Statistika algajatele
Statistika on matemaatika haru, mis tegeleb andmete kogumise, analüüsi, tõlgendamise, esitamise ja korraldamisega. See on oluline tööriist kõigile, kes soovivad numbrilises vormis olevat teavet mõista ja tõlgendada. Kuigi see võib tunduda keeruline, saab igaüks põhiteadmistega statistikat omandada. See artikkel aitab teil uurida statistika maailma, alates põhimõistetest kuni mõnede levinud analüüsitehnikateni.
Miks on statistika oluline?
Statistika aitab meil teha andmepõhiseid otsuseid. Peaaegu igas eluvaldkonnas – alates meditsiinist ja turundusest kuni äri ja sotsiaalteaduste ja spordini – kasutatakse andmeid tulemuslikkuse mõõtmiseks, tulemuste hindamiseks ja tuleviku planeerimiseks. Statistika võimaldab teadlastel ja otsustajatel strateegiaid välja töötada ja otsuseid langetada tõendite, mitte pelgalt eelduste või intuitsiooni põhjal.
Statistika põhimõisted
Populatsioon ja valim
– Rahvaarv: on kogu objektide või isendite rühm, mis on meie uuringu keskmes. Näiteks kui tahame teada linna elanike keskmist vanust, siis on meie rahvaarv kõik selle linna elanikud.
– Valim: on analüüsiks võetud populatsiooni alamrühm. Kuna kogu populatsioonilt andmete kogumine on sageli ebapraktiline või võimatu, kogume andmeid lihtsalt selle populatsiooni representatiivsest valimist.
Parameetrid ja statistika
– Parameeter: on numbriline väärtus, mis kirjeldab populatsiooni omadust (näiteks populatsiooni keskmine).
– Statistika: on numbrilised väärtused, mis kirjeldavad valimi omadust (nt valimi keskmine).
Muutuv
Muutuja on omadus või atribuut, mida saab mõõta või jälgida. Muutujaid on kahte peamist tüüpi:
1. Kvalitatiivsed muutujad: esitage kategooriad või atribuudid, näiteks sugu, silmade värv või haridustase.
2. Kvantitatiivsed muutujad: väljendavad hulka või suurust, näiteks vanus, pikkus või sissetulek. Kvantitatiivsed muutujad võivad olla diskreetsed (täisarvud) või pidevad (reaalarvud).
Mõõtmisskaala
1. Nominaalandmed: kvalitatiivsed andmed, millel puudub järjekord või järjestus. Näited: sugu, silmade värv.
2. Ordinaal: kvalitatiivsed andmed, millel on küll järjestus või järjestus, kuid erinevused ei ole mõõdetavad. Näide: rahulolu tase (väga rahulolematu, rahulolematu, neutraalne, rahul, väga rahul).
3. Intervall: Kvantitatiivsed andmed mõõdetavate erinevustega ja absoluutse nullita. Näide: temperatuur Celsiuse või Fahrenheiti skaalal.
4. Suhtarv: Kvantitatiivsed andmed mõõdetavate erinevuste ja absoluutse nulliga, mis võimaldab korrutamist ja jagamist. Näited: pikkus, kaal, vanus.
Andmete kogumine
Andmete kogumine on statistilise analüüsi esimene samm. Andmete kogumise tehnikad võivad hõlmata järgmist:
1. Uuring: küsimustike või intervjuude kasutamine andmete kogumiseks otse vastajatelt.
2. Katse: Katsete läbiviimine kontrollitud tingimustes.
3. Vaatlus: subjekti jälgimine tema loomulikus olekus ilma sekkumiseta.
4. Teisese andmekogumine: teiste osapoolte kogutud andmete, näiteks valitsuse andmete või teaduskirjanduse kasutamine.
Kirjeldav andmete analüüs
Kirjeldav analüüs on esimene samm andmete mõistmisel. See hõlmab andmete kokkuvõtmise meetodeid, kas kokkuvõtva statistika või visualiseerimise abil.
Kokkuvõtlik statistika
1. Tsentraliseerimismeede
– Keskmine (keskmine): kõigi väärtuste summa jagatud väärtuste arvuga.
– Mediaan: sorteeritud andmete keskmine väärtus.
– Režiim: väärtus, mis ilmub andmestikus kõige sagedamini.
2. Dispersiooni suurus
– Vahemik: Maksimaalse ja minimaalse väärtuse vahe.
– Dispersioon (Variant): iga väärtuse ja keskmise erinevuse keskmine ruut.
– Standardhälve (standardhälve): dispersiooni ruutjuur.
Andmete visualiseerimine
Andmete visualiseerimine aitab mõista andmete jaotust ja mustreid. Mõned levinumad visualiseerimisvahendid on järgmised:
– Histogramm: näitab kvantitatiivsete andmete sagedusjaotust.
– Tulpdiagramm (tulpdiagramm): kasutatakse kvalitatiivsete andmete jaoks.
– Sektordiagramm (ringdiagramm): näitab kvalitatiivsete andmete osakaalu.
– Kastidiagramm (Kastdiagramm): näitab andmete jaotust, tõstes esile kvartiile ja kõrvalekaldeid.
Järeldav analüüs
Järeldav analüüs on meetod, mille abil tehakse valimiandmete põhjal järeldusi populatsiooni kohta. See hõlmab mitmesuguseid tehnikaid, näiteks hüpoteesi testimist, regressioonianalüüsi ja dispersioonanalüüsi (ANOVA).
Hüpoteeside testimine
Hüpoteeside testimine on meetod, mida kasutatakse selleks, et teha kindlaks, kas andmevalimis on piisavalt tõendeid järeldamaks, et tingimus kehtib kogu populatsiooni kohta. Sammud hõlmavad järgmist:
1. Määrake nullhüpotees (H0) ja alternatiivhüpotees (H1)
– H0: Mõju ega erinevust ei ole.
– H1: Esineb mõju või erinevus.
2. Määrake olulisuse tase (α), tavaliselt 0.05.
3. Testistatistika ja tõenäosuse (p-väärtuse) arvutamine
4. P-väärtuse võrdlemine α-ga
– Kui p < α, siis H0 lükatakse tagasi; H1 aktsepteerimiseks on piisavalt tõendeid. – Kui p ≥ α, siis H0 ei lükata tagasi; H1 aktsepteerimiseks pole piisavalt tõendeid. Korrelatsioon ja regressioon 1. Korrelatsioon: Mõõdab kahe kvantitatiivse muutuja vahelise lineaarse seose tugevust ja suunda. Korrelatsioonikordaja jääb vahemikku -1 (täiuslik negatiivne seos) kuni 1 (täiuslik positiivne seos). 2. Regressioon: Mõõdab sõltuva muutuja ja ühe või mitme sõltumatu muutuja vahelist seost. Lihtne lineaarne regressioon kasutab sirge võrrandit \(y = mx + c\), kus püütakse leida parimad m (tõus) ja c (lõikepunkt) väärtused. Dispersioonanalüüs (ANOVA) ANOVA-d kasutatakse kolme või enama rühma keskmiste võrdlemiseks. See meetod testib hüpoteesi, et kõigi rühmade keskmised on võrdsed, versus hüpoteesi, et vähemalt ühe rühma keskmised on erinevad. Järeldus
