Παραδείγματα ερωτήσεων που συζητούν τεταρτημόρια ομαδοποιημένων δεδομένων
Πενταχουλουάν
Τα τεταρτημόρια στη στατιστική είναι ένα μέτρο της κεντρικής τάσης που διαιρεί τα δεδομένα σε τέσσερα ίσα μέρη. Τα τεταρτημόρια αποτελούνται από το πρώτο τεταρτημόριο (Q1), το δεύτερο τεταρτημόριο (Q2) και το τρίτο τεταρτημόριο (Q3). Σε πολλές περιπτώσεις, τα δεδομένα που αναλύονται μπορούν να ομαδοποιηθούν. Αυτό το άρθρο θα συζητήσει παραδείγματα και μια συζήτηση για τα τεταρτημόρια για ομαδοποιημένα δεδομένα.
Κατανόηση των τεταρτημορίων σε δεδομένα ομάδας
Τα τεταρτημόρια είναι τιμές που διαιρούν τα οργανωμένα δεδομένα σε τέσσερα ίσα μέρη. Το πρώτο τεταρτημόριο (Q1) είναι γνωστό ως το 25ο εκατοστημόριο, το δεύτερο τεταρτημόριο (Q2) είναι επίσης γνωστό ως η διάμεση τιμή ή 50ό εκατοστημόριο και το τρίτο τεταρτημόριο (Q3) είναι γνωστό ως το 75ο εκατοστημόριο.
Για ομαδοποιημένα δεδομένα, ο υπολογισμός των τεταρτημορίων είναι λίγο πιο περίπλοκος από ό,τι για μεμονωμένα δεδομένα. Τα ομαδοποιημένα δεδομένα συνήθως παρουσιάζονται σε έναν πίνακα κατανομής συχνότητας, επομένως πρέπει να χρησιμοποιήσουμε έναν συγκεκριμένο τύπο για να βρούμε τα τεταρτημόρια.
Τεταρτημόριο τύπος για ομαδοποιημένα δεδομένα
Για να βρούμε τα τεταρτημόρια σε ομαδοποιημένα δεδομένα, χρησιμοποιούμε τον ακόλουθο τύπο:
– Πρώτο τεταρτημόριο (Q1):
\[
Q1 = L_{Q1} + \left( \frac{\frac{N}{4} – F_{Q1}}{f_{Q1}} \right) \times c
\]
– Δεύτερο τεταρτημόριο (Q2):
\[
Q2 = L_{Q2} + \left( \frac{\frac{N}{2} – F_{Q2}}{f_{Q2}} \right) \times c
\]
– Τρίτο τεταρτημόριο (Q3):
\[
Q3 = L_{Q3} + \left( \frac{\frac{3N}{4} – F_{Q3}}{f_{Q3}} \right) \times c
\]
Ντι μάνα:
– \( L_{Q1}, L_{Q2}, L_{Q3} \) = κατώτερο όριο της κλάσης Q1, Q2, Q3
– \( N \) = αριθμός δεδομένων
– \( F_{Q1}, F_{Q2}, F_{Q3} \) = αθροιστική συχνότητα πριν από την κλάση Q1, Q2, Q3
– \( f_{Q1}, f_{Q2}, f_{Q3} \) = συχνότητες κλάσης Q1, Q2, Q3
– \( c \) = μήκος κλάσης
Παράδειγμα προβλημάτων
Το παρακάτω είναι ένα παράδειγμα προβλήματος δεδομένων ομάδας που θα χρησιμοποιηθεί για τον υπολογισμό τεταρτημορίων:
| Αξία | Συχνότητα |
|————|———–|
| 10 – 19 | 5 |
| 20 – 29 | 8 |
| 30 – 39 | 12 |
| 40 – 49 | 15 |
| 50 – 59 | 6 |
| 60 – 69 | 4 |
Βήμα 1: Προσδιορίστε τη συσσωρευτική συχνότητα
Πρώτα απ 'όλα, πρέπει να προσδιορίσουμε τη συνολική συχνότητα για κάθε κλάση:
| Αξία | Συχνότητα | Συνολική συχνότητα |
|————|—————–|—————————|
| 10 – 19 | 5 | 5 |
| 20 – 29 | 8 | 13 |
| 30 – 39 | 12 | 25 |
| 40 – 49 | 15 | 40 |
| 50 – 59 | 6 | 46 |
| 60 – 69 | 4 | 50 |
Αριθμός δεδομένων (N) = 50
Βήμα 2: Προσδιορισμός του Πρώτου Τεταρτημόριου (Q1)
– \( \frac{N}{4} = \frac{50}{4} = 12.5 \)
Αναζητούμε την κλάση όπου η αθροιστική συχνότητα υπερβαίνει για πρώτη φορά το 12.5, δηλαδή την κλάση 20-29.
– L (κάτω όριο κλάσης Q1) = 20
– F (αθροιστική συχνότητα πριν από την κλάση Q1) = 5
– f (συχνότητα κλάσης Q1) = 8
– c (μήκος κλάσης) = 10
Χρησιμοποιώντας τον τύπο Q1:
\[
Q1 = 20 + (12.5 – 5}{8}) επί 10 = 20 + (7.5}{8}) επί 10 = 20 + 9.375 = 29.375
\]
Βήμα 3: Προσδιορισμός του Δεύτερου Τεταρτημόριου (Q2)
– \( \frac{N}{2} = \frac{50}{2} = 25 \)
Αναζητούμε την κλάση όπου η αθροιστική συχνότητα υπερβαίνει για πρώτη φορά το 25, δηλαδή την κλάση 30-39.
– L = 30
– Φ = 13
– f = 12
– c = 10
Χρησιμοποιώντας τον τύπο Q2:
\[
Q2 = 30 + (25 – 13}{12}) επί 10 = 30 + (12}{12}) επί 10 = 30 + 10 = 40
\]
Βήμα 4: Προσδιορίστε το Τρίτο Τεταρτημόριο (Q3)
– \( \frac{3N}{4} = \frac{3 \χρόνους 50}{4} = 37.5 \)
Αναζητούμε την κλάση όπου η αθροιστική συχνότητα υπερβαίνει για πρώτη φορά το 37.5, δηλαδή την κλάση 40-49.
– L = 40
– Φ = 25
– f = 15
– c = 10
Χρησιμοποιώντας τον τύπο Q3:
\[
Q3 = 40 + (√ ...
\]
Συμπέρασμα
Από τους παραπάνω υπολογισμούς, λαμβάνουμε τις τιμές των τεταρτημορίων για τα δεδομένα της ομάδας ως εξής:
– Πρώτο τεταρτημόριο (Q1) = 29.375
– Δεύτερο τεταρτημόριο (Q2) = 40
– Τρίτο τεταρτημόριο (Q3) = 48.333
Αυτές οι τιμές μας επιτρέπουν να κατανοήσουμε πώς κατανέμονται τα δεδομένα εντός της ομάδας. Για παράδειγμα, το 25% των δεδομένων πέφτει κάτω από 29.375 (Q1), το 50% των δεδομένων πέφτει κάτω από 40 (η διάμεση τιμή ή Q2) και το 75% των δεδομένων πέφτει κάτω από 48.333 (Q3).
Οι υπολογισμοί τεταρτημορίων είναι χρήσιμοι σε μια ποικιλία καταστάσεων για την απόκτηση μιας βαθύτερης κατανόησης της κατανομής δεδομένων. Η κατανόηση αυτής της μεθόδου μας επιτρέπει να αναλύουμε ομαδοποιημένα δεδομένα με μεγαλύτερη ακρίβεια και αποτελεσματικότητα.
