Statistik deskriptif adalah disiplin kuantitatif menerangkan ciri-ciri utama koleksi maklumat, atau penerangan kuantitatif itu sendiri.
Statistik deskriptif sangat penting kerana jika kita hanya membentangkan data mentah kita, sukar untuk memvisualisasikan data yang ditunjukkan, terutamanya jika terdapat banyak perkara. Oleh itu, statistik deskriptif membolehkan kita membentangkan data dengan cara yang lebih bermakna, yang membolehkan interpretasi data yang lebih mudah.
Sebagai contoh, jika kami mempunyai hasil 100 buah kursus kursus pelajar, kami mungkin berminat dalam prestasi keseluruhan pelajar tersebut. Kami juga akan berminat dengan pengedaran atau penyebaran tanda. Statistik deskriptif membolehkan kita melakukan ini. Bagaimana untuk menerangkan dengan tepat data melalui statistik dan graf adalah topik penting dan dibincangkan dalam panduan Statistik Laerd yang lain. Biasanya, terdapat dua jenis statistik umum yang digunakan untuk menggambarkan data:
Langkah-langkah kecenderungan utama: ini adalah cara-cara menggambarkan kedudukan pusat pengedaran frekuensi untuk sekumpulan data. Dalam kes ini, pengedaran frekuensi hanyalah pengedaran dan corak markah yang dicetak oleh 100 pelajar dari yang paling rendah ke yang tertinggi.
Langkah penyebaran: ini adalah cara meringkaskan sekumpulan data dengan menerangkan bagaimana penyebaran skor tersebut. Sebagai contoh, skor min 100 pelajar kami mungkin 65 dari 100. Walau bagaimanapun, tidak semua pelajar akan mencatat 65 markah. Sebaliknya skor mereka akan tersebar. Ada yang lebih rendah dan yang lain lebih tinggi. Langkah-langkah penyebaran membantu kami merumuskan bagaimana penyebaran skor ini.
Apabila kami menggunakan statistik deskriptif, berguna untuk meringkaskan kumpulan data kami menggunakan gabungan deskripsi yang ditaburkan (iaitu, jadual), penerangan grafik (iaitu, grafik dan carta) dan ulasan statistik (iaitu, perbincangan hasil).
Apakah hubungan di antara statistik deskriptif dan inferens?
Statistik deskriptif termasuk perihalan data sampel yang diberikan, tanpa membuat keputusan mengenai penduduk. Sebagai contoh: min sampel boleh dikira dari sampel, dan ia adalah statistik deskriptif. Statistik inferensi membawa kesimpulan tentang populasi berdasarkan sampel. Sebagai contoh, menyimpulkan bahawa majoriti orang menyokong satu calon (berdasarkan sampel tertentu). Hubungan: Oleh kerana kita tidak mempunyai akses kepada seluruh penduduk, kita menggunakan statistik deskriptif untuk membuat kesimpulan kesimpulan.
Kenapa langkah-langkah kecenderungan pusat penting kepada statistik deskriptif?
Oleh kerana dalam menghuraikan satu set data, kepentingan utamanya adalah nilai pusat pengedaran. Dalam statistik deskriptif, kita menerangkan ciri-ciri satu set data di tangan - kita tidak membuat kesimpulan pada populasi yang lebih besar dari mana data itu datang (Itu statistik inferens). Dengan berbuat demikian, soalan utama kami biasanya 'di mana pusat pengedaran'. Untuk menjawab soalan itu, biasanya kita menggunakan sama rata, median atau mod, bergantung pada jenis data. Ketiga-tiga langkah kecenderungan pusat ini menunjukkan titik pusat di mana semua data berkumpul. Itulah sebabnya ia adalah salah satu daripa
Sam melabur $ 6000 dalam nota perbendaharaan dan bon. Nota-nota ini membayar 8% kepentingan tahunan dan bon membayar 10% kepentingan tahunan. Sekiranya kepentingan tahunan ialah $ 550, berapa banyak yang dilaburkan dalam bon?
$ 3500 dalam bon. 8% = darab dengan 0.08 10% = darab dengan 0.10 Katakan x menjadi jumlah dalam nota dan y ialah jumlah dalam bon. x + y = 6000 0.08x + 0.10y = 550 Multiply persamaan kedua dengan 10: 0.8x + y = 5500 bermakna y = 5500 - 0.8x Gantikan dalam y dalam persamaan pertama: x + (5500 - 0.8x) = 6000 0.2x = 500 Maju dua sisi dengan 5: x = 2500 bermaksud y = 3500