【Lecture】L1 Introduction|生物統計|臺大公衛洪弘教授

MeDA
2粉絲
聯絡信箱:[email protected]
#MeDA #MeDASchool #Biostatistics #LinearRegression #LogisticRegression #PoissonRegression #SurvivalAnalysis
那我字彙盡量寫的大啦
那講話就這樣講
所以如果你覺得聽不清楚
或怎麼樣再跟我反應
那就是版書
那參考書我當然大綱上有列幾本書啦
那原則上我不會照著某一本書
這樣一路講下來
就是我有自己濃縮的方式這樣
所以那評分的方式
我們有期中考
有期末考
那期中期末考大概就各佔
期中期末考然後有作業
然後再來是實習
總共有四個部分
比例我會再大概調整
但一般就是四個25%
期中期末作業跟實習課
那也許作業會變30%
然後實習20%
Depends
我會再調整一下
那實習課就是我們這個課
正課是每週四下午的就是六七節
那接下來會接兩堂實習課
實習課就是我們電腦教室
所以會在後面教室上課
那我們會上的是R的操作軟體課
那作業的方式
這門課作業應該算多啦
基本上就是平均大概三週會有兩份作業
三週大概兩份
那作業有一部分會是小組作業
小組作業
所以基本上你們等一下下課就可以開始
大概最多三人一組
你要一個人一組也可以啦
那你如果分組有困難的話
跟助教反應
我們助教有三位助教
助教有在現場嗎
助教舉手一下好嗎
一二三好那麻煩你們站起來一下
我們有三位助教
這三個
兩個男生一個女生
他基本上會負責
好謝謝請坐
那實習課的上課
就是我負責政課完之後
助教會上實習課
然後會三位助教輪流上課
另外兩位助教會在臺下
協助各位同學操作
那操作我們是用R這個軟體
同學都接觸過R嗎
沒有沒關係我們會教啦
你們生統一可能學的是SARS
是嗎
都有那很好
那有些沒學過的
那所以等一下
今天我大概講完
然後大概講一下這門課的步驟之後
我們就直接接實習課
所以你們可以
我們今天只是教那個R的安裝
然後基本的很簡單的操作
那後面的R就是會搭配我政課的內容
然後
那今年因為這門課有多開放一個
數學系的某些課程
有數學系來的嗎
只有一個
那好我本來怕不夠座
因為人數所以只有你一個
還有沒有你有同學會來嗎
我不知道你也不認識
你是修
你分三段修
你是都有選還是隻選兩段
好那我就特別講給你聽
因為這課是今年才這樣子規劃
就是數學系那個王偉忠老師
他把這門課規劃成這個
智慧醫療影像分析的基礎課程
然後分成三段都是一學分
但是我們這門課本身是公位二的生統二必修
所以課程上當然會分成三個主題
那你要分學分修也可以
但是考試參加上會比較麻煩
因為我們只有期中期末考
不會有三個考試
然後課程段的方式在期中考
也不見得只有你的那個第一學分的部分
所以你如果是隻修一部分的話
那你可能就
你是修哪一部分
一還二還三
三個都修啦
那如果三個都修最好
那是因為有人數限制
那如果你們學校那邊人都不來的話
那你就可以上這樣子
就是說這個教室
因為它有空間的限制
我怕坐不下
因為選課就七十人
所以看起來是沒有錢來啦
那數學系
如果是數學系的下課
等一下再來召回一下
我們再討論一下
然後這門課
公文系的同學應該知道
往年的經驗大概七分之一會要上第二次
七分之一
大概七分之一
七個人就有一個
那所以就是你必須要花一點時間
那我不會用很難的數學
但是那些數學應該就是我們的高中的程度
加上你的微積分
可能也不用
基本上就微積分就一次
大概用到一兩次
然後大概作業會花比較多的時間
尤其是作業跟小組作業
所以需要花比較多的時間在理解這些
所以你要有一些心理準備
那當然統計是我們這個
公衛的一個很重要的工具之一
你將來大學畢業你研究所
不論你是哪一樓的研究所
我們有很多研究所
大概六七個
那大概都要用統計
有專門研究統計的這個留育所生同學
那也有應用的
那不管你是在應用還是非應用
那基本上非應用一定也要用統計
你們收集資料得到結論的話
就是根據一個統計學的使用
所以基本上課程的設計
就是為了將來你在做研究的時候
知道怎麼做
知道他為什麼要這樣做
遇到問題的時候不會當在那裡
你有某種程度的能力去自己解決問題
這是目前的課程的目標
那數學系的同學
如果你是比較追求理論的話
這門課不會講太多的detail的這種
我們大概就是希望是在直觀上能對
然後搭配簡單的數學的推導
那這樣可以做就可以做了
可以嗎 同學有任何問題嗎
大概有公衛系的
然後留育所的好像有五個是嗎
留育所的
有沒有
沒有
留育所的
因為這門課基本上就是
基本上就是很傳統的生物統計學二
所以那個內容不會太難
你們自己斟酌一下
它終究是大學部的必修這樣
好 那對課程有沒有什麼任何的問題
同學 沒有
實習分組
好 那如果沒有問題的話
我很快的大概介紹一下
我們這學期要上什麼
好 那第一堂課當然是幫各位稍微複習一下
勾起一些回憶
我們生統一上了些什麼東西
然後跟這門課大概有什麼差距
什麼不一樣
那我們在學生統一的時候
你大概也知道統計是要解決問題的
那我們在學生統一的時候
通常都會有一個 random variable
知道是什麼嗎
聽過這個字嗎
random variable
所以你們會看到一個問題
隨機變數
比方說描述身高 體重 血型等等
不管為什麼是隨機
是因為每個人抽出來的結果不一樣
那每一個隨機變數背後會有一個
它有一個分配函數
分配函數知道嗎 對不對
生統一有沒有介紹這個
描述它的這個機率的
這個隨機性的這個行為 對不對
那所以在這個隨機變數之下
我們就會去探討很多
我怎麼樣去了解這個隨機變數的
種種面向的行為
好 所以我們拿到資料的時候
我們怎麼樣去對這個資料有一些感覺
就是怎麼樣去對這個
隨機變數的行為去做一些
刻畫 估計 描述
所以我們在生統一學過的
對隨機變數一個資料來的時候
我們怎麼樣去對資料有一個感覺
我們會做什麼事情
畫圖 畫什麼圖
會畫什麼圖
散佈圖
一個點怎麼畫散佈圖
是散佈圖嗎
你想講的可能跟你講的不太一樣
散佈圖是兩個資料畫的 對不對
是不是有 x 橫過來纔有散佈
但你要在一條線上散佈也可以
再精確一點是什麼圖
如果是散佈你就看到一堆點
如果是同學講的散佈
如果資料是連續的話
你就看到一堆點在上面
有的密一點 有的開一點
這叫散佈
但是我們通常會把那個區間做某種的切
說在某個範圍
比方說身高
150到160當作一個區間
160到170當作一個區間
看這個區間有幾個人
對不對
這叫直條圖 Histogram
對不對
你剛剛講的是這個嗎
還是你剛剛講的是散佈圖
那叫 Histogram
大概就會看到一個分佈嘛 對不對
Histogram 基本上就是在看這個資料
到底它
大概有個感覺
資料的那個中心在哪裡
散佈程度怎麼樣
幾個峯
右邊左邊
右邊是什麼
右邊是尾巴
右邊長還是左邊長
右邊
右邊長
對不對
我們定的話是右邊長叫右邊
所以右邊的話就會涉及到
通常就會遇到說
在這種資料
期望值
平均數
和中位數會有很大的差異
對不對
那我們剛剛講到期望值
期望值
對一個隨機變數
我們會算它的期望值
描述這個資料的大概的那個中間的位置
那剛剛還涉及到一個中位數
這大概就是你最常去算的這個
統計量
算資料的平均數
算資料的中位數
知道它的 location
位置在哪裡
那當然位置不夠
統計是處理隨機性的一個學說
所以它必須要有某種程度去了解它的
這個我們叫散佈的程度是多還是少
所以量測資料的散佈程度的那個統計量是什麼
變異數
或是標準差
standard deviation
或 variance
對不對
variance
或是 standard deviation
這一個是平方的關係
那基本上這個量就代表了資料的離散的程度
對不對
那除了 histogram 之外
我們還會很常遇到的一個圖是什麼
在描述資料的整個的這個長相的一個圖是什麼圖
大概比較長
比較容易呈現
叫做 box plot
有沒有聽過
核虛圖
box plot
那其實跟 histogram 差不多
box plot 怎麼畫
我們畫 box plot 需要知道什麼東西
Q1 是什麼
第一次
就 25% 的資料的那個點
然後 50% 就是中位數
然後 75%
然後會算一個什麼
interquartile
是不是
Q3 減 Q1
然後就是你就可以看到一個
大概這樣子
然後中間一條線中位數
然後就有兩條虛虛
然後我們就把這個虛虛之外的資料
當成是極端值
類似這樣的做法
那不管這個圖
你把它反過來看
也是跟這個圖是做一樣的意思
對不對
只是它展現的方式不一樣
那反正 histogram 跟 box plot
在看的本質就是在反映
我的分配到底長什麼樣子
它背後有一個隨機性
這些圖都是在看這個
那它所對應的一些統計量
剛才寫到 Q1
Q3
還有你的 IQR
好 這些都是嘗試去對一個隨機變數
有一些感覺
視覺上的感覺在這裡
量化的感覺就在這裡
統計量
好 量化的感覺
那除了這些統計量之外
我們還會在生統一
應該還會看到一些
比較跟流病學和生物統計
生物醫學比較相關的幾個統計量
有沒有學過 arts
有聽過 arts 嗎
沒有
證算筆
arts
這個沒有學過是不是
有嗎
生統一有學過嗎
有沒有
有嗎
那有沒有學過 relative risk
好
所以就會有一些相對應的幾個統計量
來幫助你
但不管怎麼樣
源頭都是有一個分配
我們想要了解它的行為
那伴隨著幾個統計量
所以資料來的時候
我可以做這些事情
那生統一還學到另外一件事情
我們在這個階段
其實都沒有做任何的模式的建立
好
任何資料來的時候
我都可以算這些事情
我不需要做任何的 assumption
但是你在學生統一的時候
你還是會遇到要做到模型
建模型的那個階段
所謂建模型就是
最常見的就是一句話
就是假設身高服從常態分配
類似這樣的話
假設血型服從什麼什麼分配
好
那建模型
建模型的意思就是
你假設它有一個未知參數
data
那建模型最大的好處
是幫助我們能對這個資料的統計推論
做得更精確
那所謂這個建模型的概念
是一旦你建了模型之後
我需要對統計推論做的那個估計的標的
就是這個未知的參數
比方說常態分配裡面的兩個參數是什麼
有沒有學過常態分配
常態分配
我們描述常態分配
當我講常態分配的時候
那個分配的形狀我們就知道了
對不對
只是說這個分配的位置在哪裡
這個離散程度多少我不知道
所以我指定這就是建模
我建模型
我假設身高服從常態分配
就是我心目中認定
身高的 histogram
畫出來
大概要長這樣
只是說這個中間的位置在哪裡
這個離散的程度
是怎麼去描述的
我不知道
所以常態分配伴隨著那個未知參數
就是 mu 跟 sigma 平方
對不對
所以在常態分配之下
我們常常要去估計參數
做統計推論
有沒有遇過這樣的事情
有沒有
同學
有嗎
那怎麼樣估計 mu
mu 是什麼
常態分配之下
樣本平均數
對不對
sigma 平方就是用樣本變異數
sample standard deviation
跟 sample mean
李老師有教嗎
有嗎
對嘛
所以參數化
那我為什麼說我們喜歡做參數化
是因為
講個直覺
我們統計推論的標的
都是這個分配
你看這個分配是一個
一個函數對不對
我們要估計函數是很複雜的事情
函數基本上有
無窮多個未知點
因為意思是說你要把整個曲線畫出來
你隨便給我一個小 y
它的高度
f of y 我都要知道
所以直覺上來講
我估計函數基本上我要估計
無窮多個點的高度
但是我估計右邊的參數
只要估計兩個
就是那個 mu 跟 sigma 平方
所以在你的資料有限的情況之下
做這件事情比較容易
對不對
資料都一樣的
一個估兩個
一個估
不知道幾個
那一定是估這個有限的比較簡單
那比較簡單比較好
在統計上的意思就是
統計推論做的會比較精確
精確的意思就是
通常 variance 會比較小
variance 會比較小
所以我們會喜歡做模式
那當然做模式這件事情
不是沒有代價的
我喜歡加一個 m
這個 m 代表的是
資料分析者的信仰
所謂信仰就是做模式
建模型
這件事情到底對不對不知道
要去檢查
但是一旦對了
你就可以得到好處是
統計推論做的比較精確
但是也有可能做錯
那這個我們不探討
只是說我們在升統一的時候
後面你們幾個學到的一些事情
跟建模型這件事情是有關的
那建模型我們最常見的模型
就是常態分配
所以你可能會很常看到
也許看到這樣的
假設一筆資料
服從常態分配
有看過這樣的敘述嗎
有沒有
升統一有沒有出現這樣的敘述
不會寫符號
那怎麼寫
寫中文
來自常態分佈是嗎
是寫來自嗎
是這樣嗎
服從
我知道了
也沒有這個符號是不是
你們沒有看過這個嗎
他是誰
你說李老師是嗎
那不然是什麼
normal
會嗎
也不會
他寫常態
用中文
好那以後我們就簡寫成這樣
常態分佈
然後開始就是參數的估計
那參數的估計就會涉及到另外一件事情
叫做檢定
檢定嘛
常態分配之下的檢定
我要問你的 mu 是不是 mu0
mu
不等於假設
對不對
這就是模型
模式化之下做的事情
對不對
你還有做過什麼模式
還有接觸過什麼
在升統一接觸過什麼模型
有沒有學過
Bernoulli distribution
對
他也是中文是不是
Bernoulli
你講的是 binomial 是不是
Binomial
一樣
Bernoulli 跟 binomial
二項式分配
什麼時候用到二項式分配
什麼樣的實驗會對應二項式分配
丟銅板
丟幾個正面
丟骰子
正反
丟骰子也可以
是否出現 2
4 就是 1
不是就記 0
所以這個時候成功機率是六分之一
是不是
是嗎
是六分之一嗎
為什麼不是
對啊
是嗎
公正的骰子就是嘛
對不對
丟六分之一
所以他就是一個 Bernoulli distribution
他又沒有什麼
所以那個時候你會涉及到的模型是什麼
我們曾經接觸過的模型
Modeling
第一個就是常態分佈
Binomial
或是 Bernoulli
Binomial 的 n 變成 1 的時候就是 Bernoulli
對不對
這個知道嗎
對吧
所以這是一起的
那個 P 代表的是事件成功的機率
對不對
這邊是 mu 跟 sigma 平方
還有沒有其他分佈
還有學過什麼
法頌
法頌的分佈裡面有一個描述它的參數是什麼
lambda
lambda 是什麼
平均是什麼
平均的什麼
什麼的平均
什麼時候會用到法頌
離散就會用法頌嗎
罕見事件
一定要罕見嗎
什麼樣的資料的研究會讓你用到法頌
我們再走
時間
你說時間是不是
空間或時間的什麼
他有講到一個關鍵字
空間跟時間之下
然後怎麼樣
隨機的什麼
隨機的某個你特定觀測的事件的發生個數
比方說那個路口通過幾臺車
比方說這片晶圓上面有幾個是做壞的點
空間
時間
某一個特定你關心的某個東西
發生的次數
我們叫 count
counting
去計數對不對
在計數
這個是 counting
那 binomial 跟 Bernoulli
的那個結果就是我們剛剛講的
結果就是兩種
0 或 1 對不對
二元的
這是 binary 的
大概就這些分佈了
還有嗎
沒關係
那這是我們生酮劑大概學過的幾個建模型的
這些都是常識
那建模型的好處我剛剛講過
就是問題的精簡化
本來是一個完全未知的一個曲線
一旦建模之後
變成是對參數做統計推論
所以建模型最重要的步驟是
你必須知道每一個參數代表什麼意思
什麼意思
那接下來就會有一些相對應的參數的估計
或是參數的檢定
我們剛剛講過
所以在假設回到這個問題
常態分配之下我們要做檢定的話
這什麼 test
我們在生酮醫學過的檢定有什麼
t-test
對不對
這個問題之下對應就是 t-test
是不是
然後還有沒有其他的變化
two-sample t-test
兩羣資料我要去檢定它的平均數一不一樣
那 two-sample t-test
你在執行的時候還要去問說
這兩羣的 variance 一不一樣
你要說什麼
一不一樣
對不對
variance 一不一樣
基本上就是在模型之下對參數做檢定
檢定
好這大概是生酮醫學
喔還有
那這個問題我們剛剛講的 two-sample t-test
再延伸到多羣的是什麼
ANOVA
ANOVA 就在問的是多羣的資料的平均數是否一致
那它也是在某種模型之下做某種檢定
那反正這些都是一個 modeling 的概念
好
那基本上生酮醫學在 cover 的過程
基本上都是在問一個隨機變數
比較多
我說比較多
在問的是一個隨機變數的行為
就像我們剛剛寫的
我要知道這個隨機變數的行為
你要怎麼樣去量化它
視覺上的呈現它
然後進一步做的是更精確的統計的估計
再來是統計的檢定
都是講一個隨機變數的事情
那到生酮二之後
跟生酮一最大的差別就在於
變數不只一個
有另外一個 x
那比較要探討的最主要的主題是
這兩個變數之間怎麼樣影響彼此
好
一跟二最大的差別
但是二我們也確實碰過類似這樣的問題
我們在生酮一裡面應該有接觸到
當你的問題裡面有兩個變數的時候
怎麼樣去量測它的相關性
答案都講出來了對不對
相關性是什麼
相關係數嘛
相關係數在算什麼
還記不記得那個公式
沒有回歸
沒那麼複雜
相關性在算什麼
相關係數
皮爾森相關係數有學過嗎
有嘛
它的公式分子是什麼
相關係數
兩個變數的相關係數
分子在算的是共變因數
有聽過嗎
共變因數
對不對
然後你去算的時候是
n 分之一 summation
xi 減的 x bar
這是你在計算
我們用這個符號表示
那分母放的是什麼
根號的兩個變數的 pherons
對不對
那相關係數在描述兩個變數的相關性
什麼相關性
正相關是代表什麼意思
講得再精確一點
什麼叫正相關
斜率
如果一個變數
它的數值比它的平均數大的時候
另外一個變數也傾向比它的平均數來的大
我們變動的方向
相較於平均數
因為你在算公式的時候
都是有扣掉它的 x bar 跟 y bar
對不對
所以我剛才解釋的是
相較於平均數而言
它的增加的幅度是同向的
正相關
那相反就負相關
那相關係數有極值對不對
在正負一之間
正負一代表什麼意思
完全正相關或
就是完全的相關
那完全相關代表什麼意思
所有點可以用一條線描述
對不對
那零代表什麼意思
沒有相關
無線性相關
講得更精確一點
所以相關係數是一個線性的量測指標
線性
那相關係數是零不代表沒相關
只是沒線性相關
所以這是我們在生統一學過的第一個
應該是第一個
或是某一個量測變數跟變數之間的
關係性的一個統計量
還有沒有
還有沒有什麼方法
統計方法
我們生統一學的
在描述變數跟變數之間的關係
還有沒有
有沒有學過那個 contingency table
chi-square test
卡方解釋
卡方解釋在做什麼
問你不同的變數有不同的類別
然後請問你這兩個變數彼此會不會獨立
是不是
然後檢定就告訴我獨立
所以是否獨立也是在問相關性
對不對
那個 chi-square test
好這是我們在生統一
幾個學過的
所謂涉及到相關性
那生統二的相關性
我們希望能做得更多
然後透過
透過建模型的方式
你看一下這邊的相關性東西
它基本上會告訴你
有沒有相關
然後你大概知道
比方說你算相關係數
你可以知道相關性的強弱是多少
對不對
這個 chi-square test
會給你一個 p-value
是不是
所以 p-value 的大小大概也
足夠你反映說
到底是大還是小
但是在更精確的量化就沒辦法回答了
比方說 x 增加一單位的時候
y 怎麼變動
這件事情在生統一這種相關性的時候就做不到
那生統二基本上整個框架看起來
我希望做到這件事情很明確的
我要知道關係性之外
我還要告訴你
當你 x 增加一單位的時候
y 怎麼變動
所以這個首先顯示
相較於生統一
更為精確的一個相關性
那再講得更仔細一點
這裡的相關性
你會發現我們很希望
透過某一個量來描述這個相關性
這個量叫做條件期望值
其實期望值這件事情在統計裡面
本來就是一個很重要的指標
我們剛剛講過在不同的模型之下
你基本上都可以去算期望值
那在生統二裡面
我們講的這個 x 怎麼樣去影響 y
講得精確一點
我們想要知道當你的 x 變動的時候
y 怎麼變動
那這個變動講的是期望上的行為
因為資料是有隨機性的
每一個人的變動
他 exactly 到底是多少
我不是很關心
我關心的是 in average
平均的行為
我並不是關心某一個特定的個體
體重比方說 70 的時候
身高他這個人身高是多少
我不是關心這件事情
我關心的是體重是 70 公斤的這個羣體
平均上而言他的身高是多少
類似這樣的問題
那這個白話文從統計的語言來講
就是條件期望值的概念
這是一個 in average 的概念
那條件期望值
跟我們之前講的這個期望值概念上差不多
只是說我在計算的過程
特別把資料限制在某個 x 的特定範圍
比方說全班的平均身高
就是這件事情
男生的平均身高
就是 x 代表男生的時候
女生的平均身高
x 代表女生的時候
體重在 50 到 70
你給了一個條件
我去看那個條件的
指羣體的平均的行為
就叫條件期望值
所以我希望透過條件期望值
幫助我去了解
這個 x 在變動的時候
y 的平均行為怎麼樣跟著變動
進而做統計推論
進而回答你可能會遇到的一些統計問題
好 那條件期望值
我們先回來一下
當初你在學生統一的時候
條件期望值
我們講了三個很重要的模型
一個是常態分配
一個是 Bernoulli
一個是 Poisson
我們剛剛已經講過參數化
建模型裡面參數的重要性
那為什麼期望值這麼重要
也是因為這些參數
其實都跟期望值有關係
像這個 mu
其實 mu 就是期望值對不對
那 Bernoulli 的 p
Bernoulli 的時候
y 是二元的零或一
所以 binary 的期望值有沒有算過
y 的期望值是多少
n 有 n 嗎
這邊沒有 n
Bernoulli
我們講的是 binomial 對不對
這就是 p
是不是
李老師有沒有算給你們看
為什麼是 p
有嗎
所以在常態分配之下
期望值就是 mu
Bernoulli 之下就是 p
Poisson 也可以算
它基本上
這門課不會算
算出來是 lambda
所以剛剛有人講平均數
就是這個意思
代表參數的意思你要知道
它跟你的常見的幾個統計量
是有關係的
mu p lambda
所以這個東西叫做平均
那這就是機率
對不對
這是 probability
這個 lambda
你可能會看到叫 rate
對不對
我不太知道李老師用的那個語言
那就是平均的發生次數的概念
頻率嘛
是不是
這個 lambda 在描述的平均發生次數
都是期望值
可是你可以發現
不同的期望值
其實我們在做實際上的解釋的時候
會有不同的闡述
這三個的差別在哪裡
都是期望值
那為什麼
這邊沒有什麼特別的
這邊我要叫 probability
這邊叫 rate
為什麼解釋不同
這三個分佈
你仔細觀察一下
這三個分佈
都叫分佈
但是本質上
一個很大的差別在於
資料的型態不一樣
資料的型態
所謂資料的型態就是
當你承認常態分佈的時候
你基本上就承認你的資料
類似連續型的資料
類似身高
你說身高是離散
我也沒話講
但是你可以想像
身高 167.32
類似可以用這樣的概念去描述
它是一個連續的
比較接近連續的
連續型的資料
continuous
Bernoulli
對應的是 binary 的資料
對不對
我的結果只有
有跟沒有
實驗成功或失敗
就是用 0 跟 1 去紀錄
所以這是 binary
那法數我們剛剛講過
對應的是 count
你在計數
0 1 2 3 4 5
一路往上算
Bernoulli 就只有 0 1
那這個是屬於時數
那這個是屬於 0 1 2
你可以發現資料的結構的不同
資料結構
本身資料的特性不同
導致雖然都叫期望值
但是解釋上有一點點差異
有一點差異
所以類似這樣的結構
回到我們生酮二關心的條件期望值也成立
也成立
那連續的時候其實沒什麼好說
就是我們剛剛講的
剛剛舉的例子
在特定情況之下的
那羣人的平均身高
就是你給的一個條件的平均身高
如果是 binary 的時候
問的就是
在特定情況之下的事件發生機率
對不對
因為這邊是 probability
這個是機率
所以同樣的事情
這個期望值推廣到條件期望值的時候
在有解釋變數
某種 x 其他一個變數介入的情況之下
在這個變數在變化不同的條件的時候
我算的期望值會有
類似平行那邊的解釋
但是都要多加一個註解
就是在這個 x 的某種特定情況之下
所以我們要回答的是這三
這個東西
但是會根據不同的資料型態
來問你怎麼樣對它做統計推論
那因為資料型態的不同
我的目標都是這一個
只是因為資料的結構不同
連續 binary 跟 Poisson
我們的推論的方法會有一點點不太一樣
大框架是一樣的
但是在中間做模式建立的時候
模式建立的時候
簡單講就是我希望對它做
某種程度的 modeling
那為什麼要做 modeling
我們下一次再說
要做建模型
這個建模型
怎麼建模型
建模型之後就一定有某種參數存在
怎麼樣對那個參數做推論
那個參數是什麼意思
怎麼樣估計它
怎麼樣檢定它
怎麼樣把你的實際的問題
轉換成一個參數的問題
基本上生酮二就要學這些事情
這是基本上前十二週的課程
就是前十二週
所以基本上我們今天大概就上到這裡
那整個課程的方向就是在回答建模型
參數的估計
同學有問題嗎
那如果沒有問題的話
我們等一下就進行那個實習課
今天教的是那個 R 的安裝
基本的安裝跟操作
然後那個分組
麻煩你們先分好組
這個組你後面要換也可以換
但是你可以你要先訂
然後分好組之後請你寄給助教
可以嗎
讓助教知道哪些人
最多三個
然後最少一個
最少一個
然後
然後等一下
那個作業
作業我當然政課會出作業
那實習課助教也有可能會出作業
那作業繳交的時間是每一次上課前
就是我今天一點二十上課
一點二十前就請你放在這邊
作業
那作業到時候我會寄給各位
我會請助教寄電子檔給各位
那有的時候是手寫
有的時候需要搭配電腦
然後應該沒什麼問題了吧
好那如果沒有問題的話
我們就先休息一下
今天就上一節課
那所以電腦教室就提早開始上
好可以嗎
那可能他大概上一上應該不會
今天應該不會太久吧
基本的操作
所以我們有三位助教
所以有問題的就可以來找我
那沒問題就休息一下
等一下上實習課
我們政課下週開始
第一堂課講的就是這個
連續的隨機變數
他的條件希望是怎麼算
好就這樣
