常用统计方法
常用统计方法：均值；中位数；众数；正态分布；抽样；标准差；概率论；t检验；方差分析；chi卡方检验；2，关于高斯分布或正态分布1733年，德-莫佛（De Moivre）在给友人分发的一篇文章中给出了正态曲线（这一历史开始被人们忽略）1783年，拉普拉斯建议正态曲线方程适合于表示误差分布的概率。
1809年，高斯发表了他的关于天体运行论的伟大著作，在这一著作的第二卷第三节中，他导出正态曲线适宜于表示误差规律，同时承认拉普拉斯较早的推导。
正态分布在十九世纪前叶因高斯的工作而加以推广，所以通常称作高斯分布。
卡尔-皮尔逊指出德-莫佛是正态曲线的创始人，第一个称它为正态分布，但人们仍习惯称之高斯分布。
3，关于最小二乘法1805年,Legendre提出最小二乘法，Gauss声称自己在1794年用过，并在1809年基于误差的高斯分布假设，给出了严格推导。
4，其它在十九世纪中叶，三个不同领域产生的重要发展都是基于随机性是自然界固有的这个前提上的。
阿道夫·凯特莱特（A. Quetlet,1869）利用概率性的概念来描述社会学和生物学现象（正态曲线从观察误差推广到各种数据）孟德尔（G.Mendel,1870）通过简单的随机性结构公式化了他的遗传法则玻尔兹曼（Boltzmann,1866）对理论物理中最重要的基本命题之一的热力学第二定律给出了一个统计学的解释。
1859 年，达尔文发表了《物种起源》，达尔文的工作对他的表兄弟高尔登爵士有深远影响，高尔登比达尔文更有数学素养，他开始利用概率工具分析生物现象，对生物计量学的基础做出了重要贡献（可以称他为生物信息学之父吧），高尔登爵士是第一个使用相关和回归这两个重要概念的人，他还是中位数和百分位数这种概念的创始人。
受高尔登工作影响，在伦敦的大学学院工作的卡尔-皮尔逊开始把数学和概率论应用于达尔文进化论，从而开创了现代统计时代，赢得了统计之父的称号，1901年Biometrika第一期出版（卡-皮尔逊是创始人之一）。
5，关于总体和样本在早期文献中可找到由某个总体中抽样的明确例子，然而从总体中只能取得样本的认识常常是缺乏的。
----K.皮尔逊时代到十九世纪末，对样本和总体的区别已普遍知道，然而这种区分并不一定总被坚持。
----1910年Yule在自己的教科书中指出。
在 1900年代的早期，区分变的更清楚，并在1922年被Fisher特别强调。
----Fisher在1922年发表的一篇重要论文中《On the mathematical foundation of theoretical statistics》，说明了总体和样本的联系和区别，以及其他概念，奠定了“理论统计学”的基础。
6，期望、标准差和方差期望是一个比概率更原始的概念，在十七世纪帕斯卡和费马时代，期望概念已被公认了。
K.皮尔逊最早定义了标准差的概念。
1918年，Fisher引入方差的概念。
力学中的矩和统计学中的中数两者之间的相似性已被概率领域的早期工作者注意到，而K.皮尔逊在1893年第一次在统计意义下使用“矩”。
7，卡方统计量卡方统计量，是卡-皮尔逊提出用于检验已知数据是否来自某一特定的随机模型，或已知数据是否与已给定的假设一致。
卡方检验被誉为自1900年以来在科学技术所有分支中20个尖端发明之一，甚至敌人Fisher都对此有极高评价。
8，矩估计与最大似然卡-皮尔逊提出了使用矩来估计参数的方法。
Fisher则在1912年到1922年间提出了最大似然估计方法，基于直觉，提出了估计的一致性、有效性和充分性的概念。
9，概率的公理化1933年，前苏联数学家柯尔莫格洛夫（Kolmogorov）发表了《概率论的基本概念》，奠定了概率论的严格数学基础。
10，贝叶斯定理贝叶斯对统计学几乎没有什么贡献，然而贝叶斯的一篇文章成为贝叶斯学派统计学的思想模式的焦点，这一篇文章发表于1763年，由贝叶斯的朋友、著名人寿保险原理的开拓者Richard Price在贝叶斯死后提出来的----贝叶斯定理。
概率思想的两种方法，（1）作为一个物理系统内在的一种物理特性，（2）对某一陈述相信程度的度量。
在1950年代后期止，多数统计学家采取第一种观点，即概率的相对频数解释，这一时期贝叶斯定理仅应用在概率能在频数框架内解释的场合。
贝叶斯统计学派著作的一个浪潮始于1960年。
自此，赞成和反对贝叶斯学派统计的两方以皮尔逊和费舍尔所特有的激情和狂怒进行申辩和争辩。
在1960年以前，几乎所有的统计书刊都避免使用贝叶斯学派方法，Fisher坚持避免使用贝叶斯定理，并在他的最后一本书中再一次坚决的拒绝了它。
卡尔-皮尔逊偶然使用，总的来说是避免的。
奈曼和E.S.皮尔逊在他们有关假设检验的文章中坚决反对使用。
[编辑本段]（二）近代统计学近代统计学指的是18世纪末到19世纪末的描述统计学，其发展过程与概率论的广泛研究和应用密切相关。
目前在统计分析中经常使用的一些基本方法和术语都始于这一个时期，比如：最小平方法、正态分布曲线、误差计算等等。
在近代统计发展的一百年中，也形成了许多学派，其中以数理统计学派和社会统计学派最为著名。
数理统计学派的原创始人是比利时的A?凯特靳，其最大的贡献就是将法国的古典概率引入统计学，用纯数学的方法对社会现象进行研究；社会统计学派的首倡者是德国的K?克尼斯，他认为统计研究的对象是社会现象，研究方法为大量观察法。
在近代统计学的发展过程中，这两学派的矛盾是比较大的。
*****【统计分析方法总结】*****1.连续性资料1.1 两组独立样本比较1.1.1 资料符合正态分布,且两组方差齐性,直接采用t检验。
1.1.2 资料不符合正态分布，（1）可进行数据转换,如对数转换等,使之服从正态分布,然后对转换后的数据采用t检验；（2）采用非参数检验,如Wilcoxon检验。
1.1.3 资料方差不齐，（1）采用Satterthwate 的t’检验；（2）采用非参数检验,如Wilcoxon 检验。
1.2 两组配对样本的比较1.2.1 两组差值服从正态分布，采用配对t检验。
1.2.2 两组差值不服从正态分布，采用wilcoxon的符号配对秩和检验。
1.3 多组完全随机样本比较1.3.1资料符合正态分布，且各组方差齐性，直接采用完全随机的方差分析。
如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey 法，Scheffe法，SNK法等。
1.3.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Kruscal－Wallis法。
如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用成组的Wilcoxon检验。
1.4 多组随机区组样本比较1.4.1资料符合正态分布，且各组方差齐性，直接采用随机区组的方差分析。
如果检验结果为有统计学意义，则进一步作两两比较，两两比较的方法有LSD检验，Bonferroni法，tukey 法，Scheffe法，SNK法等。
1.4.2资料不符合正态分布，或各组方差不齐，则采用非参数检验的Fridman检验法。
如果检验结果为有统计学意义，则进一步作两两比较，一般采用Bonferroni法校正P值，然后用符号配对的Wilcoxon检验。
****需要注意的问题：（1）一般来说，如果是大样本，比如各组例数大于50，可以不作正态性检验，直接采用t检验或方差分析。
因为统计学上有中心极限定理，假定大样本是服从正态分布的。
（2）当进行多组比较时，最容易犯的错误是仅比较其中的两组，而不顾其他组，这样作容易增大犯假阳性错误的概率。
正确的做法应该是，先作总的各组间的比较，如果总的来说差别有统计学意义，然后才能作其中任意两组的比较，这些两两比较有特定的统计方法，如上面提到的LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。
**绝不能对其中的两组直接采用t检验，这样即使得出结果也未必正确**（3）关于常用的设计方法：多组资料尽管最终分析都是采用方差分析，但不同设计会有差别。
常用的设计如完全随即设计，随机区组设计，析因设计，裂区设计，嵌套设计等。
2．分类资料2.1 四格表资料2.1.1 例数大于40，且所有理论数大于5，则用普通的Pearson 检验。
2.1.2 例数大于40，所有理论数大于1，且至少一个理论数小于5，则用校正的检验或Fisher’s确切概率法检验。
2.1.3 例数小于40，或有理论数小于2，则用Fisher’s确切概率法检验。
2.2 2×C表或R×2表资料的统计分析2.2.1 列变量＆行变量均为无序分类变量，则（1）例数大于40，且理论数小于5的格子数目<总格子数目的25％，则用普通的Pearson 检验。
（2）例数小于40，或理论数小于5的格子数目>总格子数目的25％，则用Fisher’s确切概率法检验。
2.2.2列变量为效应指标，且为有序多分类变量，行变量为分组变量，用普通的Pearson 检验只说明组间构成比不同，如要说明疗效，则可用行平均分差检验或成组的Wilcoxon秩和检验。
2.2.3 列变量为效应指标，且为二分类变量，行变量为有序多分类变量，则可采用普通的Pearson 检验比较各组之间有无差别，如果总的来说有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。
2.3 R×C表资料的统计分析2.2.1 列变量＆行变量均为无序分类变量，则（1）例数大于40，且理论数小于5的格子数目<总格子数目的25％，则用普通的Pearson 检验。
（2）例数小于40，或理论数小于5的格子数目>总格子数目的25％，则用Fisher’s确切概率法检验。
（3）如果要作相关性分析，可采用Pearson相关系数。
2.2.2列变量为效应指标，且为有序多分类变量，行变量为分组变量，用普通的Pearson 检验只说明组间构成比不同，如要说明疗效或强弱程度的不同，则可用行平均分差检验或成组的Wilcoxon秩和检验或Ridit分析。
2.2.3 列变量为效应指标，且为无序多分类变量，行变量为有序多分类变量，则可采用普通的Pearson 检验比较各组之间有无差别，如果有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。
2.2.4 列变量＆行变量均为有序多分类变量，（1）如要做组间差别分析，则可用行平均分差检验或成组的Wilcoxon秩和检验或Ridit分析。
如果总的来说有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。
（2）如果要做两变量之间的相关性，可采用Spearson相关分析。
常用数据统计方法
常用数据统计方法一、描述统计分析描述统计分析是通过对数据的各种特征进行测量和总结，以揭示数据的内在规律和特点。
常用的描述统计方法包括集中趋势和离散程度的度量。
1. 集中趋势的度量集中趋势是指数据分布的中心位置，常用的度量指标包括：- 平均数：所有数据之和除以数据个数，反映了数据的平均水平。
- 中位数：将数据按大小排序，位于中间位置的数值，反映了数据的中间水平。
- 众数：出现次数最多的数值，反映了数据的最常见水平。
2. 离散程度的度量离散程度是指数据分布的分散程度，常用的度量指标包括：- 方差：各数据与平均数之差的平方的平均数，反映了数据与平均数之间的离散程度。
- 标准差：方差的平方根，反映了数据的离散程度。
- 极差：最大值与最小值之差，反映了数据的全距。
- 四分位差：上四分位数与下四分位数之差，反映了数据的中间50%的离散程度。
二、推断统计分析推断统计分析是通过对样本数据进行统计推断，从而对总体特征进行估计和推断。
常用的推断统计方法包括参数估计和假设检验。
1. 参数估计参数估计是通过样本数据推断总体参数的值，常用的参数估计方法包括：- 点估计：以样本统计量作为总体参数的估计值，如样本均值作为总体均值的估计值。
- 区间估计：给出参数估计值的置信区间，如样本均值的95%置信区间。
2. 假设检验假设检验是通过样本数据对总体参数的某种假设进行验证，常用的假设检验方法包括：- 单样本 t 检验：用于检验总体均值是否等于某个给定值。
- 两样本 t 检验：用于检验两个总体均值是否相等。
- 卡方检验：用于检验两个或多个分类变量之间的关联性。
- 方差分析：用于检验多个总体均值是否相等。
三、相关分析相关分析是研究两个或多个变量之间的相关关系，常用的相关分析方法包括：- 相关系数：衡量两个变量之间线性相关程度的指标，常用的有皮尔逊相关系数。
- 散点图：用于展示两个变量之间的关系，通过观察散点图可以初步判断变量之间的相关性。
常用的统计方法
常用的统计方法统计方法作为一种科学工具，在各个领域中都扮演着重要的角色。
它可以帮助我们从大量的数据中提取有用的信息，进行有效的决策和分析。
下面将介绍几种常用的统计方法及其应用。
一、描述统计方法描述统计方法是指通过对数据进行总结和描述，从而获得对数据所含信息的直观认识。
1. 平均值平均值是一组数据的总和除以数据的个数，它可以用来表示数据的集中趋势。
在实际应用中，我们经常使用算术平均值来描述一组数据的平均水平。
2. 中位数中位数是将一组数据按照大小顺序排列后，处于中间位置的数。
与平均值相比，中位数更具有代表性，尤其适用于含有异常值的数据集。
3. 极差和标准差极差是一组数据中最大值与最小值之间的差异。
标准差是数据偏离平均值的度量，它测量了数据的离散程度。
极差和标准差能够给我们提供数据的分散程度信息，帮助我们了解数据的稳定性和可靠性。
二、推断统计方法推断统计方法是通过对样本数据进行分析，从而对总体数据进行推断。
1. 假设检验假设检验用于验证关于总体参数的假设，并通过计算样本统计量的概率，得出对原假设的结论。
通过假设检验，我们可以判断观察到的样本差异是否显著。
2. 置信区间置信区间是从样本数据中得到的一个范围，用来估计总体参数的真实值。
置信区间可以帮助我们确定统计结果的可信程度，并对总体参数进行合理的估计。
三、回归分析回归分析是一种用于研究变量之间关系的方法，它可以通过建立数学模型来预测和解释变量之间的相互作用。
1. 简单线性回归简单线性回归是指通过一条直线来表达两个变量之间的关系。
它可以通过最小二乘法来估计回归方程的参数，并进行预测和解释。
2. 多元线性回归多元线性回归是指通过多个自变量来解释因变量的变化。
它可以通过最小二乘法估计多个自变量的系数，并对因变量进行预测和解释。
四、抽样方法抽样方法是指从总体中选择样本的方法，以便用样本数据推断总体特征。
1. 简单随机抽样简单随机抽样是指每个个体被选入样本的概率相等，且相互独立。
16种统计分析方法
2015-11-10 分类：评论(0)经常会有朋友问到一个朋友，数据分析常用的分析方法有哪些，我需要学习哪个等等之类的问题，今天给大家整理了十六种常用的，供大家参考学习。
一、描述统计描述性统计是指运用制表和分类，图形以及计筠概括性数据来描述数据的集中趋势、离散趋势、偏度、峰度。
1、缺失值填充：常用方法：剔除法、均值法、最小邻居法、比率回归法、决策树法。
2、正态性检验：很多统计方法都要求数值服从或近似服从正态分布，所以之前需要进行正态性检验。
常用方法：非参数检验的K-量检验、P-P图、Q-Q图、W检验、动差法。
二、假设检验1、参数检验参数检验是在已知总体分布的条件下（一股要求总体服从正态分布）对一些主要的参数(如均值、百分数、方差、相关系数等）进行的检验。
1）U验? ?使用条件：当样本含量n较大时，样本值符合正态分布2）T检验使用条件：当样本含量n较小时，样本值符合正态分布A??单样本t检验：推断该样本来自的总体均数μ与已知的某一总体均数μ0 (常为理论值或标准值)有无差别；B??配对样本t检验：当总体均数未知时，且两个样本可以配对，同对中的两者在可能会影响处理效果的各种条件方面扱为相似；C 两独立样本t检验：无法找到在各方面极为相似的两样本作配对比较时使用。
2、非参数检验非参数检验则不考虑总体分布是否已知，常常也不是针对总体参数，而是针对总体的某些一股性假设（如总体分布的位罝是否相同，总体分布是否正态）进行检验。
适用情况：顺序类型的数据资料，这类数据的分布形态一般是未知的。
A 虽然是连续数据，但总体分布形态未知或者非正态；B 体分布虽然正态，数据也是连续类型，但样本容量极小，如10以下；主要方法包括：卡方检验、秩和检验、二项检验、游程检验、K-量检验等。
三、信度分析检査测量的可信度，例如调查问卷的真实性。
分类：1、外在信度：不同时间测量时量表的一致性程度，常用方法重测信度2、内在信度；每个量表是否测量到单一的概念，同时组成两表的内在体项一致性如何，常用方法分半信度。
统计方法有哪些
统计方法有哪些第一篇：常见的统计方法统计方法是数据处理和分析的基础，广泛应用于各个领域，如经济学、医学、教育学、社会学等等。
本文将介绍常见的统计方法，可供读者参考和学习。
一、描述性统计分析描述性统计分析是指通过图表和数字描述数据的总体特征和分布情况。
其中常用的统计指标有：中心趋势度量（如平均数、中位数、众数）、离散程度度量（如方差、标准差、四分位差）和数据形态度量（如偏度、峰度）。
描述性统计分析可以对数据进行简要的总结和比较，是其他统计方法的基础。
二、参数检验参数检验是统计学中的一种方法，可用于验证研究假设。
在参数检验中，我们通过假设一个总体参数来检验样本统计量是否符合这个假设，从而得出对研究假设的结论。
参数检验分为单样本检验、双样本检验和方差分析等。
其中，单样本检验是检验一个样本的总体均值是否等于一个固定值；双样本检验是检验两个样本的总体均值是否相等；方差分析是多个样本的均值是否相等。
三、相关分析相关分析主要是研究两个或多个变量之间的关系。
常用的相关分析方法有：皮尔逊相关系数、斯皮尔曼等级相关系数、判定系数等。
其中，皮尔逊相关系数用于衡量两个变量之间的线性相关性、斯皮尔曼等级相关系数则适用于非线性关系。
判定系数是用来说明自变量对因变量的解释能力。
四、回归分析回归分析是一种探究因变量和自变量之间关系的统计方法。
其基本思想是将多个自变量线性加权组合作为预测因变量的值，以探寻因变量与自变量之间的关系。
常见的回归方法有：线性回归、非线性回归、多元回归等。
线性回归通常应用在两个变量之间的关系上，而非线性回归通常应用在非线性的变量关系上。
五、时间序列分析时间序列分析是用来研究一组连续时间点上的数据的方法。
其目的是利用时间序列的特征来预测未来或分析过去。
时间序列分析主要包括趋势分析、季节性分析、循环性分析和随机性分析等。
其中，趋势分析是研究数据的长期变化趋势的方法，季节性分析是研究数据在不同季节之间的周期性变化的方法。
统计学有哪些统计方法
统计学有哪些统计方法
统计学有以下几种常用的统计方法：
1. 描述统计：包括均值、中位数、众数、方差、标准差等，用于描述样本或总体的特征和变异程度。
2. 推断统计：通过样本推断总体的参数或进行假设检验，常用方法包括置信区间估计、假设检验、相关分析、回归分析等。
3. 抽样技术：用于从总体中选取样本的方法，如简单随机抽样、分层抽样、整群抽样等。
4. 因子分析：用于研究多个变量之间的相关关系，通过将变量进行综合，得到相对独立的因子。
5. 非参数统计：不依赖于总体分布的假设，常用方法包括秩和检验、符号检验、K-S检验等。
6. 时间序列分析：研究时间序列数据的分析方法，包括平稳时间序列建模、ARIMA模型、指数平滑法等。
7. 生存分析：用于分析生物、医学等领域中的事件发生时间或生存时间，包括
生存曲线、危险比、Kaplan-Meier估计等。
8. 实验设计：研究如何设计并进行实验以获取有效的数据，例如完全随机设计、随机区组设计、拉丁方设计等。
9. 多元分析：用于研究多个变量之间的关系，常用方法有主成分分析、聚类分析、判别分析等。
10. 电脑模拟：利用计算机进行随机事件模拟，通过模拟大量的随机事件来估计概率、评估决策等。
列举五种常用的统计图方法
列举五种常用的统计图方法
以下是五种常用的统计图方法：
1. 条形图：条形图用于比较不同类别或组之间的数量或频率。
它由一系列垂直或水平的矩形条组成，每个条形的长度代表相应类别或组的数值。
2. 折线图：折线图用于显示随时间变化的数据趋势。
它由一条或多条连接数据点的线组成，数据点表示不同时间点的数值。
3. 饼图：饼图用于显示一个整体中各个部分的比例。
它由一个圆形分割成多个扇形区域，每个扇形的面积代表相应部分的比例。
4. 散点图：散点图用于探索两个变量之间的关系。
它由多个数据点组成，其中每个数据点表示两个变量的数值。
5. 箱线图：箱线图用于显示数据的分布和离散程度。
它由一个矩形箱体和上下两条线组成，矩形箱体代表数据的中位数和四分位数，线表示数据的最大值和最小值。
统计中常用的统计方法
统计学是一门研究数据收集、分析、解释和展示的学科。
在统计学中，有许多常用的统计方法用于分析数据、揭示数据间的关系和得出结论。
以下是一些统计学中常用的统计方法：
1. 描述统计方法：用于总结和描述数据的基本特征，包括均值、中位数、众数、标准差、方差等。
常见的描述统计方法有频数分布、直方图、箱线图等。
2. 推论统计方法：基于样本数据推断总体参数的方法，包括参数估计和假设检验。
常见的推论统计方法有置信区间估计、单样本t 检验、双样本t 检验、方差分析、卡方检验等。
3. 相关分析方法：用于研究变量之间的相关性或关联程度的方法。
常见的相关分析方法有皮尔逊相关系数、斯皮尔曼等级相关系数、点二列相关系数等。
4. 回归分析方法：用于研究自变量与因变量之间关系的方法。
常见的回归分析方法有线性回归、多元线性回归、逻辑回归等。
5. 方差分析方法：用于分析两个或多个总体均值是否相等的统计方法。
常见的方差分析方法有单因素方差分析、多因素
方差分析等。
6. 聚类分析方法：用于将数据集中的观测值分成不同的组别的方法。
常见的聚类分析方法有K均值聚类、层次聚类等。
7. 因子分析方法：用于研究变量间存在的潜在结构、简化数据的方法。
常见的因子分析方法有主成分分析、因子分析等。
这些是统计学中常用的一些统计方法，它们在不同情境下有着不同的应用和适用范围。
在实际应用中，根据所面临的具体问题和数据特点，选择适当的统计方法是十分重要的。
常用的统计方法有哪些
常用的统计方法有哪些
常用的统计方法有以下几种：
1. 描述统计：用来对样本数据进行概括和描述，包括平均数、中位数、众数、方差、标准差等。
2. 探索性数据分析（EDA）：通过图表和可视化手段，对数据进行初步的探索和分析，以了解数据的分布、关系和异常情况。
3. 参数统计：假设样本数据符合某个概率分布，通过估计概率分布的参数，然后进行假设检验、置信区间估计等统计推断。
4. 非参数统计：不对数据的概率分布做出特定的假设，通过秩次、排列、分组等方法进行统计推断，例如Wilcoxon签名检验、Mann-Whitney U检验等。
5. 相关分析：用来研究变量之间的相关性，常用的有Pearson相关系数、Spearman等级相关系数等。
6. 方差分析（ANOVA）：用于比较多个样本均值是否有显著差异，例如单因素方差分析、多因素方差分析等。
7. 回归分析：用于建立变量之间的数学模型，预测或解释因变量的变化，包括
线性回归、逻辑回归、多元回归等。
8. 生存分析：用于研究时间至事件发生的概率和风险因素，例如生存曲线、危险比等方法。
以上只是统计学中的一部分常用方法，根据具体问题和数据类型的不同，还有其他更专门的统计方法可供选择。
常见的几种统计方法
常见的几种统计方法统计方法是指通过搜集、处理和分析数据来描述和解释其中一种现象或问题的一系列技术和方法。
这些方法可以帮助我们了解数据的特征、趋势、关系和变化，从而做出有效的决策和推断。
下面是几种常见的统计方法：1.描述统计：描述统计是对数据的表格、图表和摘要统计量进行描述和总结的方法。
常用的描述统计方法包括平均数、中位数、众数、标准差、方差等。
这些统计量可以用来了解数据集的中心趋势、分布的形态、离散程度以及各变量之间的关系。
2.推断统计：推断统计是通过从样本中抽取数据来对总体进行推断的方法。
它基于概率理论，通过使用抽样分布和置信区间来估计总体参数，并进行假设检验来进行统计推断。
推断统计可以帮助我们从有限的样本中得出关于总体的结论。
3.相关分析：相关分析用于评估两个或多个变量之间的关系。
它通过计算相关系数（如皮尔逊相关系数）来度量变量之间的相关性。
相关分析可以帮助我们了解变量之间的线性关系，以及它们的方向和强度。
4.方差分析：方差分析（ANOVA）是用于比较两个或多个组（或处理）之间均值差异的方法。
它基于对观测值的方差分解来评估组间差异的显著性。
方差分析可以帮助我们确定实验组和对照组之间的差异是否统计显著。
5.回归分析：回归分析用于建立一个或多个自变量和一个连续因变量之间的关系模型。
它通过拟合一个回归方程来预测因变量的值。
回归分析可以帮助我们了解自变量对因变量的影响程度，并进行预测和推断。
6.时间序列分析：时间序列分析用于研究随时间变化的数据。
它包括趋势分析、周期性分析、季节性分析和残差分析等方法。
时间序列分析可以帮助我们理解数据的长期趋势、季节性变化和异常情况。
7.因子分析：因子分析用于确定多个变量之间的公共因素，并将它们组合成更少的维度。
它可以帮助我们简化变量集，提取有用的信息，以及理解变量之间的隐含结构。
这些是常见的统计方法，每种方法都有其特定的应用领域和限制。
在实际应用中，可以根据问题的性质和数据的特点选择合适的统计方法，并结合其他技术和方法来全面分析和解释数据。
常用统计方法
（1） 一般来说，如果是大样本，比如各组例数大于50，可以不作正态性检验，直接采用t检验或方差分析。因为统计学上有中心极限定理，假定大样本是服从正态分布的。
（2） 当进行多组比较时，最容易犯的错误是仅比较其中的两组，而不顾其他组，这样作容易增大犯假阳性错误的概率。正确的做法应该是，先作总的各组间的比较，如果总的来说差别有统计学意义，然后才能作其中任意两组的比较，这些两两比较有特定的统计方法，如上面提到的LSD检验，Bonferroni法，tukey法，Scheffe法，SNK法等。**绝不能对其中的两组直接采用t检验，这样即使得出结果也未必正确**
2.2.4 列变量＆行变量均为有序多分类变量，（1）如要做组间差别分析，则可用行平均分差检验或成组的Wilcoxon秩和检验或Ridit分析。如果总的来说有差别，还可进一步作两两比较，以说明是否任意两组之间的差别都有统计学意义。（2）如果要做两变量之间的相关性，可采用Spearson相关分析。
6，期望、标准差和方差
期望是一个比概率更原始的概念，在十七世纪帕斯卡和费马时代，期望概念已被公认了。K.皮尔逊最早定义了标准差的概念。1918年，Fisher引入方差的概念。
力学中的矩和统计学中的中数两者之间的相似性已被概率领域的早期工作者注意到，而K.皮尔逊在1893年第一次在统计意义下使用“矩”。
在1960年以前，几乎所有的统计书刊都避免使用贝叶斯学派方法，Fisher坚持避免使用贝叶斯定理，并在他的最后一本书中再一次坚决的拒绝了它。卡尔-皮尔逊偶然使用，总的来说是避免的。奈曼和E.S.皮尔逊在他们有关假设检验的文章中坚决反对使用。
[编辑本段]（二）近代统计学
近代统计学指的是18世纪末到19世纪末的描述统计学，其发展过程与概率论的广泛研究和应用密切相关。目前在统计分析中经常使用的一些基本方法和术语都始于这一个时期，比如：最小平方法、正态分布曲线、误差计算等等。