Statistikaj Formuloj en Esplorado
Statistiko estas branĉo de matematiko, kiu okupiĝas pri la kolektado, analizo, interpretado kaj prezentado de datumoj. En esplorado, ĉu en la sciencoj, inĝenierarto, sociaj sciencoj aŭ eĉ la humanismaj studoj, statistiko ludas gravan rolon por helpi esploristojn testi hipotezojn, fari prognozojn kaj tiri konkludojn. Ĉi tiu artikolo diskutos kelkajn bazajn statistikajn formulojn kaj ilian aplikon en esplorado.
1. Priskriba Statistiko
Priskribaj statistikoj estas uzataj por priskribi la datumojn kolektitajn en studo. Ili inkluzivas diversajn mezurojn, kiuj provizas superrigardon de la datumoj.
a. Meza (Meznombro)
La meznombro estas la plej ofte uzata valoro en statistiko. Ĝi estas la tuta sumo de ĉiuj valoroj en datumbazo dividita per la nombro de valoroj.
\[ \tekst{Meznombro} (\bar{x}) = \frac{\sum_{i=1}^{n} x_i}{n} \]
Kie:
– \( \sum \) estas la sumo-simbolo, kiu signifas adicii ĉiujn valorojn de \( x \) de 1 ĝis \( n \).
– \(x_i \) estas ĉiu valoro en la datumbazo.
– \(n\) estas la tuta nombro de valoroj en la datumbazo.
b. Mediano
La mediano estas la meza valoro en ordigita datumbazo. Se la nombro da valoroj en la datumoj estas nepara, la mediano estas la meza valoro. Se la nombro da valoroj estas para, la mediano estas la averaĝo de la du mezaj valoroj.
c. Reĝimo
La modo estas la valoro kiu aperas plej ofte en datumbazo. Datumbazo povas havi unu modon (unimodalan), pli ol unu modon (multimodalan), aŭ tute neniun modon.
d. Areo
Intervalo estas la diferenco inter la maksimumaj kaj minimumaj valoroj en datumbazo.
\[ \tekst{Amplekso} = \tekst{Maks}(x) – \tekst{Min}(x) \]
e. Norma Devio
Norma devio estas mezuro de la disvastiĝo aŭ disperso de datumoj ĉirkaŭ la meznombro. La formulo por norma devio de la populacio estas:
\[ \sigma = \sqrt{\frac{\sum_{i=1}^{N} (x_i – \mu)^2}{N}} \]
Kaj por specimeno:
\[ s = \sqrt{\frac{\sum_{i=1}^{n} (x_i – \bar{x})^2}{n-1}} \]
Kie:
– σ estas la norma devio de la populacio.
– \(s \) estas la norma devio de la specimeno.
– \(x_i \) estas ĉiu valoro en la datumbazo.
– μ estas la meznombro de la populacio.
– \( \bar{x} \) estas la provaĵa meznombro.
– \(N\) estas la tuta nombro de valoroj en la populacio.
– \(n \) estas la tuta nombro de valoroj en la specimeno.
2. Inferenca Statistiko
Inferenca statistiko permesas al esploristoj fari konkludojn pri populacio bazitajn sur specimeno de datumoj. Ĝi ampleksas diversajn teknikojn, kiel ekzemple hipoteztestado, regreso kaj variancanalizo (ANOVA).
a. Hipoteza Testado
Hipoteza testado estas statistika procezo uzata por determini ĉu ekzistas sufiĉa evidenteco en specimeno de datumoj por konkludi, ke kondiĉo estas vera en populacio.
i. Nula Hipotezo (H0) kaj Alternativa Hipotezo (H1)
Nula Hipotezo (H0): Ne estas diferenco aŭ efiko.
– Alternativa Hipotezo (H1): Ekzistas diferenco aŭ efiko.
Testado estas farata uzante testostatistikon, kiel ekzemple t-testo, ĥi-kvadrata testo, aŭ ANOVA, kaj komparante la p-valoron kun signifnivelo (\(\alpha\)), kutime 0,05.
ii. t-testo
La t-testo estas uzata por kompari la averaĝojn de du grupoj. Ekzistas pluraj variaĵoj de la t-testo, kiel ekzemple la t-testo por sendependaj specimenoj kaj la t-testo por parigitaj specimenoj.
La baza formulo por la t-testo por sendependaj specimenoj estas:
\[ t = \frac{\bar{x}_1 – \bar{x}_2}{\sqrt{\frac{s_1^2}{n_1} \right) + \left( \frac{s_2^2}{n_2} \right)}} \]
b. Regreso
Regresio estas uzata por modeli la rilaton inter unu aŭ pluraj sendependaj variabloj (prognozantoj) kaj dependa variablo (respondo).
i. Simpla Lineara Regreso
Simpla lineara regreso modeligas la rilaton inter unu sendependa variablo kaj unu dependa variablo.
La simpla lineara regresa ekvacio estas:
\[ y = β₀ + β₁ x + ε ]
Kie:
– \(y \) estas la dependa variablo.
– \(x \) estas la sendependa variablo.
– \( \beta_0 \) estas la intersekco.
– \( \beta_1 \) estas la regresa koeficiento.
– \( \epsilon \) estas eraro.
ii. Multobla Lineara Regreso
Multobla lineara regreso modeligas la rilaton inter pluraj sendependaj variabloj kaj unu dependa variablo.
La ekvacio de plurlinia regreso estas:
\[ y = β₀ + β₁ x₁ + β₂ x₂ + β₂p x₁ + ε]
Kie:
– \(y \) estas la dependa variablo.
– \(x_1, x_2, ..., x_p \) estas la sendependa variablo.
– \( \beta_0 \) estas la intersekco.
– β_p estas la regresa koeficiento por la sendependa variablo p.
– \( \epsilon \) estas eraro.
c. Analizo de Varianco (ANOVA)
ANOVA estas uzata por kompari la averaĝojn de tri aŭ pli da grupoj. ANOVA determinas ĉu ekzistas signifa diferenco inter la grupaj averaĝoj komparante la ŝanĝiĝemon inter grupoj kun la ŝanĝiĝemo ene de grupoj.
La baza formulo por ANOVA estas:
\[ F = \frac{\text{Inter-Grupa Variebleco}}{\text{Ene-Grupa Variebleco}} \]
La F-statistiko estas kalkulata kaj komparata kun la kritika valoro de la F-distribuo por determini ĉu ekzistas signifa diferenco inter la grupaj mezvaloroj.
3. Korelacio
Korelacio mezuras la forton kaj direkton de la lineara rilato inter du variabloj.
a. Korelacia Koeficiento de Pearson (r)
La korelacia koeficiento de Pearson estas la plej ofte uzata mezuro por mezuri la linearan korelacion inter du variabloj.
La formulo por la korelacia koeficiento de Pearson estas:
\[ r = \frac{\sum_{i=1}^{n} (x_i – \bar{x})(y_i – \bar{y})}{\sum_{i=1}^{n} (x_i – \bar{x})^2} \sum_{i=1}^{n} (y_i – \bar{y})^2}} \]
Kie:
– ∫(r) estas la korelacia koeficiento de Pearson.
– \(x_i\) kaj \(y_i\) estas la valoroj de du variabloj.
– \( \bar{x} \) kaj \( \bar{y} \) estas la averaĝoj de la du variabloj.
La valoro \(r\) varias de -1 (perfekta negativa korelacio) ĝis +1 (perfekta pozitiva korelacio), kie 0 indikas neniun korelacion.
Fermo
Statistiko estas decida esplorilo, kiu helpas esploristojn prezenti, analizi kaj eltiri konkludojn el datumoj. Ĉi tiu artikolo kovras nur kelkajn bazajn formulojn en priskriba kaj inferenca statistiko, same kiel korelacion. Kvankam simpla, detala kompreno de ĉi tiuj formuloj estas ŝlosila por fari validajn analizojn kaj eltiri precizajn konkludojn el esplordatumoj. Majstrante statistikon, esploristoj povas certigi, ke iliaj rezultoj baziĝas sur solida kaj fidinda analizo.
