स्कॅटर डायग्राम: व्याख्या, कार्य आणि अनुप्रयोग
स्कॅटर डायग्राम समजून घेणे
स्कॅटरप्लॉट, ज्याला स्कॅटर डायग्राम किंवा स्कॅटर प्लॉट असेही म्हणतात, हा सांख्यिकी आणि डेटा विश्लेषणात दोन सलग चलांमधील संबंधांचा सारांश देण्यासाठी आणि ते दृश्य स्वरूपात मांडण्यासाठी वापरला जाणारा एक प्रकारचा आलेख आहे. ही आकृती कार्टेशियन प्रतलावर डेटा पॉइंट्स दर्शवते, जिथे x- आणि y-अक्ष प्रत्येकी एका चलाचे प्रतिनिधित्व करतात. आकृतीवरील प्रत्येक बिंदू दोन निरीक्षण केलेल्या चलांच्या मूल्यांची एक जोडी दर्शवतो. सामान्यतः, स्कॅटरप्लॉट्स आपल्याला दोन चलांमधील नमुने, कल आणि संभाव्य सहसंबंध समजून घेण्यास मदत करतात.
स्कॅटर डायग्राम फंक्शन
डेटा विश्लेषणात स्कॅटर प्लॉटची विविध कार्ये आहेत, त्यापैकी काही खालीलप्रमाणे आहेत:
१. संबंध निश्चित करणे: दोन चलांमध्ये संबंध किंवा सहसंबंध आहे की नाही हे ठरवण्यासाठी स्कॅटरप्लॉट मदत करतात. उदाहरणार्थ, एखाद्या व्यक्तीची उंची आणि वजन यांच्यात सहसंबंध आहे की नाही हे पाहण्यासाठी.
२. आउटलायर्स ओळखा: डेटाचा आलेख काढल्यास, आउटलायर्स, म्हणजेच उर्वरित डेटापेक्षा लक्षणीयरीत्या वेगळा असलेला डेटा, सहजपणे ओळखता येतो. आउटलायर्स हे मापनातील त्रुटींमुळे किंवा इतर अज्ञात घटनांमुळे निर्माण होऊ शकतात.
३. डेटा व्हिज्युअलायझेशन: स्कॅटरप्लॉट्समुळे अधिक सखोल दृश्य निरीक्षण करता येते, जे एका साध्या डेटा टेबलमधून नेहमीच स्पष्ट दिसत नाही. ते व्हेरिएबल्समधील संबंधाची तीव्रता आणि त्या संबंधाचा आकार (तो रेषीय, वर्गसमीकरणात्मक किंवा अनियमित आहे का) यावर अधिक स्पष्ट दृष्टिकोन देतात.
४. नमुने आणि प्रवृत्ती ओळखणे: स्कॅटरप्लॉटवर डेटा रेखाटून, डेटामधील नमुने आणि प्रवृत्ती ओळखता येतात. उदाहरणार्थ, एखादे चल विशिष्ट वाढत्या किंवा घटत्या पद्धतीचे अनुसरण करते की नाही हे पाहता येते.
स्कॅटर डायग्राममधील सहसंबंध
स्कॅटरप्लॉट विश्लेषणात, सहसंबंधाची संकल्पना समजून घेणे महत्त्वाचे आहे, जी दोन चलांमधील संबंधाची तीव्रता मोजते. सहसंबंध सकारात्मक, नकारात्मक किंवा शून्य असू शकतो.
१. सकारात्मक सहसंबंध: जेव्हा एका चलाच्या मूल्यात वाढ झाल्यावर दुसऱ्या चलाच्या मूल्यातही वाढ होते, तेव्हा हा सहसंबंध आढळतो. आकृतीमध्ये, माहितीचे बिंदू खालच्या डावीकडून वरच्या उजवीकडे जाणारी एक रेषा किंवा वक्र तयार करतात.
२. नकारात्मक सहसंबंध: जेव्हा एका चलाच्या मूल्यात वाढ झाल्यानंतर दुसऱ्या चलाच्या मूल्यात घट होते, तेव्हा हा सहसंबंध आढळतो. आकृतीमध्ये, माहितीचे बिंदू एक रेषा किंवा वक्र तयार करतात, जो वरच्या डावीकडून खालच्या उजवीकडे खाली उतरतो.
३. शून्य सहसंबंध: जेव्हा दोन चलांमध्ये कोणताही स्पष्ट संबंध नसतो तेव्हा हे घडते. डेटा पॉइंट्स कोणत्याही स्पष्ट नमुन्याशिवाय यादृच्छिकपणे विखुरलेले असतात.
स्कॅटर चार्ट कसा बनवायचा
स्कॅटरप्लॉट तयार करण्यासाठी, खालील पायऱ्यांचे अनुसरण करा:
१. डेटा गोळा करा: x आणि y या व्हेरिएबल्सचे प्रतिनिधित्व करणारे डेटाचे दोन संच तयार करा.
२. प्रमाण आणि अक्ष निश्चित करा: दोन चलांच्या मूल्य श्रेणीच्या आधारावर x-अक्ष आणि y-अक्षाचे प्रमाण निश्चित करा.
३. डेटा प्लॉट करा: दोन चलांच्या मूल्यांच्या जोड्या आलेखावर बिंदू म्हणून प्लॉट करा.
४. विश्लेषण: संभाव्य नमुने किंवा प्रवृत्ती निश्चित करण्यासाठी आलेखाचे निरीक्षण करा आणि सखोल तपासणीसाठी सहसंबंधांची गणना करा.
स्कॅटर डायग्रामचे उदाहरण
समजा आपल्याकडे दहा लोकांची उंची (सेमीमध्ये) आणि वजन (किलोमध्ये) यांची माहिती आहे:
| उंची (सेमी) | शरीराचे वजन (किलो) |
|——————-|——————|
| २०० | ९५ |
| २०० | ९५ |
| २०० | ९५ |
| २०० | ९५ |
| २०० | ९५ |
| २०० | ९५ |
| २०० | ९५ |
| २०० | ९५ |
| २०० | ९५ |
| ८ | ९७ |
हा डेटा स्कॅटर डायग्रामवर दर्शवल्यास, आपल्याला उंची आणि वजन यांच्यात सकारात्मक सहसंबंध असल्याचे दिसून येईल.
स्कॅटर डायग्रामची वास्तविक जगातील अंमलबजावणी
स्कॅटरप्लॉट आकृत्यांचा उपयोग विविध क्षेत्रांमध्ये आणि उद्योगांमध्ये सखोल डेटा विश्लेषणासाठी केला जातो. काही वास्तविक उदाहरणे खालीलप्रमाणे आहेत:
१. आरोग्य: आहार आणि रक्तदाब, किंवा झोपेचा कालावधी आणि दैनंदिन उत्पादकता पातळी यांसारख्या विविध आरोग्य घटकांमधील संबंध निश्चित करणे.
२. अर्थशास्त्र: गुंतवणूक आणि परताव्याचे विश्लेषण, व्याजदर आणि चलनवाढीचा दर यांसारख्या घटकांमधील संबंधांचा अभ्यास.
३. शिक्षण: शैक्षणिक कामगिरीवर प्रभाव टाकणारे घटक समजून घेण्यासाठी, अभ्यासाचा वेळ आणि विद्यार्थ्यांच्या परीक्षेतील गुण यांच्यातील सहसंबंध तपासणे.
४. व्यवसाय : विपणनामध्ये, जाहिरात खर्चाची विक्री वाढीशी तुलना करून जाहिरात मोहिमेची परिणामकारकता मोजणे.
स्कॅटर डायग्रामच्या मर्यादा
अनेक फायदे असूनही, स्कॅटरप्लॉटच्या काही मर्यादाही आहेत:
१. कारण स्पष्ट करत नाही: स्कॅटरप्लॉटमध्ये दिसणारा सहसंबंध हा कार्यकारण संबंध दर्शवत नाही. सहसंबंध केवळ संबंध अस्तित्वात असल्याचे दर्शवतो, परंतु त्या संबंधाचे कारण किंवा दिशा स्पष्ट करत नाही.
२. खूप मोठ्या डेटासाठी अवघड : खूप मोठ्या डेटाच्या बाबतीत, स्कॅटरप्लॉट्स इतके दाट होऊ शकतात की त्यांचा अर्थ लावणे अवघड होते.
३. फक्त दोन चल: स्कॅटरप्लॉट केवळ दोन चलांमधील संबंध दर्शवू शकतो. दोनपेक्षा जास्त चलांचा समावेश असलेल्या संबंधांसाठी, बहुचलीय विश्लेषण तंत्रांची आवश्यकता असते.
निष्कर्ष
स्कॅटरप्लॉट्स हे सांख्यिकी आणि डेटा विश्लेषणामध्ये दोन व्हेरिएबल्समधील संबंध दृश्यात्मक स्वरूपात मांडण्यासाठी आणि त्यांचे विश्लेषण करण्यासाठी एक शक्तिशाली साधन आहे. सहसंबंध, ट्रेंड्स आणि आउटलायर्स ओळखण्यास मदत करून, ते डेटाची सखोल समज सुलभ करतात. जरी त्यांच्या काही मर्यादा असल्या तरी, स्कॅटरप्लॉट्सचा योग्य वापर विविध क्षेत्रांमध्ये उत्तम निर्णय घेण्यासाठी उपयुक्त ठरणारी मौल्यवान माहिती देऊ शकतो. स्कॅटरप्लॉट्स कसे तयार करावे आणि त्यांचे विश्लेषण कसे करावे हे समजून घेणे, डेटासोबत काम करणाऱ्या प्रत्येकासाठी एक आवश्यक कौशल्य आहे.
