ដ្យាក្រាមរាយប៉ាយ៖ និយមន័យ មុខងារ និងការអនុវត្ត
ការយល់ដឹងអំពីដ្យាក្រាម Scatter
គំនូសព្រាងរាយប៉ាយ ដែលត្រូវបានគេស្គាល់ផងដែរថាជាដ្យាក្រាមរាយប៉ាយ ឬគំនូសព្រាងរាយប៉ាយ គឺជាប្រភេទក្រាហ្វដែលប្រើក្នុងស្ថិតិ និងការវិភាគទិន្នន័យ ដើម្បីសង្ខេប និងមើលឃើញទំនាក់ទំនងរវាងអថេរបន្តពីរ។ ដ្យាក្រាមនេះបង្ហាញចំណុចទិន្នន័យនៅលើប្លង់ការេ ដែលអ័ក្ស x និង y នីមួយៗតំណាងឱ្យអថេរមួយ។ ចំណុចនីមួយៗនៅលើដ្យាក្រាមតំណាងឱ្យតម្លៃមួយគូសម្រាប់អថេរដែលបានសង្កេតឃើញពីរ។ ជាទូទៅ គំនូសព្រាងរាយប៉ាយជួយយើងឱ្យយល់អំពីលំនាំ និន្នាការ និងទំនាក់ទំនងដែលអាចកើតមានរវាងអថេរទាំងពីរ។
អនុគមន៍ដ្យាក្រាមខ្ចាត់ខ្ចាយ
គំនូសតាងរាយប៉ាយមានមុខងារផ្សេងៗគ្នាក្នុងការវិភាគទិន្នន័យ ដែលមុខងារមួយចំនួនរួមមាន៖
១. ការកំណត់ទំនាក់ទំនង៖ គំនូសតាងរាយប៉ាយជួយកំណត់ថាតើមានទំនាក់ទំនង ឬសហសម្ព័ន្ធរវាងអថេរពីរដែរឬទេ។ ឧទាហរណ៍ ដើម្បីមើលថាតើមានសហសម្ព័ន្ធរវាងកម្ពស់ និងទម្ងន់របស់មនុស្សដែរឬទេ។
២. កំណត់អត្តសញ្ញាណអថេរ៖ តាមរយៈការគ្រោងទិន្នន័យ អថេរ ឬទិន្នន័យដែលខុសគ្នាយ៉ាងខ្លាំងពីទិន្នន័យផ្សេងទៀត អាចត្រូវបានកំណត់អត្តសញ្ញាណបានយ៉ាងងាយស្រួល។ អថេរអាចបណ្តាលមកពីកំហុសក្នុងការវាស់វែង ឬបាតុភូតដែលមិនបានរាប់បញ្ចូលផ្សេងទៀត។
៣. ការមើលឃើញទិន្នន័យ៖ គំនូសព្រាងរាយប៉ាយអនុញ្ញាតឱ្យមានការសង្កេតដែលមើលឃើញកាន់តែស៊ីជម្រៅ ដែលមិនតែងតែអាចមើលឃើញពីតារាងទិន្នន័យសាមញ្ញនោះទេ។ ពួកវាផ្តល់នូវទស្សនៈកាន់តែច្បាស់អំពីភាពខ្លាំងនៃទំនាក់ទំនងរវាងអថេរ និងរូបរាងនៃទំនាក់ទំនងនោះ មិនថាលីនេអ៊ែរ ការ៉េ ឬមិនទៀងទាត់នោះទេ។
៤. ការរកឃើញលំនាំ និងនិន្នាការ៖ តាមរយៈការគូសទិន្នន័យនៅលើគំនូសតាងរាយប៉ាយ លំនាំ និងនិន្នាការនៅក្នុងទិន្នន័យអាចត្រូវបានកំណត់អត្តសញ្ញាណ។ ឧទាហរណ៍ វាអាចមើលឃើញថាតើអថេរមួយធ្វើតាមលំនាំកើនឡើង ឬថយចុះជាក់លាក់ណាមួយឬអត់។
ទំនាក់ទំនងនៅក្នុងដ្យាក្រាមរាយប៉ាយ
នៅក្នុងការវិភាគគំនូសតាងរាយប៉ាយ វាជាការសំខាន់ណាស់ក្នុងការយល់ដឹងអំពីគោលគំនិតនៃសហសម្ព័ន្ធ ដែលវាស់ស្ទង់កម្លាំងនៃទំនាក់ទំនងរវាងអថេរពីរ។ សហសម្ព័ន្ធអាចជាវិជ្ជមាន អវិជ្ជមាន ឬសូន្យ៖
១. សហសម្ព័ន្ធវិជ្ជមាន៖ កើតឡើងនៅពេលដែលការកើនឡើងនៃតម្លៃនៃអថេរមួយត្រូវបានបន្តដោយការកើនឡើងនៃតម្លៃនៃអថេរផ្សេងទៀត។ នៅក្នុងដ្យាក្រាម ចំណុចទិន្នន័យនឹងបង្កើតជាបន្ទាត់ ឬខ្សែកោងដែលឡើងពីបាតឆ្វេងទៅកំពូលស្តាំ។
២. សហសម្ព័ន្ធអវិជ្ជមាន៖ កើតឡើងនៅពេលដែលការកើនឡើងនៃតម្លៃនៃអថេរមួយត្រូវបានបន្តដោយការថយចុះនៃតម្លៃនៃអថេរមួយផ្សេងទៀត។ នៅក្នុងដ្យាក្រាម ចំណុចទិន្នន័យបង្កើតជាបន្ទាត់ ឬខ្សែកោងដែលចុះពីលើឆ្វេងទៅស្តាំខាងក្រោម។
៣. សហសម្ព័ន្ធសូន្យ៖ កើតឡើងនៅពេលដែលមិនមានទំនាក់ទំនងច្បាស់លាស់រវាងអថេរពីរ។ ចំណុចទិន្នន័យនឹងត្រូវបានខ្ចាត់ខ្ចាយដោយចៃដន្យដោយគ្មានលំនាំច្បាស់លាស់។
របៀបបង្កើតតារាង Scatter
ដើម្បីបង្កើត scatterplot សូមអនុវត្តតាមជំហានទាំងនេះ៖
១. ប្រមូលទិន្នន័យ៖ រៀបចំសំណុំទិន្នន័យពីរ ដែលសំណុំទិន្នន័យនីមួយៗតំណាងឱ្យអថេរ x និង y។
២. កំណត់មាត្រដ្ឋាន និងអ័ក្ស៖ កំណត់មាត្រដ្ឋានសម្រាប់អ័ក្ស x និងអ័ក្ស y ដោយផ្អែកលើជួរតម្លៃនៃអថេរទាំងពីរ។
៣. គូសទិន្នន័យ៖ គូសគូតម្លៃនៃអថេរទាំងពីរជាចំណុចនៅលើក្រាហ្វ។
៤. ការវិភាគ៖ សង្កេតមើលគ្រោងដើម្បីកំណត់លំនាំ ឬនិន្នាការដែលអាចកើតមាន និងគណនាសហសម្ព័ន្ធសម្រាប់ការពិនិត្យស៊ីជម្រៅ។
ឧទាហរណ៍ដ្យាក្រាមរាយប៉ាយ
ឧបមាថាយើងមានទិន្នន័យអំពីកម្ពស់ (គិតជាសង់ទីម៉ែត្រ) និងទម្ងន់ (គិតជាគីឡូក្រាម) របស់មនុស្សដប់នាក់៖
| កម្ពស់ (សង់ទីម៉ែត្រ) | ទម្ងន់ខ្លួន (គីឡូក្រាម) |
|——————-|———————|
| ២០០ | ៩៥ |
| ២០០ | ៩៥ |
| ២០០ | ៩៥ |
| ២០០ | ៩៥ |
| ២០០ | ៩៥ |
| ២០០ | ៩៥ |
| ២០០ | ៩៥ |
| ២០០ | ៩៥ |
| ២០០ | ៩៥ |
| ២០៥ | ១០០ |
តាមរយៈការគូសទិន្នន័យនេះនៅលើដ្យាក្រាមខ្ចាត់ខ្ចាយ យើងនឹងសង្កេតឃើញថាមានទំនាក់ទំនងវិជ្ជមានរវាងកម្ពស់ និងទម្ងន់។
ការអនុវត្តដ្យាក្រាមខ្ចាត់ខ្ចាយក្នុងពិភពពិត
ដ្យាក្រាម Scatterplot ត្រូវបានប្រើប្រាស់ក្នុងវិស័យ និងឧស្សាហកម្មជាច្រើនសម្រាប់ការវិភាគទិន្នន័យស៊ីជម្រៅ។ ឧទាហរណ៍មួយចំនួននៅក្នុងពិភពពិតរួមមាន៖
១. សុខភាព៖ កំណត់ទំនាក់ទំនងរវាងកត្តាសុខភាពផ្សេងៗដូចជារបបអាហារ និងសម្ពាធឈាម ឬរយៈពេលនៃការគេង និងកម្រិតផលិតភាពប្រចាំថ្ងៃ។
២. សេដ្ឋកិច្ច៖ ការវិភាគលើការវិនិយោគ និងផលចំណេញ ដោយពិនិត្យមើលទំនាក់ទំនងរវាងអថេរដូចជាអត្រាការប្រាក់ និងអត្រាអតិផរណា។
៣. ការអប់រំ៖ ការធ្វើតេស្តទំនាក់ទំនងរវាងពេលវេលាសិក្សា និងពិន្ទុតេស្តរបស់សិស្ស ដើម្បីយល់ពីកត្តាដែលជះឥទ្ធិពលដល់លទ្ធផលសិក្សា។
៤. អាជីវកម្ម៖ ក្នុងការធ្វើទីផ្សារ ដើម្បីវាស់ស្ទង់ប្រសិទ្ធភាពនៃយុទ្ធនាការផ្សាយពាណិជ្ជកម្ម ដោយគ្រោងការចំណាយផ្សាយពាណិជ្ជកម្មទល់នឹងការកើនឡើងនៃការលក់។
ដែនកំណត់នៃដ្យាក្រាមខ្ចាត់ខ្ចាយ
ទោះបីជាមានគុណសម្បត្តិជាច្រើនក៏ដោយ scatterplots ក៏មានដែនកំណត់មួយចំនួនផងដែរ៖
១. មិនពន្យល់ពីមូលហេតុ៖ សហសម្ព័ន្ធដែលឃើញនៅក្នុងគំនូសតាងរាយប៉ាយមិនបញ្ជាក់ពីទំនាក់ទំនងរវាងមូលហេតុ និងផលប៉ះពាល់ទេ។ សហសម្ព័ន្ធគ្រាន់តែបង្ហាញថាតើមានទំនាក់ទំនងមួយ ប៉ុន្តែមិនពន្យល់ពីមូលហេតុ ឬទិសដៅនៃទំនាក់ទំនងនោះទេ។
២. ពិបាកសម្រាប់ទិន្នន័យទំហំធំខ្លាំង៖ ក្នុងករណីទិន្នន័យទំហំធំខ្លាំង គំនូសព្រាងរាយប៉ាយអាចក្រាស់ខ្លាំងរហូតដល់ពិបាកបកស្រាយ។
៣. មានតែអថេរពីរប៉ុណ្ណោះ៖ គំនូសតាងរាយប៉ាយអាចបង្ហាញតែទំនាក់ទំនងរវាងអថេរពីរប៉ុណ្ណោះ។ ចំពោះទំនាក់ទំនងដែលពាក់ព័ន្ធនឹងអថេរច្រើនជាងពីរ បច្ចេកទេសវិភាគពហុអថេរត្រូវបានទាមទារ។
សេចក្តីសន្និដ្ឋាន
Scatterplots គឺជាឧបករណ៍ដ៏មានឥទ្ធិពលមួយក្នុងការវិភាគស្ថិតិ និងទិន្នន័យ សម្រាប់ការមើលឃើញ និងវិភាគទំនាក់ទំនងរវាងអថេរពីរ។ តាមរយៈជួយកំណត់អត្តសញ្ញាណទំនាក់ទំនង និន្នាការ និង outliers ពួកវាជួយសម្រួលដល់ការយល់ដឹងកាន់តែស៊ីជម្រៅអំពីទិន្នន័យ។ ខណៈពេលដែលពួកវាមានដែនកំណត់មួយចំនួន ការអនុវត្តត្រឹមត្រូវនៃ scatterplots អាចផ្តល់នូវការយល់ដឹងដ៏មានតម្លៃដែលគាំទ្រដល់ការធ្វើការសម្រេចចិត្តកាន់តែប្រសើរឡើងនៅក្នុងវិស័យជាច្រើន។ ការយល់ដឹងពីរបៀបបង្កើត និងវិភាគ scatterplots គឺជាជំនាញសំខាន់សម្រាប់អ្នកដែលធ្វើការជាមួយទិន្នន័យ។
