वर्णनात्मक आणि अभिमुख आकडेवारीमध्ये फरक.

वर्णनात्मक वि. अनुवांशिक आकडेवारी

सांख्यिकी हे मोजमापकारक स्वरूपात डेटा कसे आयोजन करते याचा विचार करून आजच्या संशोधनातील एक महत्वाचा भाग आहे. तथापि, काही विद्यार्थी वर्णनात्मक आणि अनुमानित आकडेवारी दरम्यान गोंधळ येतात, त्यांना त्यांच्या संशोधन वापरण्यासाठी सर्वोत्तम पर्याय निवडणे त्यांना कठीण बनविते.

आपण लक्षपूर्वक पाहिल्यास, वर्णनात्मक आणि अनुमानित आकडेवारीमधील फरक आधीच त्यांच्या नावे देण्यात अतिशय स्पष्ट आहे. "वर्णनात्मक" डेटाचे वर्णन करते, तर "अनुमान्य" अनुमान काढते किंवा संशोधक गोळा केलेल्या माहितीच्या आधारावर निष्कर्षापर्यंत पोहोचण्यास अनुमती देते.

उदाहरणार्थ, एखाद्या विशिष्ट हायस्कूलमध्ये तुम्हाला किशोरवयीन गर्भधारणेबद्दल संशोधन केले जाते. वर्णनात्मक आणि अनुमानित आकडेवारी वापरणे, आपण विशिष्ट वर्षांच्या शाळेसाठी किशोरवयीन गर्भधारणेच्या प्रकरणांची संख्या शोधत असाल. फरक म्हणजे वर्णनात्मक आकडेवारीसह, आपण एकत्रित डेटा केवळ सारांशित करीत आहात आणि, शक्य असल्यास, बदलांमध्ये एक नमुना शोधणे. उदाहरणार्थ, असे म्हणता येते की, गेल्या पाच वर्षांत, तिसर्या वर्षामध्ये जे उच्च माध्यमिक गर्भधारणेचे शिक्षण झाले ते एक्स हायस्कूल मध्ये झाले. सहाव्या वर्षाचे भविष्य वर्तवण्याची गरज नाही, तिस-या वर्षी तिस-या वर्षांची मुले अद्यापही किशोरवयीन गर्भसंस्कारांच्या संख्येने असतील. निष्कर्ष तसेच अंदाज फक्त एक्सचेंशियल आकडेवारी मध्ये केले जातात.

वर्णन किंवा निष्कर्षांचा सिद्धांत देखील संशोधकांच्या डेटा किंवा संकलित माहितीवर लागू होतो. किशोरवयीन गर्भधारणांविषयीच्या आपल्या पूर्वीच्या उदाहरणाचा संदर्भ देताना वर्णनात्मक आकडेवारी केवळ वर्णन केलेल्या लोकसंख्येसाठीच मर्यादित आहे. हे सांगण्याकरता, किशोरवयीन गर्भधारणेविषयी एक्स हायस्कूल वर संग्रहित डेटा केवळ त्या विशिष्ट संस्थेसाठी लागू आहे.

व्युत्पन्न आकडेवारीमध्ये, एक्स हाईस्कूल हे लक्ष्य लोकसंख्येचे एक नमुना असू शकते. आपण न्यूयॉर्कमध्ये किशोरवयीन मुलींची स्थिती जाणून घेण्याचा प्रयत्न करीत आहोत असे म्हणूया. न्यूयॉर्कमधील प्रत्येक हायस्कूलमधून माहिती गोळा करणे अशक्य आहे म्हणून एक्स हायस्कूल नंतर एक नमुना म्हणून कार्य करेल जे न्यूयॉर्क शहरातील सर्व उच्च शाळांना प्रतिबिंबित करेल किंवा त्यांचे प्रतिनिधित्व करेल. अर्थात, याचा अर्थ असा होतो की त्रुटीचे मार्जिन उपस्थित आहे, कारण एक नमुना संपूर्ण लोकसंख्येचे प्रतिनिधित्व करण्यासाठी पुरेसे नाही. डेटाचे विश्लेषण करताना संभाव्य त्रुटी या दर विचारात घेतले जातात. माध्य, मध्यक, आणि मोड सारख्या विविध गणने वापरून, संशोधक डेटाचे वर्णन किंवा परीक्षण करण्यात आणि प्रक्रियेद्वारे काय हवे आहे ते प्राप्त करण्यास सक्षम असतील.

आकडेवारी, विशेषत: अनुक्रमिक, आजच्या उद्योगासाठी मुख्यत्वे महत्वाची आहे, प्रामुख्याने कारण अशी माहिती प्रदान करते ज्यात व्यक्तींना भविष्यकाळात निर्णय घेण्याची क्षमता आहे.उदाहरणार्थ, एका विशिष्ट शहरातील लोकसंख्या वाढीच्या दराने अपेक्षणीय आकडेवारी लावण्यामुळे व्यवसायासाठी ठरवले जाऊ शकते की त्या शहरातील दुकाने सेट करावे किंवा नाहीत. वस्तुस्थिती अशी आहे की निष्कर्षास येण्यासाठी क्रमांकांचा वापर केल्यामुळे संशोधनाची अचूकता तसेच डेटाची समजबुद्धी वाढते.

आलेखांपासून ते चार्ट पर्यंत, आकडेवारीनुसार अनेकदा विविध नमुन्यांद्वारे दाखविले जाते. अचूकता वाढविण्यासाठी, संशोधक देखील त्यांच्या घटकांवर परिणाम करणारे आणि अंकीय डेटामध्ये त्याचा अनुवाद करू शकतील असे विविध घटक विचारात घेतात. अशा प्रकारे त्रुटीची संभाव्यता कमी केली जाते आणि केसचे पूर्णतः सारांश दृश्य प्राप्त केले जाते.

सारांश:

1 वर्णनात्मक आकडेवारी केवळ संशोधन "वर्णन करते" आणि निष्कर्ष किंवा अंदाज ला अनुमती देत ​​नाही.

2 आकलनाच्या आकडेवारीमुळे संशोधकाने निष्कर्षापर्यंत पोहचणे आणि चिंताजनक भागासंबंधी होणारे बदल अंदाज करणे शक्य करते.

3 वर्णनात्मक आकडेवारी सामान्यत: विशिष्ट क्षेत्रामध्ये कार्य करते ज्यामध्ये संपूर्ण लक्ष्य लोकसंख्या समाविष्ट असते.

4 विशेषतः लोकसंख्या एक नमुना घेते, खासकरून जर लोकसंख्या संशोधन शोधणं फार मोठ्या आहे. <