Betimleyici ve Çıkarımsal İstatistiklere Genel Bakış
İstatistik, verilerin toplanması, analizi, yorumlanması ve sunulması ile ilgilenen bir bilim dalıdır. İstatistik iki ana kategoriye ayrılır: betimleyici istatistik ve çıkarımsal istatistik. Her iki kategori de verilerle çalışmak için farklı yöntemler ve amaçlar
kullanır.
Betimleyici İstatistik: Verilerin özetlenmesi ve tanımlanması ile ilgilenir.
Çıkarımsal İstatistik: Bir örneklemden hareketle genel bir popülasyon hakkında çıkarımlar yapar.
Betimleyici İstatistik
Tanım: Betimleyici istatistik, verilerin özetlenmesi ve tanımlanması ile ilgilenir. Büyük veri setlerini daha yönetilebilir ve anlamlı hale getirir. Verilerin merkezi eğilimleri (ortalama, medyan, mod) ve dağılımını (varyans, standart sapma, aralık) ifade eder.
Kullanım Alanları:
Eğitim: Öğrencilerin sınav sonuçlarının ortalama, medyan ve mod gibi merkezi eğilim ölçümleri ile özetlenmesi.
Ekonomi: Bir ülkenin ekonomik göstergelerinin (örneğin, GSYH, enflasyon oranı) özetlenmesi.
Sağlık: Hastaların yaş, boy ve kilo gibi biyometrik verilerinin özetlenmesi.
Örnek: Bir sınıftaki öğrencilerin sınav notları için betimleyici istatistikler hesaplayalım:
import numpy as np
# Öğrenci notları
notlar = [56, 67, 49, 92, 70, 84, 88, 73, 54, 61]
# Merkezi Eğilim Ölçümleri
ortalama = np.mean(notlar)
medyan = np.median(notlar)
mod = stats.mode(notlar).mode[0]
# Dağılım Ölçümleri
aralik = np.ptp(notlar)
varyans = np.var(notlar)
standart_sapma = np.std(notlar)
print(f"Ortalama: {ortalama}")
print(f"Medyan: {medyan}")
print(f"Mod: {mod}")
print(f"Aralık: {aralik}")
print(f"Varyans: {varyans}")
print(f"Standart Sapma: {standart_sapma}")
Çıkarımsal İstatistik
Tanım: Çıkarımsal istatistik, bir örneklemden hareketle genel bir popülasyon hakkında çıkarımlar yapar. Bu, küçük bir veri setinden büyük bir grup hakkında bilgi edinmemize olanak tanır. Çıkarımsal istatistikler, hipotez testleri, güven aralıkları ve regresyon analizi gibi yöntemler kullanır.
Kullanım Alanları:
Bilim: Araştırma sonuçlarını genellemek ve hipotezleri test etmek.
Pazarlama: Müşteri anketlerinden elde edilen sonuçları tüm müşteri tabanına genellemek.
Sağlık: Klinik denemelerden elde edilen sonuçları genel popülasyona genellemek.
Örnek: Bir klinik denemede yeni bir ilacın etkisini değerlendirmek için hipotez testi yapalım:
import scipy.stats as stats
# Örneklem verileri
plasebo_grubu = [2.3, 2.5, 2.8, 3.0, 3.2, 3.3, 3.5, 3.7, 3.9, 4.0]
ilac_grubu = [3.1, 3.4, 3.6, 3.7, 3.9, 4.0, 4.1, 4.3, 4.5, 4.6]
# t-testi
t_stat, p_value = stats.ttest_ind(plasebo_grubu, ilac_grubu)
print(f"t-İstatistiği: {t_stat}")
print(f"p-Değeri: {p_value}")
# Sonuçları Yorumlama
if p_value < 0.05:
print("Yeni ilacın etkisi istatistiksel olarak anlamlıdır.")
else:
print("Yeni ilacın etkisi istatistiksel olarak anlamlı değildir.")
Betimleyici ve Çıkarımsal İstatistiklerin Karşılaştırılması
Betimleyici İstatistik:
Verileri özetler ve tanımlar.
Verilerin merkezi eğilimlerini ve dağılımını gösterir.
Grafikler ve tablolar kullanarak verileri görselleştirir.
Örneğin, bir sınıftaki öğrencilerin sınav sonuçlarının ortalaması, medyanı ve standart sapması betimleyici istatistikler ile gösterilir.
Çıkarımsal İstatistik:
Verilerden genel popülasyon hakkında çıkarımlar yapar.
Hipotez testleri, güven aralıkları ve regresyon analizi gibi yöntemler kullanır.
Örneğin, bir anket örnekleminden elde edilen sonuçların tüm popülasyona genellenip genellenemeyeceğini belirler.
Analojilerle Açıklama:
Betimleyici İstatistik: Bir kitabın özetini okumak gibidir. Kitap hakkında genel bir fikir edinirsiniz, ancak tüm detayları bilmezsiniz.
Çıkarımsal İstatistik: Kitap hakkında birkaç sayfa okuduktan sonra kitabın tamamı hakkında bir tahminde bulunmak gibidir. Bu tahmin, okuduğunuz sayfaların temsil edici olup olmadığına bağlıdır.
Örnek Senaryo: Bir şirket, yeni bir ürün hakkında müşteri memnuniyetini ölçmek için bir anket yapmaktadır. Anket sonuçlarını kullanarak, betimleyici istatistikler ile müşteri memnuniyetinin ortalama puanını hesaplar ve dağılımını görselleştirir. Çıkarımsal istatistikler kullanarak, anket sonuçlarının tüm müşteri tabanını temsil edip etmediğini ve yeni ürünün genel olarak memnuniyet yarattığını belirler.
Python temellerini atıp, veri analizi ve bilimi için yetkinlik kazanmak istiyorsanız, 1 aylık yoğun Python kampına hemen kayıt olabilirsiniz. ~40 saat canlı ders, ~50 adet kapsamlı proje, ~15 adet quiz ve sayısız kodlama egzersizinden oluşan, Finlandiya eğitim modellerinden esinlenilerek Helsinki'de geliştirilen interaktif ve pratik odaklı eğitim programına hemen göz atın !
Comments