Skip to main content
Global

2: Takwimu za maelezo

  1. Last updated
  2. Save as PDF
  • Page ID
    181063

    • \( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)

    Katika sura hii, utajifunza njia za namba na za kielelezo za kuelezea na kuonyesha data yako. Eneo hili la takwimu linaitwa “Takwimu za Maelezo.” Utajifunza jinsi ya kuhesabu, na hata muhimu zaidi, jinsi ya kutafsiri vipimo hivi na grafu.

    • 2.1: Utangulizi wa Takwimu za Maelezo
      Katika sura hii, utajifunza njia za namba na za kielelezo za kuelezea na kuonyesha data yako. Eneo hili la takwimu linaitwa “Takwimu za Maelezo.” Utajifunza jinsi ya kuhesabu, na hata muhimu zaidi, jinsi ya kutafsiri vipimo hivi na grafu. Katika sura hii, tutaangalia kwa ufupi viwanja vya shina na majani, grafu za mstari, na grafu za bar, pamoja na polygoni za mzunguko, na grafu za mfululizo wa wakati. Mkazo wetu utakuwa juu ya histograms na viwanja vya sanduku.
    • 2.2: Grafu za shina na majani (Stemplots), Grafu za Mstari, na Grafu za Bar
      Mpango wa shina na jani ni njia ya kupanga data na kuangalia usambazaji, ambapo maadili yote ya data ndani ya darasa yanaonekana. Faida katika njama ya shina na jani ni kwamba maadili yote yameorodheshwa, tofauti na histogram, ambayo inatoa madarasa ya maadili ya data. Grafu ya mstari mara nyingi hutumiwa kuwakilisha seti ya maadili ya data ambayo kiasi kinatofautiana na wakati. Grafu hizi ni muhimu kwa kutafuta mwenendo. Grafu ya bar ni chati inayotumia baa za usawa au wima kuonyesha kulinganisha kati ya makundi.
    • 2.3: Histograms, Polygoni za mzunguko, na Grafu za Mfululizo wa Muda
      Histogram ni toleo la graphic la usambazaji wa mzunguko. Grafu ina baa za upana sawa inayotolewa karibu na kila mmoja. Kiwango cha usawa kinawakilisha madarasa ya maadili ya data ya kiasi na kiwango cha wima kinawakilisha masafa. Urefu wa baa unafanana na maadili ya mzunguko. Histograms ni kawaida kutumika kwa ajili ya seti kubwa, kuendelea, upimaji data. Poligoni ya mzunguko pia inaweza kutumika wakati wa kuchora seti kubwa za data na pointi za data zinazorudia.
    • 2.4: Hatua za Eneo la Data
      Maadili yanayogawanya seti ya data iliyoagizwa na cheo katika sehemu 100 sawa huitwa asilimia na hutumiwa kulinganisha na kutafsiri data. Kwa mfano, uchunguzi katika asilimia 50 itakuwa kubwa kuliko 50% ya obeservations nyingine katika kuweka. Quartiles hugawanya data katika robo. Quartile ya kwanza ni asilimia 25, robo ya pili ni asilimia 50, na robo ya tatu ni asilimia 75. Aina ya interquartile ni kiwango cha kati ya asilimia 50 ya maadili ya data
    • 2.5: Sanduku Viwanja
      Viwanja vya sanduku ni aina ya grafu ambayo inaweza kusaidia kuibua kupanga data. Ili kuchora njama ya sanduku pointi zifuatazo za data zinapaswa kuhesabiwa: thamani ya chini, robo ya kwanza, wastani, robo ya tatu, na thamani ya juu. Mara baada ya njama ya sanduku imewekwa, unaweza kuonyesha na kulinganisha mgawanyo wa data.
    • 2.6: Hatua za Kituo cha Data
      Maana na wastani inaweza kuhesabiwa ili kukusaidia kupata “kituo” cha kuweka data. Maana ni makadirio bora ya kuweka data halisi, lakini wastani ni kipimo bora wakati kuweka data ina outliers kadhaa au maadili uliokithiri. Hali itakuambia datum (au data) inayotokea mara kwa mara katika seti yako ya data. Maana, wastani, na mode husaidia sana wakati unahitaji kuchambua data yako.
    • 2.7: Skewness na Maana, Median, na Mode
      Kuangalia usambazaji wa data kunaweza kufunua mengi kuhusu uhusiano kati ya maana, wastani, na mode. Kuna aina tatu za mgawanyo. Usambazaji wa kulia (au chanya) uliojitokeza, usambazaji wa kushoto (au hasi) uliojitokeza na usambazaji wa usawa.
    • 2.8: Hatua za Kuenea kwa Data
      Tabia muhimu ya seti yoyote ya data ni tofauti katika data. Katika seti fulani za data, maadili ya data yanajilimbikizia karibu na maana; katika seti nyingine za data, maadili ya data yanaenea zaidi kutoka kwa maana. Kipimo cha kawaida cha tofauti, au kuenea, ni kupotoka kwa kawaida. Kupotoka kwa kiwango ni namba inayopima jinsi maadili ya data yanatoka kwa maana yao.
    • 2.9: Takwimu za maelezo (Karatasi)
      Karatasi ya takwimu: Mwanafunzi atajenga histogram na njama ya sanduku. Mwanafunzi atahesabu takwimu za univariate. Mwanafunzi atachunguza grafu ili kutafsiri kile data inamaanisha.
    • 2.E: Takwimu za maelezo (Mazoezi)
      Hizi ni mazoezi ya kazi za nyumbani ili kuongozana na TextMap iliyoundwa kwa “Takwimu za Utangulizi” na OpenStax.