एकल डेटा क्वार्टाइल: तथ्याङ्कमा डेटा विभाजनको गहन बुझाइ
तथ्याङ्कमा आधारभूत अवधारणाहरू मध्ये एक डेटालाई क्वार्टाइलमा विभाजन गर्नु हो। केवल मध्यक वा माध्य हेर्नु भन्दा बढी विस्तृत रूपमा डेटा वितरण बुझ्न क्वार्टाइलहरू प्रयोग गरिन्छ। यस लेखमा, हामी एकल डेटा सेटको क्वार्टाइलहरू, तिनीहरूलाई कसरी गणना गर्ने, र विभिन्न डेटा विश्लेषण सन्दर्भहरूमा तिनीहरूको प्रयोगहरू बारे छलफल गर्नेछौं।
क्वार्टाइल भनेको के हो?
चतुर्थकहरू विशिष्ट मानहरू हुन् जसले क्रमबद्ध डेटालाई चार बराबर भागहरूमा विभाजन गर्दछ। सरल भाषामा भन्नुपर्दा, चतुर्थकहरू क्रमबद्ध डेटाको समूहहरू हुन्, प्रत्येक चतुर्थकले डेटाको लगभग २५% समेट्छ।
चतुर्थकहरूमा तीन मुख्य मार्करहरू हुन्छन्:
१. पहिलो चतुर्थक (Q1): बाँकीबाट सबैभन्दा कम २५% डेटा विभाजन गर्दछ।
२. दोस्रो चतुर्थक (Q2) वा मध्यक: डेटालाई दुई बराबर भागमा विभाजन गर्दछ, डेटाको ५०% यो मानभन्दा तल छ र ५०% यो मानभन्दा माथि छ।
३. तेस्रो चतुर्थक (Q3): बाँकीबाट उच्चतम २५% डेटा विभाजन गर्दछ।
प्रत्येक चतुर्थकले डेटासेटको एक विशेष भागको प्रतिनिधित्वको रूपमा काम गर्दछ र डेटा विवरणदेखि आउटलियर विश्लेषणसम्म विभिन्न अनुप्रयोगहरू छन्।
चतुर्थक कसरी गणना गर्ने
चतुर्थक गणना गर्न, पहिलो चरण भनेको डेटालाई बढ्दो क्रममा क्रमबद्ध गर्नु हो। एकल डेटासेटमा चतुर्थक गणना गर्ने विस्तृत चरणहरू हेरौं:
डेटा क्रमबद्ध गर्दै
मानौं हामीसँग निम्न डेटासेट छ:
`७, १५, ३६, ३९, ४०, ४१, ४२, ४३, ४७, ४९`
पहिलो चरण भनेको डेटा क्रमबद्ध गरिएको छ भनी सुनिश्चित गर्नु हो:
`७, १५, ३६, ३९, ४०, ४१, ४२, ४३, ४७, ४९`
चतुर्थक स्थिति निर्धारण गर्दै
अर्को, हामी चतुर्थक स्थिति निर्धारण गर्छौं। आकार \( N \) को डेटासेटको लागि:
– स्थिति Q1 = \( \frac{(N+1)}{4} \)
– स्थिति Q2 = \( \frac{(N+1)}{2} \)
– स्थिति Q3 = \( \frac{3(N+1)}{4} \)
हाम्रो डेटासेटको लागि (N=१०):
– स्थिति Q1 = \( \frac{(10+1)}{4} = 2.75 \)
– स्थिति Q2 = \( \frac{(10+1)}{2} = 5.5 \)
– स्थिति Q3 = \( \frac{3(10+1)}{4} = 8.25 \)
इन्टरपोलेटिंग क्वार्टाइलहरू
यदि चतुर्थक स्थिति दशमलव संख्या हो भने, हामी दुई आसन्न डेटा मानहरू बीच इन्टरपोलेट गर्छौं।
– Q1 (स्थिति २.७५):
दोस्रो स्थान `१५` र तेस्रो स्थान `३६` मा डेटा मानहरू संयोजन गर्नुहोस्।
Q1 = १५ + ०.७५ (३६ – १५) = १५ + ०.७५ २१ = १५ + १५.७५ = ३०.७५
– Q2 (स्थिति ५.५ मा मध्य):
दोस्रो स्थान `१५` र तेस्रो स्थान `३६` मा डेटा मानहरू संयोजन गर्नुहोस्।
Q2 = 40 + 0.5 (41 - 40) = 40 + 0.5 1 = 40.5
– Q3 (स्थिति २.७५):
दोस्रो स्थान `१५` र तेस्रो स्थान `३६` मा डेटा मानहरू संयोजन गर्नुहोस्।
Q3 = १५ + ०.७५ (३६ – १५) = १५ + ०.७५ २१ = १५ + १५.७५ = ३०.७५
त्यसैले, हाम्रो डेटासेटको चतुर्थकहरू यस प्रकार छन्:
– Q1 = ४४
– Q2 = ४४
– Q3 = ४४
चतुर्थक अनुप्रयोग
तथ्याङ्कीय विवरण
डेटा वितरणको सामान्य सिंहावलोकन प्रदान गर्न सांख्यिकीय विवरणहरूको भागको रूपमा क्वार्टाइलहरू प्रयोग गरिन्छ। क्वार्टाइलहरू जान्दा हामीलाई डेटाको स्थिरता, सममिति र फैलावटलाई राम्रोसँग बुझ्न अनुमति दिन्छ।
बाह्य विश्लेषण
क्वार्टाइलहरू आउटलायरहरू पहिचान गर्न पनि धेरै उपयोगी हुन्छन्। आउटलायरहरू डेटा मानहरू हुन् जुन डेटासेटको बहुमतबाट टाढा हुन्छन्। आउटलायरहरू पत्ता लगाउन, "इन्टरक्वार्टाइल रेन्ज (IQR)" विधि सामान्यतया प्रयोग गरिन्छ।
IQR Q3 र Q1 बीचको भिन्नताको रूपमा गणना गरिन्छ:
\[ \text{IQR} = Q3 – Q1 \]
डेटा मानहरू \( Q1-1.5 \times \text{IQR} \) भन्दा कम वा \( Q3+1.5 \times \text{IQR} \) भन्दा माथि भएमा तिनीहरूलाई आउटलियर मानिन्छ।
माथिको डेटासेटमा:
– IQR = ४४ – ३०.७५ = १३.२५
– आउटलियरहरूको लागि तल्लो सीमा = Q1 – 1.5 IQR = 30.75 – 1.5 13.25 = 30.75 – 19.875 = 10.875
– आउटलियरहरूको लागि माथिल्लो सीमा = Q3 + 1.5 IQR = 44 + 1.5 13.25 = 44 + 19.875 = 63.875
त्यसैले, १०,८७५ भन्दा कम वा ६३,८७५ भन्दा माथिको डेटा मानलाई आउटलायर मानिन्छ। हाम्रो डेटासेट त्यो दायरा भित्र पर्ने भएकोले, कुनै आउटलायरहरू छैनन्।
जटिल डेटा ह्यान्डलिङ
साधारण डेटामा प्रयोग गर्नुको साथै, क्वार्टाइलहरू थप जटिल डेटासेटहरूमा पनि लागू गर्न सकिन्छ। उदाहरणका लागि, वित्तीय विश्लेषणमा, क्वार्टाइलहरूले बजार भित्र एक विशेष स्टकको प्रदर्शन पहिचान गर्न मद्दत गर्न सक्छन्। शिक्षामा, क्वार्टाइलहरू एक विशेष परीक्षामा विद्यार्थीहरूको शैक्षिक प्रदर्शन पहिचान गर्न प्रयोग गर्न सकिन्छ।
बक्स प्लट
चतुर्थकहरू प्रयोग गर्ने एउटा दृश्य उपकरण बक्स प्लट वा टुकी बक्स प्लट हो। बक्स प्लटले डेटामा पाँच महत्त्वपूर्ण सारांशहरूको ग्राफिकल प्रतिनिधित्व प्रदान गर्दछ: न्यूनतम मान, पहिलो चतुर्थक (Q1), मध्यक (Q2), तेस्रो चतुर्थक (Q3), र अधिकतम मान। आउटलायरहरू पत्ता लगाउने एउटा सजिलो तरिका बक्स प्लट प्रयोग गर्नु हो, जहाँ आउटलायरहरूलाई सामान्यतया "व्हिस्करहरू" (न्यूनतम, Q1, Q3, र अधिकतम बीचको छायादार रेखाहरू) बाहिर बिन्दुहरूको रूपमा देखाइन्छ।
केसिम्पुलन
एउटै डेटासेटमा क्वार्टाइलहरू गणना र बुझ्नाले डेटा संरचना, यसको वितरण, र आउटलायरहरूको उपस्थिति वा अनुपस्थितिमा गहिरो अन्तर्दृष्टि प्रदान गर्दछ। साधारण सांख्यिकीय विवरणहरूदेखि आउटलायर पत्ता लगाउने र बक्स प्लटहरूको प्रयोग जस्ता जटिल विश्लेषणहरूसम्म, अनुप्रयोगहरूको विस्तृत दायरामा, क्वार्टाइलहरूले डेटा विश्लेषण र व्याख्यामा महत्त्वपूर्ण भूमिका खेल्छन्। यस उपकरणको साथ, डेटा विश्लेषण थप व्यवस्थित र जानकारीमूलक हुन्छ, अध्ययनका विभिन्न क्षेत्रहरूमा गहिरो अन्तर्दृष्टि र थप अर्थपूर्ण खोजहरूको लागि मार्ग प्रशस्त गर्दछ। क्वार्टाइलहरूले तथ्याङ्कीय विवरणहरूलाई मात्र सहज बनाउँदैनन् तर डेटा-संचालित निर्णय-निर्धारणको लागि आवश्यक महत्त्वपूर्ण अन्तर्दृष्टिहरू पनि प्रदान गर्दछ।
क्वार्टाइलहरूको ठोस बुझाइ र डेटा विश्लेषणमा तिनीहरूलाई कसरी लागू गरिन्छ भन्ने कुरा एक बहुमूल्य सीप हो जुन अनुसन्धानदेखि व्यवसायसम्म विभिन्न व्यावहारिक सन्दर्भहरूमा अपनाउन सकिन्छ, जसले हामीलाई डेटाको विश्लेषण र व्याख्या गर्नमा स्मार्ट बनाउँछ।
