Σε τι χρησιμεύει η τάξη;

ο τάξη Είναι επίσης γνωστό ως μεσαίο σημείο. Είναι η τιμή που βρίσκεται στο κέντρο μιας κλάσης και αντιπροσωπεύει όλες τις τιμές που βρίσκονται σε μια συγκεκριμένη κατηγορία. Βασικά, χρησιμοποιείται για την εκτέλεση του υπολογισμός διαφόρων παραμέτρων, όπως ο αριθμητικός μέσος όρος ή το τυπική απόκλιση.

ο τιμή σήματος κλάσης, είναι επίσης πολύ χρήσιμο να βρείτε την παραλλαγή ενός συνόλου δεδομένων που είναι ήδη ομαδοποιούνται κατά τάξεις και ταυτόχρονα μας επιτρέπει να κατανοήσουμε την απόσταση που έχουν αυτά τα συγκεκριμένα δεδομένα από το κέντρο.

Σε τι χρησιμεύει η τάξη;

Όπως αναφέρθηκε παραπάνω, το τάξη Έχει μια μεγάλη λειτουργικότητα για να φτάσει τον αριθμητικό μέσο και τη διακύμανση μιας συγκεκριμένης ομάδας δεδομένων, τα οποία με τη σειρά τους έχουν ήδη ομαδοποιηθεί σε διαφορετικές κατηγορίες.

Ο αριθμητικός μέσος μπορεί να οριστεί ως το άθροισμα όλων αυτών των παρατηρήσεων που λαμβάνονται από το μέγεθος του δείγματος. Εάν το δούμε από φυσική άποψη, μπορεί να ερμηνευθεί ως το σημείο διάσπασης μιας ομάδας δεδομένων.

ο το σήμα δεδομένων χρησιμεύει στον πλήρη προσδιορισμό ενός συνόλου δεδομένων, αλλά θα μπορούσε να είναι πολύ επικίνδυνο, επομένως, πρέπει να ληφθεί υπόψη η διαφορά μεταξύ του σημείου διάρρηξης και των πραγματικών δεδομένων. Αυτές οι τιμές είναι γνωστές ως η παραγωγή του αριθμητικού μέσου και, με τη σειρά τους, επιδιώκουν να προσδιορίσουν πώς μπορεί να διαφέρει ο αριθμητικός μέσος όρος των δεδομένων.

Ο πιο συνηθισμένος τρόπος που μπορεί να βρεθεί αυτή η τιμή είναι μέσω της διακύμανσης. Αυτή η διακύμανση είναι ο μέσος όρος των τετραγώνων των αποκλίσεων από τον αριθμητικό μέσο. Για να εκτελέσετε τον υπολογισμό τόσο της διακύμανσης όσο και του αριθμητικού μέσου όρου μιας ομάδας δεδομένων που βρίσκονται σε μια κλάση, πρέπει να χρησιμοποιηθούν ορισμένοι τύποι αναφοράς.

Υπολογίστε ένα σήμα τάξης

Όπως έχει ήδη ειπωθεί προηγουμένως το mη κιβωτός τάξης είναι γνωστή ως το μεσαίο σημείο κάθε διαστήματος. Είναι η τιμή που αντιπροσωπεύει ολόκληρο το διάστημα για την εκτέλεση των υπολογισμών ορισμένων παραμέτρων, όπως η τυπική απόκλιση.

Για τον υπολογισμό του, πρέπει να ακολουθηθούν τα ακόλουθα βήματα:

• Υπολογίζεται το σήμα τάξης (Xi), που είναι ο μέσος όρος κάθε διαστήματος ή η μέση τιμή. Αυτό χρησιμεύει για να διευκολύνει τον υπολογισμό των διαφορετικών μετρήσεων θέσης και διασποράς.
• Όταν έχει επιλεγεί ο αριθμός των διαστημάτων, μπορεί να προσδιοριστεί το πλάτος κάθε τάξης ή διαστήματος (C).
• Αυτό το πλάτος πρέπει να είναι ίσο με το εύρος των δεδομένων που διαιρείται στον αριθμό των διαστημάτων.
• Στο πρώτο διάστημα, η χαμηλότερη τιμή δεδομένων πρέπει να περιέχεται και αντίστροφα το τελευταίο διάστημα πρέπει να έχει την υψηλότερη τιμή δεδομένων.
• Πρέπει να καθορίσετε τον αριθμό των διαστημάτων ή της κλάσης (K) που χρησιμοποιούνται για να μπορείτε να εκτελέσετε την ομαδοποίηση των δεδομένων.
• Το πιο κατάλληλο είναι να έχετε μεταξύ 5 και 20 διαστήματα ή τάξεις (K).
• Παρ 'όλα αυτά, εάν δεν υπάρχει βεβαιότητα για τον αριθμό των διαστημάτων που θα χρησιμοποιηθούν, μπορεί να εφαρμοστεί ο κανόνας που ονομάζεται Sturges Rule. Με αυτό, είναι δυνατόν να έχουμε μια αρκετά ακριβή προσέγγιση του αριθμού των διαστημάτων που απαιτούνται για την ομαδοποίησή τους.
• Αυτός ο κανόνας Sturges επιτρέπει τον υπολογισμό της ποσότητας της τάξης που θα πραγματοποιηθεί, μόλις γίνει γνωστό το μέγεθος του πληθυσμού ή του δείγματος.

Πώς είναι το σήμα τάξης για ομαδοποιημένα δεδομένα;

Μέσα σε έναν πίνακα δεδομένων ομαδοποιημένων ανά διαστήματα, οι πραγματικές τιμές που λαμβάνονται από το μεταβλητός. Για τον υπολογισμό των μέτρων συγκέντρωσης, πρέπει να ληφθεί υπόψη ότι οι τιμές κατανέμονται ομοιόμορφα στα διαστήματα.

Αυτό μπορεί επίσης να συμβεί εάν παρόμοια δεδομένα ομαδοποιούνται σε διαστήματα. Όταν γίνει αυτό, διατρέχετε τον κίνδυνο να ξεχάσετε τις πραγματικές σας τιμές και μόνο τις προσεγγίσεις σας τις οποίες η ομοιόμορφη κατανομή διαστήματος λαμβάνεται υπόψη.

Όλα αυτά μπορούν να οδηγήσουν σε παραλλαγές στις συγκεντρωτικές μετρήσεις, μόλις τα δεδομένα είναι είναι γνωστό ότι δεν ομαδοποιούνται ή ομαδοποιούνται ανά διαστήματα, πράγμα που σημαίνει ότι δεν θα είναι υπέροχο Μέγεθος.

Εάν το δείγμα περιέχει μεταξύ 30 ή περισσότερων δεδομένων, συνιστάται η ομαδοποίηση των δεδομένων κατά ταξινόμηση κατηγορίας, στη συνέχεια Τα χαρακτηριστικά του δείγματος πρέπει να προσδιοριστούν και μετά εκείνα του πληθυσμού από τον οποίο ήταν ελήφθη.

Πριν ορίσετε πώς να προσδιορίσετε τα χαρακτηριστικά ενδιαφέροντος όταν τα δείγματα δεδομένων ομαδοποιούνται σε τάξεις, είναι πολύ σημαντικό να γνωρίζετε πώς πρέπει να διαχωριστούν τα δεδομένα.

Για να ομαδοποιήσετε τα δεδομένα, πρέπει να ακολουθήσετε τα ακόλουθα βήματα:

Προσδιορίστε το εύρος ή τη διαδρομή των δεδομένων

Εύρος = Υψηλότερη τιμή - Χαμηλότερη τιμή

Ορίστε τον αριθμό των τάξεων (K)

Προκειμένου να προσδιοριστεί ο αριθμός των κλάσεων όπου τα δεδομένα θα ομαδοποιηθούν, είναι απαραίτητο να υπάρχει μια βάση όπως αυτές που μπορούν να φανούν στον παρακάτω πίνακα.

Μέγεθος δείγματος ή αριθμός δεδομένων	Αριθμός τάξεων
Λιγότερο από 50	Από 5 έως 7
Από 50 έως 99	Από 6 έως 10
Από 100 έως 250	7 έως 12
Περισσότερα από 250	10 έως 20