Poikkeamien laskeminen: 7 vaihetta (kuvien kanssa)

Sisällysluettelo:

Poikkeamien laskeminen: 7 vaihetta (kuvien kanssa)
Poikkeamien laskeminen: 7 vaihetta (kuvien kanssa)

Video: Poikkeamien laskeminen: 7 vaihetta (kuvien kanssa)

Video: Poikkeamien laskeminen: 7 vaihetta (kuvien kanssa)
Video: Kuidas kontrollida auto temperatuuriandurit 2024, Maaliskuu
Anonim

Poikkeama on havaintoaineisto, joka eroaa numeerisesti huomattavasti otoksen muista havainnoista. Termiä käytetään tilastollisissa tutkimuksissa ja se voi viitata poikkeavuuksiin tietojoukossa tai virheisiin suoritetussa mittauksessa. Poikkeamien laskemisen tunteminen on tärkeää tietojen asianmukaisen ymmärtämisen varmistamiseksi ja johtaa tarkempiin johtopäätöksiin tutkimuksesta. Niiden laskeminen tietylle havaintojoukolle on hyvin yksinkertainen prosessi.

askeleet

Laske poikkeamat Vaihe 1
Laske poikkeamat Vaihe 1

Vaihe 1. Opi tunnistamaan mahdollinen poikkeama

Ennen kuin lasketaan, edustavatko havainnointitiedot poikkeamaa vai ei, on aina hyödyllistä tutkia tietojoukko ja tunnistaa mahdolliset poikkeamat. Harkitse esimerkiksi tietojoukkoa, joka edustaa huoneen 12 eri kohteen lämpötilaa. Jos 11 esineen lämpötila on noin 21 ° C, mutta kahdestoista (ehkä uunin) lämpötila on 150 ° C, nopea tutkimus voi sanoa, että uuni on poikkeava.

Laske poikkeamat Vaihe 2
Laske poikkeamat Vaihe 2

Vaihe 2. Järjestä havaintotiedot pienimmästä suurimpaan

Jatkakaa yllä olevaa esimerkkiä ja harkitse seuraavaa aineistoa, joka edustaa eri kohteiden lämpötiloja: {22, 21, 24, 21, 21, 20, 21, 23, 22, 150, 22, 20}. Tämä sarja tulisi jakaa seuraavasti: {20, 20, 21, 21, 21, 21, 22, 22, 22, 23, 24, 150}.

Laske poikkeamat Vaihe 3
Laske poikkeamat Vaihe 3

Vaihe 3. Laske tietojoukon mediaani

Mediaani on havaintoaineisto, joka sijaitsee datan alaosan yläpuolella ja yläpuolen alapuolella. Jos tietojoukko sisältää parillisen määrän havaintoja, kaksi keskitermiä on otettava huomioon. Yllä olevassa esimerkissä kaksi keskitermiä ovat 21 ja 22, joten mediaani on ((21 + 22) / 2) tai 21, 5.

Laske poikkeamat Vaihe 4
Laske poikkeamat Vaihe 4

Vaihe 4. Laske alempi kvartiili

Tämä kohta, jota kutsutaan Q1: ksi, on havaintoaineisto, joka sijaitsee alle 25% havainnoista. Yllä olevassa esimerkissä kaksi termiä on otettava uudelleen huomioon, tällä kertaa 21 ja 21. Näiden kahden keskiarvo on ((21 + 21) / 2) tai 21.

Laske poikkeamat Vaihe 5
Laske poikkeamat Vaihe 5

Vaihe 5. Laske ylin kvartiili

Tämä kohta, nimeltään Q3, on havaintotiedot, jotka sijaitsevat yli 25% havainnoista. Jatkaessamme esimerkkiämme kahden nopan 22 ja 23 keskiarvon ottaminen johtaa Q3: een, joka on 22, 5.

Laske poikkeamat Vaihe 6
Laske poikkeamat Vaihe 6

Vaihe 6. Etsi tietojoukon "sisäiset esteet"

Ensimmäinen vaihe on kertoa Q1: n ja Q3: n välinen ero (jota kutsutaan kvartaalivälialueeksi) 1,5: llä. Yllä olevassa esimerkissä neljännesvälin alue on (22, 5 - 21), eli 1, 5. Kerro tämä arvo 1: llä, 5 antaa 2, 25. Lisää tämä luku Q3: een ja vähennä Q1: stä rakentaaksesi esteet. Tässä esimerkissä sisä- ja yläpuoliset esteet olisivat 24, 75 ja 18, 75.

Kaikki tämän alueen ulkopuoliset havainnointitiedot ovat kohtuullisia poikkeamia. Tämän esimerkin tietojoukossa vain uunin lämpötilaa (150 ° C) pidetään kohtuullisena poikkeamana

Laske poikkeamat Vaihe 7
Laske poikkeamat Vaihe 7

Vaihe 7. Etsi tietojoukon "ulkoiset esteet"

Tämä tehdään samalla tavalla kuin sisäisten esteiden osalta, paitsi että kvartiiliväli kerrotaan 3: lla 1,5: n sijasta. Kun kerrotaan yllä oleva kvartiiliväli 3: lla, saadaan (1, 5 * 3) tai 4, 5. Siten ylemmät ja alemmat ulkoiset esteet ovat 27 ja 16, 5.

Ulkoisten esteiden ulkopuolella havaittua havaintoarvoa pidetään äärimmäisenä poikkeavana. Tässä esimerkissä uunin lämpötila, 150 ºC, on myös äärimmäinen poikkeama

Suositeltava: