A leíró és az inferenciális statisztikák közötti különbség: leíró és inferenciális statisztikák összehasonlítva
leíró vs Inferential Statistics
A statisztikák az adatok begyűjtésének, elemzésének és bemutatásának fegyelmezettek. A statisztikák elmélete az adatok elemzésével az általuk szolgáltatott információk alapján két ágra oszlik.
Mi a leíró statisztika?
A leíró statisztika a statisztikai ág, amely kvantitatív módon írja le az adatkészlet fő tulajdonságait. Az adatkészlet tulajdonságainak lehető legpontosabban történő ábrázolásához az adatokat grafikus vagy numerikus eszközökkel összegezzük.
A grafikus összefoglalást az érdekelt változók értékeinek táblázatosságával, csoportosításával és ábrázolásával végezzük. A frekvenciaeloszlás és a relatív frekvencia eloszlású hisztogramok ilyen reprezentációk. Ábrázolják az értékek eloszlását az egész lakosság körében.
A numerikus összegzés magában foglalja a leíró jellegű intézkedések számítását, mint például az átlag, a mód és az átlag. A leíró intézkedések további kategóriákba sorolhatók; ezek a központi tendencia és a diszperzió / változás mértékei. A központi tendenciák közé tartoznak az átlag / átlag, a medián és a mód. Mindegyiknek megvan a saját alkalmazhatósága és hasznossága. Ha valaki kudarcot vallhat, a másik az adatkészletet jobban képviselheti.
Amint azt a név is jelzi, a diszperzió mértéke magában foglalja az adatok eloszlásának mérését. A tartomány, a szórás, a variancia, a percentilisek és a kvartilis tartományok és a variációs együttható a diszperzió. Információkat nyújtanak az adatok terjesztéséről.
A leíró statisztikák használatának egyszerű példája a hallgatói fokozatkori átlag kiszámítása. A GPA lényegében a tanulók eredményeinek súlyozott átlaga, és tükrözi az adott hallgató általános tudományos teljesítményét.
Mi az inferenciális statisztika?
A nem statisztikai statisztikák a statisztikák ágazatai, amelyek az érintett lakosságra vonatkozó következtetéseket vonnak le a véletlenszerű, megfigyelési és mintavételi változatoknak alávetett mintából származó adatkészletből. Általában az eredményeket a populáció véletlenszerű mintájából nyerik, és a mintából levont következtetéseket általánosságban az egész népességet reprezentálják.
A minta a népesség egy részhalmaza, és a minta adatainak leíró statisztikai mérései egyszerűen statisztikák néven ismertek.A minta elemzéséből kapott leíró statisztikák mérése paraméterként ismert, amikor a populációra alkalmazzák, és az egész populációt képviselik.
A nem alapvető statisztikák arra összpontosítanak, hogy hogyan lehet a minta minél pontosabban összegyűjteni a statisztikát a lehető legpontosabban a népesség képviseletére. Az egyik aggodalomra ad okot a minta jellege. Ha a minta elfogult, akkor az eredmények szintén torzulnak, és az ezeken alapuló paraméterek nem képviselik megfelelően az egész populációt. Ezért a mintavétel a inferenciális statisztikák egyik fontos vizsgálata. A statisztikai feltételezések, a statisztikai döntéselmélet és a becsléselmélet, a hipotézisvizsgálat, a kísérletek megtervezése, a varianciaanalízis és a regresszió elemzése kiemelt témák a inferenciális statisztikák elméletében.
Jó példa a következtető statisztikákra a cselekvésben: a választás eredményének előrejelzése szavazás előtt szavazás útján.
Mi a különbség a leíró és az alárendelt statisztikák között?
• A leíró statisztika összpontosítja a minta alapján összegyűjtött adatokat. A technika olyan központi irányú tendenciákat és diszperziót eredményez, amelyek a változók értékeinek koncentrációját és diszpergálását mutatják.
• A nem kimutatható statisztikák a mintából nyert statisztikákat általánosságban az általános népességhez alkalmazzák, amelyhez a minta tartozik. A populáció mértékét paraméterként nevezik.
• A leíró statisztikák csak azon minta tulajdonságainak összefoglalását írják le, amelyekből az adatokat szerezték, de inferenciális statisztikában a minta szerinti mérést a populáció tulajdonságainak kikövetkeztetésére használják.
• A inferenciális statisztikákban a paramétereket egy minta, de nem az egész populációból nyerték; ezért mindig valódi bizonytalanság áll fenn a valós értékekhez képest.
