Статистичке формуле у истраживању
Статистика је грана математике која се бави прикупљањем, анализом, тумачењем и презентацијом података. У истраживањима, било да су у природним наукама, инжењерству, друштвеним наукама или чак хуманистичким наукама, статистика игра кључну улогу у помагању истраживачима да тестирају хипотезе, дају предвиђања и изводе закључке. Овај чланак ће размотрити неке основне статистичке формуле и њихову примену у истраживању.
1. Дескриптивна статистика
Дескриптивна статистика се користи за описивање података прикупљених у студији. Она укључује различите мере које пружају преглед података.
а. Просек (средња вредност)
Просек је најчешће коришћена вредност у статистици. То је укупан збир свих вредности у скупу података подељен бројем вредности.
\[ \text{Средња вредност} (\bar{x}) = \frac{\sum_{i=1}^{n} x_i}{n} \]
Где:
– \( \sum \) је симбол за збир, што значи да се саберу све вредности \(x \) од 1 до \(n \).
– \( x_i \) је свака вредност у скупу података.
– \(n \) је укупан број вредности у скупу података.
б. Медијана
Медијана је средња вредност у сортираном скупу података. Ако је број вредности у подацима непаран, медијана је средња вредност. Ако је број вредности паран, медијана је просек две средње вредности.
ц. Режим
Мод је вредност која се најчешће појављује у скупу података. Скуп података може имати један мод (унимодални), више од једног мода (мултимодални) или уопште нема мод.
d. Домет
Распон је разлика између максималне и минималне вредности у скупу података.
\[ \text{Опсег} = \text{Макс}(x) – \text{Мин}(x) \]
е. Стандардна девијација
Стандардна девијација је мера распона или дисперзије података око средње вредности. Формула за стандардну девијацију популације је:
\[ \sigma = \sqrt{\frac{\sum_{i=1}^{N} (x_i – \mu)^2}{N}} \]
И за узорак:
\[ s = \sqrt{\frac{\sum_{i=1}^{n} (x_i – \bar{x})^2}{n-1}} \]
Где:
– \( \sigma \) је стандардна девијација популације.
– \( s \) је стандардна девијација узорка.
– \( x_i \) је свака вредност у скупу података.
– \( \mu \) је средња вредност популације.
– \( \bar{x} \) је средња вредност узорка.
– \( N \) је укупан број вредности у популацији.
– \(n \) је укупан број вредности у узорку.
2. Инференцијална статистика
Инференцијална статистика омогућава истраживачима да изводе закључке о популацији на основу узорка података. Она обухвата низ техника, као што су тестирање хипотеза, регресија и анализа варијансе (ANOVA).
а. Тестирање хипотеза
Тестирање хипотезе је статистички процес који се користи да би се утврдило да ли постоји довољно доказа у узорку података да би се закључило да је неки услов тачан у популацији.
i. Нулта хипотеза (H0) и алтернативна хипотеза (H1)
– Нулта хипотеза (H0): Нема разлике нити ефекта.
– Алтернативна хипотеза (Х1): Постоји разлика или ефекат.
Тестирање се врши коришћењем тест статистике, као што је t-тест, хи-квадрат тест или ANOVA, и упоређивањем p-вредности са нивоом значајности (α), обично 0,05.
ii. t-тест
Т-тест се користи за поређење средњих вредности две групе. Постоји неколико варијација т-теста, као што су т-тест независних узорака и т-тест упарених узорака.
Основна формула за t-тест за независне узорке је:
\[ t = \frac{\bar{x}_1 – \bar{x}_2}{\sqrt{\left( \frac{s_1^2}{n_1} \right) + \left( \frac{s_2^2}{n_2} \right)}} \]
б. Регресија
Регресија се користи за моделирање односа између једне или више независних променљивих (предиктори) и зависне променљиве (одзив).
i. Једноставна линеарна регресија
Једноставна линеарна регресија моделира везу између једне независне променљиве и једне зависне променљиве.
Једноставна једначина линеарне регресије је:
\[y = \beta_0 + \beta_1 x + \epsilon \]
Где:
– \(y \) је зависна променљива.
– \( x \) је независна променљива.
– \( \beta_0 \) је пресец са тачком.
– \( \beta_1 \) је коефицијент регресије.
– \( \епсилон \) је грешка.
ii. Вишеструка линеарна регресија
Вишеструка линеарна регресија моделира везу између више независних променљивих и једне зависне променљиве.
Једначина вишеструке линеарне регресије је:
\[ y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \ldots + \beta_p x_p + \epsilon \]
Где:
– \(y \) је зависна променљива.
– \(x_1, x_2, \ldots, x_p \) је независна променљива.
– \( \beta_0 \) је пресец са тачком.
– \( \beta_p \) је коефицијент регресије за независну променљиву \( p \).
– \( \епсилон \) је грешка.
ц. Анализа варијансе (ANOVA)
ANOVA се користи за поређење средњих вредности три или више група. ANOVA утврђује да ли постоји значајна разлика између средњих вредности група упоређујући варијабилност између група са варијабилношћу унутар група.
Основна формула за ANOVA је:
\[ F = \frac{\text{Варијабилност између група}}{\text{Варијабилност унутар групе}} \]
F-статистика се израчунава и упоређује са критичном вредношћу F расподеле како би се утврдило да ли постоји значајна разлика између групних средњих вредности.
3. Корелација
Корелација мери јачину и смер линеарне везе између две променљиве.
а. Пирсонов коефицијент корелације (r)
Пирсонов коефицијент корелације је најчешће коришћена мера за мерење линеарне корелације између две променљиве.
Формула за Пирсонов коефицијент корелације је:
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}} \]
Где:
– \( r \) је Пирсонов коефицијент корелације.
– \(x_i \) и \(y_i \) су вредности две променљиве.
– \( \bar{x} \) и \( \bar{y} \) су просеци две променљиве.
Вредност \(r \) се креће од -1 (савршена негативна корелација) до +1 (савршена позитивна корелација), где 0 означава да нема корелације.
Пенутуп
Статистика је кључни истраживачки алат који помаже истраживачима да презентују, анализирају и извлаче закључке из података. Овај чланак покрива само неколико основних формула у дескриптивној и инференцијалној статистици, као и корелацију. Иако једноставно, темељно разумевање ових формула је кључно за спровођење валидних анализа и извлачење тачних закључака из истраживачких података. Савладавањем статистике, истраживачи могу осигурати да су њихови налази засновани на чврстој и поузданој анализи.
