Τύποι δεδομένων στη Στατιστική - Ονομαστικοί, Κανονικοί, Διάστημα και Λόγοι Τύποι δεδομένων που εξηγούνται με Παραδείγματα

Εάν μελετάτε για εξέταση στατιστικών στοιχείων και θέλετε να ελέγξετε τους τύπους δεδομένων σας, αυτό το άρθρο θα σας δώσει μια σύντομη επισκόπηση με μερικά απλά παραδείγματα.

Γιατί ας το παραδεχτούμε: δεν πολλοί άνθρωποι μελετούν τύπους δεδομένων για διασκέδαση ή στην πραγματική καθημερινή τους ζωή.

Ας βυθίσουμε λοιπόν.

Ποσοτικά έναντι Ποιοτικών δεδομένων - ποια είναι η διαφορά;

Εν ολίγοις: ποσοτικά σημαίνει ότι μπορείτε να το μετρήσετε και είναι αριθμητικό (σκεφτείτε την ποσότητα - κάτι που μπορείτε να μετρήσετε). Ποιοτικό σημαίνει ότι δεν μπορείτε, και δεν είναι αριθμητικό ( ποιότητα σκέψης - αντ 'αυτού κατηγορηματικά δεδομένα).

Κεραία! Απλό, σωστά;

Υπάρχει μια ακόμη διάκριση που πρέπει να πάρουμε κατευθείαν προτού προχωρήσουμε στους πραγματικούς τύπους δεδομένων και έχει να κάνει με τα ποσοτικά (αριθμοί) δεδομένα: διακριτά έναντι συνεχών δεδομένων.

Τα διακριτά δεδομένα περιλαμβάνουν ακέραιους αριθμούς (ακέραιοι αριθμοί - όπως 1, 356 ή 9) που δεν μπορούν να διαιρεθούν με βάση τη φύση του τι είναι.

Όπως ο αριθμός των ατόμων σε μια τάξη, ο αριθμός των δακτύλων στα χέρια σας ή ο αριθμός των παιδιών που έχει κάποιος. Δεν μπορείτε να έχετε 1,9 παιδιά σε μια οικογένεια (παρά τα όσα μπορεί να πει η απογραφή).

Τα συνεχή δεδομένα , από την άλλη πλευρά, είναι το αντίθετο. Μπορεί να χωριστεί όσο θέλετε και να μετρηθεί σε πολλά δεκαδικά ψηφία.

Όπως το βάρος ενός αυτοκινήτου (μπορεί να υπολογιστεί σε πολλά δεκαδικά ψηφία), τη θερμοκρασία (32.543 μοίρες κ.ο.κ.) ή την ταχύτητα ενός αεροπλάνου.

Τώρα για τα διασκεδαστικά πράγματα.

Ποιοτικοί τύποι δεδομένων

Ονομαστικά δεδομένα

Τα ονομαστικά δεδομένα χρησιμοποιούνται για την επισήμανση μεταβλητών χωρίς ποσοτική τιμή. Τα κοινά παραδείγματα περιλαμβάνουν άντρες / γυναίκες (αν και κάπως ξεπερασμένες), χρώμα μαλλιών, εθνικότητες, ονόματα ανθρώπων και ούτω καθεξής.

Στα απλά αγγλικά: βασικά, είναι ετικέτες (και το ονομαστικό προέρχεται από το "όνομα" για να σας βοηθήσει να θυμάστε). Έχετε καστανά μαλλιά (ή καστανά μάτια) . Είσαι αμερικανός . Το όνομά σου είναι Τζέιν .

Παραδείγματα:

Τι χρώμα μαλλιών έχετε;

  • καφέ
  • Ξανθιά
  • Μαύρος
  • Μονόκερος ουράνιου τόξου

Τι είναι η εθνικότητά σας?

  • Αμερικανός
  • Γερμανός
  • Κένυα
  • Ιαπωνικά

Παρατηρήστε ότι αυτές οι μεταβλητές δεν αλληλεπικαλύπτονται. Για τους σκοπούς των στατιστικών, ούτως ή άλλως, δεν μπορείτε να έχετε τόσο καστανά όσο και ουράνιο τόξο μαλλιά μονόκερου. Και σχετίζονται πραγματικά μόνο με την κύρια κατηγορία στην οποία ανήκουν.

Κανονικά δεδομένα

Το κλειδί με τακτικά δεδομένα είναι να θυμόμαστε ότι η τακτική ακούγεται σαν τάξη - και είναι η σειρά των μεταβλητών που έχει σημασία. Όχι τόσο οι διαφορές μεταξύ αυτών των τιμών.

Οι κανονικές κλίμακες χρησιμοποιούνται συχνά για μέτρα ικανοποίησης, ευτυχίας και ούτω καθεξής. Έχετε κάνει ποτέ μία από αυτές τις έρευνες, έτσι;

"Πόσο πιθανό είναι να συστήσετε τις υπηρεσίες μας στους φίλους σας;"

  • Πολύ πιθανό
  • Πιθανός
  • Ουδέτερος
  • Απίθανος
  • Πολύ απίθανο

Βλέπουμε, δεν ξέρουμε πραγματικά ποια είναι η διαφορά μεταξύ πολύ απίθανο και απίθανο - ή αν είναι το ίδιο ποσό ομοιότητας (ή, απίθανο) με το πιθανό και το πολύ πιθανό. Αλλά αυτό είναι εντάξει. Γνωρίζουμε απλώς ότι είναι πιθανό κάτι περισσότερο από ουδέτερο και απίθανο είναι κάτι περισσότερο από απίθανο. Είναι όλα στη σειρά.

Ποσοτικοί τύποι δεδομένων

Δεδομένα διαστήματος

Τα δεδομένα διαστήματος είναι διασκεδαστικά (και χρήσιμα) επειδή αφορούν τόσο τη σειρά όσο και τη διαφορά μεταξύ των μεταβλητών σας. Αυτό σας επιτρέπει να μετρήσετε την τυπική απόκλιση και την κεντρική τάση.

Το αγαπημένο παράδειγμα όλων των δεδομένων διαστήματος είναι οι θερμοκρασίες σε βαθμούς Κελσίου. Οι 20 βαθμοί C είναι θερμότεροι από 10 και η διαφορά μεταξύ 20 και 10 μοιρών είναι 10 μοίρες. Η διαφορά μεταξύ 10 και 0 είναι επίσης 10 μοίρες.

Εάν χρειάζεστε βοήθεια για να θυμηθείτε τι είναι οι κλίμακες διαστήματος, απλώς σκεφτείτε τη σημασία του διαστήματος: το διάστημα μεταξύ . Έτσι, όχι μόνο νοιάζεστε για τη σειρά των μεταβλητών, αλλά και για τις τιμές μεταξύ τους.

Υπάρχει ένα μικρό πρόβλημα με τα διαστήματα, ωστόσο: δεν υπάρχει "πραγματικό μηδέν". Ένα αληθινό μηδέν δεν έχει αξία - δεν υπάρχει τίποτα - αλλά 0 βαθμοί C σίγουρα έχει τιμή: είναι αρκετά ψυχρό. Μπορείτε επίσης να έχετε αρνητικούς αριθμούς.

Εάν δεν έχετε πραγματικό μηδέν, δεν μπορείτε να υπολογίσετε αναλογίες. Αυτό σημαίνει εργασία προσθήκης και αφαίρεσης, αλλά ο διαχωρισμός και ο πολλαπλασιασμός δεν το κάνουν.

Δεδομένα αναλογίας

Ευτυχώς, υπάρχουν δεδομένα αναλογίας. Λύνει όλα τα προβλήματά μας.

Τα δεδομένα αναλογίας μας λένε για τη σειρά των μεταβλητών, τις διαφορές μεταξύ τους και έχουν το απόλυτο μηδέν. Αυτό επιτρέπει την εκτέλεση και την κατάρτιση όλων των ειδών υπολογισμών και συμπερασμάτων.

Τα δεδομένα αναλογίας είναι πολύ παρόμοια δεδομένα διαστήματος, εκτός από το μηδέν σημαίνει κανένα. Για δεδομένα αναλογίας, δεν είναι δυνατόν να υπάρχουν αρνητικές τιμές.

Για παράδειγμα, το ύψος είναι δεδομένα αναλογίας. Δεν είναι δυνατόν να έχουμε αρνητικό ύψος. Εάν το ύψος ενός αντικειμένου είναι μηδέν, τότε δεν υπάρχει αντικείμενο. Αυτό είναι διαφορετικό από κάτι σαν τη θερμοκρασία. Και οι 0 βαθμοί και -5 βαθμοί είναι απολύτως έγκυρες και σημαντικές θερμοκρασίες

Τώρα που έχετε μια βασική λαβή σε αυτούς τους τύπους δεδομένων, θα πρέπει να είστε λίγο πιο έτοιμοι να αντιμετωπίσετε αυτήν την εξέταση στατιστικών.