ကွာတိုင်းလ် အကွာအဝေး

Interquartile Range: ဒေတာတွင် ပြောင်းလဲမှုပမာဏကို တိုင်းတာခြင်း

Pendahuluan

ဒေတာအစုများသည် လေ့လာမှုနယ်ပယ်အမျိုးမျိုးတွင် စာရင်းအင်းခွဲခြမ်းစိတ်ဖြာမှု၏ အခြေခံအုတ်မြစ်ဖြစ်သည်။ ဒေတာဖြန့်ဖြူးမှုကို နားလည်ခြင်းတွင် ဒေတာ၏ဗဟို သို့မဟုတ် ပျမ်းမျှကိုသာမက ၎င်း၏ပျံ့နှံ့မှု သို့မဟုတ် ပြောင်းလဲမှုကိုပါ နားလည်ခြင်း ပါဝင်သည်။ ဒေတာကွဲပြားမှုကို တိုင်းတာရန် နည်းလမ်းတစ်ခုမှာ interquartile range (IQR) မှတစ်ဆင့်ဖြစ်သည်။ interquartile range သည် outliers သို့မဟုတ် အစွန်းရောက်တန်ဖိုးများ၏ သက်ရောက်မှုမရှိဘဲ dataset တစ်ခု၏ median တန်ဖိုးများ၏ ဖြန့်ဖြူးမှုကို ခြုံငုံသုံးသပ်ပေးသည့် စာရင်းအင်းကိရိယာတစ်ခုဖြစ်သည်။ ဤဆောင်းပါးသည် interquartile range၊ ၎င်းကို မည်သို့တွက်ချက်ရမည်နှင့် ဒေတာခွဲခြမ်းစိတ်ဖြာမှုတွင် ၎င်း၏အသုံးချမှုကို ဆွေးနွေးပါမည်။

Interquartile Range ၏ အဓိပ္ပာယ်ဖွင့်ဆိုချက်

Interquartile Range သည် မူလဒေတာ၏ ၅၀% ရှိတန်ဖိုးများ၏ ဖြန့်ဖြူးမှုသည် ပထမ quartile (Q1) နှင့် တတိယ quartile (Q3) အကြား မည်မျှကျယ်ပြန့်သည်ကို ပြသသည့် စာရင်းအင်းတိုင်းတာမှုတစ်ခုဖြစ်သည်။ သင်္ချာနည်းအရ IQR ကို အောက်ပါအတိုင်း အဓိပ္ပာယ်ဖွင့်ဆိုထားသည်-

\[ \text{IQR} = Q_3 – Q_1 \]

ဘယ်နေရာ:
– Q1 သို့မဟုတ် First Quartile သည် စီစဉ်ထားသော အချက်အလက်၏ 25% အောက်ရှိ တန်ဖိုးဖြစ်သည်။
– Q3 သို့မဟုတ် Third Quartile သည် စီစဉ်ထားသော အချက်အလက်၏ 75% အောက်ရှိ တန်ဖိုးဖြစ်သည်။

တစ်နည်းအားဖြင့်ဆိုရသော် Interquartile Range သည် အချက်အလက်၏ အလယ် ၅၀% ကျရောက်သည့် အပိုင်းအခြားဖြစ်ပြီး ဤအပိုင်းအခြားအတွင်းရှိ အချက်အလက်၏ ကွဲလွဲမှု သို့မဟုတ် ပျံ့နှံ့မှုကို ညွှန်ပြသည်။ IQR သည် အချက်အလက်၏ အလယ်ဗဟိုကို အာရုံစိုက်သောကြောင့်၊ ၎င်းသည် outliers များကို ခံနိုင်ရည်ရှိပြီး၊ ၎င်းသည် စုစုပေါင်းအပိုင်းအခြား သို့မဟုတ် စံသွေဖည်မှုကဲ့သို့သော ပျံ့နှံ့မှုတိုင်းတာမှုများကို သိသိသာသာ ထိခိုက်စေနိုင်သည်။

Interquartile Range တွက်ချက်ခြင်း

IQR တွက်ချက်ခြင်းကို စနစ်တကျ အဆင့်များစွာဖြင့် လုပ်ဆောင်နိုင်ပါသည်။ IQR တွက်ချက်ရန် အထွေထွေအဆင့်များမှာ အောက်ပါအတိုင်းဖြစ်သည်။

အဆင့် ၁: ဒေတာများကို စီပါ

ပထမခြေလှမ်းကတော့ ဒေတာကို အသေးဆုံးကနေ အကြီးဆုံးကို စီဖို့ပါ။ ကွာတိုင်းတွေကို အစီအစဉ်ထဲက ဒေတာရဲ့ အနေအထားအပေါ် အခြေခံပြီး တွက်ချက်တာကြောင့် ဒေတာကို စီတာက အရေးကြီးပါတယ်။

ဥပမာ-
အောက်ပါဒေတာအစုအဝေးတစ်ခုရှိသည်ဆိုပါစို့-
\[ ၇၊ ၈၊ ၅၊ ၃၊ ၉၊ ၁၂၊ ၁၅၊ ၁၁၊ ၁၈၊ ၂၀ \]

စီပြီးနောက်-
\[ ၇၊ ၈၊ ၅၊ ၃၊ ၉၊ ၁၂၊ ၁၅၊ ၁၁၊ ၁၈၊ ၂၀ \]

အဆင့် ၂: အလယ်အလတ်တန်ဖိုးကို ရှာပါ (Q2)

အလယ်အလတ် သို့မဟုတ် ဒုတိယ quartile (Q2) သည် စီစဉ်ထားသောဒေတာတွင် အလယ်အလတ်တန်ဖိုးဖြစ်သည်။ ဒေတာစုစုပေါင်းအရေအတွက်သည် မကိန်းဖြစ်ပါက အလယ်အလတ်တန်ဖိုးသည် အလယ်အလတ်တန်ဖိုးဖြစ်သည်။ ဒေတာစုစုပေါင်းအရေအတွက်သည် စုံဖြစ်ပါက အလယ်အလတ်တန်ဖိုးသည် အလယ်အလတ်တန်ဖိုးနှစ်ခု၏ ပျမ်းမျှဖြစ်သည်။

ကျွန်ုပ်တို့၏ ဥပမာတွင်-
ဒေတာအရေအတွက် = ၁၀ (စုံဂဏန်း)၊ ထို့နောက်:
\[ Q2 = \frac{9 + 11}{2} = 10 \]

အဆင့် ၃: ပထမ Quartile (Q1) နှင့် တတိယ Quartile (Q3) ကို ရှာပါ။

Q1 သည် အချက်အလက်၏ ပထမတစ်ဝက်၏ အလယ်အလတ်ဖြစ်ပြီး Q3 သည် အချက်အလက်၏ ဒုတိယတစ်ဝက်၏ အလယ်အလတ်ဖြစ်သည်။

ပထမနှစ်ဝက်ဒေတာ (ပထမသုံးလပတ်အတွက်):
\[ ၃၊ ၅၊ ၇၊ ၉၊ ၁၁ \]

ပထမပိုင်းရဲ့ အလယ်အလတ်က အောက်ပါအတိုင်းပါ။
\[ Q1 = 7 \]

အချက်အလက်၏ ဒုတိယပိုင်း (သုံးလပတ် ၃ အတွက်):
\[ ၃၊ ၅၊ ၇၊ ၉၊ ၁၁ \]

ဒုတိယပိုင်းရဲ့ အလယ်အလတ်က ဒီလိုပါ။
\[ Q3 = 15 \]

အဆင့် ၄: IQR တွက်ချက်ပါ

Q1 နှင့် Q3 ၏ တန်ဖိုးများကို သိရှိပြီးသည်နှင့် IQR ကို Q3 မှ Q1 ကို နုတ်ခြင်းဖြင့် တွက်ချက်နိုင်သည်။
\[ IQR = Q3 – Q1 = 15 – 7 = 8 \]

ဒါကြောင့် ဒီ dataset အတွက် IQR က 8 ဖြစ်ပါတယ်။

Interquartile Range ရဲ့ အရေးပါမှု

Inter Quartile Range တွင် data analysis တွင် အရေးကြီးသော အားသာချက်များစွာရှိသည်-

၁။ ပြင်ပသက်ရောက်မှုများကို ခံနိုင်ရည်ရှိခြင်း-
IQR သည် dataset ရှိ အစွန်းရောက်တန်ဖိုးများ၏ သက်ရောက်မှုမရှိသောကြောင့် အလယ်အလတ်ဒေတာ၏ ကွဲပြားမှု၏ ပိုမိုတိကျသော ရုပ်ပုံကို ပေးစွမ်းပါသည်။

၂။ ပြင်ပအချက်များကို ဖော်ထုတ်ပါ-
IQR ကို outliers များကို ဖော်ထုတ်ရန် အသုံးပြုသည်။ \( Q1 – 1.5 \times IQR \) အောက် သို့မဟုတ် \( Q3 + 1.5 \times IQR \) အထက်ရှိ data များကို outliers များအဖြစ် သတ်မှတ်လေ့ရှိသည်။

၃။ Box Plot တွင် အသုံးပြုမှုများ-
IQR သည် box plot ၏ အဓိက အစိတ်အပိုင်းတစ်ခုဖြစ်ပြီး visualization tool တစ်ခုဖြစ်ပြီး အနည်းဆုံး၊ Q1၊ အလယ်အလတ်၊ Q3 နှင့် အမြင့်ဆုံး အကျဉ်းချုပ်နံပါတ်ငါးခုအပေါ် အခြေခံ၍ အချက်အလက်ဖြန့်ဖြူးမှုကို သရုပ်ဖော်သည်။

၄။ ဒေတာအစုများကို နှိုင်းယှဉ်ခြင်း-
IQR ကို မတူညီသောအုပ်စုများ သို့မဟုတ် အချက်အလက်အစုများအကြား ကွဲပြားမှုကို နှိုင်းယှဉ်ရန် အသုံးပြုနိုင်သည်။ IQR ကြီးလေ၊ ထိုအုပ်စုအတွင်းရှိ အချက်အလက်များတွင် ကွဲပြားမှု ပိုများလေဖြစ်သည်။

၅။ ရိုးရှင်းပြီး နားလည်ရလွယ်ကူခြင်း-
IQR ၏ သဘောတရားနှင့် တွက်ချက်မှုသည် ရိုးရှင်းပြီး နားလည်ရလွယ်ကူသောကြောင့် သုတေသီများမှသည် မူဝါဒချမှတ်သူများအထိ ကျယ်ပြန့်သော ပရိသတ်အတွက် အသုံးဝင်ပါသည်။

Interquartile Range ကို နယ်ပယ်အသီးသီးတွင် အသုံးချမှုများ

၁။ စီးပွားရေးနှင့် စီးပွားရေး
စီးပွားရေးနှင့် စီးပွားရေးလုပ်ငန်းများတွင် IQR ကို ဝင်ငွေဖြန့်ဖြူးမှု၊ ရှယ်ယာဈေးနှုန်းများ သို့မဟုတ် ကုမ္ပဏီစွမ်းဆောင်ရည်ကို ခွဲခြမ်းစိတ်ဖြာရန် အသုံးပြုနိုင်ပါသည်။ ဥပမာအားဖြင့် ဒေသတစ်ခု၏ ဝင်ငွေဖြန့်ဖြူးမှုသည် ညီမျှခြင်း သို့မဟုတ် အလွန်အမင်းပြောင်းလဲလွယ်ခြင်း ရှိ၊ မရှိ ဆုံးဖြတ်ရန်အတွက် IQR ကို အသုံးပြုနိုင်ပါသည်။

၆။ ပညာရေး
ပညာရေးတွင် IQR ကို စာမေးပွဲများတွင် ကျောင်းသားရမှတ်များ ဖြန့်ဖြူးမှုကို ခွဲခြမ်းစိတ်ဖြာရန် အသုံးပြုနိုင်ပါသည်။ ၎င်းသည် ပညာရေးပညာရှင်များအား ကျောင်းသားစွမ်းဆောင်ရည် ဖြန့်ဖြူးမှုကို နားလည်ရန်နှင့် အပိုဆောင်းပံ့ပိုးမှု လိုအပ်သော ကျောင်းသားများကို ဖော်ထုတ်ရန် ကူညီပေးနိုင်ပါသည်။

၄။ ကျန်းမာရေး
ကျန်းမာရေးစောင့်ရှောက်မှုတွင် IQR ကို သွေးပေါင်ချိန်၊ ကိုလက်စထရောအဆင့် သို့မဟုတ် ခန္ဓာကိုယ်ထုထည်ညွှန်းကိန်း (BMI) ကဲ့သို့သော ကျန်းမာရေးဆိုင်ရာ ကန့်သတ်ချက်အမျိုးမျိုး၏ ဖြန့်ဖြူးမှုကို နားလည်ရန် အသုံးပြုနိုင်ပါသည်။ IQR ကို အသုံးပြုခြင်းသည် သုတေသီများအား အလွန်ထူးခြားသော တန်ဖိုးများရှိသော လူနာများကို ဖော်ထုတ်ရန် ကူညီပေးနိုင်ပါသည်။

၄။ အင်ဂျင်နီယာနှင့် ထုတ်လုပ်ရေး
အင်ဂျင်နီယာနှင့် ထုတ်လုပ်ရေးတွင် IQR ကို ထုတ်လုပ်မှုလုပ်ငန်းစဉ်များတွင် ကွဲပြားမှုကို တိုင်းတာရန် အသုံးပြုသည်။ ၎င်းသည် ထုတ်ကုန်အရည်အသွေးကို ထိခိုက်စေနိုင်သော ကွဲပြားမှုများကို ဖော်ထုတ်ရန်နှင့် အနည်းဆုံးဖြစ်အောင်ပြုလုပ်ရန် မရှိမဖြစ်လိုအပ်သည်။

နိဂုံး

Interquartile Range (IQR) သည် dataset တစ်ခုတွင် variability ကိုတိုင်းတာရန်အတွက် အလွန်အသုံးဝင်သော စာရင်းအင်းကိရိယာတစ်ခုဖြစ်ပြီး အဓိကအားဖြင့် outliers များကို လျစ်လျူရှုနိုင်စွမ်းကြောင့်ဖြစ်သည်။ IQR ကို နားလည်ခြင်းနှင့် အသုံးပြုခြင်းသည် data analysis ကို ပိုမိုတိကျပြီး အသိပညာပေးနိုင်ပါသည်။ စီးပွားရေး၊ ပညာရေး၊ ကျန်းမာရေး သို့မဟုတ် အင်ဂျင်နီယာဘာသာရပ်တွင်ဖြစ်စေ၊ IQR သည် data distribution ဆိုင်ရာ ထိုးထွင်းသိမြင်မှုပေးရာတွင် အရေးပါသောအခန်းကဏ္ဍမှ ပါဝင်သည်။

IQR တွက်ချက်ခြင်းသည် နှိုင်းယှဉ်ရလွယ်ကူသော လုပ်ငန်းစဉ်တစ်ခုဖြစ်ပြီး အချက်အလက်များနှင့်ပတ်သက်သည့် အသုံးဝင်သော အချက်အလက်များစွာကို ပေးစွမ်းသည်။ ထို့ကြောင့် IQR ၏ သဘောတရားနှင့် အသုံးချမှုကို နားလည်ခြင်းသည် အချက်အလက်ခွဲခြမ်းစိတ်ဖြာမှုတွင် ပါဝင်သူတိုင်းအတွက် အဖိုးမဖြတ်နိုင်သော ကျွမ်းကျင်မှုတစ်ခုဖြစ်သည်။

ဤဆောင်းပါးမှတစ်ဆင့် စာဖတ်သူများသည် IQR ကို မည်သို့တွက်ချက်ရမည်ကို နားလည်ရုံသာမက ဒေတာခွဲခြမ်းစိတ်ဖြာမှုတွင် ၎င်း၏အရေးပါမှုကိုလည်း သဘောပေါက်လိမ့်မည်ဟု မျှော်လင့်ပါသည်။ နည်းပညာတိုးတက်မှုနှင့် ခွဲခြမ်းစိတ်ဖြာရန် လိုအပ်သော ဒေတာပမာဏ တိုးပွားလာခြင်းနှင့်အတူ IQR ကဲ့သို့သော စာရင်းအင်းကိရိယာများသည် ပိုမိုသက်ဆိုင်ရာနှင့် အရေးကြီးလာပါသည်။