10 Perkara Yang Harus Anda Ketahui mengenai Statistik Menggunakan Excel - dummies

Excel adalah alat yang hebat apabila anda perlu menggunakan statistik. Jika anda tidak pernah terdedah kepada statistik di sekolah atau sudah satu dekad atau dua sejak anda berada, biarkan petua ini membantu anda menggunakan beberapa alat statistik yang disediakan oleh Excel.

Statistik deskriptif langsung

Perkara pertama yang patut anda ketahui adalah bahawa beberapa analisis statistik dan beberapa langkah statistik agak mudah. Statistik deskriptif, yang merangkumi perkara-perkara seperti jadual pivot jadual silang, serta beberapa fungsi statistik, masuk akal walaupun kepada seseorang yang bukan semua kuantitatif.

Rata-rata tidak kadang-kadang mudah

Apabila seseorang menggunakan istilah rata-rata, apa yang biasanya dia merujuk adalah pengukuran purata yang paling umum, maksudnya. Memahami bahawa istilah purata tidak tepat menjadikan banyak fungsi statistik Excel lebih mudah difahami. Untuk membuat perbincangan ini lebih konkrit, anggapkan bahawa anda melihat satu set nilai yang kecil: 1, 2, 3, 4, dan 5. Seperti yang anda ketahui, min dalam set nilai kecil ini ialah 3. Anda boleh mengira min dengan menambahkan semua nombor dalam set (1 + 2 + 3 + 4 + 5) dan kemudian membahagikan jumlah ini (15) dengan jumlah nilai dalam set (5).

Nilai

median ialah nilai yang memisahkan nilai terbesar dari nilai terkecil. Dalam set data 1, 2, 3, 4, dan 5, median adalah 3. Nilai 3 memisahkan nilai terbesar (4 dan 5) dari nilai terkecil (1 dan 2). Anda tidak perlu memahami pengukuran purata yang berbeza, tetapi anda harus ingat bahawa istilah

rata-rata cukup tidak tepat. Penyimpangan standard menggambarkan penyebaran

Rumusan untuk sisihan piawai dan logik mudah difahami.

sisihan piawai menerangkan bagaimana nilai dalam set data berbeza-beza di sekitar min. Perkara yang kemas mengenai langkah-langkah statistik seperti sisihan piawai, anda sering mendapat gambaran sebenar mengenai ciri-ciri data yang anda lihat. Satu perkara lagi ialah dengan kedua-dua bit data ini, anda sering boleh membuat kesimpulan tentang data dengan melihat sampel. Pemerhatian adalah pemerhatian

Pemerhatian

adalah salah satu istilah yang akan anda hadapi jika anda membaca apa-apa mengenai statistik. Pemerhatian hanyalah pemerhatian. Salah satu cara untuk menentukan pemerhatian istilah adalah seperti ini: Setiap kali anda sebenarnya memberikan nilai kepada salah satu pemboleh ubah rawak anda, anda membuat pemerhatian. Sampel adalah subset nilai

A

sampel adalah koleksi pemerhatian dari populasi. Contohnya, jika anda membuat set data yang mencatat suhu tinggi harian di kawasan kejiranan anda, koleksi pengamatan kecil anda adalah sampel. Sebagai perbandingan, sampel bukan penduduk. A

penduduk merangkumi semua pemerhatian yang mungkin. Statistik inferens adalah sejuk tetapi rumit

Jika anda melihat sampel nilai dari populasi dan sampel itu adalah wakil dan cukup besar, anda boleh membuat kesimpulan tentang populasi berdasarkan ciri-ciri sampel.

Statistik kesimpulan, walaupun sangat berkuasa, mempunyai dua ciri yang perlu anda ketahui:

Isu ketepatan

Kurva pembelajaran yang curam
Fungsi edaran kebarangkalian tidak selalu mengelirukan

P

fungsi bunyi agak rumit; tetapi anda sebenarnya boleh memahami secara intuitif apa fungsi taburan kebarangkalian dengan beberapa contoh berguna. Satu taburan umum yang anda dengar dalam kelas statistik, sebagai contoh, adalah pengedaran T. Pengedaran

T pada asasnya adalah taburan normal kecuali dengan ekor yang lebih berat dan lebih gemuk. Satu fungsi taburan kebarangkalian umum adalah pengagihan seragam. Dalam pengedaran seragam, setiap peristiwa mempunyai kemungkinan kejadian yang sama. Perkara yang unik mengenai pengedaran ini ialah segala-galanya cukup tinggi. Satu lagi fungsi pengedaran kebarangkalian umum ialah pengedaran normal

, juga dikenali sebagai kurva loceng atau Gaussian. Pengedaran biasa terjadi secara semula jadi dalam banyak keadaan. Contohnya, perincian kecerdasan (IQ) diagihkan secara normal. Parameter tidak begitu rumit

parameter

adalah input kepada fungsi taburan kebarangkalian. Dengan kata lain, formula atau fungsi atau persamaan yang menerangkan kurva taburan kebarangkalian memerlukan input. Dalam statistik, input tersebut dipanggil parameter. Beberapa fungsi pengedaran kebarangkalian hanya memerlukan satu parameter mudah. Sebagai contoh, untuk bekerja dengan pengedaran seragam, semua yang anda perlukan adalah bilangan nilai dalam set data. Contohnya enam orang mati, hanya mempunyai enam kemungkinan. Skewness dan kurtosis menggambarkan bentuk pengedaran kebarangkalian

Beberapa istilah statistik berguna yang lain yang diketahui adalah skewness dan kurtosis.

Skewness

mengukur kekurangan simetri dalam taburan kebarangkalian. Dalam taburan yang sempurna simetri, seperti taburan normal, skewness sama dengan sifar. Sekiranya pengedaran kebarangkalian bersandar ke kanan atau kiri, bagaimanapun, skewness sama dengan beberapa nilai selain sifar, dan nilai mengukur kekurangan simetri. Kurtosis mengukur berat ekor dalam pengedaran. Dalam taburan normal, kurtosis sama dengan sifar.

ekor adalah perkara yang sampai ke kiri atau kanan. Walau bagaimanapun, jika ekor dalam pengedaran lebih berat daripada taburan normal, kurtosis adalah nombor positif.Sekiranya ekor dalam pengedaran adalah lebih kurus berbanding dengan taburan normal, kurtosis adalah nombor negatif. Selang keyakinan kelihatan rumit pada mulanya, tetapi bermanfaat Kebarangkalian sering mengelirukan orang. Perkara penting untuk memahami tahap keyakinan adalah bahawa mereka dikaitkan dengan margin kesilapan.

Satu lagi perkara penting untuk memahami tahap keyakinan ialah semakin besar saiz sampel anda, semakin kecil margin kesalahan anda akan menggunakan tahap keyakinan yang sama.

Sebagai contoh, katakan anda mempunyai beberapa data Google Analitis di dua iklan web yang berlainan yang anda jalankan untuk mempromosikan perniagaan kecil anda, dan anda ingin mengetahui iklan mana yang lebih efektif. Anda boleh menggunakan formula selang keyakinan untuk mengetahui berapa lama iklan anda perlu dijalankan sebelum data yang dikumpulkan Google cukup untuk anda mengetahui iklan mana yang benar-benar lebih baik.