സ്ഥിതിവിവരക്കണക്കുകളിൽ ഫ്രീക്വൻസി പോളിഗണുകൾ ഉപയോഗിച്ചുള്ള ഡാറ്റ വിശകലനം
സ്ഥിതിവിവരക്കണക്കുകളിൽ, നിഗമനങ്ങളിൽ എത്തിച്ചേരുന്നതിന് മുമ്പുള്ള ഒരു നിർണായക ഘട്ടമാണ് ഡാറ്റ അവതരണം. തുടക്കത്തിൽ അസംസ്കൃത സംഖ്യകൾ ഉൾക്കൊള്ളുന്ന ഡാറ്റ ശരിയായി ചിട്ടപ്പെടുത്തിയിട്ടില്ലെങ്കിൽ, ദൃശ്യവൽക്കരിച്ചിട്ടില്ലെങ്കിൽ മനസ്സിലാക്കാൻ പലപ്പോഴും ബുദ്ധിമുട്ടാണ്. ഡാറ്റ വിതരണം അവതരിപ്പിക്കുന്നതിനുള്ള ഒരു ഫലപ്രദമായ മാർഗം ഫ്രീക്വൻസി പോളിഗോണുകളാണ്. ഡാറ്റ വിതരണ പാറ്റേണുകൾ, പ്രബലമായ മൂല്യ പ്രവണതകൾ, വിതരണത്തിന്റെ ആകൃതി (ഉദാ. സമമിതി, ചരിഞ്ഞത്, അല്ലെങ്കിൽ ഒന്നിലധികം കൊടുമുടികൾ ഉള്ളത്) എന്നിവ കാണാൻ ഫ്രീക്വൻസി പോളിഗോണുകൾ നമ്മെ സഹായിക്കുന്നു. ഫ്രീക്വൻസി പോളിഗോണുകളുടെ ആശയം, അവ എങ്ങനെ സൃഷ്ടിക്കാം, എങ്ങനെ വ്യാഖ്യാനിക്കാം, സ്റ്റാറ്റിസ്റ്റിക്കൽ ഡാറ്റ വിശകലനത്തിൽ അവയുടെ ഉപയോഗം എന്നിവ ഈ ലേഖനം ചർച്ച ചെയ്യുന്നു.
ഫ്രീക്വൻസി പോളിഗണുകൾ മനസ്സിലാക്കൽ
ഗ്രൂപ്പ് ചെയ്ത ഡാറ്റയുടെ ഫ്രീക്വൻസി ഡിസ്ട്രിബ്യൂഷൻ ചിത്രീകരിക്കുന്ന ഒരു ലൈൻ ഗ്രാഫാണ് ഫ്രീക്വൻസി പോളിഗോൺ. ക്ലാസ് മിഡ്പോയിന്റുകളിലെ ഫ്രീക്വൻസികളെ പ്രതിനിധീകരിക്കുന്ന പോയിന്റുകളെ ബന്ധിപ്പിച്ചാണ് ഈ ഗ്രാഫ് രൂപപ്പെടുത്തിയിരിക്കുന്നത്. ബാറുകൾ അടങ്ങുന്ന ഒരു ഹിസ്റ്റോഗ്രാമിൽ നിന്ന് വ്യത്യസ്തമായി, ഫ്രീക്വൻസി പോളിഗോൺ ഒരു ലൈനാണ്, ഇത് നിരീക്ഷകർക്ക് ഒരൊറ്റ ഗ്രാഫിനുള്ളിൽ ഒന്നിലധികം ഡാറ്റ ഗ്രൂപ്പുകളുടെ ഡിസ്ട്രിബ്യൂഷൻ പാറ്റേണുകൾ താരതമ്യം ചെയ്യുന്നത് എളുപ്പമാക്കുന്നു.
ഫ്രീക്വൻസിയിലെ മാറ്റങ്ങളോ ട്രെൻഡുകളോ കൂടുതൽ സുഗമമായി പ്രദർശിപ്പിക്കാൻ ആഗ്രഹിക്കുമ്പോൾ ഫ്രീക്വൻസി പോളിഗോണുകൾ പലപ്പോഴും ഉപയോഗിക്കാറുണ്ട്. ഉദാഹരണത്തിന്, ടെസ്റ്റ് സ്കോറുകൾ, ഉയരം, ഭാരം അല്ലെങ്കിൽ ഉൽപ്പാദന ഡാറ്റ എന്നിവ വിശകലനം ചെയ്യുമ്പോൾ, ഡാറ്റ കൂടുതലും ഒരു നിശ്ചിത ശ്രേണിയിലാണോ അതോ തുല്യമായി വിതരണം ചെയ്യപ്പെട്ടിട്ടുണ്ടോ എന്ന് ഫ്രീക്വൻസി പോളിഗോണുകൾക്ക് കാണിക്കാൻ കഴിയും.
ഫ്രീക്വൻസി പോളിഗണുകൾ എപ്പോഴാണ് ഉപയോഗിക്കുന്നത്?
ഡാറ്റ ഇനിപ്പറയുന്ന സാഹചര്യങ്ങളിൽ പ്രധാനമായും ഫ്രീക്വൻസി പോളിഗോണുകൾ ഉപയോഗിക്കുന്നു:
1. അളവ് ഡാറ്റയുടെ രൂപത്തിൽ (ഉദാ. മൂല്യം, ഭാരം, ഉയരം, സമയം).
2. ക്ലാസ് ഇടവേളകളിൽ ഗ്രൂപ്പുചെയ്തിട്ടുണ്ട് അല്ലെങ്കിൽ ഗ്രൂപ്പുചെയ്യേണ്ടതുണ്ട്.
3. ഒരു ഗ്രാഫിൽ രണ്ടോ അതിലധികമോ വിതരണങ്ങൾ താരതമ്യം ചെയ്യേണ്ടത് ആവശ്യമാണ്, കാരണം ഹിസ്റ്റോഗ്രാം ബാറുകളേക്കാൾ ലൈനുകൾ അടുക്കി വയ്ക്കാൻ എളുപ്പമാണ്.
പര്യവേക്ഷണ ഡാറ്റ വിശകലന ഘട്ടത്തിലും ഫ്രീക്വൻസി പോളിഗോണുകൾ വളരെ ഉപയോഗപ്രദമാണ്, അതായത് സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെസ്റ്റുകൾ, റിഗ്രഷൻ അല്ലെങ്കിൽ പ്രവചനം പോലുള്ള കൂടുതൽ വിശകലനം നടത്തുന്നതിന് മുമ്പ് ഗവേഷകർ ഡാറ്റയുടെ പൊതു സവിശേഷതകൾ മനസ്സിലാക്കാൻ ആഗ്രഹിക്കുമ്പോൾ.
ഫ്രീക്വൻസി പോളിഗണിലെ പ്രധാന ഘടകങ്ങൾ
ഒരു ഫ്രീക്വൻസി പോളിഗോൺ സൃഷ്ടിക്കാൻ, നിരവധി അടിസ്ഥാന ഘടകങ്ങൾ മനസ്സിലാക്കേണ്ടതുണ്ട്:
- ക്ലാസ് ഇടവേള: ഡാറ്റയെ നിരവധി ഗ്രൂപ്പുകളായി വിഭജിക്കുന്ന മൂല്യങ്ങളുടെ ശ്രേണി.
– ആവൃത്തി: ഓരോ ക്ലാസ് ഇടവേളയിലും നൽകിയ ഡാറ്റയുടെ എണ്ണം.
– ക്ലാസ് മിഡ്പോയിന്റ്: ഫോർമുല ഉപയോഗിച്ച് കണക്കാക്കിയ ഒരു ഇടവേളയുടെ മധ്യ മൂല്യം:
\[
\text{മിഡ്പോയിന്റ്} = \frac{\text{ലോവർ ലിമിറ്റ്} + \text{അപ്പർ ലിമിറ്റ്}}{2}
\]
– X, Y അക്ഷങ്ങൾ: X അക്ഷത്തിൽ ക്ലാസ് മിഡ്പോയിന്റ് അടങ്ങിയിരിക്കുന്നു, അതേസമയം Y അക്ഷം ആവൃത്തി കാണിക്കുന്നു.
ഈ ഘടകം ഉപയോഗിച്ച്, നമുക്ക് പോയിന്റുകൾ (മധ്യബിന്ദു, ആവൃത്തി) വരച്ച് അവയെ ഒരു രേഖയിലേക്ക് ബന്ധിപ്പിക്കാൻ കഴിയും.
ഒരു ഫ്രീക്വൻസി പോളിഗോൺ സൃഷ്ടിക്കുന്നതിനുള്ള ഘട്ടങ്ങൾ
റോ ഡാറ്റയിൽ നിന്ന് ഒരു ഫ്രീക്വൻസി പോളിഗോൺ സൃഷ്ടിക്കുന്നതിനുള്ള പൊതുവായ ഘട്ടങ്ങൾ ഇവയാണ്:
1. ഡാറ്റ ക്രമീകരിക്കലും നിരവധി ക്ലാസുകൾ നിർണ്ണയിക്കലും
ആദ്യപടി അസംസ്കൃത ഡാറ്റ തയ്യാറാക്കുക എന്നതാണ്. അതിനുശേഷം, ക്ലാസുകളുടെ എണ്ണം (k) നിർണ്ണയിക്കുക. ഒരു ജനപ്രിയ സമീപനമാണ് സ്റ്റർജസിന്റെ ഫോർമുല:
\[
k = 1 + 3{,}3 \log(n)
\]
ഇവിടെ \(n\) എന്നത് ഡാറ്റയുടെ എണ്ണമാണ്.
2. ക്ലാസിന്റെ ശ്രേണിയും വീതിയും നിർണ്ണയിക്കുക
ഡാറ്റ ശ്രേണി കണക്കാക്കുക:
\[
R = x_{\text{max}} – x_{\text{min}}
\]
അപ്പോൾ ക്ലാസ് വീതി കണക്കാക്കാം:
\[
പി = \frac{R}{k}
\]
ഉപയോഗ എളുപ്പത്തിനായി ക്ലാസ് വീതികൾ സാധാരണയായി വൃത്താകൃതിയിലാണ്.
3. ഒരു ഫ്രീക്വൻസി ഡിസ്ട്രിബ്യൂഷൻ ടേബിൾ സൃഷ്ടിക്കുക
ക്ലാസ് ഇടവേളകൾ ക്രമീകരിക്കുക, തുടർന്ന് ഓരോ ഇടവേളയിലും എത്ര ഡാറ്റ പോയിന്റുകൾ വരുന്നുവെന്ന് എണ്ണുക. ഫലം ഒരു ഫ്രീക്വൻസി ഡിസ്ട്രിബ്യൂഷൻ പട്ടികയാണ്.
4. ഓരോ ക്ലാസിന്റെയും മധ്യബിന്ദു കണക്കാക്കുക
ഓരോ ഇടവേളയ്ക്കും, മധ്യബിന്ദു കണക്കാക്കുക. ഈ മധ്യബിന്ദു X-അക്ഷത്തിൽ ഉപയോഗിക്കും.
5. ഒരു ഗ്രാഫ് സൃഷ്ടിക്കുന്നു
– ക്ലാസ്സിന്റെ മധ്യബിന്ദു X അക്ഷത്തിൽ വയ്ക്കുക.
– ആവൃത്തി Y അക്ഷത്തിൽ സ്ഥാപിക്കുക.
– പോയിന്റുകളുടെ ജോഡി പ്ലോട്ട് ചെയ്യുക (മധ്യബിന്ദു, ആവൃത്തി).
- പോയിന്റുകൾ ഒരു നേർരേഖ ഉപയോഗിച്ച് ബന്ധിപ്പിക്കുക.
പോളിഗോൺ ശരിയായി "അടയ്ക്കാൻ", സാധാരണയായി പൂജ്യം ഫ്രീക്വൻസിയുള്ള തുടക്കത്തിലും അവസാനത്തിലും, ഒന്നാം ക്ലാസിന് മുമ്പും അവസാന ക്ലാസിന് ശേഷവും ക്ലാസിന്റെ മധ്യബിന്ദുവിൽ ഒരു ബിന്ദു ചേർക്കുന്നു.
വ്യാഖ്യാനത്തിന്റെ ലളിതമായ ഉദാഹരണം
ഉദാഹരണത്തിന്, ഒരു ഫ്രീക്വൻസി പോളിഗോൺ അതിന്റെ ഏറ്റവും ഉയർന്ന കൊടുമുടി 70 ന്റെ മധ്യബിന്ദുവിൽ കാണിക്കുന്നു, ഏറ്റവും ഉയർന്ന ഫ്രീക്വൻസിയോടെ. ഇത് സൂചിപ്പിക്കുന്നത് ഏറ്റവും സാധാരണയായി സംഭവിക്കുന്ന മൂല്യം 70 ആണെന്നാണ്, ഇത് സൂചിപ്പിക്കുന്നത് വിദ്യാർത്ഥികളുടെ പ്രകടനത്തിന്റെ ഭൂരിഭാഗവും ആ മൂല്യത്തിന് ചുറ്റുമാണ് എന്നാണ്. പോളിഗോൺ വലത്തേക്ക് കുത്തനെ താഴുകയും (വലിയ മൂല്യങ്ങൾ) ഇടത്തേക്ക് വ്യാപിക്കുകയും ചെയ്യുന്നുവെങ്കിൽ (ചെറിയ മൂല്യങ്ങൾ), ഡാറ്റ വിതരണം ഇടത്തേക്ക് ചരിഞ്ഞേക്കാം; നേരെമറിച്ച്, അത് വലത്തേക്ക് വ്യാപിക്കുകയാണെങ്കിൽ, വിതരണം വലത്തേക്ക് ചരിഞ്ഞിരിക്കും.
ആകൃതിക്ക് പുറമേ, വരിയുടെ ചരിവ് ക്ലാസുകൾക്കിടയിലുള്ള ആവൃത്തിയിലെ മാറ്റങ്ങളെയും സൂചിപ്പിക്കുന്നു. ഒരു കുത്തനെയുള്ള വർദ്ധനവ് അടുത്ത ക്ലാസിലെ ഡാറ്റാ പോയിന്റുകളുടെ എണ്ണത്തിൽ ഗണ്യമായ വർദ്ധനവിനെ സൂചിപ്പിക്കുന്നു. ഒരു കുത്തനെയുള്ള കുറവ് വിപരീതത്തെ സൂചിപ്പിക്കുന്നു.
ഫ്രീക്വൻസി പോളിഗോൺ vs ഹിസ്റ്റോഗ്രാം
രണ്ടും ഫ്രീക്വൻസി ഡിസ്ട്രിബ്യൂഷനുകളെ വിവരിക്കുന്നുണ്ടെങ്കിലും, പ്രധാനപ്പെട്ട വ്യത്യാസങ്ങളുണ്ട്:
1. ദൃശ്യ രൂപം
– ഹിസ്റ്റോഗ്രാം: അടുത്തുള്ള ബാറുകൾ.
– ഫ്രീക്വൻസി പോളിഗോൺ: പോയിന്റുകളെ ബന്ധിപ്പിക്കുന്ന രേഖകൾ.
2. താരതമ്യത്തിന്റെ എളുപ്പം
– പല ഗ്രൂപ്പുകൾക്കും ഹിസ്റ്റോഗ്രാമുകൾ അടുക്കി വയ്ക്കാൻ പ്രയാസമാണ്.
- ഒരു ഗ്രാഫിൽ ഫ്രീക്വൻസി പോളിഗോണുകൾ താരതമ്യം ചെയ്യാൻ എളുപ്പമാണ്.
3. പാറ്റേൺ വായനാക്ഷമത
– ബഹുഭുജങ്ങൾ വിതരണ വക്രത്തിന്റെ പൊതുവായ രൂപം കൂടുതൽ വ്യക്തമായി കാണിക്കുന്നു.
- ക്ലാസ് ഘടന വിശദമായി കാണാൻ ഹിസ്റ്റോഗ്രാം സഹായിക്കുന്നു.
പ്രായോഗികമായി, ഫ്രീക്വൻസി പോളിഗോണുകൾ പലപ്പോഴും ഹിസ്റ്റോഗ്രാമുകളെ അടിസ്ഥാനമാക്കിയാണ് നിർമ്മിക്കുന്നത്: ഓരോ ഹിസ്റ്റോഗ്രാം ബാറിന്റെയും മധ്യബിന്ദുക്കൾ ഒരു രേഖയാൽ ബന്ധിപ്പിച്ചിരിക്കുന്നു.
ഡാറ്റ വിശകലനത്തിൽ ഫ്രീക്വൻസി പോളിഗണുകളുടെ പ്രയോജനങ്ങൾ
ഫ്രീക്വൻസി പോളിഗോണുകൾ വെറും ഇമേജുകൾ മാത്രമല്ല, വിശകലന ഉപകരണങ്ങളാണ്. അവയുടെ ചില ഗുണങ്ങൾ:
1. ഡാറ്റാ സെന്റർ (കേന്ദ്ര പ്രവണത) തിരിച്ചറിയുക
പോളിഗോണിന്റെ കൊടുമുടി മോഡ് ക്ലാസിനെ സൂചിപ്പിക്കുന്നു, അതായത് ഏറ്റവും ഉയർന്ന ആവൃത്തിയുള്ള ഇടവേള.
2. വിതരണം (വേരിയബിളിറ്റി) നോക്കുക.
വിശാലമായ ബഹുഭുജങ്ങൾ കൂടുതൽ വൈവിധ്യമാർന്ന ഡാറ്റയെ സൂചിപ്പിക്കുന്നു; ഇടുങ്ങിയ ബഹുഭുജങ്ങൾ കൂടുതൽ കേന്ദ്രീകൃത ഡാറ്റയെ സൂചിപ്പിക്കുന്നു.
3. വിതരണ ഫോം വിലയിരുത്തുക
വിതരണങ്ങൾ സമമിതി, ചരിഞ്ഞത് അല്ലെങ്കിൽ ദ്വിമാന (രണ്ട് കൊടുമുടികൾ) ആകാം. കൂടുതൽ വിശകലന രീതികൾ നിർണ്ണയിക്കുന്നതിന് ഇത് പ്രധാനമാണ്.
4. ഗ്രൂപ്പുകളെ താരതമ്യം ചെയ്യുന്നു
ഉദാഹരണത്തിന്, ക്ലാസ് എ, ക്ലാസ് ബി എന്നിവയുടെ മൂല്യങ്ങൾ താരതമ്യം ചെയ്യുക, അല്ലെങ്കിൽ മെഷീൻ 1, മെഷീൻ 2 എന്നിവയുടെ ഉൽപ്പാദന ഫലങ്ങൾ താരതമ്യം ചെയ്യുക. വിതരണത്തിലെ വ്യത്യാസം കാണുന്നതിന് രണ്ട് ബഹുഭുജങ്ങൾ ഒരുമിച്ച് വരയ്ക്കാം.
5. അസാധാരണമായ ഡാറ്റ കണ്ടെത്തൽ
പ്രധാന കൊടുമുടിയിൽ നിന്ന് വളരെ അകലെയായി ചെറിയ കൊടുമുടികൾ ഉണ്ടെങ്കിൽ, വ്യത്യസ്ത ഡാറ്റ ഗ്രൂപ്പുകൾ, ഇൻപുട്ട് പിശകുകൾ അല്ലെങ്കിൽ ഔട്ട്ലൈയറുകൾ ഉണ്ടാകാം.
സാധാരണ തെറ്റുകളും സേവിക്കുന്നതിനുള്ള നുറുങ്ങുകളും
ഫ്രീക്വൻസി പോളിഗോണുകൾ സൃഷ്ടിക്കുമ്പോൾ സംഭവിക്കുന്ന ചില സാധാരണ തെറ്റുകൾ ഇവയാണ്:
– ക്ലാസ് മിഡ്പോയിന്റുകൾ ഉപയോഗിക്കുന്നതിനുപകരം, X-അക്ഷത്തിൽ ക്ലാസ് ബൗണ്ടറികൾ ഉപയോഗിക്കുക.
– ക്ലാസ് വീതികൾ പൊരുത്തമില്ലാത്തതാണ്, ഇത് തെറ്റിദ്ധരിപ്പിക്കുന്ന വ്യാഖ്യാനങ്ങളിലേക്ക് നയിക്കുന്നു.
– അറ്റത്ത് പൂജ്യം ഫ്രീക്വൻസി പോയിന്റുകൾ ചേർക്കുന്നില്ല, അതിനാൽ പോളിഗോൺ "തൂങ്ങിക്കിടക്കുന്നതായി" തോന്നുന്നു.
– അനുപാതമില്ലാത്ത അച്ചുതണ്ട് സ്കെയിൽ.
നല്ല വിളമ്പൽ നുറുങ്ങുകൾ:
- സ്ഥിരമായ ക്ലാസ് ഇടവേളകൾ ഉപയോഗിക്കുക.
– വ്യക്തമായ ഒരു ശീർഷകം, അച്ചുതണ്ട് ലേബലുകൾ, സ്കെയിൽ എന്നിവ നൽകുക.
– രണ്ട് ഗ്രൂപ്പുകളെ താരതമ്യം ചെയ്യുകയാണെങ്കിൽ, വ്യത്യസ്ത നിറങ്ങൾ/രേഖകൾ ഉപയോഗിച്ച് ഒരു ഇതിഹാസം ചേർക്കുക.
– വിതരണ പാറ്റേൺ വ്യക്തമായി കാണുന്നതിന് ക്ലാസുകളുടെ എണ്ണം വളരെ കുറവോ കൂടുതലോ അല്ലെന്ന് ഉറപ്പാക്കുക.
പെനുട്ടപ്പ്
ഗ്രൂപ്പ് ചെയ്ത ഡാറ്റയുടെ വിതരണം മനസ്സിലാക്കുന്നതിന് സ്റ്റാറ്റിസ്റ്റിക്കൽ വിഷ്വലൈസേഷന്റെ വളരെ ഉപയോഗപ്രദമായ ഒരു രൂപമാണ് ഫ്രീക്വൻസി പോളിഗോണുകൾ. ക്ലാസ് മിഡ്പോയിന്റുകളും ഫ്രീക്വൻസികളും ഉപയോഗിക്കുന്നതിലൂടെ, ഫ്രീക്വൻസി പോളിഗോണുകൾ ഡാറ്റ പാറ്റേണുകളുടെ വ്യക്തമായ ചിത്രം അവതരിപ്പിക്കുന്നു, ഗ്രൂപ്പുകളിലുടനീളം എളുപ്പത്തിൽ താരതമ്യം ചെയ്യുന്നു, കൂടുതൽ വിശകലനം നടത്തുന്നതിന് മുമ്പ് വിതരണത്തിന്റെ സവിശേഷതകൾ തിരിച്ചറിയാൻ ഗവേഷകരെ സഹായിക്കുന്നു. സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രാക്ടീസിൽ, ഫ്രീക്വൻസി പോളിഗോണുകൾ വായിക്കാനും നിർമ്മിക്കാനുമുള്ള കഴിവ്, പ്രത്യേകിച്ച് ക്വാണ്ടിറ്റേറ്റീവ് ഡാറ്റ വിശകലനത്തിന് അത്യാവശ്യമായ ഒരു അടിസ്ഥാന വൈദഗ്ധ്യമാണ്. ശരിയായ ക്ലാസ് ഘടനയും ശ്രദ്ധാപൂർവ്വമായ വ്യാഖ്യാനവും ഉപയോഗിച്ച്, ഡാറ്റാധിഷ്ഠിത തീരുമാനമെടുക്കലിനെ പിന്തുണയ്ക്കുന്നതിനുള്ള ലളിതവും എന്നാൽ ശക്തവുമായ ഒരു ഉപകരണമായി ഫ്രീക്വൻസി പോളിഗോണുകൾക്ക് കഴിയും.
