相關主題
商品描述
本書為上海高等學校 本科課程的核心配套教材，面向統計分析初學者編寫。以培養統計推斷思維為主線，系統講解常用統計方法的基本假設、適用條件與結果解釋，幫助讀者建立規範、嚴謹的數據分析框架。全書基於 Python 語言與真實案例，涵蓋數據可視化、描述性統計、統計推斷、均值與比例比較、相關分析及線性模型等核心內容，突出理論與實踐的有機結合。配套提供完整代碼示例、典型案例與習題，便於教學與自學。既可作為本科相關課程教材，也適用於數據分析入門與實踐參考。
作者簡介
童善保，上海交通大學生物醫學工程學院教授。曾獲全國 博士學位論文獎、 自然科學一等獎、 教學成果二等獎、上海市自然科學二等獎、上海市第三屆教師教學創新大賽一等獎、上海市教學成果一等獎、上海交通大學“教書育人”獎，上海交通大學“佳和” 教學獎等。獲上海市教委“曙光學者”稱號。主講的“生物醫學統計概論”為上海高等學校 本科課程。現任Med-X Journal共同執行主編、 醫學與生物工程聯合會（IFMBE）期刊Medical & Biological Engineering & Computing主編。郭曉莉，上海交通大學生物醫學工程學院副研究員，被評為上海交通大學“ 教師”和“晨星青年教師”，教授“數據結構”“生物醫學數據采集與分析的統計學規範”等課程。施妍，上海交通大學生物醫學工程學院博士生。
目錄大綱
第1章 預備知識與數據可視化
1.0 引言
1.1 基本概念
1.1.1 總體、樣本、觀測值
1.1.2 參數與統計量
1.2 描述性統計與推斷性統計
1.3 常見數據類型和分布函數
1.3.1 常見數據類型
1.3.2 常見分布函數
1.4 大數定理和中心極限定理
1.4.1 大數定理
1.4.2 中心極限定理
1.5 Python及函數庫安裝
1.5.1 Anaconda發行版本的Python安裝步驟
1.5.2 Python工具包的安裝
1.5.3 Python中常用的數據分析函數包
1.6 基於Python的數據可視化基礎
1.6.1 數據可視化的重要性
1.6.2 Python可視化基礎語法
1.6.3 常用的數據可視化方法與應用場景
1.7 本章總結
本章練習題
第2章 描述性統計
2.0 引言
2.1 數據中心趨勢
2.2 數據離散程度
2.3 數據的分布特征
2.3.1 偏度
2.3.2 峰度
2.3.3 正態性
2.3.4 變異系數
2.3.5 箱體圖
2.4 本章總結
附錄A 樣本方差是總體方差的無偏估計的證明
本章練習題
第3章 統計推斷方法
3.0 引言
3.1 置信區間
3.2 零假設顯著性檢驗
3.3 Ⅰ類錯誤與Ⅱ類錯誤
3.4 常見問題和註意點
3.4.1 置信區間
3.4.2 零假設顯著性檢驗
3.4.3 什麼樣的假設才可以作為零假設(H0)?
3.4.4 NHST告訴我們H0或H1成立的概率了嗎?
3.5 參數推斷與非參數推斷
3.6 本章總結
本章練習題
第4章 均值的置信區間
4.0 引言
4.1 單個樣本均值的置信區間
4.1.1 案例
4.1.2 原理與方法
4.1.3 應用
4.1.4 Python演示
4.1.5 結果報告與解釋
4.2 兩個關聯(配對)樣本均值差異的置信區間
4.2.1 案例
4.2.2 原理與方法
4.2.3 應用
4.2.4 Python演示
4.2.5 常見問題及說明
4.3 兩個獨立樣本均值差異的置信區間
4.3.1 案例
4.3.2 原理與方法
4.3.3 Python函數演示
4.3.4 置信區間結果的報告
4.3.5 常見問題和註意點
4.4 本章總結
本章練習題
第5章 均值的零假設顯著性檢驗: z-檢驗和t-檢驗
5.0 引言
5.1 單個均值的零假設顯著性檢驗
5.1.1 案例
5.1.2 原理與方法
5.1.3 案例應用
5.1.4 Python演示
5.1.5 單邊z-檢驗和t-檢驗
5.1.6 z-檢驗和t-檢驗結果的報告
5.1.7 單個均值的非參數檢驗
5.1.8 常見問題
5.2 兩個相關(配對)樣本均值差異的零假設顯著性檢驗
5.2.1 原理與方法
5.2.2 應用場景
5.2.3 Python函數及演示
5.2.4 結果報告與解釋
5.2.5 兩個相關樣本均值差異的非參數檢驗
5.3 兩個獨立樣本均值差異的零假設顯著性檢驗
5.3.1 案例
5.3.2 原理與方法
5.3.3 應用
5.3.4 Python函數及演示
5.3.5 結果報告與解釋
5.3.6 兩個樣本均值差異的非參數檢驗
5.3.7 常見問題和註意事項
5.4 本章總結
本章練習題
第6章 單因素方差分析
6.0 引言
6.1 案例
6.2 原理和方法
6.2.1 方差分析
6.2.2 案例應用
6.2.3 Python演示
6.3 重覆測量單因素ANOVA
6.3.1 案例
6.3.2 原理與方法
6.3.3 Python演示
6.3.4 結果報告與解釋
6.4 單因素ANOVA的非參數檢驗方法
6.4.1 單因素ANOVA、重覆測量單因素ANOVA適用條件
6.4.2 Kruskal-Wallis檢驗的Python函數
6.4.3 Friedman檢驗的Python函數
6.5 本章總結
附錄A
A.1 單因素方差分析$SST=SSB+SSE$的推導
A.2 單因素重覆測量ANOVA $SST=SSB+SSS+SSE_m$的推導
A.3 雅各布·科恩(Jacob Cohen)推薦的ANOVA效應量大小解釋
本章練習題
第7章 兩因素方差分析
7.0 引言
7.1 應用案例
7.2 原理與方法
7.2.1 離差平方和分解
7.2.2 自由度來源
7.2.3 F-統計量和F-檢驗
7.2.4 效應量大小
7.2.5 案例應用
7.2.6 Python程序演示
7.2.7 結果報告與解釋
7.3 兩因素重覆測量方差分析,兩因素混合方差分析
7.3.1 兩因素重覆測量方差分析案例
7.3.2 Python代碼
7.3.3 結果報告與解釋
7.3.4 事後檢驗(post-hoc檢驗)
7.4 兩因素混合方差分析案例
7.4.1 兩因素混合方差分析案例
7.4.2 Python代碼
7.4.3 結果報告與解釋
7.5 ANOVA常見問題
7.5.1 事後檢驗
7.5.2 ANOVA適用條件
7.5.3 常見問題和錯誤
7.6 本章總結
附錄A
A.1 兩因素方差分析的離差平方和的分解
A.2 不平衡樣本ANOVA SS分解方法
本章練習題
第8章 比例的置信區間和檢驗
8.0 引言
8.1 單個比例的統計推斷
8.1.1 案例
8.1.2 原理與方法
8.1.3 應用
8.
