Betimsel ve Çıkarımsal İstatistikler Arasındaki Fark

Betimsel ve Çıkarımsal İstatistikler

İstatistikler, verileri nasıl ölçülebilir formlar halinde düzenlediğini göz önünde bulundurarak araştırmanın en önemli bölümlerinden biridir. Bununla birlikte, bazı öğrenciler tanımlayıcı ve çıkarımsal istatistikler arasında karışır ve araştırmalarında kullanmak için en iyi seçeneği seçmelerini zorlaştırır.

Yakından bakarsanız, tanımlayıcı ve çıkarımsal istatistikler arasındaki fark, verilen adlarında zaten oldukça açıktır. “Açıklayıcı” verileri açıklarken “çıkarımsal” araştırmacı toplanan bilgilere dayanarak sonuca varır veya bu sonuca varmasına izin verir.

Örneğin, belirli bir lisede ergen hamileliği hakkında araştırma yapmakla görevlisiniz. Hem tanımlayıcı hem de çıkarımsal istatistikleri kullanarak, okuldaki genç gebelik vakalarının sayısını belirli bir yıl boyunca araştıracaksınız. Aradaki fark, açıklayıcı istatistiklerle yalnızca toplanan verileri özetliyor ve mümkünse değişikliklerde bir örüntü tespit ediyor olmanızdır. Örneğin, son beş yıldır, X Lisesi'ndeki genç gebeliklerin çoğunun üçüncü yılda kayıtlı olanlara olduğu söylenebilir. Altıncı yılda, üçüncü sınıf öğrencilerinin daha fazla sayıda genç hamileliğe sahip olacağını tahmin etmeye gerek yoktur. Sonuçlar ve tahminler sadece çıkarımsal istatistiklerde yapılır.

Tanımlama veya sonuçlandırma ilkesi araştırmacının verileri veya toplanan bilgileri için de geçerlidir. Ergen gebelikleri ile ilgili daha önceki örneğimize bakıldığında, tanımlayıcı istatistikler yalnızca tanımlanan nüfusla sınırlıdır. Basitçe ifade etmek gerekirse, X Lisesinde ergen hamileliğiyle ilgili toplanan veriler SADECE ilgili kurum için geçerlidir.

Çıkarımsal istatistiklerde, X Lisesi sadece hedef nüfusun bir örneği olabilir. Diyelim ki New York'taki genç gebeliklerin durumunu öğrenmeyi hedefliyorsunuz. New York'ta her liseden veri toplamak imkansız olacağından, X Lisesi New York'taki tüm liseleri yansıtacak veya temsil edecek bir örnek olarak hareket edecektir. Tabii ki, bu genellikle bir hata payının mevcut olduğu anlamına gelir, çünkü bir örnek tüm popülasyonu temsil etmek için yeterli değildir. Veriler analiz edilirken bu olası hata oranı da dikkate alınır. Ortalama, medyan ve mod gibi çeşitli hesaplamaları kullanarak, araştırmacılar verileri tanımlayabilir veya inceleyebilir ve süreç boyunca istediklerini elde edebilirler.

İstatistikler, özellikle çıkarımsal olmayan, bugünün endüstrisinde büyük ölçüde önemlidir, çünkü gelecekte bireylerin karar vermelerine yardımcı olma potansiyeline sahip bilgiler sağlar. Örneğin, belirli bir şehirde nüfus artış hızı ile ilgili çıkarımsal istatistikler başlatmak, bir işletme için o şehirde mağaza kurup kurmayacağına karar vermenin temelini oluşturabilir. Sonuçlara ulaşmak için sayıları da kullanması, araştırmanın doğruluğunu ve verilerin anlaşılabilirliğini arttırır..

İstatistik sonuçları genellikle grafiklerden grafiklere kadar çeşitli modellerde gösterilir. Doğruluğu arttırmak için, araştırmacılar ayrıca popülasyonlarını etkileyebilecek ve bunu sayısal verilere çevirebilecek çeşitli faktörleri de dikkate almaktadır. Bu şekilde, hata olasılığı en aza indirilir ve davanın kapsamlı bir şekilde özetlenmesi sağlanır.

Özet:

1.Açıklayıcı istatistikler sadece araştırmayı “tanımlar” ve sonuçlara veya tahminlere izin vermez.

2. Çıkarımsal istatistikler, araştırmacının bir sonuca varmasını ve endişe konusu ile ilgili olabilecek değişiklikleri tahmin etmesini mümkün kılar.

Tanımlayıcı istatistikler genellikle tüm hedef nüfusu içeren belirli bir alanda çalışır.

4. Çıkarımsal istatistikler, özellikle nüfus üzerinde araştırma yapmak için çok büyükse, genellikle bir nüfus örneği alır.