深感数据分析在工作生活中的重要性，该书用很多事例通俗易懂介绍了数据分析的方法。

1）找潜在因素

事情的结果是多个因素综合作用导致，要改变结果需要列举所有这些因素，然后看改变那几个因素会带来期望值。

如果系统是线性系统，各个因素独立影响，则比较容易，否则很难

2）实验组和控制组的设计

为了证明某个因素导致某种结果，需要保证只有该因素变化其他保持不变。

对于ate测试来说，我们一般使用同一批samples去验证，避免sample不同带来的影响。在产线上比较不同lots时，最好有process monitor的测试评估lots之间不同

3）两个变量的散点图是发现各个因素之间关系的直观方法

如果有多个变量都可能影响结果，做多个散点图排列一起看规律

4）证伪法和权重法是判断事情可能结果的分析方法

将所有已知证据罗列下来，将可能的结果罗列下来。先使用证伪法根据已知证据排除不可能的结果选项。然后将余下的可能结果按照已知证据打分，证据可以强支持结果就给正分反之负分，最后根据打分结果排列最优解

5）基本统计量介绍

需要理解均值，中位数，四分位数，众数，方差和标准差的概念。

有了均值和标准差以后，可以将两组数据规格化为均值是0，标准差是1，方便比较。

6）抽样的关键是样本可以表征总体，如此才可以根据样本的统计计算反推出总体特征。

在ate测试时，如果要预测production的参数分布，就不能完全根据skew lot。原因是skew lot是极端情况下产品可能的偏差，3 sigma的fast/slow应该只占1%，因此如果根据skew lot的少量samples的测试结果，分布不一定满足正态，也许需要增加por samples的量。当然在悲观情况下预测的分布没有问题，就不用过多工作

7）需要理解均值，众数，中位数，几何平均数等的概念，这些用于分析数据分布很重要

8) 如何比较不同样本组之间数据的相似程度

对于一组数据比较容易计算均值，方差...etc。但是如果需要比较两组样本数据的统计量，就需要使用T-test的概念了

https://en.wikipedia.org/wiki/Student%27s_t-test​en.wikipedia.org/wiki/Student%27s_t-test

可以看看到如果两组样本数据完全一样，Prob>|T|的概率是100%，远远大于置信度5%。

如果两组样本数据差异很大，Prob>|T|的概率是1.49%小于置信度5%，就无法支持两组样本的均值相等的假设。因此两组样本差异明显。

如果比较多组样本之间的区别时，JMP在“FIT Y by X”中提供了多种比较方法去测试。

9）方差计算的注意事项

当用全体数据计算方差的时候，除数是N；当用抽样样本数据计算方差的时候，除数是n-1而不是样本数n。