شماريات ۾ فريڪوئنسي پوليگون استعمال ڪندي ڊيٽا جو تجزيو

شماريات ۾ فريڪوئنسي پوليگون استعمال ڪندي ڊيٽا جو تجزيو

انگن اکرن ۾، ڊيٽا پيشڪش نتيجو ڪڍڻ کان اڳ هڪ اهم قدم آهي. ڊيٽا جيڪو شروعات ۾ خام انگن تي مشتمل هوندو آهي، اهو سمجهڻ ڏکيو هوندو آهي جيڪڏهن صحيح طرح سان منظم ۽ تصور نه ڪيو وڃي. ڊيٽا جي ورڇ کي پيش ڪرڻ جو هڪ مؤثر طريقو فريڪوئنسي پوليگون ذريعي آهي. فريڪوئنسي پوليگون اسان کي ڊيٽا جي ورڇ جي نمونن، غالب قدر جي رجحانات، ۽ ورڇ جي شڪل (مثال طور، هموار، ترچھو، يا هڪ کان وڌيڪ چوٽي هجڻ) ڏسڻ ۾ مدد ڪن ٿا. هي مضمون فريڪوئنسي پوليگون جي تصور، انهن کي ڪيئن ٺاهيو وڃي، انهن جي تشريح ڪيئن ڪجي، ۽ شمارياتي ڊيٽا جي تجزيي ۾ انهن جي استعمال تي بحث ڪري ٿو.

فريڪوئنسي پوليگون کي سمجھڻ

فريڪوئنسي پوليگون هڪ لڪير گراف آهي جيڪو گروپ ٿيل ڊيٽا جي فريڪوئنسي ورڇ کي ظاهر ڪري ٿو. هي گراف ڪلاس جي وچين نقطن تي فريڪوئنسي جي نمائندگي ڪندڙ پوائنٽن کي ڳنڍڻ سان ٺهيل آهي. هڪ هسٽوگرام جي برعڪس، جيڪو بارن تي مشتمل آهي، هڪ فريڪوئنسي پوليگون هڪ لڪير آهي، جيڪا مبصرن لاءِ هڪ ئي گراف اندر ڪيترن ئي ڊيٽا گروپن جي ورڇ جي نمونن جو مقابلو ڪرڻ آسان بڻائي ٿي.

فريڪوئنسي پوليگون اڪثر استعمال ڪيا ويندا آهن جڏهن اسان فريڪوئنسي ۾ تبديلين يا رجحانن کي وڌيڪ آساني سان ڏيکارڻ چاهيون ٿا. مثال طور، ٽيسٽ اسڪور، اوچائي، وزن، يا پيداوار ڊيٽا جي تجزيو ۾، فريڪوئنسي پوليگون ڏيکاري سگهن ٿا ته ڊيٽا گهڻو ڪري هڪ خاص حد ۾ مرڪوز آهي يا اهو هڪجهڙائي سان ورهايل آهي.

فريڪوئنسي پوليگون ڪڏهن استعمال ٿيندا آهن؟

فريڪوئنسي پوليگون بنيادي طور تي استعمال ڪيا ويندا آهن جڏهن ڊيٽا:

1. مقداري ڊيٽا جي صورت ۾ (مثال طور قدر، وزن، قد، وقت).
2. ڪلاس جي وقفن ۾ گروپ ڪيو ويو آهي يا ڪرڻ جي ضرورت آهي.
3. هڪ گراف ۾ ٻن يا وڌيڪ تقسيم جو مقابلو ڪرڻ ضروري آهي، ڇاڪاڻ ته هسٽوگرام بارن جي ڀيٽ ۾ لائينون اسٽيڪ ڪرڻ آسان آهن.

فريڪوئنسي پوليگون پڻ ڳولا واري ڊيٽا تجزيي جي مرحلي ۾ تمام ڪارآمد آهن، يعني جڏهن محقق وڌيڪ تجزيو ڪرڻ کان اڳ ڊيٽا جي عام خاصيتن کي سمجهڻ چاهين ٿا جهڙوڪ شمارياتي ٽيسٽ، رجعت، يا اڳڪٿي.

فريڪوئنسي پوليگون ۾ اهم جزا

فريڪوئنسي پوليگون ٺاهڻ لاءِ، ڪيترن ئي بنيادي حصن کي سمجهڻ گهرجي:

- ڪلاس وقفو: قدرن جي حد جيڪا ڊيٽا کي ڪيترن ئي گروپن ۾ ورهائي ٿي.
- فريڪوئنسي: هر ڪلاس جي وقفي ۾ داخل ڪيل ڊيٽا جو تعداد.
- ڪلاس وچ وارو نقطو: فارمولا استعمال ڪندي حساب ڪيل وقفي جي وچ واري قيمت:
\[
\text{وچ پوائنٽ} = \frac{\text{هيٺين حد} + \text{مٿين حد}}{2}
\]
- X ۽ Y محور: X محور ڪلاس جي وچ واري نقطي تي مشتمل آهي، جڏهن ته Y محور تعدد ڏيکاري ٿو.

هن جزو سان، اسين پوائنٽس (وچ پوائنٽ، فريڪوئنسي) ٺاهي سگھون ٿا ۽ پوءِ انهن کي هڪ لڪير ۾ ڳنڍي سگھون ٿا.

فريڪوئنسي پوليگون ٺاهڻ جا قدم

خام ڊيٽا مان فريڪوئنسي پوليگون ٺاهڻ لاءِ هيٺيان عام قدم آهن:

1. ڊيٽا ترتيب ڏيڻ ۽ ڪيترن ئي ڪلاسن جو تعين ڪرڻ
پهريون قدم خام ڊيٽا تيار ڪرڻ آهي. ان کان پوءِ، ڪلاسن جو تعداد (k) طئي ڪريو. هڪ مشهور طريقو اسٽرجس جو فارمولو آهي:
\[
ڪ = 1 + 3{,}3 \لاگ(ن)
\]
جتي \(n\) ڊيٽا جو تعداد آهي.

2. ڪلاس جي حد ۽ ويڪر جو تعين ڪريو
ڊيٽا جي حد جي حساب ڪريو:
\[
R = x_{\text{max}} - x_{\text{min}}
\]
پوءِ ڪلاس جي ويڪر جو حساب لڳائي سگهجي ٿو:
\[
پ = \frac{آر}{ڪي}
\]
ڪلاس جي ويڪر عام طور تي استعمال جي آساني لاءِ گول ڪئي ويندي آهي.

3. فريڪوئنسي ورڇ ٽيبل ٺاهيو
ڪلاس جي وقفن کي ترتيب ڏيو، پوءِ ڳڻيو ته هر وقفي ۾ ڪيترا ڊيٽا پوائنٽ اچن ٿا. نتيجو هڪ فريڪوئنسي ورهائڻ واري ٽيبل آهي.

4. هر ڪلاس جي وچ واري نقطي جو حساب ڪريو
هر وقفي لاءِ، وچ واري نقطي جو حساب ڪريو. هي وچ واري نقطي کي X-محور تي استعمال ڪيو ويندو.

5. گراف ٺاهڻ
- ڪلاس جي وچ واري نقطي کي X محور تي رکو.
- فريڪوئنسي کي Y محور تي رکو.
- پوائنٽن جا پلاٽ جوڙا (وچ پوائنٽ، فريڪوئنسي).
- پوائنٽن کي سڌي لڪير سان ڳنڍيو.

پوليگون کي صحيح طرح سان "بند" ڪرڻ لاءِ، هڪ نقطو عام طور تي شروعات ۽ آخر ۾ صفر فريڪوئنسي سان شامل ڪيو ويندو آهي، پهرين ڪلاس کان اڳ ڪلاس جي وچ واري نقطي تي ۽ آخري ڪلاس کان پوءِ.

تشريح جي سادي مثال

مثال طور، هڪ فريڪوئنسي پوليگون 70 جي وچ واري نقطي تي پنهنجي بلند ترين چوٽي ڏيکاري ٿو، جنهن ۾ سڀ کان وڌيڪ فريڪوئنسي آهي. اهو ظاهر ڪري ٿو ته سڀ کان وڌيڪ بار بار ايندڙ قدر 70 جي چوڌاري آهي، جيڪو اهو ظاهر ڪري ٿو ته شاگردن جي اڪثريت جي ڪارڪردگي ان قدر جي چوڌاري آهي. جيڪڏهن پوليگون ساڄي طرف تيزيءَ سان ٻڏڻ جو رجحان رکي ٿو (وڏيون قدرون) ۽ کاٻي طرف وڌندو آهي (ننڍيون قدرون)، ڊيٽا جي ورڇ کاٻي طرف ترچھي ٿي سگهي ٿي؛ ان جي برعڪس، جيڪڏهن اهو ساڄي طرف وڌندو آهي، ته ورڇ ساڄي طرف ترچھي هوندي آهي.

شڪل کان علاوه، لڪير جو ڍلون پڻ ڪلاسن جي وچ ۾ فريڪوئنسي ۾ تبديلين کي ظاهر ڪري ٿو. هڪ تيز واڌارو ايندڙ ڪلاس ۾ ڊيٽا پوائنٽس جي تعداد ۾ هڪ اهم واڌ کي ظاهر ڪري ٿو. هڪ تيز گهٽتائي ان جي ابتڙ کي ظاهر ڪري ٿي.

فريڪوئنسي پوليگون بمقابله هسٽوگرام

جيتوڻيڪ ٻئي تعدد جي تقسيم کي بيان ڪن ٿا، اهم فرق آهن:

1. بصري شڪل
- هسٽوگرام: ڀرسان بار.
- فريڪوئنسي پوليگون: لائينون ڳنڍڻ وارا نقطا.

2. مقابلي جي آساني
- ڪيترن ئي گروپن لاءِ هسٽوگرام اسٽيڪ ڪرڻ ڏکيو آهي.
- فريڪوئنسي پوليگون هڪ گراف ۾ مقابلو ڪرڻ آسان آهن.

3. نموني پڙهڻ جي صلاحيت
- پوليگون وڌيڪ واضح طور تي ورڇ واري وکر جي عام شڪل ڏيکارين ٿا.
- هسٽوگرام ڪلاس جي جوڙجڪ کي تفصيل سان ڏسڻ ۾ مدد ڪري ٿو.

عملي طور تي، فريڪوئنسي پوليگون اڪثر ڪري هسٽوگرام جي بنياد تي ٺاهيا ويندا آهن: هر هسٽوگرام بار جا وچ پوائنٽ هڪ لڪير سان ڳنڍيل هوندا آهن.

ڊيٽا جي تجزيي ۾ فريڪوئنسي پوليگون جا فائدا

فريڪوئنسي پوليگون صرف تصويرون نه آهن، پر تجزياتي اوزار آهن. انهن جا ڪجھ فائدا:

1. ڊيٽا سينٽر کي سڃاڻو (مرڪزي رجحان)
پوليگون جي چوٽي موڊ ڪلاس کي ظاهر ڪري ٿي، يعني وقفو جيڪو سڀ کان وڌيڪ فريڪوئنسي سان آهي.

2. ورڇ (متغير) ڏسو.
وسيع ڪثير الاضلاع وڌيڪ متنوع ڊيٽا جي نشاندهي ڪن ٿا؛ تنگ ڪثير الاضلاع وڌيڪ مرڪوز ڊيٽا جي نشاندهي ڪن ٿا.

3. ورڇ فارم جو جائزو وٺو
تقسيم هموار، ترچھي، يا ٻہ موڊل (ٻه چوٽيون) ٿي سگهن ٿيون. هي وڌيڪ تجزيي جي طريقن کي طئي ڪرڻ لاءِ اهم آهي.

4. گروپن جو مقابلو ڪرڻ
مثال طور، ڪلاس A ۽ ڪلاس B جي قدرن جو مقابلو ڪرڻ، يا مشين 1 ۽ مشين 2 جي پيداوار جا نتيجا. ورڇ ۾ فرق ڏسڻ لاءِ ٻه ڪثير ڪثير گڏ ڪري سگهجن ٿا.

5. غير معمولي ڊيٽا ڳولڻ
جيڪڏهن ننڍيون چوٽيون آهن جيڪي مکيه چوٽي کان پري آهن، ته پوءِ مختلف ڊيٽا گروپ، ان پٽ غلطيون، يا آئوٽليئر ٿي سگهن ٿا.

عام غلطيون ۽ خدمت ڪرڻ جا طريقا

فريڪوئنسي پوليگون ٺاهڻ ۾ ڪجھ عام غلطيون شامل آهن:
- ايڪس محور تي ڪلاس جي حدون استعمال ڪريو، ڪلاس جي وچين نقطن تي نه.
- ڪلاس جي ويڪر غير مطابقت رکندڙ آهي، جنهن جي ڪري گمراهه ڪندڙ تشريحون ٿين ٿيون.
- سرن تي صفر فريڪوئنسي پوائنٽس شامل نه ڪندو آهي، تنهنڪري پوليگون "لٽڪيل" نظر اچي ٿو.
- غير متناسب محور پيمانو.

سٺي خدمت جا طريقا:
- مسلسل ڪلاس وقفا استعمال ڪريو.
- هڪ واضح عنوان، محور ليبل، ۽ پيمانو مهيا ڪريو.
- جيڪڏهن ٻن گروپن جو مقابلو ڪري رهيا آهيو، ته مختلف رنگن/لڪيرن کي استعمال ڪريو ۽ هڪ ليجنڊ شامل ڪريو.
- پڪ ڪريو ته ڪلاسن جو تعداد تمام گهٽ يا تمام گهڻو نه هجي ته جيئن ورڇ جو نمونو پڙهڻ لائق رهي.

پينوٽ اپ

گروپ ٿيل ڊيٽا جي ورڇ کي سمجهڻ لاءِ فريڪوئنسي پوليگون شمارياتي تصور جو هڪ انتهائي مفيد روپ آهن. ڪلاس مڊ پوائنٽس ۽ فريڪوئنسي کي استعمال ڪندي، فريڪوئنسي پوليگون ڊيٽا جي نمونن جي هڪ واضح تصوير پيش ڪن ٿا، گروپن ۾ آساني سان مقابلو ڪيو وڃي ٿو، ۽ محققن کي وڌيڪ تجزيو ڪرڻ کان اڳ تقسيم جي خاصيتن کي سڃاڻڻ ۾ مدد ڪن ٿا. شمارياتي عمل ۾، فريڪوئنسي پوليگون پڙهڻ ۽ تعمير ڪرڻ جي صلاحيت هڪ ضروري بنيادي مهارت آهي، خاص طور تي مقداري ڊيٽا جي تجزيي لاءِ. مناسب ڪلاس جي جوڙجڪ ۽ محتاط تشريح سان، فريڪوئنسي پوليگون ڊيٽا تي ٻڌل فيصلي سازي جي حمايت لاءِ هڪ سادو پر طاقتور اوزار ٿي سگهي ٿو.