1. 统计描述

图表描述：包括频数分布表（单变量和双变量）、条形图、帕累托图、饼图、环形图等，用于直观展示数据分布和比较。

顺序数据描述：通过累计频数分布表和累积频数分布图来分析顺序变量的分布特征。

2. 数据类型

分类数据：用于计数，如性别、颜色分类。

顺序数据：具有等级顺序，如教育程度。

数值型数据：分为离散型（如人数）和连续型（如温度）。

3. 统计量

中心趋势度量：平均数、中位数、众数。

离散程度度量：方差、标准差、极差、四分位数。

4. AB测试流程

实验设计：确定改动点、核心指标、计算样本量、实验周期。

流量分割：分流（按用户特征分组）、分层（确保样本多样性）。

显著性检验：实验结束后分析结果，使用统计检验判断差异是否显著。

5. 辛普森悖论

理解在不同细分与整体分析中可能出现的反直觉现象，强调了分析时考虑所有相关变量的重要性。

6. 相关系数与协方差

协方差：衡量两个变量变化趋势的一致性。

相关系数：标准化的协方差，反映变量间线性关系的强度和方向，范围在1到1之间。

7. 随机变量

定义与分类：离散型（如伯努利试验）和连续型（如正态分布）。

数字特征：期望（均值）、方差、标准差等。

8. 常见分布

离散分布：二项分布、泊松分布。

连续分布：正态分布、均匀分布、指数分布。

统计与数据分析的基础知识有哪些

正态分布特性：对称性、集中趋势在均值，广泛应用于假设检验和置信区间估计。

9. 统计推断

假设检验：t检验、ANOVA（方差分析）、卡方检验等，用于判断样本数据与总体或两组数据间的差异是否显著。

置信区间：估计总体参数的可信范围。

10. 变量关系

独立与不相关：理解变量间独立性与协方差为零的区别，以及它们对数据分析的影响。

掌握这些基础知识对于数据分析师来说至关重要，它们帮助分析师理解数据的结构、特征，以及如何通过统计方法来验证假设、发现模式和做出预测。