ପରିସଂଖ୍ୟାନ ହେଉଛି ଅନିଶ୍ଚିତତାର ଭାଷା - ସାଧନ ଯାହା ଆମକୁ ଅସମ୍ପୂର୍ଣ୍ଣ ସୂଚନାରୁ ସିଦ୍ଧାନ୍ତ ନେବାକୁ ଦେଇଥାଏ | ଆପଣ ଏକ ନ୍ୟୁଜ୍ ପୋଲ୍ ପ reading ୁଛନ୍ତି, କ୍ଲିନିକାଲ୍ ଟ୍ରାଏଲ୍ ଫଳାଫଳକୁ ବ୍ୟାଖ୍ୟା କରୁଛନ୍ତି କିମ୍ବା ଆପଣଙ୍କର ନିଜ ତଥ୍ୟକୁ ବିଶ୍ଳେଷଣ କରୁଛନ୍ତି, ଏହି ମୂଳ ଧାରଣାଗୁଡ଼ିକୁ ବୁ understanding ିବା ଆପଣଙ୍କୁ ଅଧିକ ସମାଲୋଚକ ପାଠକ କରିବ |
ବର୍ଣ୍ଣନାକାରୀ ପରିସଂଖ୍ୟାନ: ତଥ୍ୟକୁ ସଂକ୍ଷିପ୍ତ କରିବା |
ଆପଣ ତଥ୍ୟ ବିଶ୍ଳେଷଣ କରିବା ପୂର୍ବରୁ, ଆପଣ ଏହାକୁ ବର୍ଣ୍ଣନା କରିବା ଆବଶ୍ୟକ କରନ୍ତି | ମୁଖ୍ୟ ପଦକ୍ଷେପଗୁଡ଼ିକ ହେଉଛି ** କେନ୍ଦ୍ରୀୟ ପ୍ରବୃତ୍ତି ** (ମଧ୍ୟଭାଗ କେଉଁଠାରେ ଅଛି?) ଏବଂ ** ବିସ୍ତାର ** (ତଥ୍ୟ କେତେ ପରିବର୍ତ୍ତନଶୀଳ?) |
ଅର୍ଥ, ମଧ୍ୟମ, ଏବଂ ମୋଡ୍ |
** ଗାଣିତିକ ଅର୍ଥ ** ହେଉଛି ଗଣନା ଦ୍ୱାରା ବିଭକ୍ତ ରାଶି | ଏହା ସବୁଠାରୁ ପରିଚିତ ହାରାହାରି କିନ୍ତୁ ବାହ୍ୟକାରୀଙ୍କ ପାଇଁ ଅତ୍ୟନ୍ତ ସମ୍ବେଦନଶୀଳ |
ଡାଟା ସର୍ଟ ହେବାବେଳେ ** ମଧ୍ୟମ ** ହେଉଛି ମଧ୍ୟମ ମୂଲ୍ୟ | ଏହା ଅଧିକ ଦୃ ust - ଗୋଟିଏ ଚରମ ମୂଲ୍ୟ ଏହାକୁ ଅଧିକ ଘୁଞ୍ଚାଏ ନାହିଁ |
** ମୋଡ୍ ** ହେଉଛି ବାରମ୍ବାର ମୂଲ୍ୟ | ବର୍ଗଗତ ତଥ୍ୟ ପାଇଁ ଉପଯୋଗୀ; ନିରନ୍ତର ମାପ ପାଇଁ କମ୍ ଉପଯୋଗୀ |
| ଡାଟାବେସ୍ | ଅର୍ଥ | ମଧ୍ୟମ | ମୋଡ୍ |
|---|---|---|---|
| 2, 4, 4, 6, 8 | 4.8 | 4 | 4 |
| 2, 4, 4, 6, 100 | 23.2 | 4 | 4 |
ଧ୍ୟାନ ଦିଅନ୍ତୁ କିପରି ଗୋଟିଏ ଚରମ ମୂଲ୍ୟ (100) ନାଟକୀୟ ଭାବରେ ଅର୍ଥକୁ ପରିବର୍ତ୍ତନ କରେ କିନ୍ତୁ ମଧ୍ୟମାକୁ ଛୁଇଁଲା | ଏହି କାରଣରୁ ଘରର ମୂଲ୍ୟ ପରିସଂଖ୍ୟାନ ମଧ୍ୟମା ବ୍ୟବହାର କରେ - ହାତଗଣତି ବହୁ-ମିଲିୟନ୍ ପାଉଣ୍ଡ ମହଲ ହାରାହାରି ମୂଲ୍ୟ ବିଭ୍ରାନ୍ତକାରୀ କରିବ |
ମାନକ ବିଘ୍ନ ଏବଂ ଭିନ୍ନତା |
ଭିନ୍ନତା ହାରାହାରି ସ୍କ୍ୱାର୍ଡ ବିଚ୍ଛିନ୍ନତାକୁ ମାପ କରିଥାଏ:
σ² = Σ(xi - x̄)² / n
ଷ୍ଟାଣ୍ଡାର୍ଡ ବିଚ୍ୟୁତି ହେଉଛି ଭିନ୍ନତାର ବର୍ଗ ମୂଳ - ଏହା ମୂଳ ତଥ୍ୟ ସହିତ ସମାନ ୟୁନିଟରେ ଅଛି, ଯାହା ଏହାକୁ ବ୍ୟାଖ୍ୟା କରିଥାଏ:
σ = √[Σ(xi - x̄)² / n]
ସାଧାରଣ ବଣ୍ଟିତ ତଥ୍ୟ ପାଇଁ ** 68-95-99.7 ନିୟମ **:
- 68% ମୂଲ୍ୟ ହାରାହାରି 1 ମାନକ ବିଘ୍ନ ମଧ୍ୟରେ ପଡ଼େ |
- 2 ମାନକ ବିଘ୍ନ ମଧ୍ୟରେ 95% |
- 3 ଷ୍ଟାଣ୍ଡାର୍ଡ ବିଚ୍ୟୁତି ମଧ୍ୟରେ 99.7% |
** ଟିପନ୍ତୁ: ** ଜନସଂଖ୍ୟା ମାନକ ବିଘ୍ନ ପାଇଁ ନାମରେ n ବ୍ୟବହାର କରନ୍ତୁ; ଏକ ନମୁନା ଆକଳନ ପାଇଁ n - 1 ବ୍ୟବହାର କରନ୍ତୁ (ଏହାକୁ ବେସେଲର ସଂଶୋଧନ କୁହାଯାଏ ଏବଂ ନମୁନା ସହିତ ଘଟୁଥିବା ସାମାନ୍ୟ ଅବନତି ପାଇଁ ସଂଶୋଧନ କରେ) |
ସାଧାରଣ ବଣ୍ଟନ |
ସାଧାରଣ (ଗ uss ସିଆନ୍) ବଣ୍ଟନ ହେଉଛି ଘଣ୍ଟି ଆକୃତିର ବକ୍ର ଯାହା ପ୍ରକୃତି ଏବଂ ପରିସଂଖ୍ୟାନରେ ସବୁଠାରେ ଦେଖାଯାଏ | ଏହାକୁ ଦୁଇଟି ପାରାମିଟର ଦ୍ୱାରା ସମ୍ପୂର୍ଣ୍ଣ ଭାବରେ ବର୍ଣ୍ଣନା କରାଯାଇଛି: ଅର୍ଥ (μ) ଏବଂ ମାନକ ବିଘ୍ନ (σ) |
** z- ସ୍କୋର ** ଯେକ value ଣସି ମୂଲ୍ୟକୁ “ଅର୍ଥରୁ କେତେ ମାନକ ବିଘ୍ନ” କୁ ରୂପାନ୍ତର କରେ:
z = (x - μ) / σ
1.96 ର ଏକ z- ସ୍କୋର 97.5 ତମ ଶତକଡା ସହିତ ଅନୁରୂପ ଅଟେ - ଯେଉଁ ମୂଲ୍ୟ ଉପରେ ବଣ୍ଟନର ମାତ୍ର 2.5% ରହିଥାଏ | ଆତ୍ମବିଶ୍ୱାସର ବ୍ୟବଧାନ ହେତୁ ଏହା ପରିସଂଖ୍ୟାନରେ କ୍ରମାଗତ ଭାବରେ ଦେଖାଯାଏ |
** ସେଣ୍ଟ୍ରାଲ୍ ସୀମା ଥିଓରେମ୍ ** ହେଉଛି ସାଧାରଣ ବଣ୍ଟନ ଏତେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ: ମୂଳ ଜନସଂଖ୍ୟାର ଆକୃତି ନିର୍ବିଶେଷରେ, ନମୁନା ବଣ୍ଟନ ଅର୍ଥ ନମୁନା ଆକାର ବ as ଼ିବା ସହିତ ସାଧାରଣତା ନିକଟକୁ ଆସେ | ଏହି କାରଣରୁ କଞ୍ଚା ତଥ୍ୟ ସାଧାରଣତ distributed ବଣ୍ଟନ ହୋଇନଥିଲେ ମଧ୍ୟ ଅନେକ ପରିସଂଖ୍ୟାନ ପରୀକ୍ଷଣ ସ୍ ity ାଭାବିକତା ଅନୁମାନ କରିଥାଏ |
ଆତ୍ମବିଶ୍ୱାସ ବ୍ୟବଧାନ |
ଏକ 95% ଆତ୍ମବିଶ୍ୱାସ ବ୍ୟବଧାନର ଅର୍ଥ ନୁହେଁ ଯେ ଏହି ପରିସର ମଧ୍ୟରେ ପ୍ରକୃତ ମୂଲ୍ୟ 95% ସମ୍ଭାବନା ଅଛି | ଏହାର ଅର୍ଥ: "ଯଦି ଆମେ ଏହି ନମୁନା ପ୍ରକ୍ରିୟାକୁ ଅନେକ ଥର ପୁନରାବୃତ୍ତି କରିଥାଉ, ତେବେ ଆମେ ଗଣନା କରିଥିବା 95% ବ୍ୟବଧାନ ପ୍ରକୃତ ମୂଲ୍ୟ ଧାରଣ କରିବ |"
ଆକାର n ର ନମୁନାରୁ p ଅନୁପାତ ପାଇଁ:
CI = p ± z × √(p(1-p)/n)
95% ଆତ୍ମବିଶ୍ୱାସ ପାଇଁ, z = 1.96 | 99% ପାଇଁ, z = 2.576 |
** ତ୍ରୁଟିର ମାର୍ଜିନ୍ ** କେବଳ ± ଅଂଶ: z × p (p (1-p) / n) | ଯେତେବେଳେ ଏକ ସର୍ଭେ “percent 3 ପ୍ରତିଶତ ପଏଣ୍ଟ” ରିପୋର୍ଟ କରେ, ଏହା ହେଉଛି ତ୍ରୁଟିର ମାର୍ଜିନ୍ |
ହାଇପୋଥେସିସ୍ ପରୀକ୍ଷା |
ପ୍ରତ୍ୟେକ ଅନୁମାନ ପରୀକ୍ଷା ସମାନ ସଂରଚନା ଅନୁସରଣ କରେ:
1। ** H₀ (ନଲ୍ ହାଇପୋଟେସିସ୍): ** ଡିଫଲ୍ଟ - ସାଧାରଣତ "" କ effect ଣସି ପ୍ରଭାବ "," କ difference ଣସି ପାର୍ଥକ୍ୟ ନାହିଁ, "" କ relationship ଣସି ସମ୍ପର୍କ ନାହିଁ "| 2। ** H₁ (ବିକଳ୍ପ ଅନୁମାନ): ** ଆପଣ ଯାହା ପାଇଁ ପ୍ରମାଣ ଦେଖାଇବାକୁ ଚେଷ୍ଟା କରୁଛନ୍ତି | 3। ** ପରୀକ୍ଷା ପରିସଂଖ୍ୟାନ: ** ତଥ୍ୟରୁ ଗଣିତ ଏକ ସଂଖ୍ୟା ଯାହା H₀ ତଥ୍ୟଠାରୁ କେତେ ଦୂର ତାହା ମାପ କରିଥାଏ | 4। ** p- ମୂଲ୍ୟ: ** ଯଦି H₀ ସତ୍ୟ ତେବେ ଅନ୍ତତ least ପକ୍ଷେ ଏକ ଫଳାଫଳ ଦେଖିବାର ସମ୍ଭାବନା |
p- ମୂଲ୍ୟ ବ୍ୟାଖ୍ୟା କରାଯାଇଛି |
0.03 ର ଏକ p- ମୂଲ୍ୟ ଅର୍ଥ: "ଯଦି ପ୍ରକୃତରେ କ effect ଣସି ପ୍ରଭାବ ନଥାନ୍ତା, ତେବେ ଆମେ ଏହି ତଥ୍ୟକୁ ମାତ୍ର 3% ସମୟ ଦେଖିଥାଉ |" ଏହା ସାଧାରଣତ H H₀ କୁ ପ୍ରତ୍ୟାଖ୍ୟାନ କରିବାକୁ ଯଥେଷ୍ଟ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ବିବେଚନା କରାଯାଏ |
** କ’ଣ p & lt; 0.05 ଏହାର ଅର୍ଥ ନୁହେଁ: **
- ଏହାର ଅର୍ଥ ନୁହେଁ ଯେ ଏହାର ପ୍ରଭାବ 95% ଅଛି |
- ଏହାର ଅର୍ଥ ନୁହେଁ ଯେ ପ୍ରଭାବଟି ପ୍ରକୃତରେ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ |
- ଏହାର ଅର୍ଥ ନୁହେଁ ଯେ H₀ ମିଥ୍ୟା ଅଟେ |
** ଟାଇପ୍ I ଏବଂ ଟାଇପ୍ II ତ୍ରୁଟି: **
| | H₀ ସତ ଅଟେ | | H₀ ମିଥ୍ୟା ଅଟେ || |--|-----------|------------| |** H₀ ** କୁ ପ୍ରତ୍ୟାଖ୍ୟାନ କରନ୍ତୁ | | ଟାଇପ୍ I ତ୍ରୁଟି (ମିଥ୍ୟା ପଜିଟିଭ୍) | ସଠିକ୍| |** H₀ ** କୁ ପ୍ରତ୍ୟାଖ୍ୟାନ କରିବାରେ ବିଫଳ | | ସଠିକ୍ | ଟାଇପ୍ II ତ୍ରୁଟି (ମିଥ୍ୟା ନକାରାତ୍ମକ)|
α (ମହତ୍ତ୍ level ସ୍ତର) = ଟାଇପ୍ I ତ୍ରୁଟି ହାର, ସାଧାରଣତ 0.05 0.05 | β = II ତ୍ରୁଟି ହାର; ଶକ୍ତି = 1 - β, ସାଧାରଣତ 0. 0.80 କୁ ଲକ୍ଷ୍ୟ କରାଯାଏ |
ଟି-ଟେଷ୍ଟ |
ଟି-ଟେଷ୍ଟ ଗୋଷ୍ଠୀ ମଧ୍ୟରେ ଅର୍ଥ ତୁଳନା କରେ | ଦୁଇଟି ନମୁନା ଟି-ପରିସଂଖ୍ୟାନ ହେଉଛି:
t = (x̄₁ - x̄₂) / √(s₁²/n₁ + s₂²/n₂)
ଏକ ବଡ଼ | t | | ଏହାର ଅର୍ଥ ହେଉଛି ଗୋଷ୍ଠୀ ମଧ୍ୟରେ ପରିବର୍ତ୍ତନଶୀଳତା ସହିତ ଗୋଷ୍ଠୀଗୁଡ଼ିକ ବହୁତ ଅଲଗା | ଉପଯୁକ୍ତ ଡିଗ୍ରୀ ସ୍ freedom ାଧୀନତା ସହିତ ଏକ ଗୁରୁତ୍ value ପୂର୍ଣ୍ଣ ମୂଲ୍ୟ (କିମ୍ବା p- ମୂଲ୍ୟ ଗଣନା) ସହିତ ତୁଳନା କରନ୍ତୁ |
** ଏହାକୁ କେବେ ବ୍ୟବହାର କରିବେ: ** ସ୍ independent ାଧୀନ ଗୋଷ୍ଠୀରୁ ଦୁଇଟି ଅର୍ଥ ତୁଳନା କରିବା, ଯେତେବେଳେ ତଥ୍ୟ ପ୍ରାୟ ସାଧାରଣ କିମ୍ବା n & gt; 30
ସମ୍ପର୍କ
** ପିଆରସନ୍ ର r ** ଦୁଇଟି ଭେରିଏବଲ୍ ମଧ୍ୟରେ ର line ଖ୍ୟ ସମ୍ପର୍କର ଶକ୍ତି ମାପ କରେ:
- r = +1: ସଂପୂର୍ଣ୍ଣ ସକରାତ୍ମକ ରେଖା ସମ୍ପର୍କ |
- r = 0: କ line ଣସି ର ar ଖ୍ୟ ସମ୍ପର୍କ ନାହିଁ |
- r = −1: ସଂପୂର୍ଣ୍ଣ ନକାରାତ୍ମକ ର line ଖ୍ୟ ସମ୍ପର୍କ |
r = Σ(xi - x̄)(yi - ȳ) / √[Σ(xi - x̄)² × Σ(yi - ȳ)²]
** R² ** (r ସ୍କ୍ୱାର୍ଡ) X ରେ ବର୍ଣ୍ଣିତ Y ରେ ଭିନ୍ନତାର ଅନୁପାତ ଆପଣଙ୍କୁ କହିଥାଏ ଯଦି r = 0.7, ତେବେ R² = 0.49 - X Y. ରେ ପରିବର୍ତ୍ତନଶୀଳତାର 49% ବ୍ୟାଖ୍ୟା କରେ |
** ସ୍ପାୟରମ୍ୟାନ୍ଙ୍କ ρ ** (ରୋ) ସମାନ କାର୍ଯ୍ୟ କରେ କିନ୍ତୁ କଞ୍ଚା ମୂଲ୍ୟ ଅପେକ୍ଷା ରାଙ୍କ ବ୍ୟବହାର କରେ, ଏହାକୁ ଆଉଟଲିଅର୍ମାନଙ୍କ ପାଇଁ ଦୃ ust କରିଥାଏ ଏବଂ କ୍ରମାଗତ ତଥ୍ୟ ପାଇଁ ଉପଯୁକ୍ତ କରେ |
** ମନେରଖ: ** ସଂଶୋଧନ ≠ କାରଣ ଆଇସକ୍ରିମ୍ ବିକ୍ରୟ ଏବଂ ବୁଡ଼ିଯିବା ହାର ଦୃ strongly ଭାବରେ ଜଡିତ (ଉଭୟ ଗ୍ରୀଷ୍ମ ସମୟରେ ଶିଖର), କିନ୍ତୁ ଆଇସ୍କ୍ରିମ୍ ବୁଡ଼ିବାର କାରଣ ହୁଏ ନାହିଁ |
ପ୍ରଭାବ ଆକାର |
ପରିସଂଖ୍ୟାନିକ ମହତ୍ତ୍ you ଆପଣଙ୍କୁ କହିଥାଏ ଯେ ଏକ ପ୍ରଭାବ ବାସ୍ତବ କି ନୁହେଁ; ** ପ୍ରଭାବ ଆକାର ** ଏହା କେତେ ବଡ଼ ତାହା ଆପଣଙ୍କୁ କହିଥାଏ | ଦୁଇଟି ଅର୍ଥ ତୁଳନା କରିବା ପାଇଁ କୋହେନଙ୍କ d:
d = (μ₁ - μ₂) / σ_pooled
| କୋହେନଙ୍କ ଡି | ବ୍ୟାଖ୍ୟା |
|---|---|
| 0.2 | ଛୋଟ |
| 0.5 | ମଧ୍ୟମ |
| 0.8 | ବଡ଼ |
D = 0.1 ସହିତ ଏକ ଅତ୍ୟଧିକ ମହତ୍ p ପୂର୍ଣ୍ଣ p- ମୂଲ୍ୟ ଅର୍ଥ ହେଉଛି ଆପଣ ଏକ ପ୍ରକୃତ କିନ୍ତୁ ଅଳ୍ପ ଛୋଟ ପ୍ରଭାବ ଚିହ୍ନଟ କରିଛନ୍ତି - ସମ୍ଭବତ your ଆପଣଙ୍କର ନମୁନା ବହୁତ ବଡ ଥିଲା | P- ଭାଲ୍ୟୁ ସହିତ ସର୍ବଦା ପ୍ରଭାବ ଆକାରଗୁଡିକ ରିପୋର୍ଟ କରନ୍ତୁ |
ଚି-ସ୍କୋୟାର୍ ପରୀକ୍ଷା |
ଚି-ବର୍ଗ (χ²) ପରୀକ୍ଷା ପଚାରିଥାଏ: ଦେଖାଯାଇଥିବା ଗଣନା କ’ଣ ଆମେ ଆଶା କରୁଥିବା ଠାରୁ ଭିନ୍ନ କି?
χ² = Σ (Observed - Expected)² / Expected
ଯେତେବେଳେ ଆପଣଙ୍କର ତଥ୍ୟ ନିର୍ଦ୍ଦିଷ୍ଟ ଅଟେ ସେତେବେଳେ ଏହାକୁ ବ୍ୟବହାର କରନ୍ତୁ - ଉଦାହରଣ ସ୍ୱରୂପ, ଏକ ମରିବା ନ୍ୟାୟ ଅଛି କି ନାହିଁ, କିମ୍ବା ଚିକିତ୍ସା ଫଳାଫଳ ଚିକିତ୍ସା ଗୋଷ୍ଠୀଠାରୁ ସ୍ is ାଧୀନ କି ନାହିଁ ପରୀକ୍ଷା କରିବା |
ସଠିକ୍ ପରୀକ୍ଷା ବାଛିବା |
| ପରିସ୍ଥିତି | ପରୀକ୍ଷା |
|---|---|
| ଗୋଟିଏ ଅର୍ଥକୁ ଏକ ଜଣାଶୁଣା ମୂଲ୍ୟ ସହିତ ତୁଳନା କରନ୍ତୁ | |
| ଦୁଇଟି ସ୍ୱାଧୀନ ଉପାୟ ତୁଳନା କରନ୍ତୁ | |
| ଦୁଇଟି ଯୋଡି ହୋଇଥିବା ଅର୍ଥ ତୁଳନା କରନ୍ତୁ | |
| 3+ ଅର୍ଥ ତୁଳନା କରନ୍ତୁ | |
| 3+ ଅର୍ଥ ତୁଳନା କରନ୍ତୁ (ଅଣ-ସାଧାରଣ) | କ୍ରୁସ୍କାଲ୍-ୱାଲିସ୍ |
| ଦୁଇଟି କ୍ରମାଗତ ଭେରିଏବଲ୍ ମଧ୍ୟରେ ଆସୋସିଏସନ | |
| ବର୍ଗଗତ ଅନୁପାତ ତୁଳନା କରନ୍ତୁ | |
| ଦୁଇଟି ଗୋଷ୍ଠୀ, ଅଣ-ସାଧାରଣ ବଣ୍ଟନ |
ସାଧାରଣ ତ୍ରୁଟି |
** ଦେଖିବା: ** ଆପଣଙ୍କର ପରୀକ୍ଷା ବାରମ୍ବାର ଚଲାଇବା ଏବଂ p & lt; 0.05 ନାଟକୀୟ ଭାବରେ ଟାଇପ୍ I ତ୍ରୁଟିକୁ ବ ates ାଇଥାଏ | ତଥ୍ୟ ସଂଗ୍ରହ କରିବା ପୂର୍ବରୁ ଆପଣଙ୍କର ନମୁନା ଆକାର ଯୋଜନା କରନ୍ତୁ |
** ଏକାଧିକ ତୁଳନାତ୍ମକ: ** independent = 0.05 ରେ 20 ଟି ସ୍ independent ାଧୀନ ପରୀକ୍ଷା ଚଳାଇବା ହାରାହାରି ଗୋଟିଏ ମିଥ୍ୟା ପଜିଟିଭ୍ ଉତ୍ପାଦନ କରିବ | ବୋନଫେରୋନି ସଂଶୋଧନ ବ୍ୟବହାର କରନ୍ତୁ କିମ୍ବା ମିଥ୍ୟା ଆବିଷ୍କାର ହାରକୁ ନିୟନ୍ତ୍ରଣ କରନ୍ତୁ |
** ଅନୁମାନକୁ ଅଣଦେଖା: ** ଅଧିକାଂଶ ପରୀକ୍ଷଣ ଅନିୟମିତ ନମୁନା ସଂଗ୍ରହ, ପର୍ଯ୍ୟବେକ୍ଷଣର ସ୍ independence ାଧୀନତା ଏବଂ (ଟି-ପରୀକ୍ଷଣ ପାଇଁ) ଆନୁମାନିକ ସ୍ ity ାଭାବିକତା ଅନୁମାନ କରେ | ଏଗୁଡିକର ଉଲ୍ଲଂଘନ ଫଳାଫଳକୁ କ୍ଷୁର୍ଣ୍ଣ କରେ |
ଆମର [Z-Score Calculator] (/ en / math / statistics / z-score-calc), [Sample Size Calculator] (/ en / math / statistics / sample-size), [t-Test Calculator] (/ en / math / statistics / t-test), ଏବଂ [Correlation Calculator] (/ en / math / statistics / pearson-correlation) ବ୍ୟବହାର କରନ୍ତୁ |