統計相關基本概念

Ref: 郭俊賢(2023譯)、Howell (2017) Chap 2

林碧芳(2014譯) Chap 2

1
 Outline
• 科學方法(scientific method)
• 測量(measurement)
• 資料(data)

2
 何謂科學？
• 科學是一種獲得知識的方法

• 科學方法包括
• 觀察現象
• 確認問題
• 從研究假設的問題中提出一個暫時性的解答
• 規畫一個研究設計去實際驗證假設
• 收集資料
• 分析資料
• 從分析資料中獲得假設的結論

3
 研究主題舉隅
觀察現象 確認問題 形成假設
近來大學生自傷 是否因大學生求 求學壓力過大，導致
事件頻傳… 學壓力太大？ 學生自傷行為產生

資料分析 資料收集 研究設計

檢視壓力程度與 壓力程度量表 抽樣調查
自傷意念關聯性 自傷意念量表

結果推論
• 高求學壓力者有高自傷意念，
兩者之間存在高度相關
• 學校應針對高壓力源學生進
行輔導

4
 科學問題
• 一個科學問題是藉由收集實徵資料來獲得解答

• 「實徵(empirical)」涉及知覺經驗或實際觀察到的資料，
因此實徵資料(empirical data)是基於一種系統性觀察或知
覺經驗的分數或測量
• 在第一章所呈現的研究例子是基於科學問題，每個例子所獲得
的解答是透過收集實徵資料而來

• 通常實驗者會提供一個有暫時性解答的研究假設
• 在第一章，研究假設(research hypothesis)被定義為兩個或兩個以
上的變數之間預測關係的陳述

5
• 舉例來說，Kerpicke & Roediger (2006) 曾提出一個假設，
如果一個人讀了一篇文章後，立刻針對此文章做測驗，
這個人將會比只是閱讀而沒有做測驗的人記得更久

• 研究假設能辨識出變數、指出變數間的預測關係，因此
能夠引導許多領域的研究者，進行研究方法的選擇、確
定樣本的母體、定義所欲收集的資料型態、以及選擇那
些將被使用的統計分析

• 因此，研究假設是科學探索的原動力

6
 研究方法
• 收集實徵資料去檢驗研究假設需要使用一定的研究方法
• 研究方法(research method)是用來收集資料以發展或評估
研究假設的方法
• 有許多方法可用於行為科學，而統計都可以用來整理和
分析各方法所收集到的資料
• 個案研究
• 自然觀察
• 檔案紀錄
• 實驗
• 準實驗
• 調查研究

7
 實驗
• 實驗(experiment)是指一個受到嚴謹控制的情境下，科學
家建立兩組或兩組以上的相等組，操弄一個自變數以觀
察對依變數的效果

• Cassaday等人(2002)實驗研究的例子(chap 1)
• 自變數：學生學習單字時的情境(放鬆情境/一般情境)
• 依變數：回憶單字時所犯的錯誤次數
• 如果這兩個受試群體回憶錯誤次數的差異遠高於隨機預期，則
此差異的原因就可以歸因於自變數所造成 (學習條件的背景型態
之不同)

8
• 實驗是唯一能夠讓我們檢驗是什麼原因導致依變數改變
的研究方法

• 因為實驗者必須一面控制自變數，同時對其他變數保持
固定，才能知道自變數的改變是否為導致依變數改變的
原因

• 對於科學家而言，有能力決定自變數與依變數之間的因
果關係，使得實驗法成為一個強而有力的研究方法

9
 準實驗
• 準實驗(quasi-experiment)使用受試者變數(subject variable)
作為自變數

• 準(quasi)意味者「類似」，所以準實驗是一種類似實驗
的研究方法，但不是真正的實驗，因為群組不是透過隨
機分派而來

• 真正的實驗需要自變數可以主動被操弄，使得實驗者可
以將受試者隨機分派到每個情境中；缺乏隨機分派則無
法進行實驗

10
• 但許多行為學家感興趣的是受試者變數，此類變數是個
體所擁有的屬性或特徵，因而無法被實驗者主動操弄

• 準實驗允許針對這些變數進行研究

• 例如：行為學家欲比較有/無阿茲海默症，對於某雜貨清
單記憶能力的差異
• 個人的疾病狀態(有/無阿茲海默症)，是一種受試者變數
• 因為受試者無法被隨機分派至有/無阿茲海默症，也就是研究者
無法將人隨機分派至不同的疾病情境

11
• 事實上，疾病狀態此一自變數的「操弄」發生在被研究
的個體被選取為受試者之前

• 實驗者拿受試者變數來當作自變數，是發生在受試者變
數在自然情境下被操弄之後

• 因此，由準實驗決定因果關係比由真實驗還要困難得多，
因為在準實驗中所創造的不同群體，雖然取決於受試者
變數不同，但可能在很多方面都存在著系統性差異

12
• 例如：兩個不同疾病狀態的群體：有/無阿茲海默症，其
差異可能不只在於疾病狀態：阿茲海默症患者的年紀往
往較大、兩群人睡眠量或營養狀態也可能不同
• 若兩組人的記憶能力有差異，有可能是因為其他變數所
造成，而不是因為研究者所感興趣的受試者變數而已

• 雖然如此，瞭解受試者變數相關的議題還是很重要，因
為準實驗設計的使用非常廣泛
• 準實驗可以幫助我們更瞭解變數間的因果關係，但是過
程比真實驗更加困難

13
 調查研究
• 調查研究(survey research)是指藉由與人們進行的口頭或
書面訪談而獲得資料
• 調查研究在整個社會中被廣泛使用(例如課程意見調查)
• 調查研究通常能快速提供大量資訊，這些資訊可以用於
回答某些假設

• 例如，若欲瞭解大學生賭博的問題，雖然調查研究無法
回答賭博的原因，但可以辨認出有賭博問題學生的特質
• Gupta, Deverensky, & Ellenbogen (2006) 以高中生為對象，調查
他們賭博的比率，發現那些感到無聊的學生比較可能會有賭博
問題

14
• 因此，發現變數之間的關係 (e.g., 無聊與賭博問題的關
係)，對於瞭解人類行為是很重要的
• 然而，調查研究的結果無法告訴我們關係發生的原因

• 描述與推論統計廣泛地被使用於調查研究中
• 例如，一旦樣本經過某種方式被選取出來，即可將樣本
得到的描述統計推論到更大的母體

15
• 但儘管如此，調查研究仍有許多意想不到的困難
• 例如，受訪者可能不會誠實作答、或研究者的措辭可能
會引導受訪者的答案
• 此外，基於調查結果對於母體所做出的結論，乃是取決
於樣本是如何被選取的；至少在目前，也許透過調查研
究收集資料來驗證假設並不困難，但要做好卻是種挑戰
• 再者，從調查研究的結果獲得結論，可能無法確定是否
真的是這個變數導致另一個變數的變化

16
 調查與資料庫
• 心理學研究最常使用的研究方法之一是調查研究！！
• 做好調查研究的必要條件：心理測驗的知識

• 資料庫分析(database analysis)

• 著名大型資料庫
• TIMSS、PISA、PIRLS
• TEPS、SRDA、NHIRD

17
 其他重要概念
• 因果推論(causal inference)
• 研究倫理(research ethics)

18
 因果推論
• 因果推論的條件
• 關聯性(association)
• 時序性(temporal order)
• 孤立性(isolation)

• 統計模型的功能：驗證研究者提出的因果假設

• 常見因果推論(驗證)模型
• 中介分析模型
• 調節分析模型

• 更完備的模型：交叉延宕分析(cross-lagged analysis)

19
因果模型I：中介分析
Mediation Analysis

Mediator

X Y

20
• 中介變項：情緒調節
• 壓力並不會直接導致自傷意念的產生
• 壓力產生且無法適當情緒調節時，才會導致自傷意念
• 情緒調節能力的提升，是可介入的重要輔導方向

情緒調節

壓力 自傷意念

21
因果模型II：調節分析
Moderation Analysis

Moderator

X Y

22
• 調節變項：高年級與否
• 對高年級學生而言，壓力程度與自傷意念的關聯性顯著
• 對非高年級學生而言，壓力程度與自傷意念的關聯性不顯
著
• 高年級所面臨的特殊情況(例如升學或工作)，可能是壓力程
度與自傷意念高關聯性的潛在原因，生涯輔導的介入應是
可能的方向之一
高年級與否

壓力 自傷意念

23
交叉延宕分析

Source: statology 24
Longitudinal Mediation Analysis

Source: Kuster et al,2012 25

 Causal models
• Causal models are mathematical models representing causal relationships
within an individual system or population. They facilitate inferences
about causal relationships from statistical data (Stanford Encyclopedia of
Philosophy) .

• Methods for strengthening causal inference

• Propensity score matching (傾向分數配對)
• Regression discontinuity (斷點迴歸)
• Difference in difference (差異中差異法)
• Instrumental variable (工具變數)

• 上述統計方法的正確使用，可強化非實驗研究(例如：調查研究)的
因果推論效力

26
 研究倫理
• 在開始對人類或動物進行研究時，要瞭解所涉及研究與
資料收集的倫理觀念

• 一般而言，研究者所處的地位通常高於受試者，且研究
者可能被認為對於人類行為具備特殊的知識與控制權力，
以至於他們可以進行一些關係到受試者生理與心理福祉
的研究

• 因此，對於涉及人類或動物的任何研究都有非常重要的
倫理考量

27
• 例子：評估理斯必妥(risperidone)藥物對於治療急性狂躁
症療效的研究

• 狂躁症被錯誤的告知他們現在的處方藥不再提供

• 研究使用受試者間設計，患者被隨機分派到兩群組：以理斯必
妥藥物治療(實驗組) / 僅給予安慰劑(控制組)

• 受試者並不知道自己正在被研究，或僅被部分告知或不完全清
楚研究的各個環節

28
• 上例說明了幾個重要倫理缺失
• 受試者被欺騙，他們正接受的治療對他們來說是有所隱瞞的；
且他們被錯誤的告知原本的處方藥不再提供，因此他們不得不
參加此研究
• 控制組不應該只給安慰劑，而是應該提供標準的治療程序
• 在整個研究中，所有受試者或其監護人必須完整知道此研究之
目的、過程、與風險

• 此外，必須清楚確知參與者是自願的，受試者在任何時候都可
自由退出，且所有獲得的資訊必須保密，此稱為知情同意書
• 知情同意書(informed consent)在研究中是一項法定要求，研究者
需要告知研究中任何可能的潛在受試者，而此告知可能會影響
該受試者參與研究的意願

29
• 為避免造成倫理上的疏忽，在進行人類或動物研究前，
每個人必須接受培訓，且具有專業研究倫理的知識

• 所有訓練必須包括
• 知情同意書的資訊
• 資料的保密
• 弱勢群體的處理
• 拒絕實驗處理與給予受試者過度壓力的倫理
• 研究倫理審查委員會的規章

30
• 研究倫理審查委員會(institutional review board, IRB)
• 至少由五位具有研究經驗的成員所組成
• 負責審查並核准由醫院、大學院校或研究實驗室等組織執行的
所有涉及人類或動物受試者的研究
• 幾乎不論在什麼情況下，研究者在收集資料前，其研究必須獲
得IRB批准
• IRB會檢視關於資料收集的保密做法、知情同意書與受試者倫
理上的因應處理等各項文件
• 在權衡研究者從研究中獲得利益的同時，必須考量研究參與者
所受到的潛在風險

31
 3Rs in Science
• ACM terminology (Association for Computing Machinery, 2016)
• Repeatability (可重複性): Same team, same experimental setup
• Replicability (可複製性): Different team, same experimental setup
• Reproducibility (可再現性): Different team, different experimental
setup

32
測量與測量尺度
(Measurement and Scales of Measurement)

33
 測量
• 統計像是工具箱裡的工具一樣，每種統計都有特殊的工
作，選擇正確的統計方法對於任務的順利完成十分重要
• 兩個重要因素會影響統計的選擇
• 研究假設
• 獲得資料的測量形式
• 測量(measurement)是指根據一套規則對於變數賦予數值
的過程，可分為四個尺度：
• 名義量尺(nominal scale)
• 順序量尺(ordinal scale)
• 等距量尺(interval scale)
• 比率量尺(ratio scale)

34
 測量尺度 (Scales of Measurement)
• 通常測量(measurement)定義為：指派「數字(numbers)」
給測量的對象(objects)，而此「數字」是採最寬鬆的方式
來定義

• 根據測量內容與測量方法，得到的數字會具不同特性，
這些特性通常會在「測量尺度」這個主題來討論

35
• S. S. Stevens定義了四種尺度：nominal (名義)、 ordinal
(次序)、interval (等距)、與ratio (比率)

• 這些尺度是根據各尺度內數值間的關係來區分

36
 名義尺度 (Nominal Scale)
• 嚴格來說，名義尺度並不是真正的尺度，因為它沒有根
據某個向度來測量觀察對象，而是幫觀察對象貼標籤
• 例如：在比賽中穿上的背心號碼、球衣背號
• 通常這些號碼只是方便辨識，無其他意義

• 性別也屬於名義尺度
• 雖在習慣用文字來標示性別，例如：男性、女性
• 但也常在輸入資料時使用數字，例如：1 = 男性、2 = 女性

37
• 使用名義尺度的主要目的是為了分類(classification)

• 類別資料(categorical data)通常就是使用名義尺度來測量，因
為我們只想指派類別的標籤給觀察的對象
• 例如：男性/女性，相同情境組/不同情境組

• 量化/測量資料(Quantitative/measurement data)則由其他三種尺
度來測量

• 類別資料可透過編碼 (coding)進行量化分析
• 虛擬編碼 (dummy coding)
• 效果編碼 (effect coding)
• Forward difference coding…

38
 次序尺度 (Ordinal Scale)
• 次序尺度是最陽春的真正量尺，它將人、事、物等測量
對象放在一個向度上加以比較排序

• 例如：
• 游泳比賽：根據抵達終點的順序來決定名次
• 生活壓力量表：此量表計算最近六個月生活重大改變的次數(如
結婚、搬家) ，根據改變數來排序壓力大小，得20分者所經歷的
壓力高於15分者

39
• 注意，上述二例所指派的數字仍有不同
• 第1例可指派1、2、3、…這樣的排名
• 第2例的分數代表改變事件數、而非排序

• 不過，此二例仍只是次序尺度，因為它們沒有提供尺度
上不同位置點的差異量
• 第2例雖可知改變事件數量的差異，但無法知道壓力到底差多少
• 這是次數尺度很重要的特徵
• 例如：在馬拉松比賽，冠、亞軍跑者間可能差幾分鐘，但排名
256與257跑者間可能只差1/10秒

40
 等距尺度 (Interval Scale)
• 等距尺度可以合理指出兩個分數間的差異量是幾個基本
單位

• 例如：
• 華氏溫度差10個刻度，不管在尺度的哪個位置都具有相同意義
• 即，10°F 到 20°F 的溫度差異量與80°F 到 90°F 的溫度差異量
是相同的

• 等距尺度同時也滿足前兩種尺度(名義與次序)的特性

41
• 然而，我們無法有意義地討論「觀察值」間的比率關係

• 例如： °C °F
• 無法說40°F是80°F的一半熱、或40°F是20°F的 -7 20
兩倍熱
4 40
• 因為華氏零度的設定其實只是歷史上的偶然，
因此只是相對零點 27 80

• Kelvin溫標是比率量尺，但不太有人用它來報告天氣

42
 比率尺度 (Ratio Scales)
• 比率尺度具有真實零點(絕對零點)
• 此零點必須是真實的零點，而非相對零點，例如 0°F or 0°C是
相對零點
• 真實零點係指沒有任何東西可以測量的點

• 例如：
• 完成游泳比賽的時間，因為0秒是一個真實零點
• 物體長度 、體積、重量等

• 比率尺度不僅有前三種尺度的特性，並可探討比率關係
• 例如：10秒的時間長度是5秒的兩倍、100磅是300磅的1/3

43
• 錯覺強度往往也被當作是比率量尺來測量
• 例如：繆氏錯覺(Müller-Lyer illusion)
• 錯覺的強度大小可以透過調查所知覺到的刺激物大小與真實長
度的差異來進行測量

44
• 次序、等距、與比率測量提供了量化資料(quantitative
data)，將數值賦予變數，以顯示測量變數的數量

• 然而，行為科學家喜歡使用等距和比率測量更甚於次序
測量，因為等距和比率測量可以更準確量化受測者的屬
性或特徵

• 而且，等距和比率測量可以進行數學的加、減、乘、除
四則運算

45
名義尺度
命名事物
Nominal scales
次序尺度
排序事物
Ordinal scales
等距尺度
相同間距代表相同差異量
Interval scales
比率尺度 讓我們可使用「剛好一半」這類談論觀察
Ratio scales 值間倍數關係的用語

46
A Hierarchy among the Four Scales of Measurement

Nominal scale

Ordinal scale

Interval scale

Ratio scale

47
 測量的真實界線
• 當測量的是連續變數時，所賦予的特定數值就是變數所
呈現的數量

• 但是這些測量到的數值只是近似變數的實際數量

• 因此，無論我們使用的是什麼測量尺度，都必須要知道
測量的準確性

• 而且連續變數的測量準確性包含數值的真實界線

48
• 數值的真實界限(real limits of a number)是指在測量的量
尺上，此數值與下一個較低值、以及與下一個較高值中
間的點
• 例如測量的數值為37秒，因此
• 真實下限是36.5秒(36與37秒中間數值)
• 真實上限是37.5秒(37與38秒中間數值)
• 假設使用電子碼表測量時間，測到最接近的秒數百位數，
例如37.21秒，則此測量的
• 真實下限是37.205秒(37.20與37.21秒中間數值)
• 真實上限是37.215秒(37.21與37.22秒中間數值)

49
• 每一個連續變數的測量都有與之對應的真實上下限
• 例如下圖假設使用7點評定量表，受試者勾選3，則此分數的真
實上下限為2.5與3.5

在心統課上，你多常打瞌睡？
✓
1 2 3 4 5 6 7
從未如此 經常如此

2.5 3.5
真實下限 真實上限

• 當要製作次數分配表(chap 3)時，就需要測量的真實界線

50
 心理測量的量尺
• 在心理測量中，具備等距尺度的測量是少見的
• 但是評定量表(rating scale)經常以等距測量的形式來測量
人的屬性
• 例如：人格特徵、態度、婚姻幸福感等
• 評定量表通常主要是由一組描述句、兩個極端數值與中
間帶有幾個點的反應量尺所組成
• 例如：中秋節一定要烤肉

非常同意 同意 不確定 不同意 非常不同意

51
• 例如，某量表是用來評定受試者對於智力的可變性的信
念程度，共有八道試題，其中一題如下：

有些人出生就很聰明，但有些人並沒有那麼幸運
1 2 3 4 5 6
非常同意 非常不同意

• 透過加總八題評定的分數得到一個總分，此分數的可能範圍介
於8分(八題都選1)到48分(八題都選6)
• 分數的範圍是可以任意變動的；若每題的範圍是0到10，則加總
的範圍則會是0到80

52
• 就單題來看，很清楚它至少是順序測量；但無法確知3、
4分間的差異是否和2、3分間的差異相同

• 然而，個人所獲得的評分是各題目分數進行加總，則似
乎此結果分數不僅提供順序資訊而已

• Gender (1975) 認為加總所獲得的分數剛好介於順序與等

距的灰色地帶

• 然而，對於統計分析而言，研究者經常將評定量表當作
等距測量來處理

53
 古典測驗理論

80
𝐸 𝑋 =𝑇
60

40

20

20 40 60 80

True score (T)

54
 現代測驗理論
2 40

Expected total score

1.8
35

1.6
30
1.4

Expected total score

Expected item score

25
1.2

1 20

0.8
15

0.6 Expected item score

10
0.4

5
0.2

0 0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Ability
資料(Data)

56
 資料 (Data)

Subject 𝑋1 𝑋2 ⋯ 𝑋𝑖 ⋯ 𝑋20
1 𝑋11 𝑋12 ⋯ 𝑋1𝑖 ⋯ 𝑋1,20
2 𝑋21 𝑋2,20
⋮ ⋮ ⋮
j 𝑋𝑗1 𝑋𝑗𝑖 𝑋𝑗,20
⋮ ⋮ ⋮
N 𝑋𝑁1 𝑋𝑁2 ⋯ 𝑋𝑁𝑖 ⋯ 𝑋𝑁,20
Mean 𝜇1 𝜇2 ⋯ 𝜇i ⋯ 𝜇20 母群 (population)
𝑋ത1 𝑋ത2 ⋯ 𝑋ത𝑖 ⋯ 𝑋ത20 樣本 (sample)

57
 變項 (Variables)
• 人、事、物的特性若可以有不同的類別或數值可以選擇
時，就可稱為變項

• 例如：
• 髮色，它是頭髮的特性，且可有不同選擇(紅、黃、綠…)
• 高度、長度、速度
• 運動員的背號、比賽排名、游泳一圈所花的時間

58
• 間斷變項 (discrete variables)
• 例如：性別、婚姻狀態、家裡電視機數量
• 這類變項只有相對較少的數值可選

• 連續變項 (continuous variables)

• 例如：速度、反應時間、乳牛的產乳量
• 至少在理論上會假設這類變項，在最小數值與最大數值間可存
在任何數值

• 名義變項不可能是連續變項，因為它並非根據一個連續向度來
排序

59
• 將變項分為「間斷變項」與「連續變項」，對於某些統
計方法是重要的

• 有些變項雖然是間斷的(例如考試的答對題數)，但可能
存在很多數值，且間斷與否也不太會有影響，此時就會
將它當作連續變項來處理

• 例如：
• 大學生年級(一、二、三、四)是間斷變項，通常不會計算其平
均數，除非是要探討學生在被退學前的平均就讀時間
• 若欲計算每門課的嚴苛程度，此時計算每學期平均被當人數還
蠻合理的，即使被當人數是間斷的

60
• 在統計上，還會根據實驗設計的角度將變項分類
• 獨變項/自變項 (independent variables)：由實驗者操弄的變項
• 依變項 (dependent variables)：只能觀察或測量，不在實驗者控
制下的資料

• 在心理學研究，實驗者的興趣在於評估「自變項」對
「依變項」的效果
• 常見的自變項：治療方式、刺激電極片放的位置
• 常見的依變項：跑步速度、憂鬱分數

61
• 基本上，實驗研究的主要工作：
• 自變項的操弄
• 依變項的測量

• 例如：
• 心理學家欲測量憂鬱與非憂鬱青少年的攻擊行為次數，自變項為
憂鬱狀態、依變項為攻擊行為的次數

• 自變數可以是質化的(例如：三種心理治療方式)、也可
以是量化的(例如：咖啡因注射量)
• 但依變數通常是量化的 (但不必然)

62
 隨機抽樣 (Random Sampling)
• 若母體的每個元素被抽到樣本的機會皆相同，此樣本稱
為隨機樣本

• 隨機樣本是利用樣本統計量對母體參數進行推論的核心
基礎

63
• 當母體很小時，取得隨機樣本的方法有很多

• 例如：給每個人指定的數字，接著從隨機亂數表(a table
of random numbers)中選取數字，數字所對應的人就被納
入樣本中

• 重點是母體的每個分數被抽到樣本的機會要能幾乎相等

64
 表E.9 均等分配之亂數表 (Table of uniform random numbers)
68204 38787 73304 44886 92836 ⋯
61010 78345 75444 91680 33003
04604 93468 78459 27541 19672
⋮

• 均等(uniform)是指每個數字的出現機率皆相等

• 利用亂數來分派受試者到各組，稱為隨機分派(random assignment)

65
• 對於大型母體而言，很難進行隨機抽樣
• 例如：無法指派美國每位女性一個專屬數字，再隨機抽取對應
的數字

• 除非有足夠資源可以普查，否則就要盡最大努力來消除
任何因抽樣可能造成的偏誤來源
• 任何未消除的偏誤，都將限縮將結論類推(generalize)到整個母
體的程度

• 有許多關於如何抽取代表性樣本(representative samples)
的研究

66
 變項的符號 (Notation for Variables)
• 基本原則：以大寫字母來代表變項，例如：𝑋與𝑌
• 變項下的個別數值則以字母再輔以下標，例如： 𝑋1 , 𝑋2

• 例如：三年級學生靜坐在位子上的時間(𝑋)：

45 42 35 23 52

• 𝑋1 = 45, 𝑋2 = 42, …
• 若指稱某個非特定的分數，則以𝑋𝑖 表示，其中 𝑖 = 1, 2, …, 5

67
 連加符號 (Summation Notation)
• 大寫希臘字母 Σ (sigma) 代表「加總/連加」
• Σ𝑋𝑖 即為𝑋𝑖 的加總，亦可簡化寫成Σ𝑋

• 若欲加總5位學生(𝑁 = 5)的靜坐時間，即為：
𝑁 5

෍ 𝑋𝑖 = ෍ 𝑋𝑖 = 𝑋1 + 𝑋2 + 𝑋3 + 𝑋4 + 𝑋5 = 45 + 42 + 35 + 23 + 52
𝑖=1 𝑖=1

68
• Σ𝑋 2 = 𝑋的平方總和
• Σ𝑋 2 = 452 + 422 + 352 + 232 + 522

• Σ𝑋𝑌 = 𝑋與𝑌乘積的和

69
表2.1 有關連加符號運算的示範
生活事件 行為問題
𝑋 𝑌 𝑋2 𝑌2 𝑋−𝑌 𝑋𝑌
10 3 100 9 7 30
15 4 225 16 11 60
12 1 144 1 11 12
9 1 81 1 8 9
10 3 100 9 7 30
加總(Sum) 56 12 650 36 44 141
Σ𝑋 = 10 + 15 + 12 + 9 + 10 = 56
Σ𝑌 = 3 + 4 + 1 + 1 + 3 = 12
Σ𝑋 2 = 102 + 152 + 122 + 92 + 102 = 650
Σ𝑌 2 = 32 + 42 + 12 + 12 + 32 = 36
Σ 𝑋 − 𝑌 = 7 + 11 + 11 + 8 + 7 = 44
Σ𝑋𝑌 = 10 ∗ 3 + 15 ∗ 4 + 12 ∗ 1 + 9 ∗ 1 + 10 ∗ 3 = 141
(Σ𝑋)2 = 562 = 3136
(Σ𝑌)2 = 122 = 144
(Σ(𝑋 − 𝑌))2 = 442 = 1936
Σ𝑋 Σ𝑌 = 56 ∗ 12 = 672

70
 連加運算規則 (Rules of Summation)
• Σ 𝑋 − 𝑌 = Σ𝑋 − Σ𝑌

• 定義𝐶為常數(constant)、𝑁為欲加總項目的個數
• Σ𝐶𝑋 = 𝐶Σ𝑋
• Σ 𝑋 + 𝐶 = Σ𝑋 + 𝑁𝐶

• 連乘的符號是什麼呢？

71
• Time to rest!

72
 作業二
• Ch2: Q12, Q16, Q18, Q24, & Q26
• Due: 17:00, 9/21

73