ነጠላ የውሂብ ኳርቲል

ነጠላ የውሂብ ኳርቲልስ፡ በስታቲስቲክስ ውስጥ የውሂብ ክፍልን በጥልቀት መረዳት

በስታቲስቲክስ ውስጥ ካሉት መሠረታዊ ፅንሰ-ሀሳቦች አንዱ መረጃን ወደ ሩብቲሎች መከፋፈል ነው። ሩብቲሎች በቀላሉ ሚዲያን ወይም አማካኝን ከመመልከት ይልቅ የውሂብ ስርጭትን በዝርዝር ለመረዳት ያገለግላሉ። በዚህ ጽሑፍ ውስጥ የአንድ የውሂብ ስብስብ ሩብቲሎችን፣ እንዴት ማስላት እንደሚቻል እና በተለያዩ የውሂብ ትንተና አውዶች ውስጥ ያላቸውን አተገባበር እንወያያለን።

ኳርቲል ምንድን ነው?

ኳርቲልስ የተደረደረውን መረጃ በአራት እኩል ክፍሎች የሚከፍሉ የተወሰኑ እሴቶች ናቸው። በቀላል አነጋገር፣ ኳርቲልስ የተደረደረውን መረጃ የሚከፋፍሉ ሲሆን እያንዳንዱ ኳርቲልስ በግምት 25% የሚሆነውን መረጃ ይሸፍናል።

ኳርትሌሎች ሶስት ዋና ዋና ምልክቶችን ያካትታሉ፡
1. የመጀመሪያው ሩብ ዓመት (Q1): ዝቅተኛውን 25% መረጃ ከቀሪው ይከፍላል።
2. ሁለተኛ ሩብ (Q2) ወይም መካከለኛ፡- ውሂቡን በሁለት እኩል ክፍሎች ይከፍላል፣ የውሂቡ 50% ከዚህ እሴት በታች ሲሆን 50% ደግሞ ከዚህ እሴት በላይ ነው።
3. ሶስተኛው ሩብ (Q3): ከፍተኛውን 25% መረጃ ከቀሪው ይከፍላል።

እያንዳንዱ ሩብ ዓመት የውሂብ ስብስብ የተወሰነ ክፍልን የሚወክል ሲሆን ከውሂብ መግለጫ እስከ ውጫዊ ትንተና ድረስ የተለያዩ አፕሊኬሽኖች አሉት።

ኳርትሎችን እንዴት ማስላት እንደሚቻል

ሩብልቶችን ለማስላት፣ የመጀመሪያው እርምጃ ውሂቡን ወደ ላይ በሚወጣ ቅደም ተከተል መደርደር ነው። በአንድ የውሂብ ስብስብ ላይ ሩብልቶችን ለማስላት ዝርዝር ደረጃዎችን እንመልከት፡

የውሂብ መደርደር

የሚከተለው የውሂብ ስብስብ አለን እንበል፦
`7፣ 15፣ 36፣ 39፣ 40፣ 41፣ 42፣ 43፣ 47፣ 49`

የመጀመሪያው እርምጃ ውሂቡ መደረደሩን ማረጋገጥ ነው፡
`7፣ 15፣ 36፣ 39፣ 40፣ 41፣ 42፣ 43፣ 47፣ 49`

የኳርቲል አቀማመጥን መወሰን

ቀጥሎ፣ የኳርቲል አቀማመጦችን እንወስናለን። ለመጠን \( N \) የውሂብ ስብስብ፡

– አቀማመጥ Q1 = \( \frac{(N+1)}{4} \)
– አቀማመጥ Q2 = \( \frac{(N+1)}{2} \)
– አቀማመጥ Q3 = \( \frac{3(N+1)}{4} \)

ለመረጃ ውሂባችን (N=10):
– አቀማመጥ Q1 = \( \frac{(10+1)}{4} = 2.75 \)
– አቀማመጥ Q2 = \( \frac{(10+1)}{2} = 5.5 \)
– አቀማመጥ Q3 = \( \frac{3(10+1)}{4} = 8.25 \)

ኢንተርፖላቲንግ ኳርቲልስ

የኳርትል አቀማመጥ የአስርዮሽ ቁጥር ከሆነ፣ በሁለት ተያያዥ የውሂብ እሴቶች መካከል እንገናኛለን።

– ሩብ 1 (ቦታ 2.75):
በሁለተኛ ደረጃ `15` ውስጥ ያሉትን የውሂብ እሴቶች እና በሦስተኛው ደረጃ `36` ውስጥ ያሉትን የውሂብ እሴቶች ያጣምሩ።
Q1 = 15 + 0.75 (36 – 15) = 15 + 0.75 21 = 15 + 15.75 = 30.75

– Q2 (መካከለኛው ቦታ 5.5):
በሁለተኛ ደረጃ `40` ውስጥ ያሉትን የውሂብ እሴቶች እና በሦስተኛው ደረጃ `41` ውስጥ ያሉትን የውሂብ እሴቶች ያጣምሩ።
Q2 = 40 + 0.5 (41 - 40) = 40 + 0.5 1 = 40.5

– ሩብ 3 (ቦታ 8.25):
በሁለተኛ ደረጃ `43` ውስጥ ያሉትን የውሂብ እሴቶች እና በሦስተኛው ደረጃ `47` ውስጥ ያሉትን የውሂብ እሴቶች ያጣምሩ።
Q3 = 43 + 0.25 (47 – 43) = 43 + 0.25 4 = 43 + 1 = 44

ስለዚህ፣ የውሂብ ስብስባችን ሩብ ክፍሎች የሚከተሉት ናቸው፡
– ሩብ 1 = 30.75
– ሩብ 2 = 40.5
– ሩብ 3 = 44

ኳርትል አፕሊኬሽን

የስታቲስቲክስ መግለጫ

ኳርቲልስ የውሂብ ስርጭትን አጠቃላይ አጠቃላይ እይታ ለመስጠት እንደ ስታቲስቲክስ መግለጫዎች አካል ሆነው ያገለግላሉ። ኳርቲሎቹን ማወቅ የውሂብ ወጥነትን፣ ሲሜትሪነትን እና ስርጭትን በተሻለ ሁኔታ እንድንረዳ ያስችለናል።

የውጪ ትንታኔ

ኳርቲሎችም እንዲሁ ውጫዊ ነገሮችን ለመለየት በጣም ጠቃሚ ናቸው። ውጫዊ ነገሮች ከአብዛኛው የውሂብ ስብስብ የራቁ የውሂብ እሴቶች ናቸው። ውጫዊ ነገሮችን ለመለየት "ኢንተርኳርቲል ክልል (IQR)" ዘዴ በተለምዶ ጥቅም ላይ ይውላል።

IQR የሚሰላው በQ3 እና Q1 መካከል ባለው ልዩነት ነው፡
\[ \text{IQR} = Q3 – Q1 \]

የውሂብ እሴቶች ከ\(Q1-1.5 \times \text{IQR}\) ወይም ከዚያ በላይ ከሆኑ እንደ ውጪ ይቆጠራሉ።

ከላይ ባለው የውሂብ ስብስብ ውስጥ፦
– IQR = 44 – 30.75 = 13.25
– ለውጫዊ ሰዎች ዝቅተኛ ገደብ = Q1 – 1.5 IQR = 30.75 – 1.5 13.25 = 30.75 – 19.875 = 10.875
– ለውጭ አመልካቾች የላይኛው ገደብ = Q3 + 1.5 IQR = 44 + 1.5 13.25 = 44 + 19.875 = 63.875

ስለዚህ፣ ከ10.875 በታች ወይም ከ63.875 በላይ የሆኑ የውሂብ እሴቶች እንደ ውጭ ተደርገው ይቆጠራሉ። የውሂብ ስብስባችን በዚያ ክልል ውስጥ ስለሚወድቅ፣ ምንም አይነት ውጪ ተጓዦች የሉም።

ውስብስብ የውሂብ አያያዝ

በቀላል መረጃ ውስጥ ከመጠቀም በተጨማሪ፣ ኳርትታይሎች ይበልጥ ውስብስብ በሆኑ የውሂብ ስብስቦች ላይም ሊተገበሩ ይችላሉ። ለምሳሌ፣ በፋይናንስ ትንተና፣ ኳርትታይሎች በገበያ ውስጥ የአንድ የተወሰነ ክምችት አፈፃፀምን ለመለየት ይረዳሉ። በትምህርት ውስጥ፣ ኳርትታይሎች የተማሪዎችን የትምህርት አፈፃፀም በተወሰነ ፈተና ለመለየት ሊያገለግሉ ይችላሉ።

ሳጥን ሴራ

ኳርትታይሎችን የሚጠቀም አንድ የእይታ መሳሪያ የቦክስ ፕሎት ወይም የቱኪ ቦክስ ፕሎት ነው። የቦክስ ፕሎት በውሂቡ ውስጥ አምስት አስፈላጊ ማጠቃለያዎችን በግራፊክ ውክልና ይሰጣል፡ ዝቅተኛው እሴት፣ የመጀመሪያው ሩብ (Q1)፣ መካከለኛ (Q2)፣ ሦስተኛው ሩብ (Q3) እና ከፍተኛው እሴት። ውጫዊ ነገሮችን ለመለየት ቀላል መንገድ የቦክስ ፕሎትን መጠቀም ሲሆን ውጫዊ ነገሮች በተለምዶ ከ"ዊስከርስ" ውጭ እንደ ነጥቦች ይታያሉ (በዝቅተኛው፣ Q1፣ Q3 እና ከፍተኛ መካከል ያሉ የተሸለሙ መስመሮች)።

ከሲምፑላን

በአንድ የውሂብ ስብስብ ውስጥ ያሉ ኳርቲሎችን ማስላት እና መረዳት ስለ የውሂብ አወቃቀሩ፣ ስለ ስርጭቱ እና ስለ ውጭ ያሉ ሰዎች መኖር ወይም አለመኖር ጥልቅ ግንዛቤ ይሰጣል። ከቀላል ስታቲስቲክስ መግለጫዎች እስከ እንደ ውጭ መለየት እና የሳጥን ፕላቶችን መጠቀም ያሉ ውስብስብ ትንታኔዎች ድረስ፣ ኳርቲሎች በውሂብ ትንተና እና ትርጓሜ ውስጥ ወሳኝ ሚና ይጫወታሉ። በዚህ መሳሪያ፣ የውሂብ ትንተና የበለጠ ስልታዊ እና መረጃ ሰጪ ይሆናል፣ ይህም በተለያዩ የጥናት ዘርፎች ውስጥ ለበለጠ ጥልቅ ግንዛቤዎች እና የበለጠ ትርጉም ላላቸው ግኝቶች መንገድ ይጠርጋል። ኳርቲሎች የስታቲስቲክስ መግለጫዎችን ከማመቻቸት ባለፈ በውሂብ ላይ ለተመሠረተ ውሳኔ አሰጣጥ አስፈላጊ የሆኑ ጉልህ ግንዛቤዎችንም ይሰጣሉ።

ስለ ኳርትልስ እና በመረጃ ትንተና ውስጥ እንዴት እንደሚተገበሩ ጠንካራ ግንዛቤ ከምርምር እስከ ንግድ ድረስ በተለያዩ ተግባራዊ አውዶች ውስጥ ሊወሰድ የሚችል ጠቃሚ ክህሎት ሲሆን መረጃን በመተንተን እና በመተርጎም ረገድ ብልህ ያደርገናል።