28k 字 25 分钟

# Chapter 2 Global E-business and Collaboration Producing a bill of materials is a business process in which of the following functional areas? Finance and accounting Human resources Manufacturing and production Research and development Sales and marketing Which of the following is an example of...
26k 字 24 分钟

# Chapter 1 Information Systems in Global Business Today Which of the following is not one of the six strategic business objectives that businesses are seeking to achieve when they invest in information systems? Operational excellence Improved decision making Improved community...
3.7k 字 3 分钟

# 相关 vs. 回归 相关分析 用来度量两个变量之间线性关系的强度 相关只考虑相关关系的强度 相关关系中不涉及因果关系 回归分析 根据至少一个自变量的值预测因变量的值 解释自变量的变化对因变量的影响 因变量 Dependent variable : 我们希望预测或解释的变量 自变量 Independent variable : 用来预测或解释因变量的变量 # 简单线性回归模型 只有一个自变量 XXX 用线性函数来描述 XXX 与 YYY 之间的关系 假定 YYY 的变化与 XXX 的变化相关 # 模型与假设 线性模型 Yi=β0+β1Xi+ϵiY_i = \beta_0...
4.7k 字 4 分钟

# 单因素方差分析 只有一个因素或因变量，有 2 个或多个水平，用单因素方差分析进行分析 假设： 总体服从正态分布 不同总体有相同的方差 样本随机、独立抽取 假设 H0:μ1=μ2=μ3=⋯=μcH_0: \mu_1 =\mu_2 =\mu_3 = \cdots = \mu_cH0​:μ1​=μ2​=μ3​=⋯=μc​ 所有样本均值都相等 即，没有因素效果 (不同组的均值没有变化) 假设 H1:Not all μj are the sameH_1: Not\ all\ \mu_j\ are\...
3k 字 3 分钟

# 均值检验 # 相互独立样本 # σ1\sigma_1σ1​ 与 σ2\sigma_2σ2​ 未知，假设相等 用 SpS_pSp​ 估计未知的 σ\sigmaσ. 使用混合方差 t 检验 Pooled-variance t-test 假设检验 Lower-tail test: H0:μ1−μ2≥0,H1:μ1−μ2<0H_0: \mu_1 - \mu_2 \ge 0, H_1: \mu_1 - \mu_2 <...
2.7k 字 2 分钟

# 假设检验基础 假设是关于总体参数的声明或断言 # 零假设 (原假设) H0H_0H0​ 假设检验从假定零假设为真开始. 零假设表示现状或历史值 包含 === , ≤\leq≤ 或 ≥\geq≥ 符号 可能会或不会被拒绝 例：美国家庭平均拥有的电视机数量等于 3 H0:μ=3H_0: \mu = 3H0​:μ=3 注意： 是关于总体参数，而不是样本参数， 即，不是 H0:X‾=3H_0: \overline{X} = 3H0​:X=3 # 备择假设 H1H_1H1​ 与零假设是对立的 永远不包含 === , ≤\leq≤ 或 ≥\geq≥...
2.6k 字 2 分钟

# 点估计和区间估计 # 点估计 是一个数 是使用单个样本的统计量来估计总体参数的方法 # 区间估计 是在点估计左右构造的一段区间 提供了估计值变动的更多的信息 区间估计举例 总体 μ=368\mu = 368μ=368 ， σ=15\sigma = 15σ=15. 如果一次抽样，样本容量n=25n = 25n=25 ，则： 368±1.96×15/25=(362.12,373.88)368 \pm 1.96 \times 15 / \sqrt{25} = (362.12,...
2.1k 字 2 分钟

场景：购物篮分析。"啤酒与尿布"。 形式: X→YX \rightarrow YX→Y (买了 x 的人也会买 Y) # 三个核心指标 # 支持度（Support） support(A→B)=P(A∪B)=∣t:A⊆t 且 B⊆t∣N \begin {aligned} \text{support}(A \rightarrow B) &= P(A \cup B) \\ &= \frac{|{t: A \subseteq t \...
529 字 1 分钟

聚类是无监督学习：将数据对象划分为多个组 (簇)，使得: 簇内相似度高 (Intra-class similarity is high) 簇间相似度低 (Inter-class similarity is low) 主要方法 划分法：K-Means,K-Medoids 层次法：Agglomerative (凝聚),Divisive (分裂) 基于密度：DBSCAN (能发现任意形状簇) 距离度量 欧氏距离 Euclidean 最常用。 对于二元变量，可用 Jaccard 系数。 # K-Means 算法 输入: K (簇的数量) 步骤: 初始化：随机选择 K 个点作为初始质心...