Eksempel på et diskusjonsspørsmål om plasseringsstørrelse
Plasseringsmål er et viktig tema innen ulike fagområder, spesielt statistikk, økonomi og ledelse. Plasseringsmål omfatter en rekke målinger som brukes til å kvantifisere den relative posisjonen til data innenfor en gitt fordeling, for eksempel kvartiler, desiler, persentiler og så videre. Å forstå hvordan man måler og analyserer plasseringsmål er avgjørende for et bredt spekter av dataanalyse, beslutningstaking og forskningsaktiviteter.
I denne artikkelen skal vi diskutere flere eksempler på problemer knyttet til plasseringsmålinger og hvordan de kan løses. Disse problemene har som mål å avklare konseptet og anvendelsen av plasseringsmålinger i ulike sammenhenger.
Eksempelspørsmål 1: Beregning av kvartiler
Spørsmål:
Gitt følgende data: 5, 7, 8, 12, 13, 14, 18, 21, 23, 30. Beregn Q1 (første kvartil), Q2 (median/andre kvartil) og Q3 (tredje kvartil).
Løsning:
Det første trinnet i å beregne kvartiler er å sortere dataene fra minste til største. I denne oppgaven er dataene allerede sortert.
– n (antall data) = 10
Beregning av Q1:
Q1 er verdien som inntar posisjonen \(\frac{n + 1}{4}\).
\[
Q1 = 10 + 1/4 = 11/4 = 2.75
\]
Siden resultatene ikke er runde, bruker vi interpolasjon mellom det andre og tredje datatallet.
2. data = 7
3. data = 8
\[
Q1 = 7 + 0.75 \times (8 – 7) = 7 + 0.75 = 7.75
\]
Beregning av Q2 (median):
Q2 er verdien som inntar midtposisjonen. Siden n er et partall, er Q2 gjennomsnittet av verdiene i 5. og 6. posisjon.
\[
Q2 = 13 + 14/2 = 27/2 = 13.5
\]
Beregning av Q3:
Q3 er verdien som opptar posisjonen 3(n + 1)/4).
\[
Q3 = 3 ganger (10 + 1)/4 = 33/4 = 8.25
\]
Vi bruker interpolasjon mellom de åttende og niende dataene.
8. data = 21
9. data = 23
\[
Q3 = 21 + 0.25 \times (23 – 21) = 21 + 0.5 = 21.5
\]
Så, Q1 = 7.75, Q2 = 13.5 og Q3 = 21.5.
Eksempelspørsmål 2: Bruk av persentiler
Spørsmål:
Gitt følgende datasett: 15, 18, 20, 24, 30, 32, 35, 40, 42, 45. Bestem 70. persentilverdien.
Løsning:
Det første trinnet er å sørge for at dataene er sortert fra minste til største, og at dataene ovenfor er sortert.
Antall data, n = 10
70. persentil betyr at vi ser etter verdien som opptar 70%-posisjonen av de totale dataene.
\[
P_{70} = \frac{70}{100} \times (n + 1) = 0.70 \times 11 = 7.7
\]
Siden resultatet ikke er et heltall, bruker vi interpolasjon mellom det fjerde og femte datatallet.
7. data = 35
8. data = 40
\[
P_{70} = 35 + 0.7 x (40 – 35) = 35 + 3.5 = 38.5
\]
Så er den 70. persentilverdien av datasettet 38.5.
Eksempelspørsmål 3: Beregning av desiler
Spørsmål:
Gitt følgende testresultater: 55, 63, 67, 72, 75, 78, 80, 82, 86, 90. Beregn den fjerde desilen (D4).
Løsning:
Det første trinnet er å sørge for at dataene er sortert fra minste til største. Dataene ovenfor er allerede sortert.
Antall data, n = 10
Den fjerde desilen betyr at vi ser etter en verdi som opptar 40 %-posisjonen av de totale dataene.
\[
D_4 = ∫4×(n + 1)/10 = ∫4×11/10 = 4.4
\]
Siden resultatet ikke er et heltall, bruker vi interpolasjon mellom det fjerde og femte datatallet.
4. data = 72
5. data = 75
\[
D_4 = 72 + 0.4 x (75 – 72) = 72 + 1.2 = 73.2
\]
Så er den fjerde desilen av datasettet 73.2.
Eksempelspørsmål 4: Anvendelse i inntektsfordeling
Spørsmål:
En økonomisk studie samlet inn månedlige inntektsdata for en rekke personer som følger: 2000, 2200, 2400, 2500, 2700, 3000, 3200, 3500, 3700, 4000, 4200, 4500, 4700, 5000, 5500. Bestem medianen og kvartilene til datasettet.
Løsning:
Først sørger vi for at dataene er sortert fra minste til største, og dataene ovenfor er sortert.
Antall data, n = 15
Beregning av medianen (Q2):
Medianen er dataene som er i midtposisjonen.
\[
Medianposisjon = \frac{n + 1}{2} = \frac{15 + 1}{2} = 8
\]
8. data = 3500
Så medianen (Q2) er 3500.
Beregning av Q1:
Q1 er verdien som inntar posisjonen \(\frac{n + 1}{4}\).
\[
Q1 = 15 + 1/4 = 16/4 = 4
\]
4. data = 2500
Så, Q1 er 2500.
Beregning av Q3:
Q3 er verdien som opptar posisjonen 3(n + 1)/4).
\[
Q3 = ∫3 x (15 + 1)/4 = ∫3 x 16/4 = 12
\]
12. data = 4500
Så, Q3 er 4500.
Så medianen (Q2) er 3500, Q1 er 2500, og Q3 er 4500.
Konklusjon
Fordelingsmål er ekstremt nyttige verktøy i dataanalyse, og hjelper oss med å forstå og tolke datafordeling. Ved å bruke mål som kvartiler, desiler og persentiler kan vi få et klarere bilde av fordelingen og trendene i dataene som analyseres. Denne artikkelen gir flere eksempler på problemer og løsninger, i håp om å hjelpe leserne å forstå hvordan man beregner og anvender fordelingsmål i ulike situasjoner.
