Introduksjon
Alt kommer ned til å utnytte privilegiet av statistiske analysemetoder, som er måten vi samhandler og samler tester av data for å avsløre trender og mønstre.
den normale virksomheten har fundamentalt endret seg i løpet av det siste tiåret. Uansett om det er maskinvaren som brukes på arbeidsområder eller programvaren som brukes til å formidle, ser ikke veldig sjeldne ting ut som det de pleide å være. Statistiske modelleringsteknikker Er Logistisk regresjon, Lineær regresjon, analyse av variasjon, Korrelasjon, Matriseoperasjoner, Prøvetaking og så videre.
noe annet som er unikt er hvor mye informasjon vi har lett tilgjengelig. Det som en gang var lite, er for tiden et overveldende mål for informasjon. Vær det som mulig, det er muligens overveldende på sjansen for at du ikke har den foggiest ideen om å undersøke bedriftens informasjon for å oppdage innsiktsfull og sann mening.
de 5 metodene for å utføre statistisk analyse
for disse statistiske analysemetodene er det 5 å velge mellom:
- Gjennomsnittlig
- Standardavvik
- Regresjon
- Hypotesetesting
- Bestemmelse Av Prøvestørrelse
1) Mean:
de statistiske analysemetodene benyttet mean, som jo mer normalt refereres til som gjennomsnittet. Når denne teknikken brukes, tar det hensyn til å bestemme det generelle mønsteret til et datasett, akkurat som evnen til å få et raskt og kompakt perspektiv på dataene. Klienter av denne teknikken drar i tillegg fordel av rask og forenklet estimering.
den statistiske måten tenker på hovedproblemet med informasjonen som blir utarbeidet. Resultatet er referert til som gjennomsnittet av informasjonen gitt. I virkeligheten bruker enkeltpersoner vanligvis tenkt å om leting, sport og akademikere.
hvordan finne gjennomsnittet
for å finne gjennomsnittet av dataene dine, vil du først legge til tallene sammen, og deretter dele hele med antall tall som er inne i datasettet.
for eksempel, for å finne gjennomsnittet av 24, 3, 15, 6, 2, du vil i utgangspunktet legge dem sammen.
24 3 15 6 2=50
på det tidspunktet, divider med antall tall i rundownen (5).
50/5= 10
gjennomsnittet er 10.
ulempen
ved bruk av middel er ekstraordinær, er det ikke foreslått som en uavhengig statistisk analysemetode. Dette er fordi dette kan ødelegge de totale bestrebelser bak estimering, ettersom det er likeledes identifisert med median og modus i enkelte datasett.
2) Standardavvik:
Standardavvik er en strategi for statistiske analysemetoder som måler spredningen av informasjon rundt gjennomsnittet.
når du administrerer et forhøyet avvik, fokuserer dette på informasjon som er spredt bredt fra gjennomsnittet. På samme måte viser et lavt standardavvik at mest informasjon er i gjennomsnitt og også kan kalles forventet verdi av et sett.
hvordan finne standardavviket
formelen for å beregne standardavviket er:
σ2 = Σ (x − μ)2/n
i denne formelen:
- n representerer antall datapunkter i populasjonen.
- σ2 representerer variansen.
- μ representerer gjennomsnittet av dataene.
- x representerer verdien av datasettet.
- Σ representerer summen av dataene.
- symbolet for standardavvik er σ.
ulempen
på et sammenlignbart notat til ulempen ved å bruke gjennomsnitt, kan standardavviket bedra når det brukes som den ensomme strategien i din målbare undersøkelse.
3) Regresjon:
med hensyn til innsikt er regresjon sammenhengen mellom en uavhengig variabel og en avhengig variabel i de statistiske analysemetodene. Linjen som brukes i regresjonsanalysediagrammer og grafer betyr om forbindelsene mellom faktorene er solide eller svake, til tross for å vise mønstre gjennom et bestemt tidsmål.
Regresjonsligning
regresjonsligningen som brukes til å oppfatte hvordan informasjon kan se senere er:
Y = a b(x)
i denne ligningen:
- b refererer til skråningen, eller stigningen overkjørt.
- Y Er den uavhengige variabelen.
- x er den avhengige variabelen.
- a refererer til y-avskjæringen, verdien av y når x = 0.
ulempen
En ulempe ved å benytte regresjon som en del av din statistiske analyse av data er at regresjon ikke er umiskjennelig, noe som innebærer at selv om anomaliene på et spredt plott er signifikante, så er årsakene til hvorfor de er unntak.
4) Hypotesetesting:
Hypotesetesting, ellers kalt «T-Testing», i statistiske analysemetoder. Hypotesetestingsmetoden er knyttet til testing hvis en bestemt påstand eller slutt er gyldig for datasettet. Den vurderer å kontrastere informasjonen mot ulike forutsetninger og hypoteser. Det kan også hjelpe med å estimere hvilke valg som kan bety for virksomheten.
Formel For Hypotesetesting
ettervirkningene av en statistisk hypotesetest bør dechifreres for å lage et bestemt tilfelle, som refereres til som p-verdien.
formelen for denne hypotesetesten er:
- H1: P ≠ 0,5
- H0: P = 0.5
ulempen
Hypotesetesting kan i noen tilfeller være skjev og overskyet av vanlige feil, som ligner en placebo-effekt.
5) Utvalgsstørrelsesbestemmelse:
når det gjelder å undersøke informasjon for de statistiske metodene, er datasettet i noen tilfeller i hovedsak for stort, noe som gjør det vanskelig å samle nøyaktig informasjon for hver komponent i datasettet.
Finne en prøvestørrelse
i alle fall er det noen brede tips å huske når du bestemmer en prøvestørrelse:
- mens du vurderer en mer beskjeden utvalgsstørrelse, direkte statistiske data.
- Bruk en prøvestørrelse fra en undersøkelse som din egen.
- hvis du styrer en ikke-eksklusiv rapport, kan det være et bord som fra nå av eksisterer som du kan bruke til din potensielle fordel.
- Bruk en minidatamaskin i prøvestørrelse.
ulempen
når du undersøker en annen og uprøvd variabel av informasjon i denne teknikken, må du avhenge av spesifikke mistanker. Å gjøre det kan føre til en helt off base mistanke.
Konklusjon
uansett hvilken strategi for de statistiske analysemetodene du velger, prøv å ta eksepsjonell oppmerksom på hver forventet ulempe, akkurat som deres forskjellige formel. Det er ingen høyeste kvalitetsnivå eller feil eller riktig teknikk å utnytte. Det vil stole på hva slags informasjon du har samlet, akkurat som biter av kunnskap du håper å ha som et sluttprodukt. Eksempler på dataanalyse er Prescriptiv Analyse, Prediktiv Analyse, Diagnostisk Analyse, Inferensiell Analyse. Beskrivende Analyse, Tekstanalyse og så videre.
hvis du er interessert i å lage en karriere i Datavitenskapsdomenet, kan VÅR 11-måneders PERSONLIG PGDM I Datavitenskapskurs hjelpe deg enormt med å bli en vellykket Datavitenskapsprofessor.
LES også
- Viktige Klyngealgoritmer For Datavitenskapere i 2021