在第一个模块中，我们将介绍描述性统计的基本概念。我们将讨论案例和变量，并解释如何在所谓的数据矩阵中对它们进行排序。我们将讨论各种测量水平，并向您展示如何通过表格和图形来展示数据。我们还将介绍中心倾向度量（如模式、中位数和平均值）和离散度量（如范围、四分位间范围、方差和标准差）。我们不仅会告诉你如何解释它们，还会解释如何计算它们。最后，我们会告诉你更多关于 z 值的知识。在本模块中，我们只讨论分析单一变量的情况。这就是我们所说的单变量分析。在下一个模块中，我们还将介绍涉及更多变量的研究。

在第二单元中，我们将学习二元分析：包含两个变量的研究。首先，我们将介绍相关性的概念。我们将研究或然率表（关于分类变量）和散点图（关于定量变量）。我们还将学习如何理解和计算最常用的相关性度量之一：皮尔逊 r：在本模块的下一部分，我们将介绍 OLS 回归分析方法。我们将解释你（或计算机）如何找到回归线，以及如何通过方程来描述这条线。我们将向您展示，您可以通过所谓的 r 平方来评估回归线与数据的拟合程度。在本模块的最后，我们将讨论为什么在解释回归分析的结果时要非常谨慎。

本模块介绍概率论的概念和概率计算规则。这不仅有助于回答各种应用统计问题，还有助于理解后续模块中介绍的统计分析。我们首先描述随机性，并解释随机事件是如何围绕着我们的。接下来，我们通过一个例子提供概率的直观定义，并将其与事件、样本空间和随机试验的概念联系起来。之后，我们将解释集合论中的一些概念，并将其与概率计算联系起来。在这里，树状图和或然率表又有了联系。最后，我们用一堂课来解释条件概率、独立性和贝叶斯法则。总之，这是一个理论性很强的模块，涉及的主题并不总是那么容易掌握。因此，我们尽可能多地加入了直观的例子。

概率分布是许多统计计算的核心。它们被用作数学模型来表示某种随机现象，然后回答有关该现象的统计问题。本模块首先解释了概率分布的基本性质，强调了概率分布如何量化随机变量，并指出了概率分布在离散随机变量和连续随机变量之间的区别。随后介绍了累积概率分布，并解释了它的性质和用法。在下一讲中，我们将展示如何通过均值和方差等统计量来描述随机变量及其相关概率分布的特征，就像观察数据一样。讲座还解释了通过乘法或加法改变随机变量对这些统计量的影响。此后，讲座将介绍正态分布，首先解释其函数形式和一些一般性质。接下来，将讲解正态分布计算概率的基本用法。最后一讲将介绍并进一步解释二项分布，它是离散数据的一种重要概率分布。在本单元结束时，您已经掌握了一些基本知识，为回答最常遇到的统计问题打下了坚实的基础。重要的是，这里介绍的有关概率分布的基础知识还将为学习下一模块中的推断统计奠定坚实的基础。

总结样本数据的方法称为描述性统计。不过，在大多数研究中，我们感兴趣的不是样本，而是潜在的人群。如果我们利用从样本中获得的数据来得出更广泛人群的结论，我们使用的就是推断统计的方法。因此，了解如何抽取样本至关重要。在本模块中，我们将关注好的抽样方法和一些不好的做法。为了得出关于样本群体的结论，研究人员会使用一种在统计学领域非常重要的概率分布：抽样分布。我们将详细讨论抽样分布，并将其与数据分布和总体分布进行比较。我们将研究样本平均数的抽样分布和样本比例的抽样分布。

我们可以将统计推断方法分为两类。我们可以(1) 估算群体参数；以及 (2) 检验关于这些参数的假设。在本模块中，我们将讨论第一种推断统计方法：通过置信区间进行估计。置信区间是一个数字范围，很有可能包含实际的人口值。区间实际包含人口值的概率就是我们所说的置信水平。在本模块中，我们将向你展示如何构建均值和比例的置信区间，以及如何解释它们。我们还将关注如何决定样本量的大小。

在本模块中，我们将讨论统计假设。它们是显著性检验方法的主要组成部分。假设不过是对群体的一种期望。在进行显著性检验时，我们使用样本数据（就像构建置信区间一样）来推断群体参数。因此，显著性检验也是一种推断统计方法。我们将说明，每个显著性检验都基于两个假设：零假设和备择假设。在进行显著性检验时，除非数据提供了有力的反证，否则就假定零假设为真。我们将向你展示如何对均值进行显著性检验，以及如何对比例进行检验。我们还将证明显著性检验和置信区间密切相关。在本模块的最后，我们将论证您在进行检验时可能做出正确和错误的决定。错误的决定被称为第一类和第二类错误。

这是最后一个模块，您可以在期末考试中运用之前所学的所有知识。请注意，您每月只能参加一次期末考试，因此请务必做好充分准备。请遵守荣誉守则，不要在考试期间与他人交流或讨论。祝你好运