Learn AI with Python · Pelajaran

Statistik Deskriptif dan Distribusi

Rata-rata, median, varians, std, kemencengan, kurtosis, serta distribusi normal/binomial/Poisson.

Statistik Deskriptif dan Distribusi adalah pelajaran Learn AI with Python gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Learn AI with Python, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Learn AI with Python mencakup 4 pelajaran total.

Meringkas Data

Statistik deskriptif meringkas suatu kumpulan data menjadi beberapa angka yang menggambarkan pusat, sebaran, dan bentuknya. Statistik ini adalah hal pertama yang Anda hitung pada setiap kumpulan data baru.

import numpy as np
data = np.array([4, 8, 6, 5, 3, 7, 9, 6])

Mean dan Median

mean adalah rata-rata aritmetika; median adalah nilai tengah. Median tidak mudah terpengaruh oleh pencilan, jadi perbedaan besar di antara keduanya menandakan kemencengan.

print(np.mean(data))     # 6.0
print(np.median(data))   # 6.0

Varians dan Simpangan Baku

Varians adalah rata-rata kuadrat penyimpangan dari mean; simpangan baku adalah akar kuadratnya, dengan satuan yang sama seperti data.

print(np.var(data))   # population variance
print(np.std(data))   # standard deviation

Sampel vs Populasi (ddof)

NumPy secara bawaan membagi dengan N (populasi). Untuk perkiraan SAMPLE, bagi dengan N-1 menggunakan ddof=1, yang mengoreksi bias.

print(np.std(data, ddof=0))   # population
print(np.std(data, ddof=1))   # sample (unbiased)

Persentil dan IQR

Persentil membagi data yang telah diurutkan. Persentil ke-25 dan ke-75 (kuartil) membatasi 50 persen data tengah; selisihnya adalah IQR.

q1 = np.percentile(data, 25)
q3 = np.percentile(data, 75)
print(q1, q3, q3 - q1)   # IQR

Kemencengan

Kemencengan mengukur ketidaksimetrian. Kemencengan positif memiliki tail kanan yang panjang (data pendapatan); kemencengan negatif memiliki tail kiri yang panjang. scipy.stats.skew menghitungnya.

from scipy import stats
print(stats.skew(data))   # near 0 -> symmetric

Kurtosis

Kurtosis mengukur bobot tail. Kurtosis tinggi berarti lebih banyak pencilan ekstrem dibandingkan kurva normal. scipy melaporkan kurtosis berlebih (normal = 0).

print(stats.kurtosis(data))   # 0 means normal-like tails

Distribusi Normal

Distribusi normal berbentuk lonceng ditentukan oleh mean dan simpangan bakunya. Sekitar 68 persen nilai berada dalam satu std, dan 95 persen berada dalam dua std.

sample = stats.norm.rvs(loc=0, scale=1, size=1000, random_state=0)
print(np.mean(sample), np.std(sample))   # near 0 and 1

Distribusi Binomial

Distribusi binomial menghitung keberhasilan dalam n uji ya/tidak yang independen dengan probabilitas keberhasilan p, seperti kemunculan sisi kepala dalam pelemparan koin.

print(stats.binom.pmf(k=3, n=10, p=0.5))   # P(exactly 3 heads in 10)

Distribusi Poisson

Distribusi Poisson memodelkan jumlah peristiwa langka dalam interval tetap dengan laju rata-rata lambda, seperti jumlah kedatangan per menit.

print(stats.poisson.pmf(k=2, mu=3))   # P(2 events when avg is 3)

Histogram

histogram mengelompokkan nilai ke dalam interval untuk menampilkan bentuk distribusi. np.histogram mengembalikan jumlah dan batas interval; matplotlib menggambarnya.

counts, edges = np.histogram(sample, bins=10)
print(counts)
# import matplotlib.pyplot as plt; plt.hist(sample, bins=30)

Pemeriksaan Singkat

Uji pengetahuan Anda tentang statistik deskriptif.

Ringkasan

Perangkat statistik deskriptif:

Pusat: np.mean, np.median
Sebaran: np.var, np.std (gunakan ddof=1 untuk sampel), IQR melalui persentil
Bentuk: scipy.stats.skew, scipy.stats.kurtosis
Distribusi: normal, binomial, Poisson dalam scipy.stats
Histogram untuk memvisualisasikan bentuk

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Statistik Deskriptif dan Distribusi” gratis?

Ya — teks lengkap “Statistik Deskriptif dan Distribusi” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Learn AI with Python, upgrade ke CoddyKit PRO. Kursus Learn AI with Python mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Statistik Deskriptif dan Distribusi”?

Rata-rata, median, varians, std, kemencengan, kurtosis, serta distribusi normal/binomial/Poisson. Kamu berlatih Learn AI with Python dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai Learn AI with Python?

Tidak diperlukan pengalaman sebelumnya. Learn AI with Python di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.

Berapa lama pelajaran “Statistik Deskriptif dan Distribusi” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran Learn AI with Python ini?

Ya. Setiap pelajaran Learn AI with Python menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

← Kembali ke Learn AI with Python