统计学领域中，描述性统计和推断性统计是两种主要的统计方法。描述性统计专注于对研究对象群体的描述，而推断性统计则侧重于从样本分析中推断整个群体的信息。描述性统计提供数据的细节，以某种方式描述数据的特征，而推断性统计则利用从群体中获得的信息来对群体做出结论。描述性统计帮助收集、组织、分析和有意义地呈现数据，而推断性统计则允许数据比较、假设检验和预测制作。描述性统计通常限于样本或小规模群体，并解释已知事实，而推断性统计则试图对群体做出结论，可能涉及概率的使用。
描述性统计是指用来列举和描述数据集关键特征的技术，如变异性、中心趋势和分布。这些技术提供了数据的总结，并帮助发现趋势和联系。描述性统计总结或描述数据收集的特征，涉及三种主要的度量：中心趋势度量、变异性度量（或分散度）和频率分布度量。中心趋势度量（如均值、中位数和众数）描述数据集的中心，而频率分布度量描述数据在数据收集中的出现频率。
推断性统计是一种统计技术，它通过分析随机抽取的样本来对群体做出推断。例如，对群体的概括。分析来自群体数据的样本并使用推断性统计有助于深入理解数据。使用各种分析技术有助于创建群体级别的概括。研究人员采用不同的抽样程序来选择能够准确代表群体的随机样本。
使用描述性统计，可以从其特征来描述数据。描述性统计通常分为三大类：
频率分布：频率分布代表事件或元素的发生次数，并用于分析定性和定量数据。它记录并呈现信息的表格格式。例如，考虑一所学校为一群学生安排年度野餐。一些学生多次访问野餐区域，而其他人则是在之前的访问后返回。学生根据他们访问的次数进行分类。在这种情况下，通过访问次数确定学生的频率分布。
中心趋势：计算中心趋势有三种方式：均值、中位数和众数。结果捕捉数据收集的精髓，即所有计数或发生的总和。均值指的是最频繁出现的平均值，中位数指定数据样本的中间或中心分数，众数表示最频繁的数字。
变异性：变异性是数据点之间分散程度的度量，它是一个基本的统计概念，提供对数据的扩散、分布或不一致性的洞察。例如，野餐区域只访问过一次，而四次访问是最多的。形成范围的变异性决定了每个值与中心趋势的距离，而分散程度本身就是范围。
回归分析：回归分析预测一个变量将如何随着另一个变量的变化而变化。这些模型包括序数、逻辑、名义、基本线性和多元线性模型。在推断性统计中最常用的回归类型是线性回归。线性回归调查因变量对自变量单位变化的响应。
假设检验：假设检验是使用样本信息来得出群体概率分布的统计推理。假设检验的模型包括以下资源：Z检验、T检验、F检验等。
描述性统计实例：甲班学生得分为{70, 85, 90, 65}，乙班学生得分为{60, 40, 89, 96}。使用均值计算每个班级的平均分数：甲班平均分为77.5，乙班平均分为71.25。这表明甲班的平均分高于乙班。极差用于评估最极端分数之间的差异。在给定的例子中，甲班极差为25，乙班极差为56，表明乙班的极差大于甲班。
推断性统计实例：使用100名学生的样本，推断性统计可以估计整个国家学生群体的平均成绩。一位教练想要确定他所在学校的二年级学生能做多少个侧手翻。一小部分个体将执行侧手翻，推断性统计将用于得出二年级学生平均能做的侧手翻数量。
描述性统计：优点是可以直观展示数据，使信息更加简洁易懂。缺点是不能基于提供的数据值进行任何预测。
推断性统计：优点是可以节省时间和资源，通过小样本对整个群体做出结论。缺点是基于样本的估计和结论需要更高的准确性。由于不是在检查整个群体，总会有一定程度的不确定性。
描述性统计：政治民调被认为是描述性统计，因为它呈现实际数据，即受访者的回应，而不进行任何推断。民调包括诸如“在最近的选举中，投票给哪位总统候选人？”这样的问题来收集信息。
推断性统计：许多人认为女孩的发育受到早期体操参与的阻碍，不可能收集到每位女体操运动员的信息来回应。尽管如此，可以使用中心极限定理和推断性统计，通过体操运动员的样本来测试零假设“成年后，女体操运动员和非体操运动员在身高上没有差异”。
尽管以二元方式呈现了描述性统计和推断性统计，但它们通常结合使用。这些强大的统计方法结合得很好，并构成了数据分析的基础。如果刚开始数据分析师职业旅程，那么免费课程将帮助提升技能。查看所有的课程！
Q1. 描述性统计和推断性统计有什么区别？
A. 描述性统计通过列举数据收集的属性来描述数据集。可以使用推断性统计来测试假设或确定数据是否可以应用于更大的群体。这是描述性统计和推断性统计之间的主要区别。
Q2. 描述性统计和推断性统计是什么？举例说明。
A. 假设可以访问一个特定国家的100名学生的成绩。需要评估这些孩子的性能。单独这些信息只提供一些有价值的结果。但是，描述性统计可以用来确定分数的分布，清晰地展示每个学生的表现。
假设需要检查一个特定国家的学生测试结果。推断性统计用于使用100名学生的样本来得出群体的结论。