Tipus de dades | Estadística i Probabilitat | Matemàtiques | FuseSchool

CRÈDITS Animació i disseny: Waldi Apollis Narració (versió anglesa): Lucy Billings Guió: Lucy Billings Fes clic aquí per veure més vídeos: https://alugha.com/FuseSchool Hola, sóc la Lucy, i en aquest vídeo veurem els diferents tipus de dades que hi ha i com es poden classificar. Començant amb la recopilació de dades.... Si les dades són recopilades perquè una empresa en concret les utilitzi, o per aquesta empresa directament, s'anomenen dades primàries. Si les dades procedeixen d'un altre lloc, són dades secundàries. Les dades secundàries poden tenir molts beneficis, com l'estalvi de temps i de diners, o com proporcionar informació sobre esdeveniments passats. Però cal ser curós amb la fiabilitat i validesa de la font. Això és aplicable a totes les estadístiques. Cada vegada que llegeixo una estadística que m'interessa, comprovo d'on procedeixen les dades i qui les finança. Perquè molt sovint es descobreix que hi ha un motiu secundari ocult. De fet, si hi ha una cosa que vull que recordis, és mantenir sempre una visió crítica sobre qualsevol conjunt de dades i "fets" que llegeixis o vegis. Revisa-ho tot, mira qui està publicant la informació. Quin és el seu motiu? Són neutrals o parcials? En fi, m'he desviat una mica del tema. Així doncs, primer tenim la recopilació de dades primàries i secundàries. Ara passem als tipus de dades. Les dades poden ser qualitatives o quantitatives. Coses com el gènere, el color preferit, la religió, les opinions... tot el que no sigui numèric, és qualitatiu. Es tracta d'informació descriptiva. En canvi, les coses numèriques, aquelles que poden ser quantificades o comptades, són dades quantitatives. Les dades quantitatives es divideixen en discretes i continues. Les discretes només poden prendre certs valors, un exemple és el nombre de germans que tens. No pots tenir 2.63 germans. Mentre que les dades continues poden prendre qualsevol valor. Poden ser una mesura, com la teva alçada. No has de mesurar 174cm ni 175cm. Pots estar en algun punt entremig. L'últim que ens falta per saber és la diferència entre dades univariades i bivariades. El prefix "uni" vol dir "un" - com per exemple un unicorn amb una banya, i un unicicle amb una roda. Per tant, les dades univariades són dades amb una sola variable. Es poden fer coses diferents amb dades univariades i dades bivariades, però això ho veurem en altres vídeos. I, en realitat, es poden tenir dades amb més de dues variables. Llavors es tracta de dades multivariades, però ara mateix no ens hem de preocupar per això. Hem vist els diferents tipus de dades. La pregunta que ens fem determina com recollim les dades i com les analitzem. Mira els nostres altres vídeos per conèixer algunes de les diferents eines estadístiques que podem utilitzar. VISITA'NS a www.fuseschool.org, on tots els nostres vídeos estan acuradament organitzats per temes i ordres específiques, i per veure què més oferim. Comenta, fes clic a M'agrada i comparteix-ho amb altres estudiants. Pots fer i respondre preguntes, i els professors es posaran en contacte amb tu. Aquests vídeos es poden utilitzar en un model de classe invertida (Flipped Classroom) o com una ajuda per revisar la matèria. Twitter: https://twitter.com/fuseSchool Accedeix a una experiència d'aprenentatge més profunda a la plataforma i aplicació de FuseSchool: www.fuseschool.org Aquest recurs educatiu obert és gratuït, sota una llicència Creative Commons: Atribució No Comercial CC BY-NC (per veure l'escriptura de la llicència fes clic aquí: http://creativecommons.org/licenses/by-nc/4.0/). Està permès descarregar el vídeo per usos educatius sense ànim de lucre. Si vols modificar el vídeo, posa't en contacte amb nosaltres: info@fuseschool.org

LicenseCreative Commons Attribution-NonCommercial

More videos by this producer

Equation Of Parallel Lines | Graphs | Maths | FuseSchool

In this video, we are going to look at parallel lines. To find the equation of parallel lines, we still use the y=mx + c equation, and because they have the same gradient, we know straight away that the gradient ‘m’ will be the same. We then just need to find the missing y-intercept ‘c’ value. VISI