Statistikk Er grenen av vitenskap som gjengir ulike verktøy og analytiske teknikker for å håndtere den enorme omfanget av data, enkelt sagt, det er vitenskapen om å samle, klassifisere, analysere og tolke & manifestere den numeriske formen for data for å gjøre avledninger om befolkningen, fra de plukket ut eksempeldataene som kan brukes av forretningseksperter for å løse sine problemer.
derfor, i arbeidet med å organisere data og forventer fremtidige trender, avhengig av informasjonen, er mange organisasjoner sterkt avhengige av statistisk analyse.
mer presist gjelder statistisk dataanalyse datainnsamling, tolkning og presentasjon. Det kan bli kontaktet mens håndtering av data for å løse komplekse problemer. Mer presist gir den statistiske analysen betydning for ubetydelige / irrelevante data eller tall.
Nøkkeltypene For Statistisk Analyse er
spesielt er statistisk analyse prosessen med å konsolidere og analysere forskjellige prøver av data for å avsløre mønstre eller trender og forutse fremtidige hendelser / situasjoner for å ta passende beslutninger.
den statistiske analysen har følgende typer som i stor grad avhenger av datatyper.
7 typer av statistisk analyse
1. Beskrivende Statistisk Analyse
I Utgangspunktet handler det om å organisere og oppsummere data ved hjelp av tall og grafer. Det gjør det enkelt de massive mengdene data for forståelig tolkning selv uten å danne konklusjoner utover analysen eller svare på noen hypoteser.
i stedet for å behandle data i sin råform, gjør beskrivende statistisk analyse oss i stand til å representere og tolke data mer effektivt gjennom numerisk beregning, grafer eller tabeller.
fra alle nødvendige forberedende skritt til avsluttende analyse og tolkning involverer beskrivende statistisk analyse ulike prosesser som tabulering, et mål for sentral tendens (gjennomsnitt, median, modus), et mål for spredning eller varians (rekkevidde, variasjon, standardavvik), skjevhetsmålinger og tidsserieanalyse.
Formeldiagram, kilde
under beskrivende analyse er dataene oppsummert i tabellform og administrert & presentert i form av diagrammer og grafer for oppsummering av data, forutsatt at det for hele befolkningen.
(Mest relatert: Beskrivende statistikk I R)
Videre hjelper det med å trekke ut forskjellige egenskaper av data og i å oppsummere og forklare de viktigste egenskapene til data. Dessuten trekkes ingen innsikt om gruppene som ikke observeres / samples.
2. Inferensiell Statistisk Analyse
den inferensielle statistiske analysen brukes i utgangspunktet når inspeksjonen av hver enhet fra befolkningen ikke er oppnåelig, derfor ekstrapolerer den informasjonen som er oppnådd, til hele befolkningen.
i enkle ord lar inferensiell statistisk analyse oss teste en hypotese avhengig av en prøvedata hvorfra vi kan trekke ut avledninger ved å bruke sannsynligheter og generaliseringer om hele dataene, og kan også trekke konklusjoner med hensyn til fremtidige utfall utover de tilgjengelige dataene.
På denne måten er det svært å foretrekke mens du trekker konklusjoner og tar beslutninger om hele befolkningen på grunnlag av utvalgsdata. Som sådan innebærer denne metoden prøvetakingsteorien, ulike tester av betydning, statistisk kontroll etc.
Deskriptiv vs Inferensiell Statistisk Analyse
3. Prediktiv Analyse
Prediktiv analyse er implementert for å lage en prediksjon av fremtidige hendelser, eller hva som sannsynligvis vil skje neste, basert på nåværende og tidligere fakta og tall.
prediktiv analyse bruker statistiske teknikker og maskinlæringsalgoritmer for å beskrive muligheten for fremtidige utfall, atferd og trender avhengig av nyere og tidligere data. Mye brukt teknikker under prediktiv analyse inkluderer data mining, datamodellering, kunstig intelligens, maskinlæring og etc. å gjøre imperative spådommer.
i dagens forretningssystem blir denne analysen nærmet av markedsføringsselskaper, forsikringsorganisasjoner, nettleverandører, datadrevet markedsføring og finansielle selskaper, men enhver bedrift kan dra nytte av det ved å planlegge for en uforutsigbar fremtid, for eksempel å få konkurransefortrinn og begrense risikoen forbundet med en uforutsigbar fremtidig hendelse.
prediktiv analyse konvergerer på prognoser kommende hendelser ved hjelp av data og konstatere sannsynligheten for flere trender i data atferd. Derfor bruker bedrifter denne tilnærmingen for å få svaret » hva kan skje ?»hvor grunnlaget for å gjøre spådommer er et sannsynlighetsmål.
4. Prescriptive Analysis
prescriptive analysis undersøker dataene for å finne ut hva som skal gjøres, det er mye brukt i forretningsanalyse for å identifisere best mulig handling for en situasjon.
mens annen statistisk analyse kan bli distribuert for å kjøre utelukkelser, gir den det faktiske svaret. I utgangspunktet fokuserer den på å oppdage det optimale forslaget til en beslutningsprosess.
Flere teknikker, implementert under prescriptive analyse er simulering, graf analyse, algoritmer, kompleks hendelsesbehandling, maskinlæring, anbefaling motor, forretningsregler, etc.
det er imidlertid nesten relatert til beskrivende og prediktiv analyse, hvor beskrivende analyse forklarer data i forhold til hva som har skjedd, prediktiv analyse forutser hva som kan skje, og her prescriptiv analyse omhandler å gi passende forslag blant de tilgjengelige preferanser.
5. Exploratory Data Analysis (EDA)
Exploratory data analysis, ELLER EDA som DET er kjent, er et motstykke til inferensiell statistikk, og i stor grad implementert av dataeksperter. Det er vanligvis det første trinnet i dataanalyseprosessen som utføres før andre statistiske analyseteknikker.
EDA er ikke distribuert alene for å forutsi eller generalisere, det gjør en forhåndsvisning av data og bistår i å få noen viktige innsikt i det.
denne metoden fokuserer fullt ut på å analysere mønstre i dataene for å gjenkjenne potensielle relasjoner. EDA kan bli kontaktet for å oppdage ukjente assosiasjoner innen data, inspisere manglende data fra innsamlede data og få maksimal innsikt, undersøke forutsetninger og hypoteser.
6. Årsaksanalyse
generelt hjelper årsaksanalyse med å forstå og bestemme årsakene til «hvorfor» ting oppstår, eller hvorfor ting er som sådan, slik de ser ut.
for eksempel, i dagens forretningsmiljø, mange ideer, eller bedrifter er det som får mislyktes på grunn av noen hendelser skjer, i den tilstanden, årsaksanalyse identifiserer årsaken til feil, eller rett og slett den grunnleggende grunnen til at noe kan skje.
I IT-bransjen brukes dette til å sjekke kvalitetssikringen av bestemt programvare, som hvorfor den programvaren mislyktes, hvis det var en feil, et datainnbrudd osv., og forhindrer selskaper fra store tilbakeslag.
vi kan vurdere årsaksanalysen når;
- Identifisere betydelige problemområder i dataene,
- Undersøke og identifisere årsakene til problemet eller feilen,
- Forstå hva som vil skje med en gitt variabel hvis en annen variabel endres.
7. Mekanistisk Analyse
blant de ovennevnte statistiske analysene er mekanistisk den minst vanlige typen, men den er verdig i prosessen med stor dataanalyse og biologisk vitenskap. Det er utplassert for å forstå og forklare hvordan ting skjer i stedet for hvordan konkrete ting vil skje ulteriorly.
Den bruker det klare konseptet om å forstå individuelle endringer i variabler som forårsaker endringer i andre variabler tilsvarende, mens man utelukker ytre påvirkninger og vurderer antagelsen om at hele systemet blir påvirket via egne interne elementers interaksjon.
de grunnleggende målene for mekanistisk analyse involverer;
- Forstå de bestemte endringene som kan gjøre endringer i andre variabler
- en klar forklaring på hendelsen av en tidligere hendelse i sammenheng med data, spesielt når det aktuelle emnet / bekymringen omhandler bestemte aktiviteter.
for eksempel i biologisk vitenskap, når man studerer og inspiserer hvordan ulike deler av viruset påvirkes av endringer i medisin.
Foruten de ovennevnte statistiske analysetypene, er det verdt å diskutere her at disse statistiske behandlingene, eller statistiske dataanalyseteknikker, er dypt avhengige av måten dataene blir brukt på. Mens man regner med funksjonen og kravet til en bestemt studie, kan data og statistisk analyse brukes til mange formål, for eksempel kan medisinske forskere bruke en rekke statistiske analyser for å teste stoffets effektivitet eller potens.
i tillegg kan mange tilgjengelige data informere mange ting, datafagfolk vil utforske, derfor er statistisk analyse i stand til å få noen informative resultater og gjøre noen avledninger. Også i noen tilfeller kan statistisk analyse nærmer seg for å samle informasjon om folks preferanser og deres vaner.
for eksempel kan brukerdata, på nettsteder Som Facebook og Instagram, brukes av analytikere for å forstå brukeroppfattelsen, som hva bruker gjør og hva som motiverer dem. Denne informasjonen kan være til nytte for kommersielle annonser der en bestemt gruppe brukere er målrettet for å selge dem ting. Det er også nyttig for programutviklere å forstå brukernes respons og vaner og gjøre endringer i produkter tilsvarende.
Konklusjon
en dypere forståelse av data kan utvide de mange mulighetene for en bedrift, med implementering av forretningsanalyse kan en organisasjon oppnå mens man gransker data, for å kjøre for eksempel spådommer, innsikt eller konklusjoner fra data, og dette er hva statistisk analyse kan gjøre, for eksempel;
- Kompilere og manifestere data i form av grafer eller diagrammer for å vise viktige funn,
- Utforske betydelige elementer / målinger fra data, som gjennomsnitt, varians, skjevhet, etc,
- Teste en hypotese fra flere eksperimenter,
- Forutse kommende fremsyn på grunnlag av tidligere dataadferd, og mange flere.
og dermed kan en bedrift dra nytte av statistisk analyse på ulike måter, for eksempel å bestemme ned ytelsen til salg, for å avdekke trender fra kundedata, gjennomføre økonomiske revisjoner, etc.
(Sjekk ut min andre blogg På Bayesiansk Statistikk)