ਪੰਜਾਬੀਯੂਨੀpunjabiuni
Introductory Statistics

Introduction

੯ ਪੈਰੇ · 9 paragraphs

ਮਸ਼ੀਨੀ ਅਨੁਵਾਦ · ਬਿਨਾਂ ਜਾਂਚਇਹ ਮਸ਼ੀਨੀ ਅਨੁਵਾਦ ਹੈ ਅਤੇ ਅਜੇ ਮਨੁੱਖੀ ਸਮੀਖਿਆ ਨਹੀਂ ਹੋਈ। ਇਸਨੂੰ ਅੰਤਿਮ, ਪ੍ਰਮਾਣਿਤ ਅਨੁਵਾਦ ਦੀ ਬਜਾਏ ਕੰਮ ਅਧੀਨ ਖਰੜਾ ਸਮਝ ਕੇ ਪੜ੍ਹੋ।Machine-translated, not yet reviewed by a human. Read it as a working draft, not a settled translation — Sikhi.io (Punjabi Classics Pipeline) · google/gemini-2.5-flash-lite.

1. ਚਿੱਤਰ 1.1: ਅਸੀਂ ਆਪਣੇ ਰੋਜ਼ਾਨਾ ਜੀਵਨ ਵਿੱਚ ਅੰਕੜਿਆਂ ਦਾ ਸਾਹਮਣਾ ਸ਼ਾਇਦ ਜਿੰਨਾ ਅਸੀਂ ਮਹਿਸੂਸ ਕਰਦੇ ਹਾਂ, ਉਸ ਤੋਂ ਵੱਧ ਵਾਰ ਅਤੇ ਕਈ ਵੱਖ-ਵੱਖ ਸਰੋਤਾਂ ਤੋਂ ਕਰਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਖ਼ਬਰਾਂ। (ਸਿਹਰਾ: ਫਿਲ ਵਾਈਟਹਾਊਸ/ ਫਲਿੱਕਰ, CC BY 2.0 ਦੁਆਰਾ ਕੰਮ "ਨਵਾਂ ਦਫ਼ਤਰ" ਦਾ ਸੋਧ)

2. ਅਧਿਆਇ ਦੇ ਉਦੇਸ਼

3. ਇਸ ਅਧਿਆਇ ਦੇ ਅੰਤ ਤੱਕ, ਵਿਦਿਆਰਥੀ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ:

4. ਮੁੱਖ ਸ਼ਬਦਾਂ ਨੂੰ ਪਛਾਣਨਾ ਅਤੇ ਉਹਨਾਂ ਵਿੱਚ ਅੰਤਰ ਕਰਨਾ।

5. ਡਾਟਾ ਇਕੱਠਾ ਕਰਨ ਲਈ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੀਆਂ ਨਮੂਨਾ ਵਿਧੀਆਂ ਲਾਗੂ ਕਰਨਾ।

6. ਬਾਰੰਬਾਰਤਾ ਸਾਰਣੀਆਂ ਬਣਾਉਣਾ ਅਤੇ ਉਹਨਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ।

7. ਤੁਸੀਂ ਸ਼ਾਇਦ ਆਪਣੇ ਆਪ ਤੋਂ ਇਹ ਸਵਾਲ ਪੁੱਛ ਰਹੇ ਹੋਵੋਗੇ, "ਮੈਂ ਅੰਕੜਿਆਂ ਦੀ ਵਰਤੋਂ ਕਦੋਂ ਅਤੇ ਕਿੱਥੇ ਕਰਾਂਗਾ?" ਜੇਕਰ ਤੁਸੀਂ ਕੋਈ ਅਖ਼ਬਾਰ ਪੜ੍ਹਦੇ ਹੋ, ਟੈਲੀਵਿਜ਼ਨ ਦੇਖਦੇ ਹੋ, ਜਾਂ ਇੰਟਰਨੈੱਟ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਅੰਕੜਾ-ਸੰਬੰਧੀ ਜਾਣਕਾਰੀ ਦੇਖੋਗੇ। ਅਪਰਾਧ, ਖੇਡਾਂ, ਸਿੱਖਿਆ, ਰਾਜਨੀਤੀ ਅਤੇ ਰੀਅਲ ਅਸਟੇਟ ਬਾਰੇ ਅੰਕੜੇ ਹਨ। ਆਮ ਤੌਰ 'ਤੇ, ਜਦੋਂ ਤੁਸੀਂ ਕੋਈ ਅਖ਼ਬਾਰੀ ਲੇਖ ਪੜ੍ਹਦੇ ਹੋ ਜਾਂ ਟੈਲੀਵਿਜ਼ਨ ਖ਼ਬਰਾਂ ਦਾ ਪ੍ਰੋਗਰਾਮ ਦੇਖਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਨਮੂਨਾ ਜਾਣਕਾਰੀ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਜਾਣਕਾਰੀ ਨਾਲ, ਤੁਸੀਂ ਕਿਸੇ ਬਿਆਨ, ਦਾਅਵੇ, ਜਾਂ "ਤੱਥ" ਦੀ ਸਹੀਤਾ ਬਾਰੇ ਫੈਸਲਾ ਕਰ ਸਕਦੇ ਹੋ। ਅੰਕੜਾ-ਸੰਬੰਧੀ ਵਿਧੀਆਂ ਤੁਹਾਨੂੰ "ਸਭ ਤੋਂ ਵਧੀਆ ਸਿੱਖਿਅਤ ਅਨੁਮਾਨ" ਲਗਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦੀਆਂ ਹਨ।

8. ਕਿਉਂਕਿ ਤੁਹਾਨੂੰ ਨਿਰਸੰਦੇਹ ਆਪਣੇ ਜੀਵਨ ਵਿੱਚ ਕਿਸੇ ਸਮੇਂ ਅੰਕੜਾ-ਸੰਬੰਧੀ ਜਾਣਕਾਰੀ ਦਿੱਤੀ ਜਾਵੇਗੀ, ਤੁਹਾਨੂੰ ਜਾਣਕਾਰੀ ਦਾ ਸੋਚ-ਵਿਚਾਰ ਕੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਲਈ ਕੁਝ ਤਕਨੀਕਾਂ ਜਾਨਣ ਦੀ ਲੋੜ ਹੈ। ਘਰ ਖਰੀਦਣ ਜਾਂ ਬਜਟ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਬਾਰੇ ਸੋਚੋ। ਆਪਣੇ ਚੁਣੇ ਹੋਏ ਪੇਸ਼ੇ ਬਾਰੇ ਸੋਚੋ। ਅਰਥ ਸ਼ਾਸਤਰ, ਵਪਾਰ, ਮਨੋਵਿਗਿਆਨ, ਸਿੱਖਿਆ, ਜੀਵ ਵਿਗਿਆਨ, ਕਾਨੂੰਨ, ਕੰਪਿਊਟਰ ਵਿਗਿਆਨ, ਪੁਲਿਸ ਵਿਗਿਆਨ, ਅਤੇ ਬਾਲ ਵਿਕਾਸ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਅੰਕੜਾ-ਸੰਬੰਧੀ ਕੋਰਸ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

9. ਇਸ ਅਧਿਆਇ ਵਿੱਚ ਸੰਭਾਵਨਾ ਅਤੇ ਅੰਕੜਿਆਂ ਦੇ ਮੁੱਢਲੇ ਵਿਚਾਰ ਅਤੇ ਸ਼ਬਦ ਸ਼ਾਮਲ ਹਨ। ਤੁਸੀਂ ਜਲਦੀ ਹੀ ਸਮਝ ਜਾਵੋਗੇ ਕਿ ਅੰਕੜੇ ਅਤੇ ਸੰਭਾਵਨਾ ਇਕੱਠੇ ਕੰਮ ਕਰਦੇ ਹਨ। ਤੁਸੀਂ ਇਹ ਵੀ ਸਿੱਖੋਗੇ ਕਿ ਡਾਟਾ ਕਿਵੇਂ ਇਕੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ "ਚੰਗੇ" ਡਾਟਾ ਨੂੰ "ਮਾੜੇ" ਤੋਂ ਕਿਵੇਂ ਵੱਖ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।