统计学知识框架：基础、应用与现代工具概述

# 统计学知识框架
## 基础
### 描述性统计
#### 数据总结
##### 数据类型
###### 定量数据
###### 定性数据
#### 集中趋势测量
##### 均值
###### 加权均值
##### 中位数
##### 众数
#### 离散程度测量
##### 方差
###### 样本方差
###### 总体方差
##### 标准差
##### 极差
#### 其他描述性统计
##### 四分位数
##### 百分位数
### 推断性统计
#### 样本数据推广
##### 假设检验
###### 单样本检验
###### 双样本检验
###### 方差分析（ANOVA）
##### 置信区间
###### 均值置信区间
###### 比例置信区间
##### 样本大小计算
###### 估计误差
###### 统计功效
## 应用领域
### 医学统计
#### 临床试验设计
##### 随机对照试验
##### 队列研究
#### 结果分析
##### 生存分析
##### 统计显著性
### 经济统计
#### 市场趋势分析
##### 需求预测
##### 消费者行为研究
#### 经济指标分析
##### GDP分析
##### 失业率分析
### 教育统计
#### 教学效果评估
##### 学习成绩分析
##### 教学方法比较
#### 试卷分析
##### 信度与效度
##### 项目分析
### 社会统计
#### 人口普查
#### 问卷调查分析
## 现代工具和技术
### 计算机技术引入
#### 数据处理能力
#### 可视化技术
### 常用软件
#### R
##### 数据分析包
##### 可视化包
#### Python
##### NumPy
##### pandas
##### Matplotlib
#### SPSS
#### SAS
## 重要概念
### 相关性
#### 皮尔逊相关系数
#### 斯皮尔曼相关系数
### 回归分析
#### 线性回归
##### 多元回归
#### 非线性回归
### 贝叶斯统计
#### 贝叶斯定理
#### 先验与后验分布
### 机器学习
#### 监督学习
##### 分类算法
###### 决策树
###### 支持向量机
#### 非监督学习
##### 聚类分析
###### K均值
###### 层次聚类