Statistik deskriptif adalah disiplin yang menggambarkan secara kuantitatif fitur-fitur utama dari kumpulan informasi, atau deskripsi kuantitatif itu sendiri.
Statistik deskriptif sangat penting karena jika kita hanya menyajikan data mentah kita, akan sulit untuk memvisualisasikan apa yang ditampilkan data, terutama jika ada banyak data. Oleh karena itu statistik deskriptif memungkinkan kami untuk menyajikan data dengan cara yang lebih bermakna, yang memungkinkan interpretasi data yang lebih sederhana.
Sebagai contoh, jika kita memiliki hasil 100 lembar tugas siswa, kita mungkin tertarik dengan kinerja keseluruhan siswa tersebut. Kami juga akan tertarik dengan distribusi atau penyebaran merek. Statistik deskriptif memungkinkan kita melakukan ini. Cara mendeskripsikan data dengan benar melalui statistik dan grafik adalah topik penting dan dibahas dalam panduan Statistik Laerd lainnya. Biasanya, ada dua tipe umum statistik yang digunakan untuk menggambarkan data:
Ukuran kecenderungan sentral: ini adalah cara untuk menggambarkan posisi sentral dari distribusi frekuensi untuk sekelompok data. Dalam hal ini, distribusi frekuensi hanyalah distribusi dan pola nilai yang dicetak oleh 100 siswa dari yang terendah hingga yang tertinggi.
Ukuran sebaran: ini adalah cara meringkas sekelompok data dengan menjelaskan bagaimana sebaran skor. Misalnya, nilai rata-rata dari 100 siswa kami mungkin 65 dari 100. Namun, tidak semua siswa mendapat nilai 65. Sebaliknya, skor mereka akan tersebar. Beberapa akan lebih rendah dan yang lainnya lebih tinggi. Ukuran spread membantu kami untuk meringkas seberapa tersebar skor ini.
Ketika kami menggunakan statistik deskriptif, penting untuk meringkas kelompok data kami menggunakan kombinasi deskripsi yang ditabulasi (mis., Tabel), deskripsi grafis (mis., Grafik dan bagan) dan komentar statistik (mis., Pembahasan hasil).
Apa hubungan antara statistik deskriptif dan inferensial?
Statistik deskriptif mencakup deskripsi data sampel yang diberikan, tanpa membuat penilaian tentang populasi. Sebagai contoh: mean sampel dapat dihitung dari sampel, dan ini adalah statistik deskriptif. Statistik inferensial memperoleh kesimpulan tentang populasi berdasarkan sampel. Misalnya, menyimpulkan bahwa mayoritas orang mendukung satu kandidat (berdasarkan sampel yang diberikan). Hubungan: Karena kami tidak memiliki akses ke seluruh populasi, kami menggunakan statistik deskriptif untuk membuat kesimpulan yang dapat disimpulkan.
Mengapa ukuran kecenderungan sentral penting untuk statistik deskriptif?
Karena dalam menggambarkan sekumpulan data, minat utama kita biasanya adalah nilai sentral dari distribusi. Dalam statistik deskriptif, kami menjelaskan karakteristik satu set data di tangan - kami tidak membuat kesimpulan pada populasi yang lebih besar dari mana data berasal (Itu statistik inferensial). Dengan demikian, pertanyaan utama kami biasanya 'di mana pusat distribusi'. Untuk menjawab pertanyaan itu, kami biasanya menggunakan mean, median atau mode, tergantung pada jenis data. Tiga ukuran tendensi sentral ini menunjukkan titik pusat di mana semua data dikumpulkan. Itulah mengapa ini adalah salah satu dari
Bagaimana saya bisa menghitung statistik harapan masa hidup mesin berikut? (statistik, akan sangat menghargai bantuan dengan ini)
"a)" 4 "b) 0,150158" "c) 0,133705" "Perhatikan bahwa probabilitas tidak boleh negatif, karena itu saya kira" "kita harus berasumsi bahwa x berubah dari 0 menjadi 10." "Pertama-tama kita perlu menentukan c sehingga jumlah semua probabilitas" "adalah 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 = 10000 c / 3 - 10000 c / 4 = 10000 c (1/3 - 1/4) = 10000 c (4 - 3) / 12 = 10000 c / 12 = 1 => c = 12/10000 = 0,0012