Bild vom Autor | Midjourney & Canva
Die Schwesterseite von KDnuggets, Statologiebietet eine große Auswahl an verfügbaren, von Experten verfassten Statistikinhalten, die sich über ein paar Jahre angesammelt haben. Wir haben uns entschieden, unsere Leser auf diese großartige Ressource für Statistik-, Mathematik-, Datenwissenschafts- und Programmierinhalte aufmerksam zu machen, indem wir einige der fantastischen Tutorials organisieren und mit der KDnuggets-Neighborhood teilen.
Statistik zu lernen kann schwierig sein. Es kann frustrierend sein. Und vor allem kann es verwirrend sein. Deshalb Statologie ist hier, um zu helfen.
Diese erste Sammlung dieser Artwork beschäftigt sich mit Einführungen in die Statistik. Wenn Sie sich die folgenden Tutorials der Reihe nach ansehen, werden Sie am Ende ein solides Verständnis haben, auf dem Sie aufbauen können, und in der Lage sein, einen Großteil des restlichen Inhalts von Statology zu verstehen und zu nutzen.
Warum sind Statistiken wichtig?
Die Statistik ist das Gebiet, das uns helfen kann zu verstehen, wie wir diese Daten für folgende Dinge nutzen können:
- Gewinnen Sie ein besseres Verständnis der Welt um uns herum.
- Treffen Sie Entscheidungen auf der Grundlage von Daten.
- Treffen Sie anhand von Daten Vorhersagen über die Zukunft.
In diesem Artikel nennen wir 10 Gründe, warum das Gebiet der Statistik im modernen Leben so wichtig ist.
Deskriptive vs. Inferenzstatistik: Was ist der Unterschied?
Im Bereich der Statistik gibt es zwei Hauptzweige:
- Beschreibende Statistik
- Inferenzstatistik
In diesem Tutorial wird der Unterschied zwischen den beiden Zweigen erläutert und warum jeder von ihnen in bestimmten Situationen nützlich ist.
Inhabitants vs. Stichprobe: Was ist der Unterschied?
In der Statistik sind wir oft daran interessiert, Daten zu sammeln, um Forschungsfragen beantworten zu können.
Beispielsweise möchten wir möglicherweise die folgenden Fragen beantworten:
- Wie hoch ist das mittlere Haushaltseinkommen in Miami, Florida?
- Was ist das Durchschnittsgewicht einer bestimmten Schildkrötenpopulation?
- Wie viel Prozent der Einwohner eines bestimmten Landkreises unterstützen ein bestimmtes Gesetz?
In jedem Szenario möchten wir eine Frage zu einer Inhabitants beantworten, die jedes mögliche individuelle Component darstellt, das wir messen möchten.
Statistik vs. Parameter: Was ist der Unterschied?
Es gibt im Bereich der Inferenzstatistik zwei wichtige Begriffe, deren Unterschied Sie kennen sollten: Statistik und Parameter.
In diesem Artikel finden Sie die Definition der einzelnen Begriffe sowie ein Beispiel aus der Praxis und mehrere Übungsaufgaben, die Ihnen helfen sollen, den Unterschied zwischen den beiden Begriffen besser zu verstehen.
Qualitative vs. quantitative Variablen: Was ist der Unterschied?
In der Statistik gibt es zwei Arten von Variablen:
- Quantitative Variablen: Manchmal auch als „numerische“ Variablen bezeichnet, sind dies Variablen, die eine messbare Menge darstellen.
- Qualitative Variablen: Manchmal auch als „kategorische“ Variablen bezeichnet. Dabei handelt es sich um Variablen, die Namen oder Bezeichnungen annehmen und in Kategorien passen.
Jede einzelne Variable, die Sie jemals in der Statistik antreffen, kann als quantitativ oder qualitativ klassifiziert werden.
Messniveaus: Nominal, Ordinal, Intervall und Verhältnis
In der Statistik verwenden wir Daten, um interessante Fragen zu beantworten. Aber nicht alle Daten sind gleich. Es gibt tatsächlich vier verschiedene Datenmessskalen, die verwendet werden, um verschiedene Arten von Daten zu kategorisieren:
- Nominal
- Ordinal
- Intervall
- Verhältnis
In diesem Beitrag definieren wir jede Messskala und geben Beispiele für Variablen, die mit jeder Skala verwendet werden können.
Weitere Inhalte dieser Artwork finden Sie weiterhin bei Statology. Abonnieren Sie den wöchentlichen Publication, um nichts zu verpassen.
Matthias Mayo (@mattmayo13) hat einen Grasp-Abschluss in Informatik und ein Diplom in Knowledge Mining. Als leitender Redakteur von Abonnieren und Statologieund beitragender Redakteur bei Beherrschung des maschinellen LernensMatthew möchte komplexe Konzepte der Datenwissenschaft zugänglich machen. Seine beruflichen Interessen umfassen die Verarbeitung natürlicher Sprache, Sprachmodelle, Algorithmen für maschinelles Lernen und die Erforschung neuer KI. Sein Ziel ist es, das Wissen in der Datenwissenschaftsgemeinschaft zu demokratisieren. Matthew programmiert, seit er sechs Jahre alt ist.