Question

मानवाचे स्त्री पुरुष असे दोन वर्ग होत असल्यास हे
प्रकारच्या मापनाच्या पातळीत येते.
​

Answer 1

Answer:

Explanation:

समस्येचे विश्लेषण करण्यासाठी आकडेवारी वापरण्यापूर्वी आपण समस्येबद्दल माहिती डेटामध्ये रूपांतरित करणे आवश्यक आहे. म्हणजेच, समस्येच्या मध्यभागी असलेल्या ऑब्जेक्ट्स किंवा संकल्पनांना आपण बहुतेक वेळा संख्येची मूल्ये देण्याची एक प्रणाली स्थापित किंवा स्वीकारली पाहिजे. ही एक गूढ प्रक्रिया नाही परंतु लोक दररोज काहीतरी करतात. उदाहरणार्थ, जेव्हा आपण स्टोअरवर एखादी वस्तू खरेदी करता तेव्हा आपण दिलेली किंमत एक मोजमाप असते: ती वस्तू खरेदी करण्यासाठी आपल्याला किती पैसे द्यावे लागतील हे दर्शविणारी संख्या नियुक्त करते. त्याचप्रमाणे जेव्हा आपण सकाळी बाथरूमच्या प्रमाणात पाऊल टाकता तेव्हा आपण पहात असलेली संख्या आपल्या शरीराचे वजन मोजण्याचे असते. आपण कोठे राहता यावर अवलंबून, ही संख्या पौंड किंवा किलोग्रॅममध्ये व्यक्त केली जाऊ शकते, परंतु प्रत्यक्ष प्रमाण (वजन) वर संख्या देण्याचे सिद्धांत दोन्ही बाबतीत खरे आहे.

विश्लेषणामध्ये उपयुक्त होण्यासाठी डेटा मूळतः अंकीय नसणे आवश्यक आहे. उदाहरणार्थ, पुरुष आणि महिला या श्रेणी विज्ञान आणि दैनंदिन जीवनात सामान्यत: लोक वर्गीकृत करण्यासाठी वापरल्या जातात आणि या दोन प्रकारांबद्दल मूळतः काहीच नाही. त्याचप्रमाणे, आम्ही बर्‍याचदा लाल आणि निळ्यासारख्या विस्तृत वर्गाच्या ऑब्जेक्ट्सच्या रंगांबद्दल बोलतो आणि या श्रेणींमध्ये मूळतः काहीच नाही. (आपण प्रकाशाच्या वेगवेगळ्या तरंगलांबींबद्दल युक्तिवाद करू शकत असलात तरी, रंगाने वस्तूंचे वर्गीकरण करण्यासाठी हे ज्ञान असणे आवश्यक नाही.)

श्रेणींमध्ये या प्रकारचा विचार करणे हा एक अगदी सामान्य, रोजचा अनुभव आहे आणि वेगवेगळ्या परिस्थितींमध्ये वेगवेगळ्या प्रकारची श्रेणी लागू केली जाऊ शकते या कारणामुळे आपण क्वचितच त्रास घेत आहोत. उदाहरणार्थ, एखादा कलाकार कॅरमाइन, किरमिजी रंगाचा आणि गार्नेट सारख्या रंगांमध्ये भिन्नता दर्शवू शकतो, परंतु लॅपरसन त्या सर्वांचा लाल म्हणून उल्लेख करण्यास समाधानी असेल. त्याचप्रमाणे, एखादा अविवाहित- अविवाहित, अविवाहित, घटस्फोटित आणि अविवाहित अशा विधवा अशा एखाद्या व्यक्तीच्या वैवाहिक स्थितीबद्दल माहिती गोळा करण्यात एखाद्या सामाजिक शास्त्रज्ञास रस असेल तर दुसर्‍या कोणालाही, त्या तीन विभागांपैकी एखादी व्यक्ती सरळ असू शकते. एकल मानले. मुख्य म्हणजे वर्गीकरण करण्याच्या सिस्टममध्ये वापरल्या जाणार्‍या तपशीलांची पातळी योग्य असणे आवश्यक आहे, वर्गीकरण करण्याच्या कारणास्तव आणि माहिती कोणत्या वापराच्या वापरावर आधारित आहे.

मोजण्याचे स्तर

सांख्यिकीशास्त्रज्ञ सामान्यत: मोजण्याचे चार प्रकार किंवा स्तर वेगळे करतात आणि समान शब्द प्रत्येक स्तरावर मोजल्या जाणार्‍या डेटाचा संदर्भ घेऊ शकतात. मोजमापाची पातळी मोजमाप प्रणालीत वापरल्या जाणार्‍या संख्यांच्या अर्थाच्या आणि प्रत्येक स्तरावर मोजल्या जाणार्‍या डेटावर योग्यरित्या लागू असलेल्या सांख्यिकीय प्रक्रियेच्या प्रकारात भिन्न आहे.

नाममात्र डेटा

नाममात्र डेटासह, नावाप्रमाणेच, संख्या एक नाव किंवा लेबल म्हणून कार्य करतात आणि अंकीय अर्थ नसतात. उदाहरणार्थ, आपण लिंगासाठी एक व्हेरिएबल तयार करू शकता, ज्यामध्ये व्यक्ती पुरुष असल्यास 1 मूल्य आणि ती व्यक्ती जर स्त्री असेल तर 0 घेते. 0 आणि 1 चा कोणताही अंकात्मक अर्थ नसतो परंतु आपण एम किंवा एफ म्हणून मूल्ये रेकॉर्ड करू शकता अशा प्रकारे फक्त लेबल म्हणून कार्य करतात. तथापि, संशोधक अनेकदा अनेक कारणांमुळे संख्यात्मक कोडिंग सिस्टमला प्राधान्य देतात. प्रथम, ते डेटाचे विश्लेषण सुलभ करू शकते कारण काही सांख्यिकी पॅकेजेस विशिष्ट प्रक्रियेत वापरण्यासाठी अंकीय संख्या स्वीकारत नाहीत. (म्हणूनच, अंकांकीयरित्या कोड केलेले कोणताही डेटा विश्लेषणापूर्वी पुन्हा तयार केले जाणे आवश्यक आहे.) दुसरे म्हणजे, संख्या सह कोडिंग डेटा एंट्रीमधील काही समस्यांना मागे टाकते, जसे की अपर- आणि लोअरकेस अक्षरामधील संघर्ष (संगणकाकडे, एम मीटरपेक्षा भिन्न मूल्य आहे) , परंतु एखादी व्यक्ती डेटा एन्ट्री करीत असेल तर ती दोन पात्रांना समतुल्य मानेल).