上沒有人類，只是意味著我們沒有學到有關人類活動範圍的新知識。如果沒有學到新知識，你也不必沮喪，因為你已經知道確切的應對方法。既然你沒有學到新知識，也就沒有理由改變觀念，所以繼續採取默認做法就可以了。 那麼我們怎麼判斷我們是否學到了新內容？所謂“新內容”，就是與默認選擇完全相悖，可以讓我們新知識。為了得到上面問題的答案，我們可以查看兩個統計參數，P值和置信區間。
P 值闡述了這樣一個統計參數：如果接受原假設，觀察樣本對原假設的支持程度。通過 P 值可以判斷假設是否成立。P值越小，意味著默認結果出現的概率越小，「新內容」出現的可能性越大，統計越顯著，說明你應該改變先前的觀念。 進行假設檢驗，我們只需要將 P 值與顯著性水平進行比較。這就像是一個旋鈕，可以用來控制我們承受風險的大小。顯著性水平指當原假設正確時，人們卻因拒絕它而犯錯的上限概率。如果你將顯著性水平設置為 0，那麼就意味著你拒絕了備擇假設。那麼停下筆吧！別分析數據了，直接按默認方法去做吧。（但堅持默認做法也有可能是錯誤的。） 如何使用 P 值來獲取假設檢驗的結果。如果 P 值小於顯著性水平，拒絕原假設；如果 P 值大於顯著性水平，接受原假設。 信賴區間可以用來表示假設檢驗的結果。它的用法是，檢...
雖然信賴區間的定義晦澀難懂，但它有兩大優點有助於描述數據特性：（1）區間總是包含最合理的假設（2）數據量越大，區間範圍越窄。請注意，置信區間和 P 值並沒有簡練精闢的定義，因為當初設計這兩個統計參數的目的不在於方便教學。它們只是總結檢驗結果的方法。（如果你上了一節統計課，發現根本記不住這些的定義，原因就在於此。我來代表統計學說一句：不是你的鍋，是我自己的鍋。） 這樣做的意義是，如果你按照我剛才描述的方法進行測試，數學可以保證你犯錯誤的風險被限制在你選擇的顯著性水平以內（這就是為什麼你親自設置顯著性水平很重要……數學計算就是為了保證你所選擇的風險設置得以實現，如果你不費心選擇就沒有意義了。）
數學可以製造和檢驗零假設這個「玩具宇宙」（親愛的統計學家們，這多麼的酷啊！？簡直太酷了！），並生成數據，從而與已有的數據集進行相似度對比。如果你的零假設玩具宇宙與現實數據相似的可能性太低，你的 P 值將會很低，你最終會拒絕零假設……那就改變主意接受備擇假設吧！ 那些瘋狂的公式、概率、分佈是用來做什麼的呢？它們讓我們得以描述那些統治零假設世界的一系列規則，從而判斷零假設是否與真實世界相符。如果不是，你就可以大喊：「太荒唐了！拉出去砍了！」如果相符，你聳聳肩，遺憾沒學到新知識。以後我們再深入討論這個話題。 就目前而言，只需將數學的作用看作是幫我們建立了多個小的玩具世界，幫助我們進行檢驗，看看真實數據如果放進玩具世界中是否合理。P 值和信賴區間是幫你總結的方法，讓你不需要眯眼費力來閱讀關於這個世界...
等一下，我們是否做足了準備工作，確保我們實實在在的收集了足夠的證據，讓我們有足夠的把握地改變觀念了嗎？這個問題的答案是由功效這個概念所衡量的。不改變觀念很簡單，只要不去尋找支持它的證據就好了。你的功效越大，說明你給自己更多機會來改變觀念。功效是拒絕原假設且結果正確的概率。 當繼續採取默認做法，我們雖然沒學到什麼，如果用功效對原假設進行衡量也能讓我們感覺更好。至少我們做了足夠的準備，也進行了嘗試。如果沒有用功效進行衡量，我們肯定不會改變自己的觀念。這樣甚至不需要去分析數據了。
功效分析是對給定數量的數據檢測預期功效大小的一種方法，你可以借助功效分析制定研究計畫。 不確定性意味著，即使你擁有世上最棒的數學方法，也可能得出錯誤的結論。 統計是什麼？在不確定性中找確定性的神奇魔法。但沒有哪種魔法可以做到這一點，人們總會犯錯誤。提到錯誤，在頻率統計中有兩類經常出現的錯誤。 第一類錯誤是指原假設是對的，我們卻拒絕了原假設。大概就是，老兄，雖然你對這個默認做法很滿意，但你的數學計算說服你放棄它。第二類錯誤是指原假設是錯的，我們卻接受了原假設。（我們統計學家對命名真是有創意。猜一猜哪一個錯誤更糟糕？第一類？沒錯，很有創意吧。） 第一類錯誤就像是給一個無辜的人定罪，而第二類錯誤則是未能給一個有罪的人定罪。犯這兩類錯誤的概率是平衡的（提高抓住壞人的概率也同時提高了錯判好人的概率），...
什麼是多重比較校正（multiplecomparisons correction）呢？如果你打算對同一個受試群體詢問多個問題時，那麼你必須以不同的、不斷調整的方式詢問。如果你一遍又一遍地審訊無辜的嫌疑人（當你持續探測你的數據），最終某個隨機事件總會讓案子看起來有罪。 「統計顯著」（statistically significant）這個術語並不意味著在零假設的世界裡發生了重要的事情，它僅僅意味著我們改變了看法。這種改變也可能是錯誤的，都怪煩人的不確定性！ 別浪費你的時間來嚴謹地回答錯誤的問題了，試試統計學的方法吧！ 那什麼是第三類錯誤呢？這是一個統計學的笑話：它指的是正確地拒絕了錯誤的零假設。換句話說，運用的數學方法都是正確的，卻回答了錯誤的問題。 解決這個錯誤的問題的一個方法可以在「智能決...
2021年9月1日 · 谷元宏表示，沒有人能料到疫情，是因為 momo 已先洞察到電商未來兩到三年的大趨勢，所以有預先佈局衛星倉，把最常搶購一空的貨事先備齊。 「你會希望消費者上來都是找得到貨的，更要思考有這麼多貨，該怎麼把貨送給客人？ 谷元宏舉例說，在網際網路建立初期，最難處理的技術問題不是演算法，而是「量」，「甚至現在到了逢年過節，火車票難搶也是『量』的問題。 圖片來源： 2021 CONNECT. 訂閱 TechOrange 年度趨勢特展 2021 CONNECT，簡立峰、林之晨、谷元宏齊手勾勒疫後新經濟樣貌！ 點我訂閱. 所以 momo 率先想到的是，「 該怎麼解決同一時間蜂擁而來的量，這些量一定要分散，所以我們整個物流的布局就以分散式布局為主。 人、電腦與倉儲靈活調度，是 momo 出貨不打結的關鍵.
2021年8月4日 · 分享本文. 【為什麼我們要挑選這篇文章】Google、IBM、Intel、微軟等科技巨頭皆看好量子電腦（Quantum computer）高速運算的優勢，紛紛投入研發，但想讓量子運算落地，還有一大難題須克服：量子位元具有量子力學一個有趣的特徵，它們在被觀察時的行為 ...
2021年6月1日 · 隨著綠能發展，分散式電網是台灣電網可能的發展方向，但綠能需要儲能設備的支援，以達到削峰填谷的功用。 王柏棠表示，台灣的儲能設備技術才剛開始，因此市場上有多種技術，還不知道哪個效率最高，也不知道哪個最安全，需要時間競爭，讓市場 ...
2021年2月9日 · 台達解釋，台灣現在的用電問題並非電不夠，而是同一時間用電量太大、電能又沒有被儲存起來，台達布局的電動車儲能系統就是想做到「削峰填谷」，減少電動車對城市可能對電網帶來的衝擊，「未來『儲能系統』會是智慧城市中一個非常重要的環節。
2021年11月9日 · Google 全球合作夥伴關係副總裁 Bonita C. Stewart 則以人資主管的角度，結合過去她在大型企業打滾 30 年以及在 Google 任職近 15 年的經驗，歸納出了最希望在求職者身上聽到的「 六大話題 」。 1. 沒有學位的人，透過興趣和愛好來獲取專業知識，這種「可轉移的技能、經驗」（transferable skills / experience）可以多加討論。 例如， 如果你要面試一個入門級的行銷職位，不等於你需要先做 10 個行銷實習，才有資格申請。 也許你在家鄉籌辦了一次社區服務活動，你可以告訴面試者自己曾經構思並執行過什麼創新策略，成功吸引了人們的關注並投入參與。 2. 拋出「開放性」的問題，將「事實」（如策略面、產品面等）與其連結，提出建設性的觀點。
