Pavyzdiniai klausimai ir paskirstymo priemonių aptarimas
Dispersijos matai yra statistinės sąvokos, naudojamos apibūdinti duomenų išsibarstymą ar įvairovę duomenų rinkinyje. Dispersijos skalė suteikia išsamesnį duomenų pasiskirstymo vaizdą, atskleidžiant informaciją, kurios negalima matyti vien iš medianos ir vidurkio. Šiame straipsnyje bus aptartos kelios su dispersijos matais susijusios problemos ir jų aptarimas, siekiant paaiškinti šią sąvoką. Yra įvairių dispersijos matų, įskaitant diapazoną, standartinį nuokrypį, dispersiją ir interkvartilinį diapazoną (IQR).
1. Diapazonas
Apibrėžimas
Diapazonas yra skirtumas tarp didžiausių ir mažiausių duomenų rinkinio verčių.
Problemų pavyzdys
Futbolo komanda fiksuoja įvarčių, įmuštų per paskutines 10 rungtynių, skaičių taip:
3, 5, 2, 8, 7, 2, 6, 9, 4 ir 1.
Pembahasanas
Norėdami apskaičiuoti diapazoną, turime rasti didžiausią ir mažiausią duomenų vertes.
– Maksimalus balas: 9
– Minimali vertė: 1
Diapazonas = Didžiausia vertė – Mažiausia vertė = 9 – 1 = 8
Taigi, per pastarąsias 10 rungtynių įmuštų įvarčių diapazonas yra 8 įvarčiai.
2. Standartinis nuokrypis
Apibrėžimas
Standartinis nuokrypis yra matas, rodantis, kiek kiekviena duomenų rinkinio reikšmė skiriasi nuo savo vidurkio. Standartinis nuokrypis yra dispersijos kvadratinė šaknis.
Problemų pavyzdys
Štai klasės matematikos testo balai: 65, 70, 75, 80 ir 85.
Pembahasanas
Pirmas žingsnis yra apskaičiuoti vidutinį balą.
\[
\text{Vidurkis} = \frac{65 + 70 + 75 + 80 + 85}{5} = 75
\]
Antras žingsnis – apskaičiuoti skirtumą tarp kiekvienos vertės ir vidurkio, o tada rezultatą pakelti kvadratu:
– (65 – 75)² = 100
– (70 – 75)² = 25
– (75 – 75)² = 0
– (80 – 75)² = 25
– (85 – 75)² = 100
Trečias žingsnis – rasti dispersiją, apskaičiuojant skirtumų kvadratų vidurkį:
\[
\text{Dispersija} = \frac{100 + 25 + 0 + 25 + 100}{5} = 50
\]
Standartinis nuokrypis yra dispersijos kvadratinė šaknis:
\[
\text{Standartinis nuokrypis} = \sqrt{50} \apytiksliai 7.07
\]
Taigi, testo balų standartinis nuokrypis yra apie 7.07.
3. Dispersija
Apibrėžimas
Dispersija yra kiekvienos reikšmės ir jos vidurkio kvadratinių skirtumų vidurkis; ji apibūdina, kaip duomenys yra išsibarstę aplink vidurkį. Dispersija yra standartinio nuokrypio kvadratas.
Problemų pavyzdys
Tarkime, kad turime tokį duomenų rinkinį: 10, 20, 30, 40 ir 50.
Pembahasanas
Pirmas žingsnis yra apskaičiuoti duomenų vidurkį.
\[
\text{Vidurkis} = \frac{10 + 20 + 30 + 40 + 50}{5} = 30
\]
Antras žingsnis – apskaičiuoti skirtumą tarp kiekvienos vertės ir vidurkio, o tada rezultatą pakelti kvadratu:
– (10 – 30)² = 400
– (20 – 30)² = 100
– (30 – 30)² = 0
– (40 – 30)² = 100
– (50 – 30)² = 400
Trečias žingsnis – rasti dispersiją, apskaičiuojant skirtumų kvadratų vidurkį:
\[
\text{Dispersija} = \frac{400 + 100 + 0 + 100 + 400}{5} = 200
\]
Taigi, duomenų rinkinio dispersija yra 200.
4. Tarpkvartilinis diapazonas (IQR)
Apibrėžimas
Tarpkvartilinis diapazonas (IKD) yra skirtumas tarp trečiojo kvartilio (Q3) ir pirmojo kvartilio (Q1). IDK pateikia sklaidos matą nuo vidurinių 50 % duomenų rinkinyje, kuris gali būti informatyvesnis nei diapazonas.
Problemų pavyzdys
Šiame duomenų rinkinyje yra šios reikšmės: 1, 3, 4, 5, 6, 7, 8, 11, 13 ir 14.
Pembahasanas
Pirmiausia turime rūšiuoti duomenis:
1, 3, 4, 5, 6, 7, 8, 11, 13, 14
Norėdami apskaičiuoti Q1 ir Q3, turime duomenis padalyti į kvartiles.
– Mediana (Q2) yra tarp 6 ir 7: \((6+7)/2 = 6.5\)
Q1 atveju imame mažesnių verčių medianą:
- 1, 3, 4, 5, 6
– Šio pogrupio mediana yra 4
Q3 atveju imame viršutinių verčių medianą:
- 7, 8, 11, 13, 14
– Šio pogrupio mediana yra 11
Tarpkvartilinis diapazonas (IQR) = Q3 – Q1 = 11 – 4 = 7
Taigi, duomenų rinkinio IQR yra 7.
Išvada
Dispersijos matai yra svarbūs statistikos aspektai, padedantys suprasti duomenų variacijos laipsnį. Šiame straipsnyje aptarėme ir pateikėme pavyzdžių bei diskusijų apie kelis dažniausiai naudojamus dispersijos matus: diapazoną, standartinį nuokrypį, dispersiją ir tarpkvartilinį diapazoną. Suprasdami šias sąvokas ir kaip jas apskaičiuoti, geriau suprantame analizuojamų duomenų charakteristikas, o tai savo ruožtu gali padėti mums priimti labiau pagrįstus sprendimus remiantis tais duomenimis.
