-
Notifications
You must be signed in to change notification settings - Fork 38
Expand file tree
/
Copy pathTutorial_180629_Statistics.html
More file actions
1191 lines (691 loc) · 51.7 KB
/
Tutorial_180629_Statistics.html
File metadata and controls
1191 lines (691 loc) · 51.7 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
<!DOCTYPE HTML>
<html lang="" >
<head>
<meta charset="UTF-8">
<meta content="text/html; charset=utf-8" http-equiv="Content-Type">
<title>통계 기본 개념과 설명 · GitBook</title>
<meta http-equiv="X-UA-Compatible" content="IE=edge" />
<meta name="description" content="">
<meta name="generator" content="GitBook 3.2.3">
<link rel="stylesheet" href="gitbook/style.css">
<link rel="stylesheet" href="gitbook/gitbook-plugin-highlight/website.css">
<link rel="stylesheet" href="gitbook/gitbook-plugin-search/search.css">
<link rel="stylesheet" href="gitbook/gitbook-plugin-fontsettings/website.css">
<meta name="HandheldFriendly" content="true"/>
<meta name="viewport" content="width=device-width, initial-scale=1, user-scalable=no">
<meta name="apple-mobile-web-app-capable" content="yes">
<meta name="apple-mobile-web-app-status-bar-style" content="black">
<link rel="apple-touch-icon-precomposed" sizes="152x152" href="gitbook/images/apple-touch-icon-precomposed-152.png">
<link rel="shortcut icon" href="gitbook/images/favicon.ico" type="image/x-icon">
<link rel="next" href="Tutorial_180702_Programming_Intro.html" />
<link rel="prev" href="Tutorial_180629_Github_practice_Statistics1.html" />
</head>
<body>
<div class="book">
<div class="book-summary">
<div id="book-search-input" role="search">
<input type="text" placeholder="Type to search" />
</div>
<nav role="navigation">
<ul class="summary">
<li class="chapter " data-level="1.1" data-path="./">
<a href="./">
Introduction
</a>
</li>
<li class="chapter " data-level="1.2" data-path="Tutorial_180628_Git_and_Github.html">
<a href="Tutorial_180628_Git_and_Github.html">
Git과 Github, 기본 개념과 설명
</a>
</li>
<li class="chapter " data-level="1.3" data-path="Tutorial_180629_Git_with_constitution.html">
<a href="Tutorial_180629_Git_with_constitution.html">
헌법개정안으로 깃베쉬, 소스트리, 브랜치 이해하기
</a>
</li>
<li class="chapter " data-level="1.4" data-path="Tutorial_180629_Github_practice_Statistics1.html">
<a href="Tutorial_180629_Github_practice_Statistics1.html">
확률통계 기초와 깃허브 실습
</a>
</li>
<li class="chapter active" data-level="1.5" data-path="Tutorial_180629_Statistics.html">
<a href="Tutorial_180629_Statistics.html">
통계 기본 개념과 설명
</a>
</li>
<li class="chapter " data-level="1.6" data-path="Tutorial_180702_Programming_Intro.html">
<a href="Tutorial_180702_Programming_Intro.html">
스크래치 실습을 통한 프로그래밍 맛보기
</a>
</li>
<li class="chapter " data-level="1.7" data-path="Tutorial_180702_tidydata.html">
<a href="Tutorial_180702_tidydata.html">
데이터다루기(tidydata)와 프로그래밍기초
</a>
</li>
<li class="chapter " data-level="1.8" data-path="Tutorial_180703_Python_introduction.html">
<a href="Tutorial_180703_Python_introduction.html">
파이썬 기초
</a>
</li>
<li class="chapter " data-level="1.9" data-path="Tutorial_180705_PythonReview_Lamda.html">
<a href="Tutorial_180705_PythonReview_Lamda.html">
범죄데이터로 파이썬 실습 (Lamda)
</a>
</li>
<li class="chapter " data-level="1.10" data-path="Tutorial_180705_Resume_01.html">
<a href="Tutorial_180705_Resume_01.html">
특강-자기소개서 워크숍(1)
</a>
</li>
<li class="chapter " data-level="1.11" data-path="Tutorial_180706_Civic_hacking_seminar.html">
<a href="Tutorial_180706_Civic_hacking_seminar.html">
특강-시빅해킹
</a>
</li>
<li class="chapter " data-level="1.12" data-path="Tutorial_180709_StaticBlogging_JekyllandRuby.html">
<a href="Tutorial_180709_StaticBlogging_JekyllandRuby.html">
지킬과 루비로 정적 블로그 만들기
</a>
</li>
<li class="chapter " data-level="1.13" data-path="Tutorial_180710_Lecture_Cooperation.html">
<a href="Tutorial_180710_Lecture_Cooperation.html">
특강-협업
</a>
</li>
<li class="chapter " data-level="1.14" data-path="Tutorial_180710_Lecture_Speciality.html">
<a href="Tutorial_180710_Lecture_Speciality.html">
특강-전문성
</a>
</li>
<li class="chapter " data-level="1.15" data-path="Tutorial_180712_DataVisualization101.html">
<a href="Tutorial_180712_DataVisualization101.html">
데이터 시각화 이해
</a>
</li>
<li class="chapter " data-level="1.16" data-path="Tutorial_180712_AttraciveResume2.html">
<a href="Tutorial_180712_AttraciveResume2.html">
특강-자기소개서 워크숍(2)
</a>
</li>
<li class="chapter " data-level="1.17" data-path="Tutorial_180713_Pandas101.html">
<a href="Tutorial_180713_Pandas101.html">
자료의 요약 과제를 통한 판다스 실습
</a>
</li>
<li class="chapter " data-level="1.18" data-path="Tutorial_180713_ExperimentDesignLecture.html">
<a href="Tutorial_180713_ExperimentDesignLecture.html">
특강-실험계획에 관해 알아보기
</a>
</li>
<li class="chapter " data-level="1.19" data-path="Tutorial_180716_Crawling_Shuffle.html">
<a href="Tutorial_180716_Crawling_Shuffle.html">
저작권과 직업윤리를 인지하고 크롤링 셔플 실습
</a>
</li>
<li class="chapter " data-level="1.20" data-path="Tutorial_180716_Markup_Html5lib.html">
<a href="Tutorial_180716_Markup_Html5lib.html">
Markup Html5lib, 파이썬으로 크롤링하기
</a>
</li>
<li class="chapter " data-level="1.21" data-path="Tutorial_180717_10minPandas.html">
<a href="Tutorial_180717_10minPandas.html">
Pandas 10분 완성
</a>
</li>
<li class="chapter " data-level="1.22" data-path="Tutorial_180717_PandasPetition.html">
<a href="Tutorial_180717_PandasPetition.html">
국민청원 첫시작 판다스로 국민청원하기
</a>
</li>
<li class="chapter " data-level="1.23" data-path="Tutorial_180719_BeautifulSoup.html">
<a href="Tutorial_180719_BeautifulSoup.html">
Beautiful Soup을 사용하여 크롤링
</a>
</li>
<li class="chapter " data-level="1.24" data-path="Tutorial_180719_plotnine.md">
<span>
국민청원 데이터 시각화와 자연어 처리-plontnine 실습하기
</a>
</li>
<li class="chapter " data-level="1.25" data-path="Tutorial_180720_coupang.html">
<a href="Tutorial_180720_coupang.html">
특강 - 비전공자가 데이터 분석가로 취업하기
</a>
</li>
<li class="chapter " data-level="1.26" data-path="Tutorial_180720_ProbabilityDistribution.html">
<a href="Tutorial_180720_ProbabilityDistribution.html">
통계학-자료의 요약, 확률분포(ProbabilityDistribution)
</a>
</li>
<li class="chapter " data-level="1.27" data-path="Tutorial_180723_Machine_learning.html">
<a href="Tutorial_180723_Machine_learning.html">
기계학습의 기초(지도학습/비지도학습/머신러닝)
</a>
</li>
<li class="chapter " data-level="1.28" data-path="Tutorial_180723_word_vectorsization.html">
<a href="Tutorial_180723_word_vectorsization.html">
텍스트 데이터 시각화 Word_vectorsization
</a>
</li>
<li class="chapter " data-level="1.29" data-path="Tutorial_180726_naver.html">
<a href="Tutorial_180726_naver.html">
특강 - AI R&D Director
</a>
</li>
<li class="chapter " data-level="1.30" data-path="Tutorial_180726_library.md">
<span>
전국도서관표준데이터 분석
</a>
</li>
<li class="chapter " data-level="1.31" data-path="Tutorial_180730_Categorizing_v2.html">
<a href="Tutorial_180730_Categorizing_v2.html">
국민청원 카테고리 분류하기
</a>
</li>
<li class="chapter " data-level="1.32" data-path="Tutorial_180730_Kaggle_NLP_v2.html">
<a href="Tutorial_180730_Kaggle_NLP_v2.html">
Kaggle NLP로 예측율 높이기
</a>
</li>
<li class="chapter " data-level="1.33" data-path="Tutorial_180730_Statistics.html">
<a href="Tutorial_180730_Statistics.html">
Hypothesis test
</a>
</li>
<li class="chapter " data-level="1.34" data-path="Tutorial_180731_MTPlanning.html">
<a href="Tutorial_180731_MTPlanning.html">
데잇걸즈 MT 계획으로 애자일 프로세스 실습해보기
</a>
</li>
<li class="chapter " data-level="1.35" data-path="Tutorial_180802_ZigZag.html">
<a href="Tutorial_180802_ZigZag.html">
특강 - 쇼핑몰 데이터 분석 이야기
</a>
</li>
<li class="chapter " data-level="1.36" data-path="Tutorial_180803_GettingJobGithub.html">
<a href="Tutorial_180803_GettingJobGithub.html">
깃허브로 취업하기
</a>
</li>
<li class="chapter " data-level="1.37" data-path="Tutorial_180803_Statistics4.html">
<a href="Tutorial_180803_Statistics4.html">
회귀분석(Linear regression)
</a>
</li>
<li class="chapter " data-level="1.38" data-path="Tutorial_180806_Folium_practice.md">
<span>
공공데이터 상권정보 분석해 보기
</a>
</li>
<li class="chapter " data-level="1.39" data-path="Tutorial_180806_Geolocatin_API_practice.md">
<span>
서울창업허브(공덕역) 맛집지도
</a>
</li>
<li class="chapter " data-level="1.40" data-path="Tutorial_180806_XGBoost.md">
<span>
XGBoost 분산형 그래디언트 부스팅 알고리즘
</a>
</li>
<li class="chapter " data-level="1.41" data-path="Tutorial_180807_Git_review.html">
<a href="Tutorial_180807_Git_review.html">
깃과 깃헙 복습, 다른 사람의 레파지토리에 기여하기
</a>
</li>
<li class="chapter " data-level="1.42" data-path="Tutorial_180810_Apt_analysis_Statistics5.html">
<a href="Tutorial_180810_Apt_analysis_Statistics5.html">
아파트 분양가 분석 및 회귀분석2
</a>
</li>
<li class="chapter " data-level="1.43" data-path="Tutorial_180813_kaggle_Titanic.html">
<a href="Tutorial_180813_kaggle_Titanic.html">
스프레드시트로 캐글 타이타닉 참가하기
</a>
</li>
<li class="chapter " data-level="1.44" data-path="Tutorial_180814_Python_Class.html">
<a href="Tutorial_180814_Python_Class.html">
객체지향 프로그래밍
</a>
</li>
<li class="chapter " data-level="1.45" data-path="Tutorial_180814_Test_Driven_Development.html">
<a href="Tutorial_180814_Test_Driven_Development.html">
테스트 주도 개발
</a>
</li>
<li class="chapter " data-level="1.46" data-path="Tutorial_180817_Colors_in_Data_Visualization.md">
<span>
데이터 시각화와 색의 활용
</a>
</li>
<li class="chapter " data-level="1.47" data-path="Tutorial_180817_Statistics5.html">
<a href="Tutorial_180817_Statistics5.html">
통계-회귀분석3
</a>
</li>
<li class="divider"></li>
<li>
<a href="https://www.gitbook.com" target="blank" class="gitbook-link">
Published with GitBook
</a>
</li>
</ul>
</nav>
</div>
<div class="book-body">
<div class="body-inner">
<div class="book-header" role="navigation">
<!-- Title -->
<h1>
<i class="fa fa-circle-o-notch fa-spin"></i>
<a href="." >통계 기본 개념과 설명</a>
</h1>
</div>
<div class="page-wrapper" tabindex="-1" role="main">
<div class="page-inner">
<div id="book-search-results">
<div class="search-noresults">
<section class="normal markdown-section">
<h1 id="통계">통계</h1>
<h3 id="통계학--자료의-수집과정을-설계-자료를-요약-해석-결론-도출하고일반화하는-전체적인-원리와-방법론을-제공">통계학 : 자료의 수집과정을 설계, 자료를 요약, 해석, 결론 도출하고<br>일반화하는 전체적인 원리와 방법론을 제공</h3>
<hr>
<h4 id="11-통계-기본-용어">1.1 통계 기본 용어</h4>
<blockquote>
<ul>
<li>모집단(population) : 관심의 대상이 되는 모든 객체의 특성을 나타내는 관측값이나 측정값의 전체 집합</li>
<li>추출단위(sampling unit) : 전체를 구성하는 각 개체들</li>
<li>특성값(characteristi) : 각 추출단위의 특성을 나타내는 값</li>
<li>표본(sample) : 통계적 분석을 위해 실제로 뽑힌 추출단위들의 집합<ul>
<li>(모집단은 규모가 크기 때문에 조사에 시간적, 공간적 제약이 따름 -> 표본을 통해 데이터 수집)</li>
</ul>
</li>
<li>관찰값(observed values) : 표본의 특성값, 관찰된 측정값</li>
<li>모수(parameter) : 모집단의 특성을 나타내는 양적인 측도.(고유의 상수)</li>
<li>통계량(statistic) : 표본에 대한 특성 나타내는 양적인 측도.(표본을 통해 모집단의 특성 추론해야 함)</li>
</ul>
<p>ex) 투표율 </p>
<ul>
<li>모집단 : 투표권이 있는 사람 </li>
<li>모수 : 모집단의 특성을 나타내줌</li>
<li>표본 : 나이, 성별, 지역 등 특정 기준으로 나눈 객체 </li>
<li>통계량 : 표본에 대한 특성 나타내줌
<br><br></li>
</ul>
</blockquote>
<h4 id="12-통계학을-활용하는-목적">1.2 통계학을 활용하는 목적</h4>
<p>: 불확실성의 해소 / 예측 / 의사결정 / 연관성 파악 / 요약 / 보편성 부여
<br></p>
<ul>
<li>빅 데이터(수 많은 데이터) 중 의미가 있는 부분을 선별해 유의성을 찾아낼 수 있는 '도구' 로서 "통계학" 활용<br></li>
</ul>
<h4 id="13-통계의-한계">1.3 통계의 한계</h4>
<ul>
<li>표본에서 결과 얻기 때문에 정확한 결과 내기 어려움</li>
<li>확률이 없으면 의미 없다.</li>
<li>항상 틀릴 가능성을 내포함<ul>
<li>평균을 예측하기보다는 <strong>평균을 예측할 수 있는 신뢰구간</strong>이 중요!</li>
</ul>
</li>
</ul>
<blockquote>
<p>ex) 문재인 투표율 30%</p>
<ol>
<li>금천구 25%~35%</li>
<li>구로구 28%~32%
<br>...
<br> <em> 신뢰구간 100개 구했을 때 30%를 포함할 확률이 95% => 신뢰구간 95%
<br> </em> 100% 신뢰구간은 지양(표본이 너무 크기 때문에)</li>
</ol>
</blockquote>
<p><em>빅데이터 시대, 모집단을 다 가지고 있는 것이 좋은 것일까?</em>
<br><br></p>
<h4 id="14-차원의-저주curse-of-dimension">1.4 차원의 저주(Curse of Dimension)</h4>
<p>: 변수가 증가하면 그것을 표현하기 위한 데이터 양(같은 비율의 공간)이 기하급수적으로 증가<br>
1) 차원의 저주 </p>
<ul>
<li>차원이 증가할수록 데이터의 밀도는 급속도로 희박(sparse)해짐</li>
<li>전체 공간에 있는 변수 양 동일, 우리가 찾고자 하는 공간에 있는 데이터의 양이 줄어든다.</li>
<li>일정 차원을 넘으면 분류기의 성능 떨어짐 -> overfitting<ul>
<li>overfitting : 많은 연산이 쌓이면서 오차가 증가한다. 예측력이 낮다.</li>
</ul>
</li>
</ul>
<blockquote>
<p>ex) 1차원 20% - 각 변수 20%<br>
2차원 20% - 각 변수 45%<br>
3차원 20 % - 각 변수 58%<br>
차원에 따른 변수의 할당량이 다름 : 변수가 늘어나면 데이터공간을 채우는 비율(%)이 줄어들기 때문에 변수가 많아질 수록 분석에 요구되는 데이터 건수도 증가</p>
</blockquote>
<p>2) 변수가 많을 때 줄이는 법 (분석가의 몫!)</p>
<ul>
<li>missing 비율이 큰 변수 지우기</li>
<li>현업과 상의해서 변수 제거 (도메인이 중요! 최적의 방법)</li>
<li>PCA</li>
<li>lasso
<br></li>
</ul>
<h4 id="15-데이터-분석-도구---python--r--excel">1.5 데이터 분석 도구 : Python / R / EXCEL</h4>
<ul>
<li>python : 다양한 데이터 분석 라이브러리 존재, 오픈소스, 프로그래밍 실력이 분석의 질을 크게 좌우 </li>
<li>R : 통계분석을 목적으로 만들어진 언어, 다양한 통계 관련 라이브러리 존재</li>
<li>EXCEL : 사용하기엔 쉽지만 대용량 데이터 다루기에는 부적절,<br>add-in 프로그램 통해 다양한 데이터 편집 및 고급 분석 가능(구글 드라이브 스프레드시트 add-on)</li>
<li>엑셀 </li>
</ul>
<table>
<thead>
<tr>
<th>값</th>
<th>함수</th>
</tr>
</thead>
<tbody>
<tr>
<td>중앙값</td>
<td>MEDIAN(범위)</td>
</tr>
<tr>
<td>분산</td>
<td>VAR(범위)</td>
</tr>
<tr>
<td>표준편차</td>
<td>STDEV(범위)</td>
</tr>
<tr>
<td>상관계수</td>
<td>CORREL(범위)</td>
</tr>
</tbody>
</table>
<p><br></p>
<h4 id="16-데이터-분석-프로세스">1.6 데이터 분석 프로세스</h4>
<ul>
<li><p>SEMMA : 솔루션 업체인 SAS사 주도로 만들어진 방법론 </p>
<ul>
<li>Sample : 샘플 선택</li>
<li>Explore(*) : 데이터 변수 </li>
<li>Modify : 유의미한 변수 찾기, 변수 변환, 파생변수 생성</li>
<li>Model : 통계 모델 </li>
<li>Assess : 모델링 작동 평가</li>
</ul>
</li>
<li><p>EDA : Exploratory Data Analysis, 탐색적 자료 분석</p>
<ul>
<li>분석의 시작은 그림!</li>
<li>데이터가 가진 정보를 데이터의 탐색만으로 얻는 방법. </li>
<li>데이터로부터 정보 얻기 위해 다양한 시도가 필수! </li>
<li>EDA를 통해 데이터의 패턴, 규칙 파악
<br></li>
</ul>
</li>
</ul>
<h4 id="17-자료의-분류">1.7 자료의 분류</h4>
<ul>
<li>수치형 변수(Numerical Variable) <ul>
<li>연속형 변수(Continous Variable) : 키, 몸무게, 온도, 거리 (정확한 값X, 연속적 수)</li>
<li>이산형 변수(Discrete Variable) : 수강생 수, 카페의 개수 (정확한 숫자로 이루어진 값)</li>
</ul>
</li>
<li>범주형 변수(Categorial Variable)<ul>
<li>명목형 변수(Nominal Variable) : 혈액형, 성별, 통신사</li>
<li>순위형 변수(Ordinal Variable) : 학년, 등급, 설문지 척도</li>
</ul>
</li>
</ul>
<table>
<thead>
<tr>
<th>수치형 변수</th>
<th>범주형 변수</th>
</tr>
</thead>
<tbody>
<tr>
<td>연속형 변수</td>
<td>명목형 변수</td>
</tr>
<tr>
<td>이산형 변수</td>
<td>순위형 변수</td>
</tr>
</tbody>
</table>
<p><br></p>
<h4 id="18-범주형-자료의-요약">1.8 범주형 자료의 요약</h4>
<p>: 도수분포표, 원형 그래프, 막대그래프, 파레토 그림<br>
: 각 범주의 개수 세어서 요약, 전체에서 범주의 비율 파악</p>
<ul>
<li><p>도수분포표 : 범주와 그 범주에 대응하는 도수와 상대도수를 나열한 표. 전체 자료의 개요 파악하기 쉬움.</p>
<ul>
<li>도수(frequency) : 각 범주에 속하는 관측값의 개수</li>
<li>상대도수(relative frequency) : 도수를 자료 전체의 개수로 나눈 비율</li>
<li>(상대도수의 합은 항상 1)</li>
</ul>
</li>
<li><p>원형그래프(Pie Chart) : 중심각을 상대도수에 비례하여 조각으로 나눔.</p>
<ul>
<li>전체에서 범주의 개수, 각 범주의 차지 비율 파악하기 쉬움.</li>
<li>도수 크기 차이 파악하기엔 어려움</li>
</ul>
</li>
<li><p>막대그래프 : 각 범주를 도수의 크기만큼 막대로 그린 그래프</p>
<ul>
<li>각 범주 간의 도수 비교하는데 쉬움.</li>
<li>도수와 상대도수 중 어느 것을 이용해도 그림의 모양 같음.</li>
</ul>
</li>
<li><p>파레토그림 : 상대도수의 크기가 큰 순서로 범주를 왼쪽 부터 오른쪽으로 나열한 막대그래프</p>
<ul>
<li>상대도수가 증가하는 정도와 큰 도수의 범주들이 차지하는 비율 쉽게 파악 가능</li>
<li>순위형 자료와 같이 범주의 순서가 의미있는 자료에서는 사용하지 않음.</li>
</ul>
</li>
</ul>
<blockquote>
<p><쉬어가기>
'빅데이터'의 등장? 기술의 차이x 환경과 조직의 인식의 차이! (데이터분석과 의사결정을 보다 더 가깝게)<br>
서버기술의 발전으로 기존의 데이터 분석을 보다 빠르게(real-time), 시각화가 가능해 졌다.<br>
빅데이터-데이터사이언스 : 작은 샘플링이라도 유의미한 인사이트 도출하기 위한 사회적 분위기에 편승됨.<br>
과거엔 본질 < 키워드, 하지만 본질에 집중해야 함! <br></p>
</blockquote>
<table>
<thead>
<tr>
<th>prediction</th>
<th>forecast</th>
</tr>
</thead>
<tbody>
<tr>
<td> 예측</td>
<td>전망</td>
</tr>
<tr>
<td> 상관관계</td>
<td>인과관계</td>
</tr>
<tr>
<td> 구체적,명시적</td>
<td>확률적 진술</td>
</tr>
<tr>
<td> 7월2일 오전 10시에 데잇걸스 수업을 받고 있을 것이다</td>
<td>다음주에 데잇걸스 수업을 갈 확률은 30%다.</td>
</tr>
</tbody>
</table>
<blockquote>
<p>빅데이터 & FUTURE PREDICTION <br>
Forecast와 Prediction 중 Prediction에 가깝다.<br>
즉, '과거'의 패턴을 '통계'기법으로 분석 -> '미래'를 제시 <br></p>
</blockquote>
<p><br></p>
<blockquote>
<h3 id="data-prediction-statistics-sampling-에-대한-의미-생각해보기">DATA, PREDICTION, STATISTICS, SAMPLING 에 대한 의미 생각해보기</h3>
</blockquote>
<p><br></p>
<h4 id="19-연속형-자료의-요약">1.9 연속형 자료의 요약</h4>
<ul>
<li>연속형 자료의 요약 : 점도표, 도수분포표, 히스토그램, 도수다각형, 줄기-잎 그림<ul>
<li>(수치 자료가 연속적인 척도로 관측된 자료)</li>
</ul>
</li>
</ul>
<p>1) 점도표 : 눈금을 표시한 수평선에 각 관측값에 해당되는 위치에 점 찍어 표시</p>
<ul>
<li>관측값의 개수가 상대적으로 적은 경우에 이용 (20~25 이하)
2) 도수분포표 : 모든 관측값을 포함하는 범위를 몇 개의 구간으로 나누어 작성</li>
<li>계급(class) : 나뉘어진 각 부분</li>
<li>계급구간(class interval) : 각 계급에 포함되는 값의 범위</li>
<li>계급구간의 폭 : 각 계급구간의 크기 (계급 구간의 폭에 따라 그림이 달라짐)
3) 히스토그램(중요*) : 범주형 자료의 막대그래프와 유사하지만 붙어있는 막대 그래프</li>