တစ်ခုတည်းသော ဒေတာ ကွာတိုင်း

Single Data Quartiles: စာရင်းအင်းပညာတွင် ဒေတာခွဲဝေမှုကို နက်နက်နဲနဲ နားလည်ခြင်း

စာရင်းအင်းပညာတွင် အခြေခံသဘောတရားတစ်ခုမှာ ဒေတာကို ကွာတိုင်းလ်များအဖြစ် ပိုင်းခြားခြင်းဖြစ်သည်။ ကွာတိုင်းလ်များကို အလယ်အလတ် သို့မဟုတ် ပျမ်းမျှကို ကြည့်ရုံထက် ဒေတာဖြန့်ဖြူးမှုကို ပိုမိုအသေးစိတ်နားလည်ရန် အသုံးပြုသည်။ ဤဆောင်းပါးတွင်၊ တစ်ခုတည်းသောဒေတာအစုအဝေး၏ ကွာတိုင်းလ်များ၊ ၎င်းတို့ကို မည်သို့တွက်ချက်ရမည်နှင့် ဒေတာခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ အခြေအနေအမျိုးမျိုးတွင် ၎င်းတို့၏အသုံးချမှုများကို ဆွေးနွေးပါမည်။

ကွာတိုင်းလ် ဆိုတာ ဘာလဲ။

Quartiles များသည် အစီအစဉ်တကျ စီစဉ်ထားသော ဒေတာများကို ညီတူညီမျှ အပိုင်းလေးပိုင်းအဖြစ် ပိုင်းခြားပေးသည့် သီးခြားတန်ဖိုးများဖြစ်သည်။ ရိုးရှင်းစွာပြောရလျှင် quartiles များသည် အစီအစဉ်တကျ စီစဉ်ထားသော ဒေတာများ၏ အုပ်စုများဖြစ်ပြီး quartile တစ်ခုစီသည် ဒေတာ၏ ၂၅% ခန့်ကို လွှမ်းခြုံထားသည်။

Quartile များတွင် အဓိက marker သုံးခု ပါဝင်သည်-
၁။ ပထမ quartile (Q1): အချက်အလက်၏ အနိမ့်ဆုံး 25% ကို ကျန်အချက်အလက်များမှ ပိုင်းခြားသည်။
၂။ ဒုတိယ quartile (Q2) သို့မဟုတ် Median: ဒေတာကို ညီမျှသော အပိုင်းနှစ်ပိုင်းအဖြစ် ပိုင်းခြားသည်၊ ဒေတာ၏ ၅၀% သည် ဤတန်ဖိုးအောက်တွင် ရှိပြီး ၅၀% သည် ဤတန်ဖိုးအထက်တွင် ရှိသည်။
၃။ တတိယ quartile (Q3): အချက်အလက်၏ အမြင့်ဆုံး 25% ကို ကျန်အချက်အလက်များမှ ပိုင်းခြားသည်။

ကွာတိုင်းတစ်ခုစီသည် dataset ၏ သီးခြားအစိတ်အပိုင်းတစ်ခု၏ ကိုယ်စားပြုမှုအဖြစ် ဆောင်ရွက်ပေးပြီး data description မှ outlier analysis အထိ အသုံးချမှုအမျိုးမျိုးရှိသည်။

ကွာတိုင်းတွက်ချက်နည်း

ကွာတိုင်းလ်များကို တွက်ချက်ရန် ပထမခြေလှမ်းမှာ ဒေတာများကို အစဉ်လိုက် စီရန်ဖြစ်သည်။ တစ်ခုတည်းသော dataset တွင် ကွာတိုင်းလ်များကို တွက်ချက်ရန် အသေးစိတ်အဆင့်များကို ကြည့်ကြပါစို့။

ဒေတာများကို စီခြင်း

အောက်ပါ dataset ရှိသည်ဆိုပါစို့-
`၇၊ ၁၅၊ ၃၆၊ ၃၉၊ ၄၀၊ ၄၁၊ ၄၂၊ ၄၃၊ ၄၇၊ ၄၉`

ပထမခြေလှမ်းမှာ ဒေတာကို အစီအစဉ်တကျ စီစဉ်ထားကြောင်း သေချာစေရန်ဖြစ်သည်-
`၇၊ ၁၅၊ ၃၆၊ ၃၉၊ ၄၀၊ ၄၁၊ ၄၂၊ ၄၃၊ ၄၇၊ ၄၉`

Quartile ရာထူးကို ဆုံးဖြတ်ခြင်း

ထို့နောက် ကျွန်ုပ်တို့သည် quartile positions များကို ဆုံးဖြတ်ပါသည်။ အရွယ်အစား \( N \) ၏ dataset အတွက်-

– အနေအထား Q1 = \( \frac{(N+1)}{4} \)
– အနေအထား Q2 = \( \frac{(N+1)}{2} \)
– အနေအထား Q3 = \( \frac{3(N+1)}{4} \)

ကျွန်ုပ်တို့၏ dataset (N=10) အတွက်-
– အနေအထား Q1 = \( \frac{(10+1)}{4} = 2.75 \)
– အနေအထား Q2 = \( \frac{(10+1)}{2} = 5.5 \)
– အနေအထား Q3 = \( \frac{3(10+1)}{4} = 8.25 \)

ကွာတိုင်းလ်များကို အပြန်အလှန်ထည့်သွင်းခြင်း

quartile position က decimal number တစ်ခုဖြစ်ရင် အနီးနားက data value နှစ်ခုကြားမှာ interpolate လုပ်ပါတယ်။

– မေးခွန်း ၁ (နေရာ ၂.၇၅):
ဒုတိယနေရာ `15` နှင့် တတိယနေရာ `36` ရှိ ဒေတာတန်ဖိုးများကို ပေါင်းစပ်ပါ။
Q1 = 15 + 0.75 (36 – 15) = 15 + 0.75 21 = 15 + 15.75 = 30.75

– Q2 (နေရာ 5.5 မှာ အလယ်အလတ်):
ဒုတိယနေရာ `40` နှင့် တတိယနေရာ `41` ရှိ ဒေတာတန်ဖိုးများကို ပေါင်းစပ်ပါ။
Q2 = 40 + 0.5 (41 – 40) = 40 + 0.5 1 = 40.5

– မေးခွန်း ၁ (နေရာ ၂.၇၅):
ဒုတိယနေရာ `43` နှင့် တတိယနေရာ `47` ရှိ ဒေတာတန်ဖိုးများကို ပေါင်းစပ်ပါ။
Q3 = 43 + 0.25 (47 – 43) = 43 + 0.25 4 = 43 + 1 = 44

ဒါကြောင့် ကျွန်တော်တို့ရဲ့ dataset ရဲ့ quartile တွေက အောက်ပါအတိုင်း ဖြစ်ပါတယ်။
– Q1 = ၄၄
– Q2 = ၄၄
– Q3 = ၄၄

ကွာတာလိုက် အသုံးချမှု

စာရင်းအင်းဆိုင်ရာ ဖော်ပြချက်

ဒေတာဖြန့်ဖြူးမှု၏ အထွေထွေခြုံငုံသုံးသပ်ချက်ကို ပေးစွမ်းရန်အတွက် စာရင်းအင်းဖော်ပြချက်များ၏ တစ်စိတ်တစ်ပိုင်းအဖြစ် Quartiles များကို အသုံးပြုပါသည်။ Quartiles များကို သိရှိခြင်းဖြင့် ဒေတာ၏ တသမတ်တည်းဖြစ်မှု၊ သဟဇာတဖြစ်မှုနှင့် ပျံ့နှံ့မှုကို ပိုမိုနားလည်နိုင်စေပါသည်။

ပြင်ပ ခွဲခြမ်းစိတ်ဖြာမှု

Quartile များသည် outliers များကို ဖော်ထုတ်ရာတွင်လည်း အလွန်အသုံးဝင်ပါသည်။ Outliers များသည် dataset အများစုနှင့် ဝေးကွာသော data တန်ဖိုးများဖြစ်သည်။ outliers များကို ထောက်လှမ်းရန်အတွက် "Interquartile Range (IQR)" နည်းလမ်းကို ယေဘုယျအားဖြင့် အသုံးပြုလေ့ရှိသည်။

IQR ကို Q3 နှင့် Q1 အကြား ကွာခြားချက်အဖြစ် တွက်ချက်သည်-
\[ \text{IQR} = Q3 – Q1 \]

ဒေတာတန်ဖိုးများသည် \( Q1-1.5 \times \text{IQR} \) အောက် သို့မဟုတ် \( Q3+1.5 \times \text{IQR} \) အထက်တွင်ရှိပါက outliers အဖြစ် သတ်မှတ်သည်။

အထက်ပါ dataset တွင်-
– IQR = ၄၄ – ၃၀.၇၅ = ၁၃.၂၅
– outliers အတွက် အောက်ဆုံးကန့်သတ်ချက် = Q1 – 1.5 IQR = 30.75 – 1.5 13.25 = 30.75 – 19.875 = 10.875
– outliers အတွက် အပေါ်ဆုံးကန့်သတ်ချက် = Q3 + 1.5 IQR = 44 + 1.5 13.25 = 44 + 19.875 = 63.875

ဒါကြောင့် 10.875 အောက် ဒါမှမဟုတ် 63.875 အထက်က data တန်ဖိုးတွေကို outliers အဖြစ် သတ်မှတ်ပါတယ်။ ကျွန်ုပ်တို့ရဲ့ dataset ဟာ အဲဒီ range အတွင်း ကျရောက်နေတဲ့အတွက် outliers မရှိပါဘူး။

ရှုပ်ထွေးသောဒေတာကိုင်တွယ်မှု

ရိုးရှင်းသောဒေတာတွင် အသုံးပြုခြင်းအပြင်၊ quartiles များကို ပိုမိုရှုပ်ထွေးသောဒေတာစုများတွင်လည်း အသုံးပြုနိုင်ပါသည်။ ဥပမာအားဖြင့်၊ ဘဏ္ဍာရေးခွဲခြမ်းစိတ်ဖြာမှုတွင်၊ quartiles များသည် ဈေးကွက်အတွင်းရှိ သတ်မှတ်ထားသောစတော့ရှယ်ယာတစ်ခု၏ စွမ်းဆောင်ရည်ကို ဖော်ထုတ်ရန် ကူညီပေးနိုင်ပါသည်။ ပညာရေးတွင်၊ quartiles များကို သတ်မှတ်ထားသော စာမေးပွဲတွင် ကျောင်းသားများ၏ ပညာရေးစွမ်းဆောင်ရည်ကို ဖော်ထုတ်ရန် အသုံးပြုနိုင်ပါသည်။

Box Plot ပါ။

quartile များကိုအသုံးပြုသော visualization tool တစ်ခုမှာ Box Plot သို့မဟုတ် Tukey Box Plot ဖြစ်သည်။ Box Plot သည် data ရှိ အရေးကြီးသော summaries ငါးခု၏ graphical representation ကိုပေးသည်- minimum value၊ first quartile (Q1)၊ median (Q2)၊ third quartile (Q3) နှင့် maximum value။ outliers များကို ရှာဖွေရန် အလွယ်ကူဆုံးနည်းလမ်းမှာ Box Plot ကိုအသုံးပြုရန်ဖြစ်ပြီး outliers များကို "whiskers" (minimum၊ Q1၊ Q3 နှင့် maximum အကြားရှိ အရိပ်မျဉ်းများ) ၏ အပြင်ဘက်ရှိ အမှတ်များအဖြစ် ပြသလေ့ရှိသည်။

နိဂုံး

တစ်ခုတည်းသော dataset တွင် quartile များကို တွက်ချက်ခြင်းနှင့် နားလည်ခြင်းသည် data structure၊ ၎င်း၏ဖြန့်ဖြူးမှုနှင့် outliers များရှိနေခြင်း သို့မဟုတ် မရှိခြင်းတို့ကို ပိုမိုနက်ရှိုင်းစွာ ထိုးထွင်းသိမြင်စေသည်။ ရိုးရှင်းသော စာရင်းအင်းဖော်ပြချက်များမှသည် outlier ထောက်လှမ်းခြင်းနှင့် box plots များအသုံးပြုခြင်းကဲ့သို့သော ပိုမိုရှုပ်ထွေးသော ခွဲခြမ်းစိတ်ဖြာမှုများအထိ ကျယ်ပြန့်သော အသုံးချမှုများတွင် quartile များသည် data analysis နှင့် interpretation တွင် အရေးပါသော အခန်းကဏ္ဍမှ ပါဝင်ပါသည်။ ဤကိရိယာဖြင့် data analysis သည် ပိုမိုစနစ်တကျနှင့် သတင်းအချက်အလက်များ ပိုမိုရရှိလာပြီး လေ့လာမှုနယ်ပယ်အမျိုးမျိုးတွင် ပိုမိုနက်ရှိုင်းသော ထိုးထွင်းသိမြင်မှုများနှင့် ပိုမိုအဓိပ္ပာယ်ရှိသော ရှာဖွေတွေ့ရှိမှုများအတွက် လမ်းခင်းပေးပါသည်။ Quartile များသည် စာရင်းအင်းဖော်ပြချက်များကို လွယ်ကူချောမွေ့စေရုံသာမက data-driven ဆုံးဖြတ်ချက်ချရန်အတွက် မရှိမဖြစ်လိုအပ်သော သိသာထင်ရှားသော ထိုးထွင်းသိမြင်မှုများကိုလည်း ပေးစွမ်းပါသည်။

ကွာတာလိုက်များအကြောင်း ခိုင်မာစွာနားလည်ခြင်းနှင့် ၎င်းတို့ကို ဒေတာခွဲခြမ်းစိတ်ဖြာမှုတွင် မည်သို့အသုံးချသည်ကို ကောင်းစွာနားလည်ခြင်းသည် သုတေသနမှ စီးပွားရေးလုပ်ငန်းအထိ လက်တွေ့ကျသော အခြေအနေအမျိုးမျိုးတွင် လက်ခံကျင့်သုံးနိုင်သည့် အဖိုးတန်ကျွမ်းကျင်မှုတစ်ခုဖြစ်ပြီး ဒေတာကို ခွဲခြမ်းစိတ်ဖြာခြင်းနှင့် အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းတွင် ကျွန်ုပ်တို့အား ပိုမိုထက်မြက်စေပါသည်။