מהו תרשים פיזור של נתונים בסטטיסטיקה?

אחת המטרות של הסטטיסטיקה היא ארגון והצגת נתונים. פעמים רבות דרך אחת לעשות זאת היא להשתמש ב- גרף, תרשים או טבלה. כאשר עובדים עם נתונים מזוודים, סוג שימושי של גרף הוא מגרש פיזור. גרף מסוג זה מאפשר לחקור בקלות וביעילות את הנתונים שלנו על ידי בחינת פיזור נקודות במטוס.

כדאי להדגיש כי מגרש פיזור הוא סוג של גרף המשמש לנתונים מזווגים. זהו סוג של מערך נתונים שבכל אחת מנקודות הנתונים שלנו יש שני מספרים הקשורים אליו. דוגמאות נפוצות לזיווגים כאלה כוללות:

• מדידה לפני ואחרי טיפול. זה יכול ללבוש צורה של הופעה של סטודנט בבדיקה מוקדמת ואחר כך גם לאחר בדיקה.
• עיצוב ניסיוני לזוגות תואמים. כאן אדם אחד נמצא בקבוצת הביקורת ואדם אחר דומה נמצא בקבוצת הטיפול.
• שתי מדידות מאותו אדם. לדוגמה, אנו עשויים לרשום את המשקל והגובה של 100 איש.

הבד הריק שנתחיל איתו למגרש הפיזור שלנו הוא מערכת הקואורדינטות הקרטזיות. זה נקרא גם מערכת הקואורדינטות המלבנית בשל העובדה שניתן לאתר כל נקודה על ידי ציור מלבן מסוים. ניתן להקים מערכת קואורדינטות מלבניות על ידי:

1. החל משורת מספר אופקית. זה נקרא איקס-מיס.
2. הוסף שורת מספרים אנכיים. מצטלבים
   instagram viewer
   איקס-ציר בצורה כזו שנקודת האפס משני הקווים מצטלבת. קו המספר השני הזה נקרא y-מיס.
3. הנקודה בה האקסים של קו המספר שלנו מצטלבים נקראת המקור.

כעת אנו יכולים לשרטט את נקודות הנתונים שלנו. המספר הראשון בצמד שלנו הוא ה- איקס-קורדינטה. זהו המרחק האופקי מציר ה- Y, ​​ומכאן גם מקורו. אנו עוברים ימינה לערכים חיוביים של איקס ומשמאל למוצא לערכים שליליים של איקס.

המספר השני בצמד שלנו הוא ה- y-קורדינטה. זה המרחק האנכי ממקום ציר ה- x. החל מהנקודה המקורית ב- איקס- נוזל, מעלה לערכים חיוביים של y ומטה לערכים שליליים של y.

המיקום בתרשים שלנו מסומן אז בנקודה. אנו חוזרים על התהליך שוב ושוב על כל נקודה במערך הנתונים שלנו. התוצאה היא פיזור נקודות, שנותן לפיזור המגרש את שמו.

הוראה חשובה אחת שנותרה היא להקפיד על משתנה באיזה ציר. אם הנתונים המקושרים שלנו מורכבים מ- הסבר ותגובה זיווג, ואז משתנה ההסבר מצוין על ציר ה- x. אם שני המשתנים נחשבים כמסבירים, אנו עשויים לבחור איזה מהם אמור להיות מסומן על ציר ה- x ואיזה אחד על y-מיס.

יש כמה תכונות חשובות של מגרש פיזור. על ידי זיהוי תכונות אלה אנו יכולים לחשוף מידע נוסף על מערך הנתונים שלנו. תכונות אלה כוללות:

• המגמה הכוללת בין המשתנים שלנו. כשאנו קוראים משמאל לימין, מה התמונה הגדולה? תבנית כלפי מעלה, כלפי מטה או מחזורית?
• כל חריגים מהטרנד הכללי. האם אלו מחסורים משאר הנתונים שלנו, או שהם נקודות משפיעות?
• הצורה של כל טרנד. האם זה ליניארי, מעריכי, לוגריתמי או משהו אחר?
• חוזקה של כל מגמה. עד כמה הנתונים מתאימים לדפוס הכללי שזיהינו?

ניתן לנתח פיזור חלקות המציגות מגמה לינארית בעזרת הטכניקות הסטטיסטיות שלרגרסיה לינארית ו מתאם. רגרסיה יכולה להתבצע עבור סוגים אחרים של טרנדים שאינם לינאריים.