डेटालाई कक्षा अन्तरालमा कसरी समूहबद्ध गर्ने
वर्ग अन्तरालहरूमा डेटा समूहबद्ध गर्नु वर्णनात्मक तथ्याङ्कमा एक महत्त्वपूर्ण चरण हो। लक्ष्य भनेको ठूलो मात्रामा कच्चा डेटालाई सरल बनाउनु हो ताकि यसलाई फ्रिक्वेन्सी वितरण तालिका वा हिस्टोग्राममा पढ्न, विश्लेषण गर्न र प्रस्तुत गर्न सजिलो होस्। जब डेटा धेरै विविध र छरिएको हुन्छ, ढाँचाहरू छुट्याउन प्रायः गाह्रो हुन्छ। वर्ग अन्तरालहरूले डेटालाई विशिष्ट मान समूहहरूमा व्यवस्थित गर्दछ, जसले हामीलाई डेटा वितरण, सबैभन्दा बारम्बार हुने मानहरू, र केन्द्रीय प्रवृत्तिलाई अझ स्पष्ट रूपमा बुझ्न अनुमति दिन्छ।
यस लेखले कक्षा अन्तरालहरूको अर्थ, कहिले आवश्यक पर्दछ, साथै अनुप्रयोग उदाहरणहरू सहित कक्षा अन्तरालहरूमा डेटा समूहबद्ध गर्ने व्यावहारिक चरणहरूको बारेमा छलफल गर्दछ।
१. कक्षा अन्तरालहरू बुझ्ने
वर्ग अन्तराल भनेको फ्रिक्वेन्सी वितरणमा डेटा समूहबद्ध गर्न प्रयोग गरिने मानहरूको दायरा हो । प्रत्येक अन्तरालमा सामान्यतया तल्लो र माथिल्लो सीमा हुन्छ। उदाहरणका लागि, अन्तराल १०-१९ ले १० देखि १९ सम्मका मानहरू भएका सबै डेटा त्यो वर्गमा समावेश गरिएको संकेत गर्छ।
फ्रिक्वेन्सी वितरण तालिकामा , वर्ग अन्तरालहरूले समान मानहरूको लागि "कन्टेनर" को रूपमा काम गर्छन्। यसले डेटालाई सबै मानहरूलाई व्यक्तिगत रूपमा सूचीबद्ध गर्नु भन्दा बढी संक्षिप्त बनाउँछ। वर्ग अन्तरालहरूले हिस्टोग्राम र फ्रिक्वेन्सी बहुभुज जस्ता ग्राफहरू सिर्जना गर्ने आधार पनि बनाउँछ ।
२. डेटा कहिले समूहबद्ध गर्न आवश्यक छ?
सबै डेटालाई वर्ग अन्तरालहरूमा विभाजन गर्न आवश्यक छैन। समूहीकरण सामान्यतया आवश्यक हुन्छ जब:
१. ठूलो मात्रामा डेटा, उदाहरणका लागि ३० वा ५० भन्दा बढी अवलोकनहरू।
२. डेटा दायरा फराकिलो छ, त्यसैले मानहरू फैलिएका छन् र पढ्न गाह्रो छन्।
३. हामी वितरण ढाँचा हेर्न चाहन्छौं, उदाहरणका लागि डेटा सामान्य, तिरछा, वा दोहोरो शिखर छ कि छैन भनेर पत्ता लगाउन।
४. डेटा हिस्टोग्राममा प्रस्तुत गरिनेछ, किनकि हिस्टोग्रामलाई अन्तराल वर्गहरू आवश्यक पर्दछ।
यदि डेटा सानो छ (जस्तै १० मानहरू), प्रायः अन्तराल बिना एकल फ्रिक्वेन्सी तालिका पर्याप्त हुन्छ।
३. वर्ग अन्तरालहरूमा डेटा समूहबद्ध गर्ने चरणहरू
कक्षा अन्तरालहरू बनाउन सबैभन्दा धेरै प्रयोग हुने चरणहरू निम्न छन्।
चरण १: न्यूनतम र अधिकतम डेटा निर्धारण गर्नुहोस्
पहिले, डेटाको सबैभन्दा सानो (न्यूनतम) र सबैभन्दा ठूलो (अधिकतम) मानहरू पहिचान गर्नुहोस्।
– न्यूनतम मान = \( x_{\मिनेट} \)
– अधिकतम मान = \( x_{\अधिकतम} \)
यो मान डेटाको दायरा गणना गर्न प्रयोग गरिनेछ।
चरण २: दायरा गणना गर्नुहोस्
दायरा भनेको अधिकतम र न्यूनतम मानहरू बीचको भिन्नता हो:
\[
R = x_{\अधिकतम} – x_{\मिनेट}
\]
दायराले डेटा वितरणको चौडाइको बारेमा जानकारी दिन्छ।
चरण ३: कक्षाहरूको संख्या निर्धारण गर्नुहोस् (k)
कक्षाहरूको संख्या धेरै तरिकाले निर्धारण गर्न सकिन्छ। सबैभन्दा लोकप्रिय तरिका भनेको स्टर्जेसको नियम प्रयोग गर्नु हो:
\[
k = १ + ३{,}३ \log_{10}(n)
\]
जहाँ \( n \) डेटाको मात्रा हो।
गणनाको नतिजा सामान्यतया नजिकको पूर्ण संख्या (वा माथि) मा राउन्ड गरिन्छ ताकि कक्षाहरूको संख्या धेरै सानो नहोस्।
स्टर्जेस बाहेक, एउटा सामान्य अभ्यास छ: तपाईंको दृश्यावलोकन आवश्यकता र नमूना आकारको आधारमा ५ र १२ बीचको कक्षा आकार छनौट गर्नुहोस्। यद्यपि, स्टर्जेस साना डेटा सेटहरूको लागि एकदम राम्रो छ।
चरण ४: कक्षा चौडाइ गणना गर्नुहोस् (i)
वर्ग चौडाइ प्रत्येक वर्ग अन्तरालको लम्बाइ हो। सूत्र यस प्रकार छ:
\[
i = \frac{R}{k}
\]
वर्ग चौडाइहरू प्रयोग गर्न सजिलो हुनु आवश्यक भएकोले, तिनीहरूलाई सामान्यतया "सफा" संख्यामा गोलाकार गरिन्छ (जस्तै, डेटाको सन्दर्भमा निर्भर गर्दै ५, १०, २, वा ०.५)। अन्तरालहरू पढ्न सजिलो छ भनी सुनिश्चित गर्न र भ्रमबाट बच्न यो गोलाकार महत्त्वपूर्ण छ।
यदि राउन्डिङ परिणामहरूले सबै डेटा समायोजन हुनबाट रोक्छ भने, वर्ग चौडाइ थोरै बढाउन सकिन्छ।
चरण ५: कक्षा सीमा निर्धारण गर्नुहोस्
पहिलो कक्षाको तल्लो सीमाको रूपमा न्यूनतम मानबाट सुरु गर्नुहोस्। त्यसपछि क्रमिक अन्तरालहरू सिर्जना गर्नुहोस् जबसम्म तिनीहरूले अधिकतम मानलाई समेट्दैनन्।
उदाहरणका लागि, यदि न्यूनतम मान ३२ छ र वर्ग चौडाइ ५ छ भने, वर्ग सिर्जना गर्न सकिन्छ:
– २–२
– २–२
– २–२
- आदि।
महत्त्वपूर्ण: कक्षाहरू बीच कुनै अन्तर वा ओभरल्याप छैन भनी सुनिश्चित गर्नुहोस्। सबै डेटा मानहरू ठ्याक्कै एउटै वर्गमा पर्नु पर्छ।
चरण ६: (वैकल्पिक) कक्षा सीमाहरू सिर्जना गर्नुहोस्
यदि डेटा पूर्णांकहरू हुन् (जस्तै, परीक्षण स्कोरहरू), वर्गलाई निरन्तर बनाउन प्रायः वर्ग सीमाहरू सिर्जना गरिन्छ। यो माथिल्लो सीमामा ०.५ थपेर र तल्लो सीमाबाट ०.५ घटाएर गरिन्छ।
उदाहरणका लागि, कक्षा ३२–३६, वर्गको किनारा यस्तो हुन्छ:
– २–२
यो हिस्टोग्रामहरूको लागि उपयोगी छ ताकि बारहरू खाली ठाउँहरू बिना जोडिए।
चरण ७: प्रत्येक कक्षाको आवृत्ति गणना गर्नुहोस्
कक्षा अन्तरालहरू निर्धारण गरिसकेपछि, प्रत्येक अन्तरालमा कति डेटा बिन्दुहरू पर्छन् गणना गर्नुहोस्। परिणामहरू फ्रिक्वेन्सी स्तम्भ (f) मा लेखिएका छन्।
ठूलो डेटाको लागि, छिटो हुन र त्रुटिहरू कम गर्न ट्याली विधि प्रयोग गर्नुहोस्।
चरण ८: फ्रिक्वेन्सी वितरण तालिका बनाउनुहोस्
न्यूनतम आवृत्ति वितरण तालिकामा समावेश छ:
- कक्षा अन्तराल
- आवृत्ति (f)
तपाईं अन्य स्तम्भहरू थप्न सक्नुहुन्छ जस्तै:
- कक्षाको मध्यबिन्दु (xi)
- संचयी आवृत्ति
- सापेक्षिक आवृत्ति (प्रतिशत)
४. डेटा समूहीकरणको उदाहरण
उदाहरणका लागि, न्यूनतम ४२ र अधिकतम ९४ अंक भएका ४० जना विद्यार्थीहरूको परीक्षा स्कोर डेटा छ।
1. न्यूनतम = 42, अधिकतम = 94
१ दायरा:
\[
R = ९४ – ४२ = ५२
\]
३. कक्षाहरूको संख्या (स्टर्जेस):
\[
k = १ + ३{,}३ \log(४०)
\लगभग १ + ३{,}३(१{,}६०२)
\लगभग ६{,}२९
\]
६ वा ७ कक्षासम्म राउन्ड अप गरियो। थप विवरणको लागि हामीले ७ कक्षाहरू छनौट गर्यौं।
४. वर्ग चौडाइ:
\[
i = \frac{52}{7} \लगभग ७{,}४३
\]
८ मा राउन्ड गरियो।
५. ४२ बाट सुरु हुने फारम अन्तरालहरू जसको चौडाइ ८ हुन्छ:
– २–२
– २–२
– २–२
– २–२
– २–२
– २–२
– २–२
अन्तिम अन्तराल ९७ पुग्यो, त्यसैले ९४ को अधिकतम मान अझै पनि समायोजन गरिएको थियो।
६. त्यसपछि, डेटाको आधारमा प्रत्येक अन्तरालको आवृत्ति गणना गर्नुहोस् (उदाहरणका लागि, रेखा प्रयोग गरेर)। अन्तिम तालिकाले कति विद्यार्थीहरू स्कोरको निश्चित दायरा भित्र पर्छन् भनेर देखाउनेछ, जसले गर्दा हामीलाई द्रुत रूपमा प्रदर्शन मूल्याङ्कन गर्न अनुमति मिल्छ।
कक्षा अन्तरालहरूलाई अझ प्रभावकारी बनाउनका लागि सुझावहरू
१. तालिकाहरू तुलना गर्न सजिलो बनाउन एकरूप वर्ग चौडाइ प्रयोग गर्नुहोस्।
२. धेरै कक्षाहरू नगर्नुहोस्, किनकि टेबल लामो र पढ्न गाह्रो हुनेछ।
३. धेरै कम कक्षाहरू नराख्नुहोस्, किनकि महत्त्वपूर्ण जानकारी "हराउन" सक्छ र वितरण धेरै कठिन देखिन सक्छ।
४. डेटाको सन्दर्भ अनुरूप वर्ग चौडाइको गोलाकार समायोजन गर्नुहोस्। तापक्रमको लागि, १ वा ०.५ उपयुक्त हुन सक्छ; परीक्षण स्कोरको लागि, ५ वा १० सामान्यतया उपयुक्त हुन्छ।
५. सबै डेटा कुनै पनि हराएको मान बिना प्रविष्ट गरिएको छ भनी सुनिश्चित गर्न वर्ग सीमाहरू दोहोरो जाँच गर्नुहोस्।
केसिम्पुलन
डेटालाई सरल बनाउन र वितरणलाई स्पष्ट रूपमा प्रदर्शन गर्नको लागि वर्ग अन्तरालहरूमा डेटा समूहबद्ध गर्नु एउटा महत्त्वपूर्ण प्रविधि हो । चरणहरूमा न्यूनतम र अधिकतम मानहरू निर्धारण गर्ने , दायरा गणना गर्ने, वर्गहरूको संख्या निर्धारण गर्ने (प्रायः स्टर्जेसको नियम प्रयोग गर्ने), वर्ग चौडाइहरू गणना गर्ने, अन्तरालहरू निर्माण गर्ने, र त्यसपछि प्रत्येक वर्गको आवृत्ति गणना गर्ने समावेश छ। सही वर्ग अन्तरालहरूको साथ, जटिल कच्चा डेटालाई तालिका वा ग्राफहरूमा, सजिलै बुझ्न सकिने जानकारीमा रूपान्तरण गर्न सकिन्छ।
यदि तपाईं चाहनुहुन्छ भने, म कच्चा डेटा (मानहरूको सूची) को साथ एक पूर्ण उदाहरण पनि सिर्जना गर्न सक्छु र त्यसपछि हिस्टोग्रामको साथ फ्रिक्वेन्सी वितरण तालिका कम्पाइल गर्न सक्छु।
