ஒற்றை தரவு கால்பகுதி

ஒற்றைத் தரவுக் கால்மானங்கள்: புள்ளியியலில் தரவுப் பிரிவினை குறித்த ஓர் ஆழமான புரிதல்

புள்ளியியலில் உள்ள அடிப்படைக் கருத்துக்களில் ஒன்று, தரவுகளைக் கால்பகுதிகளாகப் பிரிப்பதாகும். இடைநிலை அல்லது சராசரியை மட்டும் பார்ப்பதை விட, தரவுப் பரவலை இன்னும் விரிவாகப் புரிந்துகொள்ள கால்பகுதிகள் பயன்படுத்தப்படுகின்றன. இந்தக் கட்டுரையில், ஒரே தரவுத் தொகுப்பின் கால்பகுதிகள், அவற்றை எவ்வாறு கணக்கிடுவது, மற்றும் பல்வேறு தரவுப் பகுப்பாய்வுச் சூழல்களில் அவற்றின் பயன்பாடுகள் குறித்து விவாதிப்போம்.

கால்மானம் என்றால் என்ன?

குவார்டைல்கள் என்பவை வரிசைப்படுத்தப்பட்ட தரவை நான்கு சம பாகங்களாகப் பிரிக்கும் குறிப்பிட்ட மதிப்புகள் ஆகும். எளிமையாகச் சொன்னால், குவார்டைல்கள் என்பவை வரிசைப்படுத்தப்பட்ட தரவுகளின் குழுக்கள் ஆகும், இதில் ஒவ்வொரு குவார்டைலும் தரவின் தோராயமாக 25%-ஐ உள்ளடக்கும்.

கால்பகுதிகள் மூன்று முக்கிய குறிகாட்டிகளைக் கொண்டுள்ளன:
1. முதல் கால்பகுதி (Q1): தரவுகளின் மிகக் குறைந்த 25 சதவீதத்தை மீதமுள்ளவற்றிலிருந்து பிரிக்கிறது.
2. இரண்டாம் கால்மானம் (Q2) அல்லது இடைநிலை: இது தரவை இரண்டு சம பாகங்களாகப் பிரிக்கிறது; தரவின் 50% இந்த மதிப்பிற்குக் கீழேயும், 50% இந்த மதிப்பிற்கு மேலேயும் இருக்கும்.
3. மூன்றாம் கால்மானம் (Q3): மிக உயர்ந்த 25% தரவுகளை மீதமுள்ளவற்றிலிருந்து பிரிக்கிறது.

ஒவ்வொரு கால்பகுதியும் தரவுத்தொகுப்பின் ஒரு குறிப்பிட்ட பகுதியின் பிரதிநிதியாகச் செயல்படுவதோடு, தரவு விளக்கம் முதல் புறநிலைத் தரவுப் பகுப்பாய்வு வரை பல்வேறு பயன்பாடுகளைக் கொண்டுள்ளது.

கால்மானங்களைக் கணக்கிடுவது எப்படி

கால்மானங்களைக் கணக்கிட, முதல் படி தரவுகளை ஏறுவரிசையில் வரிசைப்படுத்துவதாகும். ஒரே தரவுத்தொகுப்பில் கால்மானங்களைக் கணக்கிடுவதற்கான விரிவான படிகளைப் பார்ப்போம்:

தரவுகளை வரிசைப்படுத்துதல்

நம்மிடம் பின்வரும் தரவுத்தொகுப்பு இருப்பதாக வைத்துக்கொள்வோம்:
`7, 15, 36, 39, 40, 41, 42, 43, 47, 49`

தரவுகள் வரிசைப்படுத்தப்பட்டுள்ளன என்பதை உறுதிப்படுத்துவதே முதல் படியாகும்:
`7, 15, 36, 39, 40, 41, 42, 43, 47, 49`

கால்மான நிலையைத் தீர்மானித்தல்

அடுத்து, நாம் கால்மான நிலைகளைத் தீர்மானிக்கிறோம். \( N \) அளவுள்ள ஒரு தரவுத்தொகுப்பிற்கு:

– நிலை Q1 = \( \frac{(N+1)}{4} \)
– நிலை Q2 = \( \frac{(N+1)}{2} \)
– நிலை Q3 = \( \frac{3(N+1)}{4} \)

எங்கள் தரவுத்தொகுப்பிற்கு (N=10):
– நிலை Q1 = \( \frac{(10+1)}{4} = 2.75 \)
– நிலை Q2 = \( \frac{(10+1)}{2} = 5.5 \)
– நிலை Q3 = \( \frac{3(10+1)}{4} = 8.25 \)

கால்பகுதிகளை இடைச்செருகல் செய்தல்

கால்மான நிலை ஒரு தசம எண்ணாக இருந்தால், அடுத்தடுத்த இரண்டு தரவு மதிப்புகளுக்கு இடையில் நாம் இடைச்செருகல் செய்கிறோம்.

– கேள்வி 1 (நிலை 2.75):
இரண்டாவது இடத்தில் உள்ள `15` மற்றும் மூன்றாவது இடத்தில் உள்ள `36` ஆகிய தரவு மதிப்புகளை ஒன்றிணைக்கவும்.
Q1 = 15 + 0.75 (36 – 15) = 15 + 0.75 Q21 = 15 + 15.75 = 30.75

– கேள்வி 2 (இடைநிலை 5.5):
இரண்டாவது இடத்தில் உள்ள `40` மற்றும் மூன்றாவது இடத்தில் உள்ள `41` ஆகிய தரவு மதிப்புகளை ஒன்றிணைக்கவும்.
Q2 = 40 + 0.5 (41 – 40) = 40 + 0.5 1 = 40.5

– கேள்வி 3 (நிலை 8.25):
இரண்டாவது இடத்தில் உள்ள `43` மற்றும் மூன்றாவது இடத்தில் உள்ள `47` ஆகிய தரவு மதிப்புகளை ஒன்றிணைக்கவும்.
Q3 = 43 + 0.25 (47 – 43) = 43 + 0.25 Q4 = 43 + 1 = 44

ஆகவே, நமது தரவுத்தொகுப்பின் கால்பகுதி மதிப்புகள் பின்வருமாறு:
– Q1 = 30.75
– Q2 = 40.5
– Q3 = 44

கால்பகுதி பயன்பாடு

புள்ளிவிவர விளக்கம்

தரவுப் பரவலின் பொதுவான கண்ணோட்டத்தை வழங்குவதற்காக, புள்ளிவிவர விளக்கங்களின் ஒரு பகுதியாகக் கால்மானங்கள் பயன்படுத்தப்படுகின்றன. கால்மானங்களை அறிந்துகொள்வது, தரவுகளின் நிலைத்தன்மை, சமச்சீர் தன்மை மற்றும் பரவலை நாம் சிறப்பாகப் புரிந்துகொள்ள உதவுகிறது.

புறநிலை பகுப்பாய்வு

புறத்தன்மை மதிப்புகளைக் கண்டறிவதற்கும் கால்பகுதிகள் மிகவும் பயனுள்ளதாக இருக்கின்றன. புறத்தன்மை மதிப்புகள் என்பவை, தரவுத்தொகுப்பின் பெரும்பான்மையிலிருந்து வெகு தொலைவில் உள்ள தரவு மதிப்புகள் ஆகும். புறத்தன்மை மதிப்புகளைக் கண்டறிய, பொதுவாக "இடைக்கால்பகுதி வீச்சு (IQR)" முறை பயன்படுத்தப்படுகிறது.

IQR என்பது Q3 மற்றும் Q1-க்கு இடையேயான வேறுபாடாகக் கணக்கிடப்படுகிறது:
[ \text{IQR} = Q3 – Q1 \]

தரவு மதிப்புகள் \( Q1-1.5 \times \text{IQR} \) -க்குக் குறைவாகவோ அல்லது \( Q3+1.5 \times \text{IQR} \) -க்கு அதிகமாகவோ இருந்தால், அவை புறமதிப்புகளாகக் கருதப்படுகின்றன.

மேலே உள்ள தரவுத்தொகுப்பில்:
– IQR = 44 – 30.75 = 13.25
– புறவழுக்களுக்கான கீழ் எல்லை = Q1 – 1.5 IQR = 30.75 – 1.5 13.25 = 30.75 – 19.875 = 10.875
– புறவகுப்புகளுக்கான மேல் வரம்பு = Q3 + 1.5 IQR = 44 + 1.5 13.25 = 44 + 19.875 = 63.875

எனவே, 10.875-க்குக் குறைவான அல்லது 63.875-க்கு அதிகமான தரவு மதிப்புகள் புறமதிப்புகளாகக் கருதப்படுகின்றன. நமது தரவுத்தொகுப்பு அந்த வரம்பிற்குள் வருவதால், புறமதிப்புகள் எதுவும் இல்லை.

சிக்கலான தரவு கையாளுதல்

எளிய தரவுகளில் பயன்படுத்தப்படுவதைத் தவிர, குவார்டைல்களை மிகவும் சிக்கலான தரவுத்தொகுப்புகளுக்கும் பயன்படுத்தலாம். எடுத்துக்காட்டாக, நிதிப் பகுப்பாய்வில், சந்தையில் ஒரு குறிப்பிட்ட பங்கின் செயல்திறனைக் கண்டறிய குவார்டைல்கள் உதவக்கூடும். கல்வியில், ஒரு குறிப்பிட்ட தேர்வில் மாணவர்களின் கல்விசார் செயல்திறனைக் கண்டறிய குவார்டைல்கள் பயன்படுத்தப்படலாம்.

பெட்டி சதி

கால்பகுதிகளைப் பயன்படுத்தும் ஒரு காட்சிப்படுத்தல் கருவி பாக்ஸ் ப்ளாட் அல்லது டக்கி பாக்ஸ் ப்ளாட் ஆகும். ஒரு பாக்ஸ் ப்ளாட், தரவில் உள்ள ஐந்து முக்கியமான சுருக்கங்களின் வரைகலைப் பிரதிநிதித்துவத்தை வழங்குகிறது: குறைந்தபட்ச மதிப்பு, முதல் கால்பகுதி (Q1), இடைநிலை (Q2), மூன்றாவது கால்பகுதி (Q3) மற்றும் அதிகபட்ச மதிப்பு. புறமதிப்புகளைக் கண்டறிய ஒரு எளிய வழி பாக்ஸ் ப்ளாட்டைப் பயன்படுத்துவதாகும், இதில் புறமதிப்புகள் பொதுவாக "விஸ்கர்ஸ்" (குறைந்தபட்சம், Q1, Q3 மற்றும் அதிகபட்சம் ஆகியவற்றுக்கு இடையேயான நிழலிடப்பட்ட கோடுகள்) க்கு வெளியே உள்ள புள்ளிகளாகக் காட்டப்படுகின்றன.

முடிவுரை

ஒற்றைத் தரவுத்தொகுப்பில் கால்பகுதிகளைக் கணக்கிட்டுப் புரிந்துகொள்வது, தரவின் கட்டமைப்பு, அதன் பரவல் மற்றும் புறத்தன்மை மதிப்புகள் உள்ளதா இல்லையா என்பது குறித்த ஆழமான புரிதலை வழங்குகிறது. எளிய புள்ளிவிவர விளக்கங்கள் முதல் புறத்தன்மை மதிப்புகளைக் கண்டறிதல் மற்றும் பெட்டி வரைபடங்களின் பயன்பாடு போன்ற சிக்கலான பகுப்பாய்வுகள் வரையிலான பரந்த அளவிலான பயன்பாடுகளில், தரவுப் பகுப்பாய்வு மற்றும் விளக்கத்தில் கால்பகுதிகள் ஒரு முக்கியப் பங்கை வகிக்கின்றன. இந்தக் கருவியின் மூலம், தரவுப் பகுப்பாய்வு மிகவும் முறைப்படுத்தப்பட்டதாகவும் தகவல் நிறைந்ததாகவும் மாறுகிறது, இது பல்வேறு ஆய்வுத் துறைகளில் ஆழமான புரிதல்களுக்கும் அர்த்தமுள்ள கண்டுபிடிப்புகளுக்கும் வழிவகுக்கிறது. கால்பகுதிகள் புள்ளிவிவர விளக்கங்களை எளிதாக்குவது மட்டுமல்லாமல், தரவு சார்ந்த முடிவெடுப்பதற்கு அவசியமான குறிப்பிடத்தக்க புரிதல்களையும் வழங்குகின்றன.

குவார்டைல்கள் மற்றும் தரவுப் பகுப்பாய்வில் அவை எவ்வாறு பயன்படுத்தப்படுகின்றன என்பது குறித்த ஆழமான புரிதல் ஒரு மதிப்புமிக்க திறமையாகும். இத்திறனை ஆராய்ச்சி முதல் வணிகம் வரை பல்வேறு நடைமுறைச் சூழல்களில் பயன்படுத்திக்கொண்டு, தரவுகளைப் பகுப்பாய்வு செய்வதிலும் விளக்குவதிலும் நம்மை மேலும் திறமையானவர்களாக ஆக்கலாம்.