Ang mga mapaglarawang istatistika ay ang pagdidisiplina ng quantitatively na naglalarawan sa mga pangunahing katangian ng isang koleksyon ng impormasyon, o ang dami ng paglalarawan mismo.
Ang mga mapaglarawang mga istatistika ay napakahalaga dahil kung ipinapahayag lamang natin ang ating mga raw na data ay magiging mahirap i-visulize kung ano ang nagpapakita ng data, lalo na kung mayroong maraming nito. Ang mga mapaglarawang istatistika ay nagpapahintulot sa amin na ipakita ang data sa isang mas makabuluhang paraan, na nagbibigay-daan sa mas simpleng interpretasyon ng data.
Halimbawa, kung nagkaroon kami ng mga resulta ng 100 piraso ng coursework ng mga estudyante, maaaring interesado kami sa pangkalahatang pagganap ng mga estudyante. Magiging interesado rin kami sa pamamahagi o pagkalat ng mga marka. Pinapayagan tayo ng mga mapaglarawang istatistika na gawin ito. Kung paano maayos na ilarawan ang data sa pamamagitan ng mga istatistika at mga graph ay isang mahalagang paksa at tinalakay sa ibang mga gabay sa Istatistika ng Laerd. Kadalasan, mayroong dalawang pangkalahatang uri ng istatistika na ginagamit upang ilarawan ang data:
Mga sukatan ng sentral na pagkahilig: ang mga ito ay mga paraan ng paglalarawan sa sentral na posisyon ng pamamahagi ng dalas para sa isang grupo ng data. Sa kasong ito, ang pamamahagi ng dalas ay ang pamamahagi at pattern ng mga marka na nakapuntos ng 100 estudyante mula sa pinakamababa hanggang sa pinakamataas.
Mga sukat ng pagkalat: ang mga ito ay mga paraan ng pagbubuod ng isang pangkat ng data sa pamamagitan ng paglalarawan kung paano kumalat ang mga puntos. Halimbawa, ang mean score ng aming 100 mag-aaral ay maaaring 65 sa 100. Gayunpaman, hindi lahat ng mag-aaral ay makakapag-iskor ng 65 marka. Sa halip, ang kanilang mga iskor ay ibubuhos. Ang ilan ay mas mababa at ang iba ay mas mataas. Ang mga sukat ng pagkalat ay makakatulong sa atin na ibuod kung gaano kalawak ang mga puntos na ito.
Kapag gumagamit kami ng mga mapaglarawang istatistika, kapaki-pakinabang na ibahin ang buod ang aming grupo ng data gamit ang isang kumbinasyon ng inilalarawan na paglalarawan (ibig sabihin, mga talahanayan), graphical na paglalarawan (ibig sabihin, mga graph at chart) at statistical komentaryo (ibig sabihin, isang diskusyon ng mga resulta).
Bakit mahalaga ang mga sukat ng sentral na pagkahilig sa mga mapaglarawang istatistika?
Dahil sa paglalarawan ng isang set ng data, ang aming pangunahing interes ay karaniwang ang sentrong halaga ng pamamahagi. Sa mga mapaglarawang istatistika, ipinapaliwanag namin ang mga katangian ng isang hanay ng data sa kamay - hindi kami gumagawa ng mga konklusyon sa mas malaking populasyon mula sa kung saan ang datos ay dumating (Iyon ang mga inferential statistics). Sa paggawa nito, ang karaniwang tanong natin ay karaniwang 'kung saan ang sentro ng pamamahagi'. Upang sagutin ang tanong na iyon, karaniwang ginagamit namin ang ibig sabihin, ang panggitna o ang mode, depende sa uri ng data. Ang tatlong sentral na
Sinasabi sa iyo ng iyong mga istatistika ng istatistika na mayroong isang 50% na pagkakataon na ang barya ay magkakaroon ng mga ulo. Paano mo ipahayag ang pagkakataong ito sa mga tuntunin ng posibilidad?
0.5 o 1/2 KUNG mayroon kaming isang makatarungang barya mayroong dalawang mga posibilidad: mga ulo o mga buntot Ang parehong may pantay na pagkakataon. Kaya hinati mo ang mga kanais-nais na pagkakataon ("tagumpay") S sa pamamagitan ng kabuuang bilang ng mga pagkakataon T: S / T = 1/2 = 0.5 = 50% Isa pang halimbawa: Ano ang posibilidad ng paglipat ng mas mababa sa tatlong sa isang normal na mamatay? S ("tagumpay") = (1 o 2) = 2 posibilidad T (kabuuang) = 6 na posibilidad, lahat ay pantay na posibleng Pagkakataon S / T = 2/6 = 1/3 Extra: Halos walang real-life coin ay ganap na patas. Depende sa mga mukha
Paano ko makalkula ang mga sumusunod na istatistika ng engine-span span pag-asa? (mga istatistika, ay talagang pinasasalamatan ang tulong dito)
"a)" 4 "b) 0.150158" "c) 0.133705" "Tandaan na ang isang probabilidad ay hindi maaaring maging negatibo, kaya't hulaan" "kailangan nating isipin na ang x ay mula sa 0 hanggang 10." "Una sa lahat kailangan naming matukoy c upang ang kabuuan ng lahat ng" "probabilities ay 1:" int_0 ^ 10 cx ^ 2 (10 - x) "" dx = c int_0 ^ 10 x ^ 2 (10 - x) " "dx = 10 c int_0 ^ 10 x ^ 2 dx - c int_0 ^ 10 x ^ 3 dx = 10 c [x ^ 3/3] _0 ^ 10 - c [x ^ 4/4] _0 ^ 10 = 3 - 10000 c / 4 = 10000 c (1/3 - 1/4) = 10000 c (4 - 3) / 12 = 10000 c / 12 = 1 => c = 12