Podcast o Základy štatistiky a dátovej analýzy

Kapitoly

Úvod do štatistiky

Početnosť a frekvencie

Priemer, medián a modus

Rozptyl a normálne rozdelenie

Vzorka vs. Populácia

Bodové a intervalové odhady

Testovanie hypotéz

Rozhodnutie na základe p-hodnoty

Regresia vs. Korelácia

Časové rady

Zhrnutie a záver

Přepis

Šimon: Premýšľal si niekedy, ako presne vie Netflix alebo Spotify, čo ti má odporučiť? Ako je možné, že ti to takmer vždy trafí do nálady?

Ema: Stavím sa, že väčšina si myslí, že je to nejaká mágia. Ale v skutočnosti je za tým niečo, s čím sa stretávate na hodinách matematiky. Je to čistá štatistika.

Šimon: Počkaj, štatistika? To znie... menej kúzelne. A presne o tom sa dnes budeme baviť. Počúvate Studyfi Podcast.

Ema: Presne tak. Všetky tie odporúčania sú postavené na dátach. A dáta môžu byť rôzne. Buď kvalitatívne, ako napríklad žáner filmu – komédia, dráma... Alebo kvantitatívne, čo sú čísla – napríklad hodnotenie filmu od 1 do 10.

Šimon: Dobre, takže Netflix zbiera všetky tieto údaje. Čo s nimi potom robí? Predpokladám, že ich nejako počíta.

Ema: Áno, a na to slúži frekvenčná tabuľka. Jednoducho si spočíta, koľkokrát sa ktorá hodnota objavila. Napríklad, koľko ľudí dalo filmu päť hviezdičiek.

Šimon: A to je tá absolútna početnosť, však? Proste presný počet.

Ema: Presne. A keď tento počet vydelíš celkovým počtom hodnotení, dostaneš relatívnu početnosť – často v percentách. A tá je vlastne odhadom pravdepodobnosti, že sa ti film bude páčiť.

Šimon: Aha! Takže ak 80 % ľudí podobných mne malo rado nejaký seriál, je 80 % šanca, že sa bude páčiť aj mne. Chápem.

Ema: A ideme ešte ďalej. Aby sme tie dáta zhrnuli, používame opisnú štatistiku. Najznámejšie sú priemer, medián a modus.

Šimon: Priemer pozná asi každý, sčítaš všetko a vydelíš počtom. Ale aký je rozdiel medzi priemerom a mediánom?

Ema: To je super otázka! Priemer je veľmi citlivý na extrémne hodnoty. Ak by napríklad deväť ľudí dalo filmu 8 bodov a jeden človek nula, priemer by to dosť znížilo.

Šimon: Jasné, ten jeden hejter by to pokazil.

Ema: Presne. Ale medián, čo je hodnota presne v strede usporiadaných dát, by stále zostal osem. A modus? Ten je najjednoduchší. Je to len najčastejšia hodnota.

Šimon: Takže modus je v podstate kráľ popularity v dátach.

Ema: Presne tak. Ale zaujíma nás aj to, ako veľmi sú tie hodnoty rozhádzané. Na to slúži rozptyl a smerodajná odchýlka.

Šimon: Čiže ak majú hodnotenia veľký rozptyl, znamená to, že názory ľudí na film sú extrémne rozdielne? Od odpadu až po majstrovské dielo?

Ema: Perfektne si to vystihol! A ideálny prípad pre štatistikov je, keď dáta tvoria takzvané normálne rozdelenie – peknú zvonovú krivku, kde je väčšina hodnôt okolo priemeru.

Šimon: A pri tomto rozdelení sú priemer, medián a modus takmer rovnaké, však?

Ema: Presne tak. A toto všetko sú základy, ktoré ti pomôžu pochopiť nielen štatistiku na maturite, ale aj svet okolo teba. Odporúčania na Netflixe sú len začiatok.

Šimon: Takže minule sme si dáta pekne upratali a popísali... ale čo ďalej? Veď väčšinou nemáme dáta o všetkých ľuďoch na svete. Čo s tým?

Ema: Presne tak, Šimon. A tým sa dostávame k inferenčnej štatistike. To je vlastne taká detektívka. Z malého kúska dôkazov – čiže z našej vzorky – sa snažíme odvodiť, čo platí pre celý prípad, teda pre celú populáciu.

Šimon: Počkaj, populácia a vzorka? Aký je v tom rozdiel?

Ema: Dobrá otázka. Predstav si, že chceš vedieť, aká je priemerná výška všetkých stredoškolákov na Slovensku. To je tvoj základný súbor, alebo populácia. Všetci.

Šimon: Jasné, ale odmerať každého jedného by bola... no, nočná mora.

Ema: Presne! Bolo by to drahé a prakticky nemožné. Preto si vyberieš menšiu skupinu, napríklad 500 študentov z rôznych škôl. To je tvoj výberový súbor, alebo vzorka. A na základe tejto vzorky odhadneš priemer pre všetkých.

Šimon: Chápem. Je to ako keď ochutnáš lyžičku polievky, aby si vedel, či je slaná celá. Nemusíš zjesť celý hrniec.

Ema: Perfektné prirovnanie! Presne o tom to je.

Šimon: Okej, takže máme tú vzorku. Ako z nej urobíme ten „odhad“?

Ema: Sú dva hlavné spôsoby. Prvý je bodový odhad. To je jedno konkrétne číslo. Vypočítaš priemer zo svojej vzorky a povieš: „Odhadujem, že priemerná výška všetkých stredoškolákov je 175 centimetrov.“

Šimon: To znie dosť... nepresne. Čo ak som sa trafil o kúsok vedľa?

Ema: A preto máme intervalový odhad, ktorý je oveľa lepší! Namiesto jedného čísla povieš: „S 95-percentnou istotou sa priemerná výška všetkých stredoškolákov nachádza medzi 173 a 177 centimetrami.“

Šimon: Aha! Takže dáme tomu nejaké rozpätie. Tomu sa hovorí interval spoľahlivosti, však?

Ema: Presne tak. Má dolnú a hornú hranicu. A je to super užitočné. Ak by niekto tvrdil, že priemerná výška je 180 cm, môžeš mu povedať, že to je veľmi nepravdepodobné, lebo 180 neleží v tvojom intervale.

Šimon: Super. A s tým súvisí aj testovanie hypotéz, o ktorom som počul. To je čo?

Ema: Testovanie hypotéz je formálny spôsob, ako sa rozhodnúť, či naše dáta podporujú nejaké tvrdenie. Napríklad, či nový liek naozaj funguje, alebo či sa priemery dvoch skupín líšia.

Šimon: A na to sú všetky tie zložité názvy... t-test, chí-kvadrát test, ANOVA...

Ema: Znie to zložito, ale každý je na niečo iné. T-test porovnáva priemery dvoch skupín. Napríklad, či majú chalani v priemere lepšie známky z matiky ako dievčatá.

Šimon: A čo ak mám skupín viac? Povedzme, chcem porovnať známky prvákov, druhákov a tretiakov?

Ema: Na to nemôžeš použiť t-test. Vtedy prichádza na rad ANOVA, alebo analýza rozptylu. Tá porovnáva priemery troch a viacerých skupín naraz.

Šimon: Takže ANOVA je taký t-test na steroidoch.

Ema: Dá sa to tak povedať. Ale pozor, aj ANOVA má svoje pravidlá, napríklad vyžaduje, aby dáta mali približne normálne rozdelenie. Ak ho nemajú, musíme použiť iné, takzvané neparametrické testy.

Šimon: Okej, takže mám test... a ako zistím výsledok? Pozerám na nejakú p-hodnotu, je to tak?

Ema: Presne. P-hodnota ti povie, aká je pravdepodobnosť, že by si videl také výsledky, aké máš, čisto náhodou. Zjednodušene: ak je p-hodnota veľmi malá, zvyčajne menšia ako 0,05, tak náhoda to asi nebola. A my zamietneme našu pôvodnú hypotézu a prijmeme tú alternatívnu.

Šimon: Čiže malá p-hodnota znamená, že sme našli niečo štatisticky významné. Rozumiem. Takže vieme porovnávať skupiny... ale čo ak chceme zistiť, či existuje vzťah medzi dvoma premennými? Napríklad medzi časom učenia a výslednou známkou?

Šimon: Takže hypotézy máme za sebou. Ale čo ak chceme niečo predpovedať? Napríklad, ako ovplyvní cena reklamy naše tržby?

Ema: Presne na to slúži regresia. Modeluje vplyv premennej X, ako je cena reklamy, na premennú Y, teda tržby.

Šimon: A tie písmenká b₀ a b₁? To znie ako nejaká tajná šifra.

Ema: Žiadna šifra. Sklon b₁ hovorí, o koľko sa zmenia tržby, ak dáme do reklamy o euro viac. A intercept b₀ je hodnota tržieb, keď by sme na reklamu nedali nič.

Šimon: Aha! A čo je potom to slávne R na druhú?

Ema: R² ukazuje, akú časť variability Y vysvetľuje náš model. Čím bližšie k jednej, tým lepšie.

Šimon: Super. Ale nie je to to isté ako korelácia?

Ema: Dobrá otázka! Korelácia len meria silu a smer vzťahu. Regresia ide ďalej, modeluje a predpovedá. Pamätaj, korelácia neznamená príčinnosť! Vieš, že predaj zmrzliny silno koreluje s útokmi žralokov?

Šimon: Čože? To snáď nie!

Ema: Obidva javy jednoducho rastú v lete. Ale zmrzlina nespôsobuje útoky žralokov!

Šimon: To dáva zmysel. Poďme rýchlo na poslednú tému – časové rady.

Ema: Jasné. Časové rady sú dáta usporiadané v čase, napríklad mesačné tržby. Hľadáme v nich trend, teda dlhodobý rast či pokles, a sezónnosť.

Šimon: Ako napríklad ten predvianočný zhon a vyšší predaj každý december?

Ema: Presne tak! Na základe týchto zložiek potom vieme robiť predikcie do budúcnosti, či už pomocou aditívneho alebo multiplikatívneho modelu.

Šimon: Fantastické. Ema, toto bola naša posledná téma. Dala by si nám na záver také bleskové zhrnutie toho najdôležitejšieho?

Ema: Určite! Dve skupiny porovnávame t-testom, tri a viac Anovou. Ak nemáme normalitu, použijeme neparametrické testy. Histogram ukazuje tvar rozdelenia, boxplot medián a odľahlé hodnoty. A pamätajte, priemer je citlivý na extrémy, medián je odolnejší.

Šimon: Skvelý prehľad. Ema, ďakujem ti veľmi pekne za celú sériu. Verím, že sme študentom pomohli.

Ema: Aj ja ďakujem za pozvanie. A všetkým poslucháčom držím palce pri skúškach!

Šimon: Tak tak. Za celý Studyfi Podcast sa s vami lúčim, majte sa pekne a dopočutia!