ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਦੀ ਸਮਝ ਅਤੇ ਮੂਲ ਧਾਰਨਾਵਾਂ

ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਦੀ ਸਮਝ ਅਤੇ ਮੂਲ ਧਾਰਨਾਵਾਂ

ਵਰਣਨਾਤਮਕ ਅੰਕੜੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਨੀਂਹਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਇਸ ਤੋਂ ਪਹਿਲਾਂ ਕਿ ਕੋਈ ਵਿਅਕਤੀ ਡੇਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਸਿੱਟੇ ਕੱਢੇ, ਭਵਿੱਖਬਾਣੀ ਕਰੇ, ਜਾਂ ਫੈਸਲੇ ਲਵੇ, ਪਹਿਲਾ ਕਦਮ ਲਗਭਗ ਹਮੇਸ਼ਾ "ਡੇਟਾ ਨੂੰ ਸਮਝਣਾ" ਹੁੰਦਾ ਹੈ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਵਰਣਨਾਤਮਕ ਅੰਕੜੇ ਕੰਮ ਵਿੱਚ ਆਉਂਦੇ ਹਨ: ਡੇਟਾ ਨੂੰ ਸੰਖੇਪ ਕਰਨ, ਸੰਗਠਿਤ ਕਰਨ ਅਤੇ ਪੇਸ਼ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਨਾ ਤਾਂ ਜੋ ਇਸਦੇ ਪੈਟਰਨ, ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਰੁਝਾਨਾਂ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦੇਖਿਆ ਜਾ ਸਕੇ। ਇਹ ਲੇਖ ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਦੀ ਪਰਿਭਾਸ਼ਾ ਅਤੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਇਸਦੇ ਮੂਲ ਸੰਕਲਪਾਂ ਬਾਰੇ ਚਰਚਾ ਕਰਦਾ ਹੈ।

ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਨੂੰ ਸਮਝਣਾ

ਆਮ ਤੌਰ 'ਤੇ, ਵਰਣਨਾਤਮਕ ਅੰਕੜੇ ਅੰਕੜਿਆਂ ਦੀ ਇੱਕ ਸ਼ਾਖਾ ਹੈ ਜੋ ਇਸਦੀ ਸਥਿਤੀ ਦੀ ਸਪਸ਼ਟ ਤਸਵੀਰ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨ, ਸੰਖੇਪ ਕਰਨ, ਸੰਗਠਿਤ ਕਰਨ ਅਤੇ ਪੇਸ਼ ਕਰਨ 'ਤੇ ਕੇਂਦ੍ਰਤ ਕਰਦੀ ਹੈ। ਇਸਦਾ ਮੁੱਖ ਟੀਚਾ ਪਰਿਕਲਪਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰਨਾ ਜਾਂ ਇੱਕ ਵਿਸ਼ਾਲ ਆਬਾਦੀ (ਇਹ ਅਨੁਮਾਨਤ ਅੰਕੜਿਆਂ ਦਾ ਖੇਤਰ ਹੈ) ਨੂੰ ਆਮ ਬਣਾਉਣਾ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਇਹ ਸਮਝਾਉਣਾ ਹੈ ਕਿ ਹੱਥ ਵਿੱਚ ਡੇਟਾ ਵਿੱਚ ਕੀ ਹੁੰਦਾ ਹੈ।

ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਕੋਈ ਸਕੂਲ 200 ਵਿਦਿਆਰਥੀਆਂ ਤੋਂ ਗਣਿਤ ਦੇ ਟੈਸਟ ਦੇ ਅੰਕੜੇ ਇਕੱਠੇ ਕਰਦਾ ਹੈ, ਤਾਂ ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਦੀ ਵਰਤੋਂ ਅਜਿਹੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਜਿਵੇਂ ਕਿ: ਔਸਤ ਸਕੋਰ ਕੀ ਹੈ? ਸਕੋਰਾਂ ਵਿੱਚ ਕਿੰਨਾ ਭਿੰਨਤਾ ਹੈ? ਸਭ ਤੋਂ ਵੱਧ ਅਤੇ ਸਭ ਤੋਂ ਘੱਟ ਸਕੋਰ ਕੀ ਹਨ? ਕੀ ਜ਼ਿਆਦਾਤਰ ਸਕੋਰ ਇੱਕ ਖਾਸ ਸੀਮਾ ਦੇ ਅੰਦਰ ਸਮੂਹਬੱਧ ਹਨ? ਇਹ ਸਵਾਲ ਮੁਲਾਂਕਣ ਲਈ ਇੱਕ ਆਧਾਰ ਵਜੋਂ ਮਹੱਤਵਪੂਰਨ ਹਨ, ਦੂਜੇ ਸਕੂਲਾਂ ਦੇ ਵਿਦਿਆਰਥੀਆਂ ਬਾਰੇ ਸਿੱਟੇ ਕੱਢਣ ਦੀ ਲੋੜ ਤੋਂ ਬਿਨਾਂ।

ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਵਰਣਨਯੋਗ ਅੰਕੜਿਆਂ ਦੀ ਭੂਮਿਕਾ

ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਭਿਆਸ ਵਿੱਚ, ਵਰਣਨਾਤਮਕ ਅੰਕੜੇ ਆਮ ਤੌਰ 'ਤੇ ਸ਼ੁਰੂਆਤੀ ਕਦਮ ਹੁੰਦੇ ਹਨ ਜੋ ਬਾਅਦ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀ ਦਿਸ਼ਾ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ। ਇਸ ਦੀਆਂ ਭੂਮਿਕਾਵਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

1. ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਵਧੇਰੇ ਸੰਖੇਪ ਅਤੇ ਸਮਝਣ ਵਿੱਚ ਆਸਾਨ ਰੂਪ ਵਿੱਚ ਸੰਖੇਪ ਕਰੋ।
2. ਰੁਝਾਨਾਂ, ਪ੍ਰਮੁੱਖ ਡੇਟਾ ਸਮੂਹਾਂ, ਜਾਂ ਵਿਗਾੜਾਂ ਵਰਗੇ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰੋ।
3. ਡੇਟਾ ਗਲਤੀਆਂ ਦਾ ਪਤਾ ਲਗਾਓ ਜਿਵੇਂ ਕਿ ਗੈਰ-ਵਾਜਬ ਮੁੱਲ, ਗੁੰਮ ਡੇਟਾ, ਜਾਂ ਡੁਪਲੀਕੇਸ਼ਨ।
4. ਟੇਬਲ, ਗ੍ਰਾਫ਼, ਅਤੇ ਅੰਕੜਾ ਸਾਰਾਂਸ਼ਾਂ ਰਾਹੀਂ ਜਾਣਕਾਰੀ ਨੂੰ ਸੰਚਾਰਿਤ ਢੰਗ ਨਾਲ ਪੇਸ਼ ਕਰੋ।
5. ਜਲਦੀ ਫੈਸਲਾ ਲੈਣ ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ, ਉਦਾਹਰਨ ਲਈ ਗਾਹਕ ਡੇਟਾ ਸਾਰਾਂਸ਼ਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਮਾਰਕੀਟਿੰਗ ਰਣਨੀਤੀਆਂ ਨਿਰਧਾਰਤ ਕਰਨਾ।

ਵਰਣਨਾਤਮਕ ਕਦਮਾਂ ਤੋਂ ਬਿਨਾਂ, ਹੋਰ ਵਿਸ਼ਲੇਸ਼ਣ ਗਲਤ ਹੋ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਡੇਟਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਸਮਝਿਆ ਨਹੀਂ ਜਾਂਦਾ ਹੈ।

ਡਾਟਾ ਕਿਸਮਾਂ ਅਤੇ ਮਾਪ ਸਕੇਲ

ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਦੀ ਮੂਲ ਧਾਰਨਾ ਨੂੰ ਡੇਟਾ ਕਿਸਮਾਂ ਅਤੇ ਮਾਪ ਪੈਮਾਨਿਆਂ ਦੀ ਸਮਝ ਤੋਂ ਵੱਖ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ, ਕਿਉਂਕਿ ਦੋਵੇਂ ਢੁਕਵੇਂ ਸੰਖੇਪ ਵਿਧੀ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ।

1. ਗੁਣਾਤਮਕ ਅਤੇ ਮਾਤਰਾਤਮਕ ਡੇਟਾ
- ਗੁਣਾਤਮਕ ਡੇਟਾ (ਸ਼੍ਰੇਣੀਆਂ): ਸ਼੍ਰੇਣੀਆਂ ਜਾਂ ਲੇਬਲਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਡੇਟਾ, ਉਦਾਹਰਣ ਵਜੋਂ ਲਿੰਗ, ਰੁਜ਼ਗਾਰ ਸਥਿਤੀ, ਉਤਪਾਦ ਸ਼੍ਰੇਣੀ।
- ਮਾਤਰਾਤਮਕ (ਸੰਖਿਆਤਮਕ) ਡੇਟਾ: ਸੰਖਿਆਵਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਡੇਟਾ ਜਿਸਨੂੰ ਗਿਣਿਆ ਜਾਂ ਮਾਪਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਉਦਾਹਰਣ ਵਜੋਂ ਉਮਰ, ਆਮਦਨ, ਉਚਾਈ।

2. ਮਾਪ ਪੈਮਾਨਾ
- ਨਾਮਾਤਰ: ਸਿਰਫ਼ ਸ਼੍ਰੇਣੀਆਂ ਨੂੰ ਵੱਖਰਾ ਕਰਦਾ ਹੈ (ਉਦਾਹਰਨ: ਖੂਨ ਦਾ ਸਮੂਹ)।
– ਕ੍ਰਮਵਾਰ: ਇੱਕ ਕ੍ਰਮ ਹੈ, ਪਰ ਸ਼੍ਰੇਣੀਆਂ ਵਿਚਕਾਰ ਦੂਰੀ ਅਨਿਸ਼ਚਿਤ ਹੈ (ਉਦਾਹਰਣ: ਸੰਤੁਸ਼ਟੀ ਪੱਧਰ: ਘੱਟ–ਦਰਮਿਆਨੀ–ਉੱਚ)।
- ਅੰਤਰਾਲ: ਮੁੱਲਾਂ ਵਿਚਕਾਰ ਦੂਰੀ ਇੱਕੋ ਜਿਹੀ ਹੈ, ਪਰ ਇਸਦਾ ਪੂਰਨ ਜ਼ੀਰੋ ਨਹੀਂ ਹੈ (ਉਦਾਹਰਣ: ਸੈਲਸੀਅਸ ਤਾਪਮਾਨ)।
– ਅਨੁਪਾਤ: ਦੂਰੀ ਇੱਕੋ ਜਿਹੀ ਹੈ ਅਤੇ ਇਸਦਾ ਪੂਰਨ ਜ਼ੀਰੋ ਹੈ (ਉਦਾਹਰਣ: ਸਰੀਰ ਦਾ ਭਾਰ, ਆਮਦਨ)।

ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦੇ ਢੁਕਵੇਂ ਮਾਪ, ਫੈਲਾਅ ਦੇ ਮਾਪ, ਅਤੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਦੀ ਚੋਣ ਕਰਨ ਲਈ ਡੇਟਾ ਦੇ ਪੈਮਾਨੇ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ।

ਡਾਟਾ ਪੇਸ਼ਕਾਰੀ: ਟੇਬਲ ਅਤੇ ਗ੍ਰਾਫ਼

ਵਰਣਨਾਤਮਕ ਅੰਕੜੇ ਅਕਸਰ ਡੇਟਾ ਪੇਸ਼ ਕਰਨ ਨਾਲ ਜੁੜੇ ਹੁੰਦੇ ਹਨ ਤਾਂ ਜੋ ਇਸਨੂੰ ਪੜ੍ਹਨਾ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨਾ ਆਸਾਨ ਹੋਵੇ।

1. ਬਾਰੰਬਾਰਤਾ ਵੰਡ ਸਾਰਣੀ
ਇੱਕ ਬਾਰੰਬਾਰਤਾ ਵੰਡ ਸਾਰਣੀ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਇੱਕ ਮੁੱਲ ਜਾਂ ਸ਼੍ਰੇਣੀ ਕਿੰਨੀ ਵਾਰ ਵਾਪਰਦੀ ਹੈ। ਇਹ ਵੱਡੇ ਡੇਟਾ ਸੈੱਟਾਂ ਲਈ ਲਾਭਦਾਇਕ ਹੈ, ਜੋ ਸੰਖੇਪਤਾ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਸੰਖਿਆਤਮਕ ਡੇਟਾ ਲਈ, ਬਾਰੰਬਾਰਤਾਵਾਂ ਨੂੰ ਅਕਸਰ ਕਲਾਸ ਅੰਤਰਾਲਾਂ ਵਿੱਚ ਵਿਵਸਥਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ, 0-10, 11-20, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ)।

2. ਗ੍ਰਾਫ਼ ਅਤੇ ਚਿੱਤਰ
ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਦੇ ਕੁਝ ਆਮ ਰੂਪ:
- ਬਾਰ ਚਾਰਟ: ਸ਼੍ਰੇਣੀਬੱਧ ਡੇਟਾ ਲਈ ਢੁਕਵਾਂ।
- ਪਾਈ ਚਾਰਟ: ਹਰੇਕ ਸ਼੍ਰੇਣੀ ਦੇ ਅਨੁਪਾਤ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ (ਹਾਲਾਂਕਿ ਕਈ ਸ਼੍ਰੇਣੀਆਂ ਲਈ ਇਹ ਆਮ ਤੌਰ 'ਤੇ ਘੱਟ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੁੰਦਾ ਹੈ)।
- ਹਿਸਟੋਗ੍ਰਾਮ: ਇੱਕ ਬਾਰ ਚਾਰਟ ਦੇ ਸਮਾਨ ਪਰ ਸਮੂਹਿਕ ਸੰਖਿਆਤਮਕ ਡੇਟਾ ਲਈ; ਵੰਡ ਦੀ ਸ਼ਕਲ ਦੇਖਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
- ਬਾਰੰਬਾਰਤਾ ਬਹੁਭੁਜ: ਹਰੇਕ ਸ਼੍ਰੇਣੀ ਦੇ ਬਾਰੰਬਾਰਤਾ ਬਿੰਦੂਆਂ ਨੂੰ ਜੋੜਨ ਵਾਲੀ ਇੱਕ ਰੇਖਾ।
- ਬਾਕਸਪਲਾਟ (ਬਾਕਸ ਡਾਇਗ੍ਰਾਮ): ਮੱਧਮਾਨ, ਚੌਥਾਈ, ਵੰਡ, ਅਤੇ ਸੰਭਾਵੀ ਆਊਟਲੀਅਰ ਪ੍ਰਦਰਸ਼ਿਤ ਕਰਦਾ ਹੈ।

ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਡੇਟਾ ਵਿੱਚ ਰੁਝਾਨਾਂ ਜਾਂ ਵਿਗਾੜਾਂ ਨੂੰ ਦੇਖਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਜੋ ਕਈ ਵਾਰ ਸਪੱਸ਼ਟ ਨਹੀਂ ਹੁੰਦੇ ਜੇਕਰ ਤੁਸੀਂ ਸਿਰਫ਼ ਸੰਖਿਆਵਾਂ ਨੂੰ ਦੇਖਦੇ ਹੋ।

ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦੇ ਮਾਪ

ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦੇ ਮਾਪ "ਮੱਧਮ" ਮੁੱਲ ਜਾਂ ਉਹ ਮੁੱਲ ਦਰਸਾਉਂਦੇ ਹਨ ਜੋ ਇੱਕ ਡੇਟਾ ਸੈੱਟ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਢੰਗ ਨਾਲ ਦਰਸਾਉਂਦਾ ਹੈ।

1. ਔਸਤ (ਔਸਤ)
ਔਸਤ ਸਾਰੇ ਮੁੱਲਾਂ ਦਾ ਜੋੜ ਹੈ ਜਿਸਨੂੰ ਡੇਟਾ ਪੁਆਇੰਟਾਂ ਦੀ ਸੰਖਿਆ ਨਾਲ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ। ਔਸਤ ਪ੍ਰਸਿੱਧ ਹੈ ਕਿਉਂਕਿ ਇਹ ਸਮਝਣਾ ਆਸਾਨ ਹੈ, ਪਰ ਇਹ ਬਾਹਰੀ ਲੋਕਾਂ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ ਹੈ। ਆਮਦਨੀ ਡੇਟਾ ਵਿੱਚ, ਉਦਾਹਰਣ ਵਜੋਂ, ਇੱਕ ਬਹੁਤ ਅਮੀਰ ਵਿਅਕਤੀ ਔਸਤ ਨੂੰ ਕਾਫ਼ੀ ਹੱਦ ਤੱਕ ਘਟਾ ਸਕਦਾ ਹੈ।

2. ਮੱਧਮ (ਮੱਧਮ ਮੁੱਲ)
ਡੇਟਾ ਨੂੰ ਕ੍ਰਮਬੱਧ ਕਰਨ ਤੋਂ ਬਾਅਦ ਮੱਧਮਾਨ ਮੱਧ ਮੁੱਲ ਹੁੰਦਾ ਹੈ। ਜੇਕਰ ਡੇਟਾ ਬਿੰਦੂਆਂ ਦੀ ਗਿਣਤੀ ਬਰਾਬਰ ਹੈ, ਤਾਂ ਮੱਧਮਾਨ ਦੋ ਮੱਧ ਮੁੱਲਾਂ ਦਾ ਔਸਤ ਹੁੰਦਾ ਹੈ। ਮੱਧਮਾਨ ਆਊਟਲੀਅਰਾਂ ਪ੍ਰਤੀ ਵਧੇਰੇ ਰੋਧਕ ਹੁੰਦਾ ਹੈ, ਇਸ ਲਈ ਇਸਨੂੰ ਅਕਸਰ ਅਸਮਿਤ ਵੰਡਾਂ ਵਾਲੇ ਡੇਟਾ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।

3. ਮੋਡ (ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਦਿਖਾਈ ਦੇਣ ਵਾਲਾ ਮੁੱਲ)
ਮੋਡ ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਆਉਣ ਵਾਲਾ ਮੁੱਲ ਹੈ ਅਤੇ ਸ਼੍ਰੇਣੀਬੱਧ ਡੇਟਾ ਲਈ ਉਪਯੋਗੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਖਰੀਦੇ ਗਏ ਉਤਪਾਦ ਕਿਸਮਾਂ ਦਾ ਮੋਡ ਪ੍ਰਾਇਮਰੀ ਤਰਜੀਹ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

ਫੈਲਾਅ ਦੇ ਮਾਪ

ਕੇਂਦਰੀ ਮੁੱਲ ਨੂੰ ਜਾਣਨ ਦੇ ਨਾਲ-ਨਾਲ, ਇਹ ਜਾਣਨਾ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਕੇਂਦਰ ਤੋਂ ਡੇਟਾ ਕਿੰਨਾ ਫੈਲਿਆ ਹੋਇਆ ਹੈ।

1. ਰੇਂਜ
ਰੇਂਜ ਵੱਧ ਤੋਂ ਵੱਧ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਮੁੱਲਾਂ ਵਿਚਕਾਰ ਅੰਤਰ ਹੈ। ਇਹ ਮਾਪ ਸਧਾਰਨ ਹੈ, ਪਰ ਇਹ ਆਊਟਲੀਅਰਾਂ ਦੁਆਰਾ ਬਹੁਤ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦਾ ਹੈ।

2. ਭਿੰਨਤਾ ਅਤੇ ਮਿਆਰੀ ਭਟਕਣਾ
- ਵਿਭਿੰਨਤਾ ਮੱਧਮਾਨ ਤੋਂ ਮੁੱਲਾਂ ਦੇ ਔਸਤ ਵਰਗ ਭਟਕਣ ਨੂੰ ਮਾਪਦੀ ਹੈ।
- ਸਟੈਂਡਰਡ ਡਿਵੀਏਸ਼ਨ ਵੇਰੀਐਂਸ ਦਾ ਵਰਗਮੂਲ ਹੈ, ਜੋ ਅਕਸਰ ਇਸ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਸਦੀਆਂ ਇਕਾਈਆਂ ਅਸਲ ਡੇਟਾ ਦੇ ਸਮਾਨ ਹੁੰਦੀਆਂ ਹਨ।

ਸਟੈਂਡਰਡ ਡਿਵੀਏਸ਼ਨ ਜਿੰਨਾ ਵੱਡਾ ਹੋਵੇਗਾ, ਡੇਟਾ ਓਨਾ ਹੀ ਜ਼ਿਆਦਾ ਵੇਰੀਏਬਲ ਹੋਵੇਗਾ; ਇਹ ਜਿੰਨਾ ਛੋਟਾ ਹੋਵੇਗਾ, ਡੇਟਾ ਓਨਾ ਹੀ ਜ਼ਿਆਦਾ ਔਸਤ ਦੇ ਦੁਆਲੇ ਇਕੱਠਾ ਹੁੰਦਾ ਹੈ।

3. ਕੁਆਰਟਾਇਲ ਅਤੇ IQR (ਇੰਟਰਕੁਆਰਟਾਇਲ ਰੇਂਜ)
ਚੌਥਾਈ ਡੇਟਾ ਨੂੰ ਚਾਰ ਬਰਾਬਰ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਦੇ ਹਨ:
– Q1 (ਹੇਠਲਾ ਚੌਥਾਈ), Q2 (ਮੱਧਮ), Q3 (ਉੱਪਰਲਾ ਚੌਥਾਈ)।
IQR = Q3 − Q1 ਡੇਟਾ ਦੇ ਵਿਚਕਾਰਲੇ 50% ਦੀ ਵੰਡ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਤੇ ਆਊਟਲੀਅਰਾਂ ਪ੍ਰਤੀ ਮੁਕਾਬਲਤਨ ਰੋਧਕ ਹੈ।

ਵੰਡ ਫਾਰਮ ਅਤੇ ਬਾਹਰੀ ਹਿੱਸੇ

ਵਰਣਨਯੋਗ ਅੰਕੜੇ ਡੇਟਾ ਵੰਡ ਦੇ ਰੂਪ ਵੱਲ ਵੀ ਧਿਆਨ ਦਿੰਦੇ ਹਨ:
- ਸਮਮਿਤੀ: ਡੇਟਾ ਮੱਧਮਾਨ/ਮਾਧਿਅਮ ਦੇ ਖੱਬੇ ਅਤੇ ਸੱਜੇ ਪਾਸੇ ਬਰਾਬਰ ਫੈਲਿਆ ਹੋਇਆ ਹੈ।
– ਸੱਜੇ-ਟੇਢੇ: ਬਹੁਤ ਸਾਰੇ ਛੋਟੇ ਮੁੱਲ, ਕੁਝ ਵੱਡੇ ਮੁੱਲ।
– ਖੱਬੇ-ਪੱਖੀ: ਬਹੁਤ ਸਾਰੇ ਵੱਡੇ ਮੁੱਲ, ਕੁਝ ਛੋਟੇ ਮੁੱਲ।

ਇਸ ਦੌਰਾਨ, ਇੱਕ ਆਊਟਲੀਅਰ ਇੱਕ ਮੁੱਲ ਹੁੰਦਾ ਹੈ ਜੋ ਜ਼ਿਆਦਾਤਰ ਡੇਟਾ ਤੋਂ ਕਾਫ਼ੀ ਵੱਖਰਾ ਹੁੰਦਾ ਹੈ। ਆਊਟਲੀਅਰ ਰਿਕਾਰਡਿੰਗ ਗਲਤੀਆਂ ਜਾਂ ਮਹੱਤਵਪੂਰਨ ਅਸਲ-ਸੰਸਾਰ ਘਟਨਾਵਾਂ (ਜਿਵੇਂ ਕਿ, ਬਹੁਤ ਵੱਡੇ ਲੈਣ-ਦੇਣ) ਕਾਰਨ ਹੋ ਸਕਦੇ ਹਨ। ਆਊਟਲੀਅਰਾਂ ਦੀ ਪਛਾਣ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਉਹ ਮੱਧਮਾਨ, ਭਿੰਨਤਾ ਅਤੇ ਸਮੁੱਚੀ ਵਿਆਖਿਆ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦੇ ਹਨ।

ਸਿੱਟਾ

ਵਰਣਨਾਤਮਕ ਅੰਕੜੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਇੱਕ ਜ਼ਰੂਰੀ ਪਹਿਲਾ ਕਦਮ ਹੈ ਕਿਉਂਕਿ ਇਹ ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਅਰਥਪੂਰਨ ਜਾਣਕਾਰੀ ਵਿੱਚ ਬਦਲਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਸੰਖਿਆਤਮਕ ਸਾਰਾਂਸ਼ਾਂ (ਔਸਤ, ਮੱਧਮਾਨ, ਮੋਡ), ਫੈਲਾਅ ਦੇ ਮਾਪ (ਰੇਂਜ, ਮਿਆਰੀ ਭਟਕਣਾ, IQR), ਅਤੇ ਟੇਬਲ ਅਤੇ ਗ੍ਰਾਫਾਂ ਵਿੱਚ ਡੇਟਾ ਪੇਸ਼ਕਾਰੀ ਦੁਆਰਾ, ਵਿਸ਼ਲੇਸ਼ਕ ਡੇਟਾ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਜਲਦੀ ਅਤੇ ਸਹੀ ਢੰਗ ਨਾਲ ਸਮਝ ਸਕਦੇ ਹਨ। ਡੇਟਾ ਕਿਸਮ ਅਤੇ ਮਾਪ ਪੈਮਾਨੇ ਨੂੰ ਸਮਝਣਾ ਉਚਿਤ ਵਰਣਨਾਤਮਕ ਵਿਧੀ ਨੂੰ ਵੀ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ। ਇਸ ਬੁਨਿਆਦ ਦੇ ਨਾਲ, ਬਾਅਦ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ - ਅਨੁਮਾਨਤ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਫੈਸਲਾ ਲੈਣ ਸਮੇਤ - ਨੂੰ ਵਧੇਰੇ ਕੇਂਦ੍ਰਿਤ ਅਤੇ ਜਵਾਬਦੇਹ ਢੰਗ ਨਾਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਜੇ ਤੁਸੀਂ ਚਾਹੋ, ਤਾਂ ਮੈਂ ਇਸ ਲੇਖ ਨੂੰ ਵਧੇਰੇ ਅਕਾਦਮਿਕ (ਹਵਾਲਾ ਦੇ ਨਾਲ), ਵਧੇਰੇ ਬਲੌਗ-ਅਨੁਕੂਲ, ਜਾਂ ਸਧਾਰਨ ਗਣਨਾ ਉਦਾਹਰਣਾਂ ਅਤੇ ਸਾਰਣੀ/ਗ੍ਰਾਫ ਚਿੱਤਰਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਢਾਲ ਸਕਦਾ ਹਾਂ।