實驗設計-7

寫到這邊，開始搞混了嗎？開始有點不知所措的嗎？
如果跟你說，再寫下去就是博士班資格考的內容時，你會不會打消學習意願了呢？
對我來說，知識比學歷重要。只可惜，台灣是一個重視學歷不重視知識的地方。
（往後會有更多數學，所以先補上這篇）

寫到這裡，只是統計的基本概念。往進階統計的方向寫下去，也有好多好多東西可以寫，機率就是一個很有趣的事情。再下去，數理統計、工程統計更是讓人一個頭兩個大。還可以朝品管的方向寫下去。還可以...。是的都可以。
而我，是因為看到最近又有什麼Big Data這個撈錢的術語。Data就是Data，沒有大小之分。若搞不清楚你收集資料的目的與意義，那也只是大垃圾與小垃圾之差別而已。

其實，真的沒有這麼難，而是你要知道你學這個要幹嘛？有很多在學校的老師都說數學不重要，不要學。我卻認為數學很重要，只可惜老師不會教。
而我，是學不是教。是從我自己學習的角度，來看這些「艱難」的學問。
還是回到原點，我們為什麼要學這些。

一切都是為了管理。
管理的目的是在控制異常。

所以，你才要去收集資料，看看他的誤差，然後「控制」這個誤差在你的理想範圍內。

所以，到目前為止，我們只有樣本數、樣本平均數、變異數、標準差、有中位數、四分位數等，這個期望用幾個數字，就能夠看出全貌。

說穿了，就是為了控制誤差。

因著誤差來源的因素不同，以及誤差所呈現的特殊樣式，所以後面才會搞出一堆有的沒有的數學模式。

之前提到過，為了讓「誤差減少誤差」所以，我們會「多抽樣幾個，並重複做幾次」。原則上每一次的抽樣都是獨立的行為。
這個模式就是單因子。我們只針對一個問題去抽取我們要的數據資料，利用「幾個」與「幾次」所得到的數據資料來推估母體，或者找出問題。

還有一種情境是「當這個配上那個會怎麼樣」這就是雙因子的問題。原則上每一次的抽樣，就得知道是在這個配上那個下所進行。這樣子的誤差就有可能會發生干擾。為了找出這個干擾，又有一堆的式子等著我們去學習，這類的應用甚至最後可以推估說，「這個配上那個根本沒有意義」，他們根本是獨立事件。

你想知道問題在哪裡嗎？你想透過資料找出問題在哪裡嗎？也許，你可以繼續看下去。

而我的目標，是希望這一段走完後，能慢慢走到機率論，再走到人工智慧的應用去。