Grupės duomenų kvartiliai
Pendahuluanas
Statistika, mokslo šaka, nagrinėjanti duomenų rinkimą, analizę, interpretavimą, pateikimą ir tvarkymą, turi daug svarbių sąvokų, kurios padeda priimti duomenimis pagrįstus sprendimus. Viena svarbi statistinė duomenų analizės sąvoka yra kvartiliai. Kvartiliai padeda suprasti duomenų pasiskirstymą ir kaip duomenys yra grupuojami. Šiame straipsnyje išsamiai aptarsime kvartilius sugrupuotų duomenų kontekste, kaip juos apskaičiuoti ir kaip rezultatų interpretavimas gali suteikti gilesnių įžvalgų apie duomenų pasiskirstymą.
Kvartilių supratimas
Paprastai tariant, kvartiliai yra vertės, kurios padalija duomenis į keturias lygias dalis. Duomenų pasiskirstymo kontekste kvartiliai padalija duomenis į tris taškus, sudarydami keturis intervalus. Šie trys taškai: pirmasis kvartilis (Q1), antrasis kvartilis (Q2) ir trečiasis kvartilis (Q3) yra esminiai statistinei analizei. Kiekvienas kvartilis turi skirtingą reikšmę ir funkciją suprantant duomenis.
– Pirmasis kvartilis (Q1): tai yra apatinės duomenų pusės vidurinė vertė, dar vadinama 25-uoju procentiliu.
– Antrasis kvartilis (Q2): tai visų duomenų vidurinė vertė, dar vadinama mediana arba 50-uoju procentiliu.
– Trečiasis kvartilis (Q3): tai viršutinės duomenų pusės vidurinė vertė, dar vadinama 75-uoju procentiliu.
Kvartiliai naudojami apibūdinti įvairius skirstinio aspektus ir pateikti išsamesnę informaciją apie duomenų diapazoną ir nuoseklumą.
Kvartiliai sugrupuotuose duomenyse
Realiame pasaulyje surinkti duomenys paprastai nėra grupuojami (neapdoroti duomenys), o suskirstomi į grupes su atitinkamu dažniu (sugrupuoti duomenys). Sugrupuotų duomenų analizė siekia pateikti informacijos apie tai, kaip duomenys pasiskirsto įvairiose kategorijose ar klasėse. Sugrupuotų duomenų kvartilių apskaičiavimas apima kelis skirtingus veiksmus nei negrupuotų duomenų atveju.
Grupuotų duomenų kvartilių skaičiavimo veiksmai
Norint apskaičiuoti kvartilius sugrupuotuose duomenyse, mums reikia pagrindinės informacijos iš dažnių skirstinio, pvz., viršutinės ir apatinės klasės ribos, kiekvienos klasės dažnis ir bendras dažnis. Štai veiksmai, kaip apskaičiuoti sugrupuotų duomenų kvartilius:
1. Nustatykite kvartilio klasę:
– Pirmasis kvartilis (Q1): randamas klasėse, kuriose kaupiamasis dažnis artėja prie \( \frac{N}{4} \)
– Antrasis kvartilis (Q2) arba mediana: randama klasėse, kuriose kaupiamasis dažnis artėja prie \( \frac{N}{2} \)
– Trečiasis kvartilis (Q3): randamas klasėse, kuriose kaupiamasis dažnis artėja prie \( \frac{3N}{4} \)
2. Grupuotiems duomenims naudokite kvartilio formulę:
– Pirmojo kvartilio (Q1) formulė:
\[
Q1 = L + ∫(∫(N4 – Fkf) × c)
\]
– Antrojo kvartilio (Q2) formulė:
\[
Q2 = L + ∫(∫(N2 – Fkf) × c)
\]
– Trečiojo kvartilio (Q3) formulė:
\[
Q3 = L + ∫(∫(3N4 – Fkf) × c)
\]
Kur:
– \(L \) yra apatinė kvartilio klasės riba
– \(N \) yra bendras dažnis
– \(Fk \) yra kaupiamasis dažnis iki kvartilio klasės
– \(f \) yra kvartilinės klasės dažnis
– \(c \) yra klasės plotis
Grupuotų duomenų kvartilio skaičiavimo pavyzdys
Kad būtų lengviau suprasti, panagrinėkime šį pavyzdį:
Duomenų dažnio pasiskirstymas yra toks:
| Klasės intervalas | Dažnis (f) |
|——————-|——————|
| 10–20 | 5 |
| 20–30 | 8 |
| 30–40 | 12 |
| 40–50 | 7 |
| 50–60 | 3 |
Langkah-langkah:
1. Nustatykite N: bendrą dažnį (N = 5 + 8 + 12 + 7 + 3 = 35)
2. Kaupiamasis dažnis (Fk):
| Intervalo klasė | Dažnis (f) | Kaupiamasis dažnis (Fk) |
|——————-|——————|—————————–|
| 10–20 | 5 | 5 |
| 20–30 | 8 | 13 |
| 30–40 | 12 | 25 |
| 40–50 | 7 | 32 |
| 50–60 | 3 | 35 |
3. Kvartilinių klasių radimas:
– Q1: \( \frac{N}{4} = 8.75 \) priklauso 20–30 klasei
– Q2: \( \frac{N}{2} = 17.5 \) priklauso 30–40 klasei
– Q3: \( \frac{3N}{4} = 26.25 \) priklauso 40–50 klasei
4. Kvartilių skaičiavimas:
– 1 ketvirčiui:
– (L = 20)
– (Fk = 5)
– (f = 8)
– (c = 10)
\[
Q1 = 20 + ∫(∫(8.75 – 5)(8)) × 10 = 20 + (0.46875) × 10 = 24.6875
\]
– 2 ketvirčiui:
– (L = 30)
– (Fk = 13)
– (f = 12)
– (c = 10)
\[
Q2 = 30 + ∫(∫(17.5 – 13)(12)) × 10 = 30 + (0.375) × 10 = 33.75
\]
– 3 ketvirčiui:
– (L = 40)
– (Fk = 25)
– (f = 7)
– (c = 10)
\[
Q3 = 40 + ∫(∫(26.25 – 25)(7)) × 10 = 40 + (0.17857) × 10 = 41.7857
\]
Rezultatų interpretavimas
Naudodami aukščiau pateiktus skaičiavimus, gauname, kad:
– Q1 = 24.6875
– Q2 = 33.75
– Q3 = 41.7857
Šie kvartiliai suteikia mums papildomos informacijos apie duomenų pasiskirstymą:
– Q1 = 24.6875: 25 % duomenų yra žemiau 24.6875
– Q2 = 33.75: 50 % duomenų yra žemiau 33.75
– Q3 = 41.7857: 75 % duomenų yra žemiau 41.7857
Kvartilinė informacija leidžia suprasti duomenų koncentraciją ir jų kintamumo diapazoną. Ši informacija gali būti labai naudinga priimant sprendimus ir toliau analizuojant duomenis, pavyzdžiui, nustatant išskirtis arba vertinant sistemos veikimą.
Išvada
Kvartiliai sugrupuotuose duomenyse vaidina labai svarbų vaidmenį statistinėje analizėje. Taikydami tinkamus metodus, galime išsamiau ir tiksliau suprasti duomenų pasiskirstymą. Ši informacija ne tik padeda interpretuoti duomenis, bet ir palengvina labiau pagrįstų sprendimų priėmimą, pagrįstą empiriniais įrodymais. Apibendrinant galima teigti, kad supratimas, kaip apskaičiuoti ir interpretuoti kvartilius sugrupuotuose duomenyse, yra pagrindinis įgūdis, kurį turi įvaldyti kiekvienas duomenų analitikas.
