როგორ განვსაზღვროთ მონაცემთა რეჟიმი
საბაზისო სტატისტიკაში, მოდა ცენტრალური ტენდენციის ერთ-ერთი საზომია, საშუალო და მედიანასთან ერთად. მოდა ხშირად გამოიყენება, რადგან მისი გაგება და სწრაფად გამოთვლა მარტივია, განსაკუთრებით მაშინ, როდესაც გვსურს მონაცემთა ერთობლიობაში ყველაზე ხშირად გამოვლენილი მნიშვნელობის პოვნა. ყოველდღიურ ცხოვრებაში, მოდის კონცეფცია შეიძლება გამოყენებულ იქნას ყველაზე ხშირად შეძენილი ტანსაცმლის ზომის, ყველაზე ხშირად გამოყენებული სატრანსპორტო საშუალების ტიპის, ტესტის უმაღლესი ქულის და ყველაზე პოპულარული პროდუქტის დასადგენადაც კი. ეს სტატია დეტალურად განიხილავს, თუ როგორ განვსაზღვროთ რეჟიმი სხვადასხვა ტიპის მონაცემებისთვის: ერთჯერადი მონაცემებისთვის, დაჯგუფებული მონაცემებისთვის და სპეციალური პირობებისთვის, როგორიცაა ბიმოდალური და მულტიმოდალური მონაცემები.
გაგების რეჟიმი
რეჟიმი არის მონაცემთა მნიშვნელობა ყველაზე მაღალი სიხშირით, რაც იმას ნიშნავს, რომ ის უფრო ხშირად ჩნდება, ვიდრე სხვა მნიშვნელობები. რეჟიმი შესაფერისია როგორც რაოდენობრივი (რიცხვითი), ასევე თვისებრივი (კატეგორიული) მონაცემებისთვის, როგორიცაა საყვარელი ფერები ან ყველაზე ხშირად არჩეული საკვების ტიპები.
მარტივი მაგალითი:
მონაცემები: 2, 3, 3, 4, 5
ყველაზე ხშირად ჩნდება მნიშვნელობა 3 (ჩნდება ორჯერ), ამიტომ რეჟიმი = 3.
თუმცა, ყველა მონაცემს რეჟიმი არ აქვს. ზოგიერთ მონაცემს ყველა მნიშვნელობა თანაბრად ხშირად აქვს, ამიტომ რეჟიმი არ არსებობს. გარდა ამისა, ზოგიერთ მონაცემს ერთზე მეტი რეჟიმი აქვს.
რეჟიმების ტიპები
გაანგარიშების ეტაპებზე გადასვლამდე მნიშვნელოვანია რეჟიმების ვარიაციების გაგება:
1. უნიმოდალური: ყველაზე ხშირად მხოლოდ ერთი მნიშვნელობა ჩნდება (ერთმოდიანი რეჟიმი).
2. ბიმოდალური: არსებობს ორი მნიშვნელობა, რომლებიც ორივე ყველაზე ხშირად ჩნდება.
3. მულტიმოდალური: ყველაზე ხშირად ორზე მეტი მნიშვნელობა ჩნდება.
4. რეჟიმი არ აქვს: ყველა მნიშვნელობა ერთი და იგივე სიხშირით ჩნდება.
ამ ტიპის რეჟიმების გაგება გვეხმარება მონაცემების უფრო ზუსტად ინტერპრეტაციაში.
როგორ განვსაზღვროთ ერთიანი მონაცემების რეჟიმი
ერთჯერადი მონაცემები არის მონაცემები, რომლებიც ჩაწერილია ისე, როგორც არის და არა ინტერვალებად დაჯგუფებული. ერთჯერადი მონაცემების რეჟიმის პოვნის ნაბიჯები ძალიან მარტივია:
ნაბიჯები:
1. დაკვირვების გასაადვილებლად, მონაცემები (არასავალდებულო) უმცირესიდან უდიდესამდე დაალაგეთ.
2. დაითვალეთ თითოეული მნიშვნელობის გამოჩენის სიხშირე.
3. განსაზღვრეთ მნიშვნელობა, რომელსაც ყველაზე დიდი სიხშირე აქვს, როგორც რეჟიმი.
მაგალითი:
ტესტის ქულების მონაცემები: 70, 80, 75, 80, 90, 80, 85, 75
სიხშირე:
– 70: 1-ჯერ
– 75: 2-ჯერ
– 80: 3-ჯერ
– 85: 1-ჯერ
– 90: 1-ჯერ
რადგან 80 ყველაზე ხშირად (3-ჯერ) ჩნდება, რეჟიმი = 80.
ბიმოდალური მაგალითი:
მონაცემები: 1, 2, 2, 3, 3, 4
სიხშირეები 2 და 3 ორივე ყველაზე მაღალია (2-ჯერ), ამიტომ რეჟიმი = 2 და 3 (ორმოდალური).
მაგალითი რეჟიმის გარეშე:
მონაცემები: 5, 6, 7, 8
ყველა მნიშვნელობა ერთხელ ჩნდება. შესაბამისად, მონაცემებს რეჟიმი არ აქვს.
როგორ განვსაზღვროთ რეჟიმი დაჯგუფებულ მონაცემებში
პრაქტიკაში, დიდი რაოდენობით მონაცემები, როგორც წესი, შეჯამებულია დაჯგუფებულ მონაცემებში სიხშირის განაწილების ცხრილის სახით, ანუ მონაცემები დაჯგუფებულია კლასის ინტერვალებად (მაგ., 60–69, 70–79 და ა.შ.). დაჯგუფებულ მონაცემებში მოდის აღება პირდაპირ კონკრეტული რიცხვიდან შეუძლებელია, ის განისაზღვრება მოდის კლასის მეშვეობით და მისი შეფასება შესაძლებელია ფორმულის გამოყენებით.
1. განსაზღვრეთ მოდის კლასი
მოდის კლასი არის კლასის ინტერვალი უდიდესი სიხშირით.
ცხრილის მაგალითი:
| მნიშვნელობის ინტერვალი | სიხშირე |
|—|—:|
| 40–49 | 3 |
| 50–59 | 6 |
| 60–69 | 10 |
| 70–79 | 8 |
| 80–89 | 5 |
ყველაზე მაღალი სიხშირეა 10 60–69 ინტერვალში, ამიტომ მოდის კლასი = 60–69.
2. მოდის გამოთვლა დაჯგუფებული მონაცემების ფორმულით
დაჯგუფებული მონაცემების რეჟიმის ფორმულა, რომელიც ხშირად გამოიყენება:
\[
Mo = L + \left(\frac{d_1}{d_1 + d_2}\right)\ჯერ p
\]
ინფორმაცია:
– Mo = რეჟიმი (რეჟიმის სავარაუდო მნიშვნელობა)
– L = რეჟიმის კლასის ქვედა კიდე
– p = კლასის სიგრძე (ინტერვალის სიგანე)
– d₁ = მოდის კლასის სიხშირე − წინა კლასის სიხშირე
– d₂ = მოდის კლასის სიხშირე − შემდეგი კლასის სიხშირე
გაანგარიშების მაგალითი:
წინა ცხრილიდან:
– რეჟიმის კლასი: 60–69, სიხშირე = 10
– წინა გაკვეთილი: 50–59, სიხშირე = 6
– შემდეგი გაკვეთილი: 70–79, სიხშირე = 8
კომპონენტების განსაზღვრა:
– L = რეჟიმის კლასის ქვედა ზღვარი = 59,5 (რადგან ქვედა ზღვარი 60-ია, ქვედა ზღვარი = 59,5)
– p = 10
– d₁ = 10 − 6 = 4
– d₂ = 10 − 8 = 2
ფორმულაში შეიყვანეთ:
\[
Mo = 59,5 + \left(\frac{4}{4+2}\right)\ჯერ 10
\]
\[
Mo = 59,5 + \left(\frac{4}{6}\right)\ჯერ 10
\]
\[
მო = 59,5 + 6,67 = 66,17
\]
ამგვარად, დაჯგუფებული მონაცემების მოდა ≈ 66,17-ია. ეს არის მოდის მნიშვნელობის შეფასება 60–69 ინტერვალში.
რეჟიმის პოვნისას დაშვებული გავრცელებული შეცდომები
მიუხედავად იმისა, რომ რეჟიმი მარტივად გამოიყურება, არსებობს რამდენიმე გავრცელებული შეცდომა, რომლებიც შეიძლება მოხდეს:
1. ვივარაუდოთ, რომ რეჟიმი ყოველთვის არსებობს
თუმცა, მონაცემებს შეიძლება არ ჰქონდეს ყველაზე ხშირად გამოჩენილი მნიშვნელობები.
2. სიხშირის არასაკმარისი გაანგარიშება
ერთ მონაცემებში სიხშირის არასწორი გამოთვლა არასწორ რეჟიმს ქმნის.
3. რეჟიმის კლასის არასწორი განსაზღვრა
დაჯგუფებულ მონაცემებში, მოდის კლასი უნდა იყოს ის, რომელსაც ყველაზე დიდი სიხშირე აქვს.
4. კლასის ქვედა კიდე და სიგრძე არასწორად განისაზღვრა
დაჯგუფებული მონაცემების რეჟიმის ფორმულაში, ქვედა ზღვარი (L) არ არის ჩვეულებრივი ქვედა ზღვარი, არამედ კლასის ქვედა ზღვარი (მაგ., 59,5 60–69 კლასისთვის).
როდის არის რეჟიმის გამოყენება უფრო მიზანშეწონილი?
რეჟიმი ძალიან სასარგებლოა, როდესაც:
– მონაცემები კატეგორიების სახით (მაგ., ბრენდი, ფერი, ნივთის ტიპი).
- გვინდა ვიცოდეთ ყველაზე პოპულარული ვარიანტები.
– მონაცემებს აქვს ექსტრემალური მნიშვნელობები, რომლებსაც შეუძლიათ საშუალო მაჩვენებლის დამახინჯება.
– მონაცემთა განაწილება ასიმეტრიულია და მედიანა/საშუალო ნაკლებად წარმომადგენლობითი.
მაგალითად, თუ 10 ადამიანს ძალიან მაღალი შემოსავალი აქვს, საშუალო მაჩვენებელი შესაძლოა ზემოთ „იწიოს“. ასეთ შემთხვევებში, მოდას შეუძლია შემოსავლის ყველაზე განზოგადებული სურათის წარმოდგენა.
დახურვა
მონაცემთა რეჟიმის განსაზღვრა ფუნდამენტური სტატისტიკური უნარია, რომელიც სასარგებლოა როგორც მარტივი ანალიზისთვის, ასევე გადაწყვეტილების მისაღებად. ცალკეული მონაცემთა ნაკრებებისთვის რეჟიმის პოვნა ხდება ყველაზე ხშირად გამოვლენილი მნიშვნელობის გათვალისწინებით. დაჯგუფებული მონაცემთა ნაკრებებისთვის რეჟიმი განისაზღვრება ყველაზე მაღალი სიხშირის მქონე კლასიდან და მისი გამოთვლა შესაძლებელია ფორმულის გამოყენებით უფრო ზუსტი შეფასების მისაღებად. ნაბიჯების გაგებით, თქვენ შეგიძლიათ უფრო სწრაფად დაამუშაოთ მონაცემები და გამოიტანოთ მნიშვნელოვანი ინფორმაცია მონაცემთა ნაკრებიდან.
თუ გსურთ, ასევე შემიძლია შევადგინო სავარჯიშო კითხვების მაგალითები დისკუსიებთან ერთად (ერთიანი და დაჯგუფებული მონაცემები), რათა უკეთ გაიგოთ, თუ როგორ განსაზღვროთ რეჟიმი.
