දත්ත විශ්ලේෂණයේ විස්තරාත්මක සංඛ්යාලේඛන පිළිබඳ අවබෝධය සහ මූලික සංකල්ප
දත්ත විශ්ලේෂණ ක්රියාවලියේ වැදගත්ම අත්තිවාරමක් වන්නේ විස්තරාත්මක සංඛ්යාලේඛන ය. යමෙකු නිගමනවලට එළඹීමට, අනාවැකි පළ කිරීමට හෝ දත්ත මත පදනම්ව තීරණ ගැනීමට පෙර, පළමු පියවර සෑම විටම පාහේ "දත්ත තේරුම් ගැනීම" වේ. විස්තරාත්මක සංඛ්යාලේඛන ක්රියාත්මක වන්නේ මෙහිදීය: එහි රටා, ලක්ෂණ සහ ප්රවණතා පැහැදිලිව දැකගත හැකි වන පරිදි දත්ත සාරාංශ කිරීමට, සංවිධානය කිරීමට සහ ඉදිරිපත් කිරීමට උපකාරී වේ. මෙම ලිපිය විස්තරාත්මක සංඛ්යාලේඛනවල අර්ථ දැක්වීම සහ දත්ත විශ්ලේෂණයේ බහුලව භාවිතා වන එහි මූලික සංකල්ප සාකච්ඡා කරයි.
විස්තරාත්මක සංඛ්යාලේඛන අවබෝධ කර ගැනීම
සාමාන්යයෙන්, විස්තරාත්මක සංඛ්යාලේඛන යනු එහි තත්ත්වය පිළිබඳ පැහැදිලි චිත්රයක් ලබා දීම සඳහා දත්ත රැස් කිරීම, සාරාංශ කිරීම, සංවිධානය කිරීම සහ ඉදිරිපත් කිරීම කෙරෙහි අවධානය යොමු කරන සංඛ්යාලේඛන අංශයකි. එහි මූලික ඉලක්කය වන්නේ උපකල්පන පරීක්ෂා කිරීම හෝ පුළුල් ජනගහනයකට (එනම් අනුමාන සංඛ්යාලේඛන ක්ෂේත්රය) සාමාන්යකරණය කිරීම නොව, අතේ ඇති දත්තවල සිදුවන්නේ කුමක්ද යන්න පැහැදිලි කිරීමයි.
උදාහරණයක් ලෙස, පාසලක් සිසුන් 200 දෙනෙකුගෙන් ගණිත පරීක්ෂණ ලකුණු එකතු කරන්නේ නම්, විස්තරාත්මක සංඛ්යාලේඛන භාවිතා කර මෙවැනි ප්රශ්නවලට පිළිතුරු සැපයිය හැකිය: සාමාන්ය ලකුණු කීයද? ලකුණුවල කොපමණ වෙනසක් තිබේද? ඉහළම සහ අඩුම ලකුණු මොනවාද? බොහෝ ලකුණු යම් පරාසයක් තුළ පොකුරු කර තිබේද? වෙනත් පාසල්වල සිසුන් පිළිබඳ නිගමනවලට එළඹීමෙන් තොරව, ඇගයීම සඳහා පදනමක් ලෙස මෙම ප්රශ්න වැදගත් වේ.
දත්ත විශ්ලේෂණයේ විස්තරාත්මක සංඛ්යාලේඛනවල කාර්යභාරය
දත්ත විශ්ලේෂණ භාවිතයේදී, විස්තරාත්මක සංඛ්යාලේඛන සාමාන්යයෙන් පසුකාලීන විශ්ලේෂණයේ දිශාව තීරණය කරන ආරම්භක පියවර වේ. එහි භූමිකාවන්ට ඇතුළත් වන්නේ:
1. අමු දත්ත වඩාත් සංක්ෂිප්ත සහ තේරුම් ගැනීමට පහසු ආකාරයකට සාරාංශ කරන්න.
2. ප්රවණතා, ප්රමුඛ දත්ත කණ්ඩායම් හෝ විෂමතා වැනි රටා හඳුනා ගන්න.
3. අසාධාරණ අගයන්, නැතිවූ දත්ත හෝ අනුපිටපත් වැනි දත්ත දෝෂ හඳුනා ගන්න.
4. වගු, ප්රස්ථාර සහ සංඛ්යානමය සාරාංශ හරහා සන්නිවේදන ආකාරයෙන් තොරතුරු ඉදිරිපත් කරන්න.
5. කලින් තීරණ ගැනීම සඳහා සහාය වේ, උදාහරණයක් ලෙස පාරිභෝගික දත්ත සාරාංශ මත පදනම්ව අලෙවිකරණ උපාය මාර්ග තීරණය කිරීම.
විස්තරාත්මක පියවර නොමැතිව, දත්ත සම්පූර්ණයෙන් වටහාගෙන නොමැති නිසා වැඩිදුර විශ්ලේෂණය සාවද්ය විය හැකිය.
දත්ත වර්ග සහ මිනුම් පරිමාණයන්
විස්තරාත්මක සංඛ්යාලේඛනවල මූලික සංකල්පය දත්ත වර්ග සහ මිනුම් පරිමාණයන් පිළිබඳ අවබෝධයෙන් වෙන් කළ නොහැක, මන්ද දෙකම සුදුසු සාරාංශ ක්රමය තීරණය කරයි.
1. ගුණාත්මක සහ ප්රමාණාත්මක දත්ත
– ගුණාත්මක දත්ත (ප්රවර්ග): කාණ්ඩ හෝ ලේබල් ආකාරයෙන් දත්ත, උදාහරණයක් ලෙස ස්ත්රී පුරුෂ භාවය, රැකියා තත්ත්වය, නිෂ්පාදන කාණ්ඩය.
– ප්රමාණාත්මක (සංඛ්යාත්මක) දත්ත: වයස, ආදායම, උස වැනි ගණන් කළ හැකි හෝ මැනිය හැකි සංඛ්යා ආකාරයෙන් දත්ත.
2. මිනුම් පරිමාණය
– නාමික: කාණ්ඩ පමණක් වෙන්කර හඳුනා ගනී (උදාහරණයක් ලෙස: රුධිර වර්ගය).
– සාමාන්ය: අනුපිළිවෙලක් ඇත, නමුත් කාණ්ඩ අතර දුර අවිනිශ්චිතය (උදාහරණ: තෘප්තිමත් මට්ටම: අඩු–මධ්යම–ඉහළ).
– පරතරය: අගයන් අතර දුර සමාන වේ, නමුත් නිරපේක්ෂ ශුන්යයක් නොමැත (උදාහරණය: සෙල්සියස් උෂ්ණත්වය).
– අනුපාතය: දුර සමාන වන අතර නිරපේක්ෂ ශුන්යයක් ඇත (උදාහරණය: ශරීර බර, ආදායම).
මධ්යම ප්රවණතාවයේ මිනුම්, විසරණයේ මිනුම් සහ දෘශ්යකරණයන් සඳහා සුදුසු මිනුම් තෝරා ගැනීම සඳහා දත්තවල පරිමාණය තීරණය කිරීම වැදගත් වේ.
දත්ත ඉදිරිපත් කිරීම: වගු සහ ප්රස්තාර
විස්තරාත්මක සංඛ්යාලේඛන බොහෝ විට දත්ත ඉදිරිපත් කිරීම සමඟ සම්බන්ධ වන අතර එමඟින් කියවීමට සහ අර්ථ නිරූපණය කිරීමට පහසුය.
1. සංඛ්යාත ව්යාප්ති වගුව
සංඛ්යාත ව්යාප්ති වගුවක් මඟින් අගයක් හෝ කාණ්ඩයක් කොපමණ වාරයක් සිදුවේද යන්න පෙන්වයි. මෙය විශාල දත්ත කට්ටල සඳහා ප්රයෝජනවත් වන අතර එමඟින් සංක්ෂිප්තභාවයට ඉඩ සලසයි. සංඛ්යාත්මක දත්ත සඳහා, සංඛ්යාත බොහෝ විට පන්ති කාල පරතරයන් තුළ සකසා ඇත (උදා: 0–10, 11–20, ආදිය).
2. ප්රස්ථාර සහ රූප සටහන්
දෘශ්යකරණයේ සමහර පොදු ආකාර:
– තීරු ප්රස්ථාරය: වර්ගීකරණ දත්ත සඳහා සුදුසු වේ.
– පයි ප්රස්ථාරය: එක් එක් කාණ්ඩයේ අනුපාතය පෙන්වයි (බොහෝ කාණ්ඩ සඳහා එය සාමාන්යයෙන් අඩු ඵලදායී වුවද).
– හිස්ටෝග්රෑම්: තීරු ප්රස්ථාරයකට සමාන නමුත් කාණ්ඩගත සංඛ්යාත්මක දත්ත සඳහා; ව්යාප්තියේ හැඩය දැකීමට උපකාරී වේ.
– සංඛ්යාත බහුඅස්රය: එක් එක් පන්තියේ සංඛ්යාත ලක්ෂ්ය සම්බන්ධ කරන රේඛාවක්.
– කොටු සටහන (කොටු රූප සටහන): මධ්ය, චතුර්ථක, ව්යාප්තිය සහ විභව පිටස්තර පෙන්වයි.
සංඛ්යා දෙස පමණක් බැලුවහොත් සමහර විට පැහැදිලි නොවන දත්තවල ප්රවණතා හෝ විෂමතා දැකීමට දෘශ්යකරණය උපකාරී වේ.
මධ්යම ප්රවණතාවයේ පියවර
මධ්යම ප්රවණතාවයේ මිනුම් මගින් "මැද" අගය හෝ දත්ත කට්ටලයක් වඩාත් හොඳින් නියෝජනය කරන අගය විස්තර කෙරේ.
1. මධ්යන්යය (සාමාන්යය)
මධ්යන්යය යනු දත්ත ලක්ෂ්ය ගණනින් බෙදූ සියලු අගයන්ගේ එකතුවයි. මධ්යන්යය ජනප්රිය වන්නේ එය තේරුම් ගැනීමට පහසු නමුත් එය බාහිර සාධක වලට සංවේදී බැවිනි. උදාහරණයක් ලෙස, ආදායම් දත්ත වලදී, ඉතා ධනවත් පුද්ගලයෙකුට සාමාන්යය සැලකිය යුතු ලෙස විකෘති කළ හැකිය.
2. මධ්ය (මැද අගය)
දත්ත වර්ග කිරීමෙන් පසු මධ්යන්යය යනු මැද අගයයි. දත්ත ලක්ෂ්ය ගණන ඉරට්ටේ නම්, මධ්යන්යය යනු මැද අගයන් දෙකෙහි සාමාන්යයයි. මධ්යන්යය බාහිර අගයන්ට වඩා ප්රතිරෝධී වේ, එබැවින් එය බොහෝ විට අසමමිතික ව්යාප්ති සහිත දත්ත සඳහා භාවිතා වේ.
3. මාදිලිය (බොහෝ විට දිස්වන අගය)
මාදිලිය යනු වඩාත් නිතර සිදුවන අගය වන අතර වර්ගීකරණ දත්ත සඳහා ප්රයෝජනවත් වේ. උදාහරණයක් ලෙස, වඩාත් නිතර මිලදී ගන්නා නිෂ්පාදන වර්ගවල මාදිලිය ප්රාථමික මනාපය දක්වයි.
විසරණයේ මිනුම්
කේන්ද්රීය අගය දැන ගැනීමට අමතරව, දත්ත මධ්යස්ථානයෙන් කෙතරම් ව්යාප්ත වී ඇත්දැයි දැන ගැනීම ද වැදගත් වේ.
1. පරාසය
පරාසය යනු උපරිම සහ අවම අගයන් අතර වෙනසයි. මෙම මිනුම සරලයි, නමුත් එය බාහිර සාධක මගින් දැඩි ලෙස බලපායි.
2. විචලනය සහ සම්මත අපගමනය
– විචලනය යනු මධ්යන්යයෙන් අගයන්හි සාමාන්ය වර්ග අපගමනය මනිනු ලබයි.
– සම්මත අපගමනය යනු විචලනයේ වර්ගමූලය වන අතර, එහි ඒකක මුල් දත්තවලට සමාන බැවින් බොහෝ විට භාවිතා වේ.
සම්මත අපගමනය විශාල වන තරමට දත්තවල විචල්යතාවය වැඩි වේ; එය කුඩා වන තරමට දත්ත සාමාන්යය වටා පොකුරු වීමට නැඹුරු වේ.
3. කාර්තු සහ IQR (අන්තර් කාර්තු පරාසය)
කාර්තු මඟින් දත්ත සමාන කොටස් හතරකට බෙදා ඇත:
– Q1 (පහළ කාර්තුව), Q2 (මධ්ය), Q3 (ඉහළ කාර්තුව).
IQR = Q3 − Q1 දත්තවල මැද 50% හි ව්යාප්තිය පෙන්වන අතර, බාහිර සාධක වලට සාපේක්ෂව ප්රතිරෝධී වේ.
බෙදාහැරීමේ පෝරමය සහ පිටස්තර
විස්තරාත්මක සංඛ්යාලේඛන දත්ත බෙදා හැරීමේ ආකාරය කෙරෙහි ද අවධානය යොමු කරයි:
– සමමිතික: දත්ත මධ්යන්යයේ/මධ්යනයේ වමට සහ දකුණට ඒකාකාරව පැතිරී ඇත.
– දකුණට ඇලවූ: බොහෝ කුඩා අගයන්, ස්වල්ප විශාල අගයන්.
– වමට ඇලවූ: බොහෝ විශාල අගයන්, කුඩා අගයන් කිහිපයක්.
මේ අතර, පිටස්තර අගයක් යනු දත්ත බහුතරයකට වඩා සැලකිය යුතු ලෙස වෙනස් වන අගයකි. පටිගත කිරීමේ දෝෂ හෝ සැලකිය යුතු සැබෑ ලෝක සංසිද්ධි (උදා: අතිශයින් විශාල ගනුදෙනු) හේතුවෙන් පිටස්තර අගයන් සිදුවිය හැක. පිටස්තර අගයන් හඳුනා ගැනීම වැදගත් වන්නේ ඒවා මධ්යන්යය, විචලනය සහ සමස්ත අර්ථ නිරූපණයට බලපෑම් කළ හැකි බැවිනි.
නිගමනය
විස්තරාත්මක සංඛ්යාලේඛන දත්ත විශ්ලේෂණයේ අත්යවශ්ය පළමු පියවරක් වන්නේ එය අමු දත්ත අර්ථවත් තොරතුරු බවට පරිවර්තනය කිරීමට උපකාරී වන බැවිනි. සංඛ්යාත්මක සාරාංශ (මධ්යන්ය, මධ්යන්ය, මාදිලිය), විසරණ මිනුම් (පරාසය, සම්මත අපගමනය, IQR) සහ වගු සහ ප්රස්ථාරවල දත්ත ඉදිරිපත් කිරීම හරහා, විශ්ලේෂකයින්ට දත්ත ලක්ෂණ ඉක්මනින් හා නිවැරදිව තේරුම් ගත හැකිය. දත්ත වර්ගය සහ මිනුම් පරිමාණය අවබෝධ කර ගැනීමෙන් සුදුසු විස්තරාත්මක ක්රමය ද තීරණය වේ. මෙම පදනම සමඟ, අනුමාන විශ්ලේෂණය සහ තීරණ ගැනීම ඇතුළුව පසුකාලීන විශ්ලේෂණය වඩාත් අවධානය යොමු කර වගකීමෙන් යුතුව සිදු කළ හැකිය.
ඔබ කැමති නම්, මට මෙම ලිපිය වඩාත් ශාස්ත්රීය (උපුටා දැක්වීම් සහිතව), වඩාත් බ්ලොග්-හිතකාමී ලෙස හෝ සරල ගණනය කිරීමේ උදාහරණ සහ වගු/ප්රස්තාර නිදර්ශන ඇතුළත් කිරීමට අනුවර්තනය කළ හැකිය.
