సింగిల్ డేటా క్వార్టైల్స్‌పై చర్చా ప్రశ్న యొక్క ఉదాహరణ

ఒకే డేటా క్వార్టైల్స్ యొక్క ఉదాహరణ ప్రశ్నలు మరియు చర్చ

గణాంకాలలో క్వార్టైల్స్ అనేవి ఒక డేటా సెట్‌ను నాలుగు భాగాలుగా, లేదా క్వార్టైల్స్‌గా విభజించడానికి ఉపయోగించే ఒక సాధనం. ఈ క్వార్టైల్స్‌లో ప్రతి భాగంలోనూ సమాన పరిమాణంలో డేటా ఉంటుంది. డేటా పంపిణీని అర్థం చేసుకోవడానికి మరియు ఒక పెద్ద డేటాసెట్‌లోని విలువలను పోల్చడానికి క్వార్టైల్స్‌ను తరచుగా ఉపయోగిస్తారు. ఈ వ్యాసంలో, అనేక ఉదాహరణలను ఉపయోగించి ఒకే డేటా సెట్ కోసం క్వార్టైల్స్‌ను ఎలా లెక్కించాలో చర్చిద్దాం. మొదటి క్వార్టైల్ (Q1), రెండవ క్వార్టైల్ (Q2, దీనిని మీడియన్ అని కూడా అంటారు), మరియు మూడవ క్వార్టైల్ (Q3)లను ఎలా లెక్కిస్తారో మరియు వివరిస్తారో చూద్దాం.

క్వార్టైల్ నిర్వచనం

ఉదాహరణ సమస్యలకు వెళ్లే ముందు, ఒక డేటా సెట్‌లోని మూడు క్వార్టైల్స్ యొక్క నిర్వచనాలను అర్థం చేసుకోవడం ముఖ్యం:

1. మొదటి క్వార్టైల్ (Q1): Q1 క్రింద ఉన్న డేటా స్థానాలు మొత్తం డేటా సెట్ నుండి 25% డేటాను కవర్ చేస్తాయి.
2. రెండవ క్వార్టైల్ (Q2 లేదా మధ్యస్థం): Q2 క్రింద ఉన్న డేటా స్థానాలు మొత్తం డేటా సెట్ నుండి 50% డేటాను కవర్ చేస్తాయి.
3. మూడవ క్వార్టైల్ (Q3): Q3 క్రింద ఉన్న డేటా స్థానాలు మొత్తం డేటా సెట్ నుండి 75% డేటాను కవర్ చేస్తాయి.

క్వార్టైల్స్‌ను లెక్కించే దశలు

క్వార్టైల్స్‌ను లెక్కించడానికి, అనుసరించాల్సిన దశలు:

1. డేటాను క్రమబద్ధీకరించండి: డేటా చిన్న విలువ నుండి పెద్ద విలువ వరకు క్రమబద్ధీకరించబడిందని నిర్ధారించుకోండి.
2. చతుర్థాంశ స్థానాన్ని నిర్ణయించడం: చతుర్థాంశ స్థానాన్ని నిర్ణయించడానికి సూత్రాన్ని ఉపయోగించండి.
– Q1 స్థానం = (N+1) / 4
– Q2 స్థానం = (N+1) / 2
– Q3 స్థానం = 3(N+1) / 4
ఇక్కడ N అనేది మొత్తం డేటా సంఖ్య.
3. క్వార్టైల్ విలువలను తీసుకోవడం: లెక్కించిన స్థానాల ఆధారంగా, క్వార్టైల్ విలువలను తీసుకోండి లేదా ఇంటర్‌పోలేట్ చేయండి.

నమూనా ప్రశ్నలు మరియు చర్చ

ఉదాహరణ ప్రశ్న 1

5, 7, 8, 12, 13, 14, 18, 21, 23, 29 అనే ఒకే డేటా ఉందని అనుకుందాం.

దశ 1: డేటాను క్రమబద్ధీకరించడం
డేటా ఈ క్రమంలో ఉంది: 5, 7, 8, 12, 13, 14, 18, 21, 23, 29

దశ 2: క్వార్టైల్స్ యొక్క స్థానాన్ని నిర్ణయించండి
డేటా సంఖ్య (N) 10.
– స్థానం Q1 = (10+1) / 4 = 11 / 4 = 2.75
– స్థానం Q2 = (10+1) / 2 = 11 / 2 = 5.5
– స్థానం Q3 = 3(10+1) / 4 = 33 / 4 = 8.25

దశ 3: క్వార్టైల్ విలువలను తీసుకోవడం
– Q1 : 2.75 అనే స్థానం, Q1 అనుక్రమంలోని 2వ మరియు 3వ డేటాల మధ్య ఉందని సూచిస్తుంది. 2వ డేటా 7 మరియు 3వ డేటా 8. కాబట్టి, Q1 = 7 + 0.75(8-7) = 7.75.
– Q2 (మధ్యస్థం): స్థానం 5.5 అనేది Q2, 5వ మరియు 6వ డేటాల మధ్య ఉందని సూచిస్తుంది. 5వ డేటా 13 మరియు 6వ డేటా 14. కాబట్టి, Q2 = 13 + 0.5(14-13) = 13.5.
– Q3 : స్థానం 8.25 అనేది Q3, 8వ మరియు 9వ డేటాల మధ్య ఉందని సూచిస్తుంది. 8వ డేటా 21 మరియు 9వ డేటా 23. కాబట్టి, Q3 = 21 + 0.25(23-21) = 21.5.

ఉదాహరణ ప్రశ్న 2

కింది డేటా ఇవ్వబడింది: 2, 4, 6, 8, 10, 12, 14, 16, 18, 20, 22.

దశ 1: డేటాను క్రమబద్ధీకరించడం
డేటా ఈ క్రమంలో ఉంది: 2, 4, 6, 8, 10, 12, 14, 16, 18, 20, 22

దశ 2: క్వార్టైల్స్ యొక్క స్థానాన్ని నిర్ణయించండి
డేటా సంఖ్య (N) 11.
– స్థానం Q1 = (11+1) / 4 = 12 / 4 = 3
– స్థానం Q2 = (11+1) / 2 = 12 / 2 = 6
– స్థానం Q3 = 3(11+1) / 4 = 36 / 4 = 9

దశ 3: క్వార్టైల్ విలువలను తీసుకోవడం
– Q1 : స్థానం 3 అంటే Q1 అనేది 3వ డేటా. కాబట్టి Q1 = 6.
– Q2 (మధ్యస్థం): స్థానం 6 అంటే Q2 అనేది 6వ డేటా. కాబట్టి Q2 = 12.
– Q3 : స్థానం 9 అంటే Q3 అనేది 9వ డేటా. కాబట్టి Q3 = 18.

క్వార్టైల్స్‌ను అర్థం చేసుకోవడం

Q1, Q2 మరియు Q3 విలువలని పొందిన తర్వాత, వాటిని ఉపయోగించి మనం డేటాను విశ్లేషించవచ్చు. ఉదాహరణకు:

1. అంతర చతుర్థాంశ వ్యాప్తి (IQR): ఇది Q3 మరియు Q1 మధ్య వ్యత్యాసం. IQR = Q3 – Q1. డేటా పంపిణీని గుర్తించడానికి మరియు విపరీత విలువలను (outliers) కనుగొనడానికి IQR ఉపయోగపడుతుంది.
2. విపరీత విలువలు: దిగువ మరియు ఎగువ పరిమితులను ఉపయోగించి ఇతర డేటా నుండి చాలా దూరంగా ఉన్న డేటాను గుర్తించవచ్చు.
– దిగువ పరిమితి = Q1 – 1.5 IQR
– ఎగువ పరిమితి = Q3 + 1.5 IQR
ఈ పరిధులకు వెలుపల ఉన్న డేటాను అవుట్‌లయర్ (అసాధారణమైనది)గా పరిగణిస్తారు.

ఉదాహరణ ప్రశ్న 1లో IQR యొక్క అనువర్తనం
– IQR = Q3 – Q1 = 21.5 – 7.75 = 13.75
– దిగువ పరిమితి = 7.75 – 1.5(13.75) = 7.75 – 20.625 = -12.875
– ఎగువ పరిమితి = 21.5 + 1.5(13.75) = 21.5 + 20.625 = 42.125

ఉదాహరణ ప్రశ్న 1లో -12.875 నుండి 42.125 వరకు ఉన్న డేటా అనేది అవుట్‌లయర్‌లు లేని సాధారణ పంపిణీ.

ఉదాహరణ ప్రశ్న 2లో IQR యొక్క అనువర్తనం
– IQR = Q3 – Q1 = 18 – 6 = 12
– దిగువ పరిమితి = 6 – 1.5(12) = 6 – 18 = -12
– ఎగువ పరిమితి = 18 + 1.5(12) = 18 + 18 = 36

ఉదాహరణ ప్రశ్న 2లో -12 నుండి 36 వరకు ఉన్న డేటా అనేది అవుట్‌లయర్‌లు లేని సాధారణ పంపిణీ.

ముగింపు

క్వార్టైల్స్‌ను అర్థం చేసుకోవడం మరియు లెక్కించడం డేటా పంపిణీని గుర్తించడానికి మరియు డేటా పంపిణీ యొక్క వివిధ అంశాలను విశ్లేషించడానికి సహాయపడుతుంది. ఈ వ్యాసంలో, అనేక ఉదాహరణ సమస్యలు మరియు వాటి చర్చ ద్వారా ఒకే డేటా సెట్ కోసం క్వార్టైల్స్‌ను లెక్కించడంలో ఉన్న దశలను మనం పరిశీలిద్దాం. ఈ దశలలో డేటాను క్రమబద్ధీకరించడం, క్వార్టైల్స్ యొక్క స్థానాన్ని నిర్ధారించడం మరియు సరైన క్వార్టైల్ విలువలను లెక్కించడం వంటివి ఉంటాయి. సరిగ్గా వర్తింపజేసినప్పుడు, ఒక డేటాసెట్‌పై లోతైన అవగాహన పొందడానికి గణాంకాలలో క్వార్టైల్స్ ఒక ముఖ్యమైన విశ్లేషణాత్మక సాధనంగా మారతాయి.