MAR GREGORIOS COLLEGE OF LAW

                                   Mar Ivanios Vidya Nagar  Nalanchira Thiruvananthapuram - 695015

🆂🆃🅰🆃🅸🆂🆃🅸🅲🆂
🅰🆂🆂🅸🅶🅽🅼🅴🅽🆃

                                                                                       SUBMITTED BY :
                                                                                         MERLIN . K 
                                                                                        ROLL NO : 36 
                                                                                      2nd Semester BBA. LLB
                                                                                        DATE : 31.06.2020

          
       
🆃🅾🅿🅸🅲 :

Statistica
Dat ....
       🅸🅽🅳🅴🆇
1 . Abstract 
2. Introduction 
3. Types of Data 
4. Presentation of Data 
5. Tabulation
6.  Common Diagrams
7. Sample Investigation 
8. Sample Enquiry 
9. Data Collection 
10. Sampling 
11. Errors in Sampling 
12. Conclusion 
13. References 

     
           abstract 
             Data are usually collected in a raw format and thus the inherent 

information is difficult to understand. Therefore, raw data need to be 
summarized, processed, and analyzed. However, no matter how well 
manipulated, the information derived from the raw data should be 
presented in an effective format, otherwise, it would be a great loss for 
both authors and readers. In this article, the techniques of data and 
information presentation in textual, tabular, and graphical forms are 
introduced. A graph is a very effective visual tool as it displays data at 
a glance, facilitates comparison, and can reveal trends and 
relationships within the data such as changes over time, frequency 
distribution, and correlation or relative share of a whole. Text, tables, 
and graphs for data and information presentation are very powerful 
communication tools. They can make an article easy to understand, 
attract and sustain the interest of readers, and efficiently present large 
amounts of complex information. 

     

                          

                     
         INTRODUCTION
Data are a set of facts, and provide a partial picture of reality. Whether data 
are being collected with a certain purpose or collected data are being 
utilized, questions regarding what information the data are conveying, how 
the data can be used, and what must be done to include more useful 
information must constantly be kept in mind. Since most data are available 
to researchers in a raw format, they must be summarized, organized, and 
analyzed to usefully derive information from them. Furthermore, each data 
set needs to be presented in a certain way depending on what it is used for. 
Planning how the data will be presented is essential before appropriately 
processing raw data. These days, data are often summarized, organized, and 
analyzed with statistical packages or graphics software. Data must be 
prepared in such a way they are properly recognized by the program being 
used. 
 ‣ Any observation collected in respect of any characteristic or event is 
called data.. 
 ‣ The data is minimized, processed/analyzed and then presented 
systematically. So that it is converted into Information. 

It is important to note that data, that is not converted into information is 
of little value for evaluation and planning and can not be used by those 
who are involved in decision making. 
 TYPES OF DATA 
                               

To give a holistic picture of classification data can divided into two types 
: 
1. Quantitative data :  The data , that can be expressed in 
numbers/ figures is called quantitative data. In this the exact 
measures are possible. 
   It has two types (a) Discrete (b) Continuous (c) Interval (d) 
Ratio .  
2. Qualitative Data : Also called descriptive/ categorical data/ 
frequency count. • When the data are arranged in categories 
on the basis of their quality and there is gap between two 
values, it is called qualitative data .
            It has two types (a)Nominal data (b) Ordinal data . 

Principles of data 
presentation
 1 .To arrange the data in such a way that it should create interest in the 
reader’s mind at the first sight. 
   2. To present the information in a compact and concise form without 
losing important details.
   3. To present the data in a simple form so as to draw the conclusion             
directly by viewing at the data. 
   4. To present it in such away that it can help in further statistical 
analysis.
   
   Presentation of Data
Presentation of data is of utter importance nowadays. Afterall everything 
that’s pleasing to our eyes never fails to grab our attention. Presentation of 
data refers to an exhibition or putting up data in an attractive and useful 
manner such that it can be easily interpreted. The three main forms of 
presentation of data are:

      1. Textual Presentation 

      The discussion about the presentation of data starts off with it’s most 
raw and vague form which is the textual presentation. In such form of 
presentation, data is simply mentioned as mere text, that is generally in a 
paragraph. This is commonly used when the data is not very large. 

2. Tabular Presentation

A table facilitates representation of even large amounts of data in 
an attractive, easy to read and organized manner. The data is 
organized in rows and columns. This is one of the most widely 
used forms of presentation of data since data tables are easy to 
construct and read. 
              Tabulation: 

 Tables are the devices, that are used to present the data in a simple form. 

It is probably the first step before the data is used for analysis or 
interpretation.

Types of tables: 
 1) Simple tables :Measurements of single set are presented
 2) Complex tables :Measurements of multiple sets are presented

'
  Simple Table : 
When characteristics with values are presented in the form of 
table, it is known as simple table . 
 
   Frequency distribution table : 
   It is a table showing the frequency with which the values are 
distributed in different groups or classes with some defined 
characteristics . 
 

Common diagrams 

1. Line Graphs

A line chart graphically displays data that changes continuously over 
time. Each line graph consists of points that connect data to show a 
trend (continuous change).
2. Bar Charts
ar charts represent categorical data with rectangular bars (to 
understand what is categorical data see categorical data examples). 
Bar graphs are among 
the most popular types of  
graphs and charts in 
economics, statistics, 
marketing, and 
visualization in digital 
customer experience. 

3. Pie Charts

When it comes to statistical
types of graphs and charts,
the pie chart (or the circle
chart) has a crucial place and
meaning. It displays data and
statistics in an
easy-to-understand ‘pie-slice’
format and illustrates
numerical proportion.
4. Histogram

A histogram shows continuous data in 
ordered rectangular columns (to 
understand what is continuous data see 
our post discrete vs continuous data). 
Usually, there are no gaps between the 
columns.

   
5.  Scatter plot

The scatter plot is an X-Y diagram that shows a relationship between 
two variables. It is used to plot data points on a vertical and a 
horizontal axis. The purpose is to show how much one variable affects 
another.
Sample Investigation
A Sample Investigation is the process of learning about the 
population based on a sample that you draw from it. In this 
technique, instead of using all items in a universe, you use only 
a part of the universe for study. Also, you draw conclusions 
based on the sample for the entire universe.
The primary objectives of collecting and analyzing a sample 
investigation are to reveal characteristics of a population as 
follows:

● Estimating the parameters of the population like means, 
median, mode, etc.
● Testing validity statements about the population
● Investigating the changes in population over time

In other words, the sampling process involves three main 
elements – selecting the sample, collecting the information, 
and also making inferences about the population. 
Essentials of a Sample Investigation
1. Representativeness 

2. Adequacy 

3. Independence 

4. Homogeneity

          
  

Merits of a Sample Demerits of a Sample

Investigation Investigation
d 1. Itlis impossible to attain a
1.Cost-efficient 100 %accuracy
2. The results are prone to a
2.Time-efficient
sampling error
3.Reliable 3. Experts are required to
ensure that the results of a
4.Flexible
sample investigation are
5. Detailed Information
satisfactory.
            Statistical Enquiry
Over the years, the field of statistics has evolved as a comprehensive 
discipline providing analytical tools to interpret huge volumes of data. 
Further, these tools help in the decision-making process an scientific 
inquiry. Statistics concerns itself with the collection, organization, 
presentation, analysis, and interpretation of numerical data. The various 
stages of Statistical Enquiry are as follows : 

  
1. Collecting Data

The collection of statistical data is one of the most important aspects of 
a statistical inquiry. In this stage, you collect relevant data from multiple 
sources – both primary and secondary in nature. The source is primary if 
the data (either published or unpublished) is originally collected by an 
investigator or an agency.

2. Organizing and Presenting Numerical Data
We  need to edit, classify, and tabulate the data in order to organize it. 
Further, classifying data involves bringing together the data items which 
have common characteristics. Subsequently, you put the data in a tabular 
format and present it well. The presentation is either in the form of a 
chart, diagram, graph, etc.
 3.  Analyzing the Numerical Data

Once the data is collected, organized, and presented, it is 
important to analyze the numerical data in order to get a better 
understanding of the subject matter. You can use some 
popular measures to analyze numerical data like:

● Averages or measures of the central tendency
● Dispersion
● Correlation

Further, in order to simplify the data, you can use probability and 
distribution, sampling, index numbers, variance analysis, and time series.

4. Interpreting the Numerical Data
Once you have analyzed the numerical data, you must draw 
conclusions and inferences from it. This is the interpretation of 
numerical data. Further, if the investigator misinterprets the 
data, then he might draw conclusions which lead to a waste of 
time and resources. This can eventually defeat the purpose of 
the statistical inquiry. 
 Raw Data, Classification 
of Data and Variables
Raw Data
Raw data is the unorganized data when we’re done with the collection 
stage. This is because it is similar to a lump of clay with no identity and 
also of no practical use. Definitely, we need to organize this raw data. It is 
important to realize that organized data facilitates comparison and 
meaningful conclusions. Hence, this basis of the arrangement of raw 
data can vary from purpose to purpose.
Variable
A variable is simply something that can vary with time and we can 
measure this variation. In other words, a variable is a characteristic or a 
phenomenon which is capable of being measured and changes its value 
over time. A variable is classified into two:

1] Discrete

A discrete variable’s value changes only in complete numbers or 
increases in jumps. Thus the phenomenon or characteristic, a discrete 
variable represents should be such that its value cannot be infractions 
but only in whole numbers.

2] Continuous

A continuous variable assumes fractional values or its value does not 
increase in jumps. For example, the heights of students, the weights of 
students and so on.
Classification of Data

The main objective of the organization of data is to arrange the data in 
such a form that it becomes fairly easy to compare and analyze. 
Generally, we can do this by distributing data into various classes on the 
basis of some attribute or characteristic. This distribution of data into 
classes is the classification of data. Further, each division of data is a 
class. 

Basis of Classification
Definitely, we can classify a given data according to various 
characteristics, depending on the purpose of our study. Evidently, there 
is the various basis of classification.

Geographical classification

When we classify data according to different locations, it is termed as a 
geographical classification of adat. For example, a classification of the 
data about the number of children aged between 3-8 according to the 
various cities in India.

Chronological Classification

In chronological classification, we classify data according to time i.e it 
follows a chronological sequence. 
 What is Data Collection?
Data collection is an extremely challenging work which needs exhaustive 
planning, diligent work, understanding, determination and more to have 
the capacity to complete the assignment effectively. Data collection begins 
with figuring out what sort of data is needed, followed by the collection of 
a sample from a certain section of the population. Next, you have to utilize 
a certain tool to gather the data from the chosen sample.

Sources of Data Collection
Normally we can gather data from two sources namely primary and 
secondary. Data gathered through perception or questionnaire review in a 
characteristic setting are illustrations of data obtained in an uncontrolled 
situation. Secondary data is the data acquired from optional sources like 
magazines, books, documents, journals, reports, the web and more. The 
chart below describes the flow of the sources of data collection.
 Sources of Primary Data Collection

Primary data will be the data that you gather particularly 
with the end goal of your research venture. Leverage of 
Primary data is that it is particularly customized to your 
analysis needs
  The sources are : 
1. Observation Method
2. Interview Method
3. Collection Of Data Through Questionnaires
4. Collection Of Data Through Schedules

Sources of Secondary Data Collection
The sources of secondary data can be classified into internal as well as 
external sources. Inner sources incorporate data that exists and is 
stored in your organization. External data refers to the data that is 
gathered by other individuals or associations from your association’s 
outer environment.

Examples of inner sources of data incorporate, but are not restricted 
only to, the following:

■ Statement of the profit and loss , Balance sheets ,Sales figures

If the secondary data you have gathered from internal sources is not 
sufficient, you can turn to outside sources of data collection, some 
outside sources of data collection include:

■ Universities ,Government sources ,Foundations
       

   SAMPLING 
    

               When you conduct research about a group of people, it’s rarely possible to 

collect data from every person in that group. Instead, you select a sample. The 

sample is the group of individuals who will actually participate in the research.

To draw valid conclusions from your results, you have to carefully decide how you will 

select a sample that is representative of the group as a whole. There are two types of 

sampling methods:

● Probability sampling involves random selection, allowing you to make statistical 

inferences about the whole group.

● Non-probability sampling involves non-random selection based on convenience or 

other criteria, allowing you to easily collect initial data.

Population vs sample
● The population is the entire group that you 

want to draw conclusions about.

● The sample is the specific group of 

individuals that you will collect data from.
Sampling frame
The sampling frame is the actual list of individuals that the sample will 

be drawn from. Ideally, it should include the entire target population (and 

nobody who is not part of that population).

Sample size
The number of individuals in your sample depends on the size of the 

population, and on how precisely you want the results to represent the 

population as a whole.

Probability sampling methods

Probability sampling means that every member of the population has a 

chance of being selected. If you want to produce results that are 

representative of the whole population, you need to use a probability 

sampling technique.There are four main types of probability sample.
Non-probability sampling methods

In a non-probability sample, individuals are selected based on 

non-random criteria, and not every individual has a chance of being 

included.

This type of sample is easier and cheaper to access, but it has a higher 

risk of sampling bias, and you can’t use it to make valid statistical 

inferences about the whole population.
SAMPLING DESIGN PROCESS 

What is Sampling Error?
Errors happen when you take a sample from the population rather than 
using the entire population. In other words, it’s the difference between 
the statistic you measure and the parameter you would find if you took a 
census of the entire population.
Minimizing Sampling Error

Of the two types of errors, sampling error is easier to identify. 
The biggest techniques for reducing sampling error are:

Increase the sample size.
A larger sample size leads to a more precise result because 
the study gets closer to the actual population size.

Divide the population into groups.
Instead of a random sample, test groups according to their size 
in the population. For example, if people of a certain 
demographic make up 35% of the population, make sure 35% 
of the study is made up of this variable.

Know your population.
The error of population specification is when a research 
team selects an inappropriate population to obtain data. Know 
who buys your product, uses it, works with you, and so forth. 
With basic socio-economic information, it is possible to reach a 
consistent sample of the population. In cases like marketing 
research, studies often relate to one specific population like 
Facebook users, Baby Boomers, or even homeowners.
Methods  to  Non-  Reduce  Sampling 
Error

(i) Thoroughly Pretest your Survey Mediums

(ii) Avoid Rushed or Short Data Collection Periods

(iii) Send Reminders to Potential Respondents

(iv) Ensure Confidentiality

(v)  Use Incentives

Editing Data
After  collecting  the  data  either  from  primary  or  secondary 
sources,  the  next  step  is  its  editing.  Editing  means  the 
examination  of  collected  data  to  discover  any  errors  or 
mistakes  before  presenting  it.  It  has  to  be  decided 
beforehand  what  degree  of  accuracy  is  desired  and  what 
extent  of  errors  can  be tolerated in the inquiry. The editing 
of secondary data is simpler than that of primary data.
    conclusion 
A  fundamental  question  to  be  considered  at  the    outset  is 
whether  the  collection  of  data  should  be  done  by  complete 
enumeration    or  by  sampling.In  complete  enumeration,  each 
and every individual of the group to which data are to relate is 
covered,  and  information  gathered  for  each  individual 
separately
In  Sampling,  only  some  individuals  forming  a  representative 
part of the group are covered, either because the group is too 
large or because the items on which information is sought are 
too numerous.
Complete  enumeration  may  lead  to  greater  accuracy  and 
greater refinement in analysis, but it may be a very expensive 
and  time-consuming  operation.A  sample  designed  and  taken 
with care can produce results that may be sufficiently accurate 
for the purpose of the enquiry, and it can save much time and 
money.
references 
1. www.blogspot.com
2. www.thestatisticsassignmenthelp.com
3. www.topper.com