สถิติเชิงพรรณนา: วัสดุ การนำเสนอข้อมูล สถิติเชิงอนุมาน ตัวอย่าง

ที่จริงแล้ว สถิติมีสองประเภท คือ สถิติอนุมานและสถิติเชิงพรรณนา

อย่างไรก็ตาม ในโอกาสนี้ เราจะพูดถึงรายละเอียดเพิ่มเติมเกี่ยวกับสถิติเชิงพรรณนาเท่านั้น

ก่อนที่เราจะลงลึกในเชิงพรรณนา คุณรู้หรือไม่ว่าสถิติคืออะไร?

หากคุณไม่รู้ว่าสถิติคืออะไร มาเลย ให้เราเข้าใจความหมายของสถิติก่อน นี่คือข้อมูลเพิ่มเติม

ทำความเข้าใจสถิติ

สถิติ เป็นศาสตร์พิเศษในการเรียนรู้วิธีรวบรวมข้อมูล นำเสนอข้อมูล วิเคราะห์ข้อมูล และตีความข้อมูล

สถิติโดยทั่วไปทำงานโดยใช้ข้อมูลตัวเลขซึ่งเป็นผลมาจากทั้งการนับและผลลัพธ์ การวัดที่ดำเนินการโดยใช้ข้อมูลหมวดหมู่ที่จำแนกตามเกณฑ์ แน่นอน.

ข้อมูลจะถูกบันทึกและเก็บรวบรวมทั้งในรูปแบบของข้อมูลตัวเลขและข้อมูลหมวดหมู่ที่เรียกว่าการสังเกต

ตามทิศทางของการอภิปราย สถิติสามารถแบ่งออกเป็นสองประเภท ได้แก่ :

1. สถิติทางคณิตศาสตร์ (สถิติทางคณิตศาสตร์)

สถิติทางคณิตศาสตร์หรือเรียกอีกอย่างว่า สถิติเชิงทฤษฎี เป็นแอปพลิเคชั่นที่เน้นความเข้าใจหรือการสร้างแบบจำลองและเทคนิคทางสถิติต่างๆ ทางคณิตศาสตร์หรือทางทฤษฎี

2. สถิติประยุกต์ (สถิติประยุกต์)

ในขณะเดียวกัน สถิติประยุกต์เองก็เน้นไปที่การอภิปรายมากกว่า รวมถึงความเข้าใจในแนวคิดโดยสัญชาตญาณ ตลอดจนเทคนิคทางสถิติต่างๆ ที่ใช้ในสาขาวิทยาศาสตร์ต่างๆ

วิธีการทางสถิติ

วิธีการทางสถิตินั้นเป็นขั้นตอนที่ใช้กันทั่วไปในการรวบรวม นำเสนอ วิเคราะห์ และตีความข้อมูล

วิธีการต่างๆ ข้างต้นจะถูกจัดกลุ่มเป็น 2 กลุ่มใหญ่ๆ ได้แก่

1. สถิติเชิงพรรณนา
2. สถิติอนุมาน

ตามที่อธิบายไว้ก่อนหน้านี้ ในบทความนี้เราจะพูดถึงเฉพาะสถิติเชิงอนุมานเท่านั้น

สถิติเชิงพรรณนาหมายถึงอะไร? สำหรับรายละเอียดเพิ่มเติม โปรดอ่านบทความนี้ให้จบ

สถิติเชิงพรรณนา

สถิติเชิงพรรณนาเป็นวิธีการที่เกี่ยวข้องกับการรวบรวมหรือนำเสนอข้อมูลเพื่อให้ข้อมูลที่เป็นประโยชน์

สถิติแบ่งออกเป็นสองส่วน คือ สถิติพรรณนาและสถิติอนุมานซึ่งดำเนินการตามกิจกรรมที่ดำเนินการ

ยกตัวอย่าง สถิติเชิงพรรณนา ตัวเอง ได้แก่ :

• โต๊ะ
• ไดอะแกรม
• แผนภูมิ
• ปริมาณอื่นๆ ในนิตยสารและหนังสือพิมพ์

สำหรับตัวอย่างภาพ เราสามารถใช้กราฟผู้เข้าชมบนเว็บไซต์เป็นตัวอย่างภาพของเว็บไซต์ได้ สถิติเชิงพรรณนา นั่นคือ:

ด้วยการใช้สถิติเชิงพรรณนา ชุดข้อมูลต่างๆ สามารถนำเสนอได้กระชับและเรียบร้อย และสามารถให้ข้อมูลหลักจากชุดข้อมูลที่มีอยู่ได้

ข้อมูลที่ได้จากสถิติเชิงพรรณนาเหล่านี้รวมถึงขนาดของความเข้มข้นของข้อมูล ขนาดของการกระจายข้อมูล และแนวโน้มของคลัสเตอร์ข้อมูล รายละเอียดเพิ่มเติมจะดำเนินต่อไปด้านล่าง

แบบฟอร์มการนำเสนอข้อมูล กราฟฟิค ท่ามกลางคนอื่น ๆ:

• ฮิสโตแกรม
• แผนภูมิวงกลม
• Ogive
• รูปหลายเหลี่ยม
• แผนภาพลำต้นและใบ

การนำเสนอข้อมูล ตัวเลข มีหลายรูปแบบ ได้แก่ :

• เซ็นทรัลเทรนด์
• เปราะบาง
• ความเบ้
• สายวัด
• กระจายหรือกระจาย

การนำเสนอข้อมูลสถิติเชิงพรรณนา

การนำเสนอข้อมูลในหมวดหมู่เชิงพรรณนาสามารถอยู่ในรูปแบบของกราฟิกและตัวเลข รวมถึง:

1. การนำเสนอข้อมูลในรูปแบบกราฟิก

การนำเสนอข้อมูลในรูปแบบกราฟิกประกอบด้วยประเภทต่างๆ ได้แก่

• อันดับแรก ฮิสโตแกรม:

ฮิสโตแกรมเป็นกราฟของการกระจายความถี่ของตัวแปร

การแสดงฮิสโตแกรมโดยทั่วไปจะอยู่ในรูปแบบของบล็อก การนำเสนอข้อมูลนี้ประกอบด้วยแกนหลักสองแกนที่มีมุม 900 โดยที่เป็นแกน X และแกน Y

ความกว้างของลำแสงจะระบุระยะห่างจากขีดจำกัดคลาสช่วงเวลา ในขณะที่ความสูงของลำแสงจะระบุความถี่ของข้อมูล

• ประการที่สอง พาย แผนภูมิ:
  

แผนภูมิวงกลมหรือในภาษาชาวอินโดนีเซียเรียกว่าแผนภูมิวงกลมเป็นวงกลมที่แบ่งออกเป็นหลายภาค

ในแต่ละภาคสามารถระบุขนาดของเปอร์เซ็นต์หรือแบ่งสำหรับแต่ละกลุ่มได้

• ประการที่สาม รูปหลายเหลี่ยม:

รูปหลายเหลี่ยมคือกราฟของการแจกแจงความถี่ที่เป็นของตัวแปร

ลักษณะที่ปรากฏของรูปหลายเหลี่ยมโดยทั่วไปยังอยู่ในรูปของเส้นหักที่ได้จากการเชื่อมต่อยอดกับค่ากลางแต่ละระดับ

รูปหลายเหลี่ยมนี้ถูกใช้อย่างดีในแง่ของการเปรียบเทียบรูปร่างของการแจกแจงสองแบบ

• ประการที่สี่ Ogive:

Ogive เป็นรูปแบบภาพของการกระจายความถี่สะสมบนตัวแปร สำหรับตารางการแจกแจงความถี่ เรายังสามารถสร้าง ogives บวกและ ogives เชิงลบได้

• ประการที่ห้า แผนภูมิก้านใบ (ลำต้นและใบ):
  

Stem and Leaf Diagrams หรือที่รู้จักในชื่อ Stem and Leaf Charts เหมือนกับกราฟฮิสโตแกรม ความแตกต่างเพียงอย่างเดียวคือข้อมูลที่ได้รับนั้นดีกว่า

เนื่องจากแผนภาพใบลำต้นแสดงค่าจากการสังเกตเดิม

แผนภาพนี้จะอธิบายตัวเลขที่เป็นแท่งด้วย และด้านขวาของตัวเลขจะมีการเขียนตัวเลขที่เหลือ

2. การนำเสนอข้อมูลเชิงตัวเลข

ดังที่ได้กล่าวมาแล้ว การนำเสนอข้อมูลตัวเลขประกอบด้วยหลายประเภท เช่น

การนำเสนอข้อมูลตัวเลขประกอบด้วยหลายประเภท ได้แก่

• ประการแรก Central Trends
• ประการที่สองการกระจายหรือกระจาย
• ประการที่สาม เปราะบาง
• ประการที่สี่ ความเบ้
• ประการที่ห้า การวัดความเรียว

วิธีการพื้นฐาน ในสถิติพรรณนา

สถิติเชิงพรรณนามีวิธีการพื้นฐานอยู่ 2 วิธี คือ ตัวเลข และ กราฟิก.

• แนวทางเชิงตัวเลข สามารถใช้คำนวณค่าสถิติจากชุดข้อมูลได้
  ตัวอย่างเช่น: หมายถึงและ ส่วนเบี่ยงเบนมาตรฐาน.
  สถิติเหล่านี้จะให้ข้อมูลเกี่ยวกับค่าเฉลี่ยตลอดจนข้อมูลโดยละเอียดเกี่ยวกับการกระจายข้อมูล
• วิธีการแบบกราฟิก เหมาะสมกว่าวิธีการเชิงตัวเลขเพื่อระบุรูปแบบบางอย่างในข้อมูล ในทางกลับกัน วิธีการเชิงตัวเลขนั้นแม่นยำและมีวัตถุประสงค์มากกว่า
  ด้วยวิธีนี้ วิธีการเชิงตัวเลขและกราฟิกจะช่วยเสริมซึ่งกันและกัน ดังนั้นจึงเป็นเรื่องที่ฉลาดมากหากเราใช้ทั้งสองวิธีพร้อมกัน

ตัวแปรเดียวมีลักษณะหรือคุณลักษณะหลักสามประการ ได้แก่:

• การกระจายข้อมูล (การกระจายความถี่)
• การวัดความเข้มข้นหรือแนวโน้มศูนย์กลาง (แนวโน้มกลาง)
• ขนาดสเปรด (การกระจายตัว)

การกระจายข้อมูล

การจัดระเบียบ จัดระเบียบ และสรุปข้อมูลโดยการสร้างตารางมักจะมีประโยชน์ โดยเฉพาะอย่างยิ่งเมื่อเรากำลังทำงานเพื่อจัดการกับข้อมูลจำนวนมาก

ตารางประกอบด้วยรายการค่าข้อมูลที่อาจแตกต่างกัน (ทั้งข้อมูลเดี่ยวและข้อมูลที่จัดกลุ่ม) รวมถึงค่าความถี่

ความถี่จะอธิบายจำนวนครั้งหรือค่าข้อมูลที่เกิดขึ้นกับบางประเภท

การแจกแจงข้อมูลที่จัดเรียงไว้มักจะเรียกว่า การกระจายความถี่. ดังนั้น การกระจายความถี่จึงสามารถตีความได้ว่าเป็นรายการการกระจายข้อมูล (ทั้งข้อมูลเดี่ยวหรือข้อมูลกลุ่ม) ตามด้วยค่าความถี่

ข้อมูลจะถูกจัดกลุ่มเป็นหลายคลาสเพื่อให้เห็นลักษณะหรือคุณลักษณะที่สำคัญของข้อมูลได้อย่างรวดเร็ว

การกระจายความถี่ที่ง่ายที่สุดคือการแจกแจงที่แสดงรายการสำหรับแต่ละค่าของตัวแปรซึ่งมาพร้อมกับค่าความถี่ของมัน

การกระจายความถี่ เราสามารถแสดงได้สองวิธี โดย โต๊ะ หรือกับ แผนภูมิ.

การกระจายยังสามารถอธิบายได้โดยใช้ค่าเปอร์เซ็นต์ การนำเสนอการกระจายในรูปแบบของกราฟทำให้ง่ายต่อการแสดงลักษณะเฉพาะและแนวโน้มของชุดข้อมูล

กราฟข้อมูลเชิงปริมาณประกอบด้วยฮิสโตแกรม รูปหลายเหลี่ยมความถี่ และอื่นๆ

ในขณะที่แผนภูมิสำหรับข้อมูลเชิงคุณภาพ ได้แก่ แผนภูมิแท่ง แผนภูมิวงกลม และอื่นๆ

การกระจายความถี่จะทำให้เราเห็นรูปแบบในข้อมูลได้ง่ายขึ้น

อย่างไรก็ตาม เราจะสูญเสียข้อมูลเกี่ยวกับค่าส่วนบุคคล

แบบฟอร์มการจัดจำหน่าย

สิ่งสำคัญอย่างหนึ่งที่มี "คำอธิบาย" ของตัวแปรคือรูปร่างของการแจกแจง ซึ่งอธิบายความถี่ของช่วงต่างๆ ของค่าตัวแปร

โดยทั่วไปแล้ว ผู้วิจัยสนใจว่าการแจกแจงแบบปกติสามารถประมาณการแจกแจงได้มากน้อยเพียงใด

สถิติเชิงพรรณนาอย่างง่ายสามารถให้ข้อมูลบางอย่างที่เกี่ยวข้องกับปัญหานี้ได้

ตัวอย่างเช่น หากความเบ้ซึ่งวัดความสมมาตรของการกระจายข้อมูลไม่เท่ากับ 0 แสดงว่าการกระจายนั้นไม่สมมาตร (สมมาตร),.

และถ้าความเบ้เป็น 0 แสดงว่าข้อมูลมีการกระจายตามปกติ (แบบสมมาตร)

หากเคอร์โทซิสซึ่งวัดความคมชัดของการกระจายข้อมูลไม่เท่ากับ 0 การกระจายข้อมูลอาจราบเรียบหรือคมชัดกว่าการแจกแจงแบบปกติ

ค่าเคอร์โทซิสของการแจกแจงแบบปกติคือ 0

เราจะได้ข้อมูลที่แม่นยำมากขึ้นโดยใช้การทดสอบความปกติอย่างหนึ่ง คือ หาความน่าจะเป็นของ ตัวอย่างมาจากการสังเกตประชากรที่มีการกระจายตามปกติหรือไม่ (เช่น การทดสอบ Kolmogorov-Smirnov หรือการทดสอบ ชาปิโร-วิลก์ส'ดับเบิลยู)

แต่ในการทดสอบที่เป็นทางการเหล่านี้ ไม่มีใครสามารถแทนที่การตรวจสอบข้อมูลด้วยสายตาได้อย่างสมบูรณ์โดยใช้วิธีการแบบกราฟิก ตัวอย่างคือฮิสโตแกรม (กราฟแสดงการกระจายความถี่ของตัวแปร)

กราฟ (เช่น ฮิสโตแกรม) ช่วยให้เราสามารถประเมินความปกติของการแจกแจงเชิงประจักษ์ได้

เนื่องจากฮิสโตแกรมตามมาด้วยการซ้อนทับของเส้นโค้งปกติ

สิ่งนี้จะช่วยให้เราตรวจสอบลักษณะต่างๆ ของรูปร่างของการกระจายข้อมูลในเชิงคุณภาพได้

ตัวอย่างเช่น การแจกแจงอาจเป็นแบบไบโมดอล (มี 2 พีค) หรือแบบต่อเนื่องหลายรูปแบบ (มากกว่า 2 พีค)

นี่จะแสดงให้เห็นว่ากลุ่มตัวอย่างไม่เป็นเนื้อเดียวกันและองค์ประกอบมาจากประชากรสองกลุ่มที่แตกต่างกัน

ขนาดความเข้มข้น (Central Tendency)

ลักษณะที่สำคัญที่สุดประการหนึ่งในการแสดงการกระจายข้อมูลคือค่าของศูนย์สังเกตการณ์

ในแต่ละการวัดเลขคณิตที่ชี้ไปที่การแสดงค่าที่แสดงถึงค่ากลางหรือค่ากลางของชุดข้อมูล (ชุดของการสังเกต) เรียกว่า การวัดแนวโน้มส่วนกลาง central.

การวัดแนวโน้มส่วนกลางที่มักใช้มีสามประเภท ได้แก่:

1. หมายถึง
2. ค่ามัธยฐาน
3. โหมด

จำนวนเฉลี่ย หรือเรียกอีกอย่างว่า เลขคณิต หรือที่เรามักเรียกกันว่า หมายถึง เพียงอย่างเดียวเป็นวิธีที่ใช้กันอย่างแพร่หลายที่สุดในการแสดงการวัดแนวโน้มจากส่วนกลาง

ค่าเฉลี่ยนี้คำนวณโดยการบวกค่าข้อมูลที่สังเกตได้ทั้งหมดแล้วหารด้วยจำนวนข้อมูล ค่าเฉลี่ยได้รับผลกระทบจากค่าที่มากเกินไป.

ค่ามัธยฐาน คือค่าที่แบ่งชุดการสังเกตออกเป็นสองส่วนเท่า ๆ กัน หรือ 50% ของการสังเกตที่อยู่ต่ำกว่าค่ามัธยฐานและ 50% อยู่เหนือค่ามัธยฐาน

ค่ามัธยฐาน จาก น การวัด/การสังเกต x₁, x₂ ,…, x_น เป็นค่าการสังเกตที่อยู่ตรงกลางของคลัสเตอร์ข้อมูลหลังจากจัดเรียงข้อมูลแล้ว

ถ้าจำนวนการสังเกต (น) เป็นเลขคี่ ค่ามัธยฐานอยู่ตรงกลางของคลัสเตอร์ข้อมูล ในขณะที่ if น แม้ค่ามัธยฐานจะพบโดยการแก้ไข

นั่นคือวิธีที่ค่าเฉลี่ยของชุดข้อมูลสองชุดอยู่ตรงกลางของชุดข้อมูล

ค่ามัธยฐานไม่ได้รับผลกระทบจากค่าที่มากเกินไป.

โหมด เป็นหนึ่งในข้อมูลที่เกิดขึ้นบ่อยที่สุดหรือเกิดขึ้น

ในการพิจารณาการมีอยู่ของโหมด เราต้องจัดเรียงข้อมูลตามลำดับจากน้อยไปมาก แล้วตามด้วยการคำนวณความถี่

ค่าที่มีความถี่สูงสุด (มักปรากฏขึ้น) เรียกว่าโหมด

โหมดนี้ใช้สำหรับทั้งประเภทข้อมูลที่เป็นตัวเลขและหมวดหมู่

โหมดไม่ได้รับผลกระทบจากค่าที่มากเกินไป.

ลักษณะสำคัญสำหรับขนาดศูนย์ที่ดี

การวัดค่ากลาง (ค่าเฉลี่ย) เป็นค่าตัวแทนของการกระจายข้อมูล ดังนั้นต้องมีคุณสมบัติดังต่อไปนี้:

• ต้องพิจารณาชุดข้อมูลทั้งหมด
• ไม่ควรได้รับผลกระทบจากค่าสุดขีด
• ต้องมีความเสถียรตั้งแต่ตัวอย่างจนถึงตัวอย่าง
• จะต้องสามารถใช้สำหรับการวิเคราะห์ทางสถิติต่อไปได้

จากการวัดค่าส่วนกลางหลายๆ ค่า ค่าเฉลี่ยเกือบจะเป็นไปตามข้อกำหนดเหล่านี้ทั้งหมด ยกเว้นโดยมีเงื่อนไขว่าในจุดที่สอง ค่าเฉลี่ยจะได้รับผลกระทบจากค่าสุดขั้ว

ตัวอย่างเช่น ถ้ารายการคือ 2; 4; 5; 6; 6; 6; 7; 7; 8; 9 แล้วค่าเฉลี่ย ค่ามัธยฐาน และโหมดทั้งหมดเท่ากับ 6

หากค่าสุดท้ายคือ 90 แทนที่จะเป็น 9 ค่าเฉลี่ยจะเป็น 14.10

ในขณะเดียวกัน ค่ามัธยฐานและโหมดจะไม่เปลี่ยนแปลง

แม้ว่าค่ามัธยฐานและโหมดจะดีกว่าในเรื่องนี้ แต่ก็ไม่เป็นไปตามข้อกำหนดอื่นๆ

ดังนั้น หมายถึง เป็นการวัดค่าส่วนกลางที่ดีที่สุดและมักใช้ในด้านการวิเคราะห์ทางสถิติ

เมื่อใดที่เราใช้ค่าศูนย์กลางต่างกัน

ค่าขนาดศูนย์กลางที่เหมาะสมที่จะใช้จะขึ้นอยู่กับลักษณะของข้อมูล ลักษณะของการกระจายความถี่ และวัตถุประสงค์

หากข้อมูลเป็นข้อมูลเชิงคุณภาพ จะใช้ได้เฉพาะโหมดเท่านั้น

ตัวอย่างเช่น หากเราสนใจที่จะทราบชนิดของดินทั่วไปในสถานที่หนึ่งๆ หรือรูปแบบการปลูกพืชในพื้นที่ เราก็สามารถใช้โหมดนี้ได้

อย่างไรก็ตาม ในทางกลับกัน หากข้อมูลเป็นเชิงปริมาณ เราสามารถใช้การวัดค่าส่วนกลางอย่างใดอย่างหนึ่งได้

หากข้อมูลเป็นเชิงปริมาณ เราต้องพิจารณาธรรมชาติของการกระจายความถี่ของคลัสเตอร์ข้อมูล

• หากการกระจายความถี่ของข้อมูลผิดปกติ (ไม่สมมาตร) ค่ามัธยฐานหรือโหมดจะเป็นการวัดที่เหมาะสมของศูนย์กลาง
• หากมีค่ามาก ไม่ว่าเล็กหรือใหญ่ ควรใช้ค่ามัธยฐานหรือโหมด
• หากการกระจายข้อมูลเป็นปกติ (สมมาตร) สามารถใช้การวัดค่าส่วนกลางทั้งหมดได้ ไม่ว่าจะเป็นค่ากลาง ค่ามัธยฐาน หรือโหมด
  อย่างไรก็ตาม ค่าเฉลี่ยถูกใช้บ่อยกว่าค่าเฉลี่ยอื่นๆ เนื่องจากเป็นไปตามข้อกำหนดสำหรับการวัดศูนย์กลางที่ดี
• เมื่อเราจัดการกับความเร็ว ความเร็ว และราคา การใช้ค่าเฉลี่ยฮาร์มอนิกจะเหมาะสมกว่า

หากเราสนใจการเปลี่ยนแปลงสัมพัทธ์ เช่น ในกรณีของการเติบโตของแบคทีเรีย การแบ่งเซลล์ และอื่นๆ ค่าเฉลี่ยเรขาคณิตเป็นค่าเฉลี่ยที่เหมาะสมที่สุดที่จะใช้

สถิติอนุมาน

สถิติอนุมานเป็นวิธีการที่สามารถใช้วิเคราะห์ข้อมูลผู้ปกครองกลุ่มเล็กๆ และตัวอย่างที่นำมาจากประชากร จนกระทั่งในการคาดการณ์และยังสามารถสรุปเกี่ยวกับกลุ่มข้อมูลหลักหรือประชากร

สถิติอนุมานคือบทสรุปของวิธีการหรือวิธีการทั้งหมดที่เกี่ยวข้องกับการวิเคราะห์ข้อมูลบางส่วน ซึ่งจะมาถึงการคาดการณ์หรือสรุปเกี่ยวกับข้อมูลผู้ปกครองทั้งหมดของประชากร

ลักษณะทั่วไปที่เกี่ยวข้องกับสถิติอนุมานมีคุณสมบัติที่ไม่แน่นอน

เนื่องจากเป็นข้อมูลบางส่วนที่ได้รับจากข้อมูลบางส่วน ดังนั้นสิ่งที่ได้รับเป็นเพียงการคาดการณ์เท่านั้น

ตัวอย่างสถิติอนุมาน

ในบันทึกการสำเร็จการศึกษาที่ดำเนินการภายในห้าปีที่ผ่านมา ในโรงเรียนมัธยมปลาย นี่แสดงให้เห็นว่าประมาณ 72% ของนักเรียนมัธยมปลายจบการศึกษาด้วยคะแนนที่น่าพอใจ

ค่าตัวเลข 72% เป็นรูปแบบหนึ่งของสถิติเชิงพรรณนา

หากอิงจากสิ่งนี้ นักเรียนสามารถสรุปได้ว่าโอกาสที่เขาจะผ่านนั้นมีคะแนนที่น่าพอใจมาก

ค่านี้มากกว่า 70% เพื่อให้นักศึกษาได้ทำสถิติอนุมานซึ่งแน่นอนว่ามีลักษณะไม่แน่นอน

ตัวอย่างรูปภาพสถิติอนุมาน

ในสถิติอนุมาน การประมาณค่าพารามิเตอร์จะทำให้เกิดสมมติฐาน

และยังทดสอบสมมติฐานเพื่อให้ได้ข้อสรุปที่ใช้โดยทั่วไป

วิธีการหรือวิธีการนี้โดยทั่วไปจะเรียกว่า สถิติอุปนัย มันถูกเรียกเช่นนั้นเพราะข้อสรุปที่ได้มาจากข้อมูลจากเพียงส่วนหนึ่งของข้อมูลเท่านั้น

ข้อสรุปทางสถิติเชิงอนุมานนี้อิงจากข้อมูลบางส่วนเท่านั้นที่อาจทำให้ลักษณะของข้อมูลไม่แน่นอน

เพื่อให้เกิดความผิดพลาดในการตัดสินใจ ดังนั้นความรู้เกี่ยวกับทฤษฎีความน่าจะเป็นจึงมีความจำเป็นอย่างยิ่งในการใช้วิธีทางสถิติเชิงอนุมานต่างๆ

ฟังก์ชันทางสถิติเชิงอนุมาน

สถิติอนุมานหรือเรียกอีกอย่างว่าสถิติอุปนัยคือสถิติที่มีเป้าหมายในการประมาณค่าประชากรโดยทั่วไปโดยใช้ผลลัพธ์ตัวอย่าง

ซึ่งรวมถึงการประเมินเชิงทฤษฎีและการทดสอบเชิงทฤษฎี สถิติอนุมานมักจะใช้ทำอะไรหลายอย่าง เช่น

1. ดำเนินการสรุปจากกลุ่มตัวอย่างไปยังประชากร
2. ดำเนินการทดสอบสมมติฐาน

ขอบเขตของสถิติอนุมาน

หากอิงตามขอบเขตของการอภิปราย สถิติเชิงอนุมานอาจรวมถึง:

1. ทฤษฎีความน่าจะเป็นหรือความน่าจะเป็น
2. การกระจายทางทฤษฎี
3. การวิเคราะห์ความแปรปรวนร่วม
4. การสุ่มตัวอย่างและการสุ่มตัวอย่างการกระจาย
5. การประมาณค่าประชากรหรือทฤษฎีประชากร
6. การวิเคราะห์ความแปรปรวน
7. การทดสอบสมมติฐาน
8. การวิเคราะห์สหสัมพันธ์และการทดสอบนัยสำคัญ
9. การวิเคราะห์การถดถอยสำหรับการพยากรณ์

ความแตกต่างระหว่างสถิติพรรณนาและสถิติอนุมาน

สถิติเชิงอนุมานและสถิติเชิงพรรณนาย่อมมีความแตกต่างอย่างแน่นอน ในที่นี้เราจะให้ความแตกต่างระหว่างสองสิ่งนี้

1. สถิติเชิงพรรณนาจำกัดในการนำเสนอข้อมูลในรูปแบบของตาราง ไดอะแกรม หรือกราฟ และปริมาณอื่นๆ เท่านั้น
2. แม้ว่าสถิติเชิงอนุมานจะไม่เพียงแต่รวมสถิติเชิงพรรณนาเท่านั้น แต่ยังสามารถใช้ในการประมาณค่าและสรุปผลไปยังประชากรจากกลุ่มตัวอย่างได้
   เพื่อให้สามารถบรรลุข้อสรุปของสถิติอนุมานได้ เราต้องผ่านการทดสอบสมมติฐานหลายขั้นตอนและการทดสอบทางสถิติด้วย

ดังนั้นการทบทวนสั้น ๆ ของสถิติเชิงพรรณนาที่เราสามารถถ่ายทอดได้ หวังว่าการทบทวนสถิติเชิงพรรณนาข้างต้นสามารถใช้เป็นเอกสารการศึกษาของคุณได้