სტატისტიკური ფორმულები კვლევაში

სტატისტიკური ფორმულები კვლევაში

სტატისტიკა მათემატიკის დარგია, რომელიც ეხება მონაცემების შეგროვებას, ანალიზს, ინტერპრეტაციას და წარდგენას. კვლევაში, იქნება ეს მეცნიერებები, ინჟინერია, სოციალური მეცნიერებები თუ თუნდაც ჰუმანიტარული მეცნიერებები, სტატისტიკა გადამწყვეტ როლს ასრულებს მკვლევარების ჰიპოთეზების შემოწმებაში, პროგნოზების გაკეთებასა და დასკვნების გამოტანაში. ეს სტატია განიხილავს რამდენიმე ძირითად სტატისტიკურ ფორმულას და მათ გამოყენებას კვლევაში.

1. აღწერითი სტატისტიკა

აღწერითი სტატისტიკა გამოიყენება კვლევაში შეგროვებული მონაცემების აღსაწერად. ის მოიცავს სხვადასხვა საზომს, რომელიც მონაცემების მიმოხილვას იძლევა.

ა. საშუალო (საშუალო)
საშუალო სტატისტიკაში ყველაზე ხშირად გამოყენებული მნიშვნელობაა. ეს არის მონაცემთა ნაკრებში არსებული ყველა მნიშვნელობის ჯამი გაყოფილი მნიშვნელობების რაოდენობაზე.

საშუალო (x) = i=1^n x_i}{n}

სად:
– \( \sum \) არის ჯამის სიმბოლო, რაც ნიშნავს \(x \)-ის ყველა მნიშვნელობის შეკრებას 1-დან \(n \)-მდე.
– \(x_i \) არის მონაცემთა ნაკრებში არსებული ყველა მნიშვნელობა.
– \(n \) არის მონაცემთა ნაკრებში მნიშვნელობების საერთო რაოდენობა.

ბ. მედიანა
მედიანა არის საშუალო მნიშვნელობა დახარისხებულ მონაცემთა ნაკრებში. თუ მონაცემებში მნიშვნელობების რაოდენობა კენტია, მედიანა არის საშუალო მნიშვნელობა. თუ მნიშვნელობების რაოდენობა ლუწია, მედიანა არის ორი საშუალო მნიშვნელობის საშუალო.

გ. რეჟიმი
რეჟიმი არის მნიშვნელობა, რომელიც ყველაზე ხშირად ჩნდება მონაცემთა ნაკრებში. მონაცემთა ნაკრებს შეიძლება ჰქონდეს ერთი რეჟიმი (უნიმოდალური), ერთზე მეტი რეჟიმი (მულტიმოდალური) ან საერთოდ არ ჰქონდეს რეჟიმი.

დ. დიაპაზონი
დიაპაზონი არის სხვაობა მონაცემთა ნაკრებში მაქსიმალურ და მინიმალურ მნიშვნელობებს შორის.

დიაპაზონი = მაქს(x) – მინ(x)

ე. სტანდარტული გადახრა
სტანდარტული გადახრა არის საშუალო მნიშვნელობის გარშემო მონაცემების გავრცელების ან დისპერსიის საზომი. პოპულაციის სტანდარტული გადახრის ფორმულაა:

\[ \sigma = \sqrt{\frac{\sum_{i=1}^{N} (x_i – \mu)^2}{N}} \]

და ნიმუშისთვის:

\[s = \sqrt{\frac{\sum_{i=1}^{n} (x_i – \bar{x})^2}{n-1}} \]

სად:
– \( \sigma \) არის პოპულაციის სტანდარტული გადახრა.
– \(s \) არის ნიმუშის სტანდარტული გადახრა.
– \(x_i \) არის მონაცემთა ნაკრებში არსებული ყველა მნიშვნელობა.
– \( \mu \) არის პოპულაციის საშუალო.
– \( \bar{x} \) არის ნიმუშის საშუალო მნიშვნელობა.
– \(N \) არის პოპულაციაში მნიშვნელობების საერთო რაოდენობა.
– \(n \) არის ნიმუშში მნიშვნელობების საერთო რაოდენობა.

2. ინფერენციული სტატისტიკა

ინფერენციული სტატისტიკა მკვლევრებს საშუალებას აძლევს, მონაცემთა ნიმუშის საფუძველზე გამოიტანონ დასკვნები პოპულაციის შესახებ. ის მოიცავს სხვადასხვა ტექნიკას, როგორიცაა ჰიპოთეზის ტესტირება, რეგრესია და ვარიაციის ანალიზი (ANOVA).

ა. ჰიპოთეზის ტესტირება
ჰიპოთეზის ტესტირება არის სტატისტიკური პროცესი, რომელიც გამოიყენება იმის დასადგენად, არის თუ არა მონაცემთა ნიმუშში საკმარისი მტკიცებულება იმის დასკვნისთვის, რომ პირობა მართალია პოპულაციაში.

i. ნულოვანი ჰიპოთეზა (H0) და ალტერნატიული ჰიპოთეზა (H1)

– ნულოვანი ჰიპოთეზა (H0): არანაირი განსხვავება ან ეფექტი არ არსებობს.
– ალტერნატიული ჰიპოთეზა (H1): არსებობს განსხვავება ან ეფექტი.

ტესტირება ტარდება ტესტის სტატისტიკის გამოყენებით, როგორიცაა t-ტესტი, ქი-კვადრატის ტესტი ან ANOVA, და p-მნიშვნელობის შედარება მნიშვნელობის დონესთან (\(\α\)), როგორც წესი, 0,05-თან.

ii. t-ტესტი
t-ტესტი გამოიყენება ორი ჯგუფის საშუალოების შესადარებლად. t-ტესტის რამდენიმე ვარიაცია არსებობს, როგორიცაა დამოუკიდებელი ნიმუშების t-ტესტი და დაწყვილებული t-ტესტი.

დამოუკიდებელი ნიმუშების t-ტესტის ძირითადი ფორმულაა:

t = \frac{\bar{x}_1 – \bar{x}_2}{\sqrt{\left( \frac{s_1^2}{n_1} \right) + \frac{s_2^2}{n_2} \right)}} \]

ბ. რეგრესია
რეგრესია გამოიყენება ერთ ან რამდენიმე დამოუკიდებელ ცვლადსა (პროგნოზირებად) და დამოკიდებულ ცვლადს (რეაქციას) შორის ურთიერთობის მოდელირებისთვის.

i. მარტივი წრფივი რეგრესია
მარტივი წრფივი რეგრესია მოდელირებს ერთ დამოუკიდებელ და ერთ დამოკიდებულ ცვლადს შორის ურთიერთობას.

მარტივი წრფივი რეგრესიის განტოლებაა:

\[ y = \beta_0 + \beta_1 x + \epsilon \]

სად:
– \(y \) არის დამოკიდებული ცვლადი.
– \(x \) არის დამოუკიდებელი ცვლადი.
– \( \beta_0 \) არის ჩაჭრის წერტილი.
– \( β_1 \) არის რეგრესიის კოეფიციენტი.
– \( \epsilon \) შეცდომაა.

ii. მრავალჯერადი ხაზოვანი რეგრესია
მრავალჯერადი წრფივი რეგრესია მოდელირებს მრავალ დამოუკიდებელ ცვლადსა და ერთ დამოკიდებულ ცვლადს შორის ურთიერთობას.

მრავალჯერადი წრფივი რეგრესიის განტოლებაა:

\[ y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \ldots + \beta_p x_p + \epsilon \]

სად:
– \(y \) არის დამოკიდებული ცვლადი.
– \(x_1, x_2, \ldots, x_p \) არის დამოუკიდებელი ცვლადი.
– \( \beta_0 \) არის ჩაჭრის წერტილი.
– \( β_p \) არის დამოუკიდებელი ცვლადის \(p \) რეგრესიის კოეფიციენტი.
– \( \epsilon \) შეცდომაა.

გ. ვარიაციის ანალიზი (ANOVA)
ANOVA გამოიყენება სამი ან მეტი ჯგუფის საშუალო მნიშვნელობების შესადარებლად. ANOVA განსაზღვრავს, არის თუ არა მნიშვნელოვანი განსხვავება ჯგუფების საშუალო მნიშვნელობებს შორის ჯგუფებს შორის ცვალებადობისა და ჯგუფებში არსებული ცვალებადობის შედარებით.

ANOVA-ს ძირითადი ფორმულაა:

\[ F = \frac{\text{ჯგუფებს შორის ცვალებადობა}}{\text{ჯგუფის შიგნით ცვალებადობა}} \]

F-სტატისტიკა გამოითვლება და შედარებულია F განაწილების კრიტიკულ მნიშვნელობასთან, რათა დადგინდეს, არის თუ არა მნიშვნელოვანი განსხვავება ჯგუფის საშუალოებს შორის.

3. კორელაცია

კორელაცია ზომავს ორ ცვლადს შორის წრფივი დამოკიდებულების სიძლიერესა და მიმართულებას.

ა. პირსონის კორელაციის კოეფიციენტი (r)
პირსონის კორელაციის კოეფიციენტი ორ ცვლადს შორის წრფივი კორელაციის გასაზომად ყველაზე ხშირად გამოყენებული საზომია.

პირსონის კორელაციის კოეფიციენტის ფორმულა შემდეგია:

\[ r = \frac{\sum_{i=1}^{n} (x_i – \bar{x})(y_i – \bar{y})}{\sqrt{\sum_{i=1}^{n} (x_i – \bar{x})^2} \sqrt{\sum_{i=1}^{n} (y_i – \bar{y})^2}} \]

სად:
– \( r \) არის პირსონის კორელაციის კოეფიციენტი.
– \(x_i\) და \(y_i\) ორი ცვლადის მნიშვნელობებია.
– \(x) და \(y) ორი ცვლადის საშუალო მნიშვნელობებია.

\(r\) მნიშვნელობა მერყეობს -1-დან (სრულყოფილი უარყოფითი კორელაცია) +1-მდე (სრულყოფილი დადებითი კორელაცია), სადაც 0 მიუთითებს კორელაციის არარსებობაზე.

დახურვა

სტატისტიკა მნიშვნელოვანი კვლევითი ინსტრუმენტია, რომელიც ეხმარება მკვლევრებს მონაცემების წარმოდგენაში, ანალიზსა და დასკვნების გამოტანაში. ეს სტატია მოიცავს აღწერითი და ინფერენციული სტატისტიკის, ასევე კორელაციის მხოლოდ რამდენიმე ძირითად ფორმულას. მიუხედავად სიმარტივისა, ამ ფორმულების საფუძვლიანი გაგება მნიშვნელოვანია ვალიდური ანალიზების ჩასატარებლად და კვლევითი მონაცემებიდან ზუსტი დასკვნების გამოსატანად. სტატისტიკის დაუფლებით, მკვლევრებს შეუძლიათ უზრუნველყონ, რომ მათი დასკვნები დაფუძნებული იყოს მყარ და სანდო ანალიზზე.