Forskel mellem beskrivende og inferential statistik

Beskrivende vs. inferentiel statistik

Statistik er en af ​​de vigtigste dele af forskningen i dag i betragtning af, hvordan den organiserer data i målelige former. Nogle studerende forveksles imidlertid mellem beskrivende og inferentiel statistik, hvilket gør det svært for dem at vælge den bedste mulighed til at bruge i deres forskning.

Hvis man ser nøje på, er forskellen mellem beskrivende og inferentiel statistik allerede temmelig åbenlyst i deres fornavn. "Beskrivende" beskriver data, mens "inferentielle" formidler eller tillader forskeren at nå frem til en konklusion baseret på den indsamlede information.

For eksempel har du til opgave at undersøge teenage graviditet i en bestemt gymnasium. Ved hjælp af både beskrivende og inferentiel statistik undersøger du antallet af tilfælde af teenagere graviditet i skolen i et bestemt antal år. Forskellen er, at du med beskrivende statistikker blot opsummerer de indsamlede data og om muligt registrerer et mønster i ændringerne. F.eks. Kan det siges, at de fleste af de teenage graviditeter i X High School i de sidste fem år skete med dem, der blev tilmeldt i det tredje år. Det er ikke nødvendigt at forudsige, at det tredje år, studerende på tredje år, stadig ville være dem med et større antal teenage graviditeter. Konklusioner såvel som forudsigelser gøres kun i inferential statistik.

Princippet om at beskrive eller afslutte gælder også data eller den indsamlede information fra forskeren. Med henvisning til vores tidligere eksempel om teenage graviditeter er beskrivende statistik kun begrænset til den befolkning, der beskrives. Kort sagt, de data, der er indsamlet på X High School vedrørende teenage graviditet, KUN gælder for den pågældende institution.

I inferentielle statistikker kunne X High School bare være et udvalg af målpopulationen. Lad os sige, at du sigter mod at finde ud af status for teenagere graviditeter i New York. Da det ville være umuligt at indsamle data fra hver gymnasium i New York, vil X High School derefter fungere som en prøve, der afspejler eller repræsenterer alle gymnasier i New York City. Naturligvis betyder det normalt, at der er en fejlmargin, da en prøve ikke er nok til at repræsentere hele befolkningen. Denne hastighed af mulig fejl tages også med i betragtning ved analyse af dataene. Ved hjælp af forskellige beregninger som middelværdi, median og tilstand kan forskere beskrive eller undersøge data og opnå, hvad de vil gennem processen.

Statistik, især inferential, er stort set vigtig i nutidens branche, hovedsageligt fordi den giver oplysninger, der har potentialet til at hjælpe enkeltpersoner med at tage beslutninger i fremtiden. For eksempel kan lancering af inferentielle statistikker om hastigheden for befolkningstilvæksten i en bestemt by tjene som grundlag for en virksomhed til at beslutte, om der skal oprettes butik i den by eller ej. Det faktum, at det også bruger tal for at nå frem til konklusioner, forbedrer nøjagtigheden af ​​forskningen såvel som dataernes forståelighed.

Statistiske resultater vises ofte gennem forskellige modeller fra grafer til diagrammer. For at øge nøjagtigheden tager forskerne også hensyn til forskellige faktorer, der kan påvirke deres befolkning og oversætte dem til numeriske data. På denne måde minimeres sandsynligheden for fejl, og der opnås et grundigt opsummeret syn på sagen.

Resumé:

1.Beskrivende statistikker blot "beskriver" forskning og muliggør ikke konklusioner eller forudsigelser.

2.Inferentiel statistik gør det muligt for forskeren at nå frem til en konklusion og forudsige ændringer, der kan forekomme med hensyn til bekymringsområdet.

3. Beskrivende statistikker fungerer normalt inden for et specifikt område, der indeholder hele målpopulationen.

4.Inferentiel statistik tager normalt et stikprøve af en befolkning, især hvis befolkningen er for stor til at undersøge.