Skillnad mellan beskrivande och inferentiell statistik

Beskrivande vs Inferential Statistics

Statistik är en av de viktigaste delarna av forskningen idag med tanke på hur det organiserar data i mätbara former. Vissa studenter blir emellertid förvirrade mellan beskrivande och inferentiell statistik, vilket gör det svårt för dem att välja det bästa alternativet att använda i sin forskning.

Om du tittar noga är skillnaden mellan beskrivande och inferentiell statistik redan ganska uppenbar i sina givna namn. "Beskrivande" beskriver data, medan "inferentiell" infrar eller låter forskaren komma fram till en slutsats utifrån den samlade informationen.

Till exempel är du uppgift att undersöka om tonårs graviditet i en viss gymnasium. Med hjälp av både beskrivande och inferentiell statistik ska du undersöka antalet tonårssvårighetsfall i skolan under ett visst antal år. Skillnaden är att med beskrivande statistik sammanfattar du bara de insamlade uppgifterna och, om möjligt, detekterar ett mönster i förändringarna. Till exempel kan det sägas att de senaste fem åren hände majoriteten av tonårsångenskap i X High School med de som inskrivits i det tredje året. Det finns inget behov av att förutsäga att under det sjätte året skulle de tredje årsstudenterna fortfarande vara de med ett större antal tonårsånger. Slutsatser och förutsägelser görs endast i inferentiell statistik.

Principen att beskriva eller avsluta gäller också uppgifterna eller den samlade informationen från forskaren. Med hänvisning till vårt tidigare exempel om tonårsgraviditeter är beskrivande statistik endast begränsad till den befolkning som beskrivs. För att uttrycka det enkelt är de uppgifter som samlats in på X High School angående tonårsgraviditet endast tillämpliga på den aktuella institutionen.

I inferential statistik kan X High School bara vara ett urval av målpopulationen. Låt oss säga att du syftar till att ta reda på statusen för tonårsgraviditeter i New York. Eftersom det skulle vara omöjligt att samla in data från varje gymnasium i New York, kommer X High School att fungera som ett prov som skulle spegla eller representera alla gymnasieskolor i New York City. Naturligtvis innebär detta vanligtvis att en felmarginal är närvarande, eftersom ett prov inte räcker för att representera hela befolkningen. Denna frekvens av eventuellt fel beaktas också vid analys av data. Med hjälp av olika beräkningar som medel, median och läget kan forskare beskriva eller granska data och uppnå vad de vill ha genom processen.

Statistik, särskilt inferensiell, är i stor utsträckning viktig i dagens bransch, främst för att den ger information som har potential att hjälpa individer att fatta beslut i framtiden. Till exempel kan lansering av inferentiell statistik om befolkningsutvecklingstakten i en viss stad utgöra en grund för att ett företag ska kunna avgöra huruvida man ska skapa butik i den staden. Det faktum att det också använder siffror för att komma fram till slutsatser ökar noggrannheten i forskningen såväl som förståbarheten för data.

Statistiska resultat visas ofta genom olika modeller, från diagram till diagram. För att öka noggrannheten tar forskarna också hänsyn till olika faktorer som kan påverka deras befolkning och översätta den till numeriska data. På detta sätt minimeras sannolikheten för fel, och en grundlig sammanfattad bild av fallet uppnås.

Sammanfattning:

1.Deskriptiv statistik beskriver bara "forskning" och tillåter inte slutsatser eller förutsägelser.

2.Inferentiell statistik gör det möjligt för forskaren att komma fram till en slutsats och förutse förändringar som kan uppstå i fråga om problemområdet.

3.Deskriptiv statistik brukar fungera inom ett specifikt område som innehåller hela målpopulationen.

4.Inferentiell statistik tar vanligtvis ett urval av en befolkning, särskilt om befolkningen är för stor för att utföra forskning.