Contente
Atividades comerciais, governamentais e acadêmicas quase sempre exigem a coleta e análise de dados. Uma das maneiras de representar dados numéricos é através de gráficos, histogramas e tabelas. Essas técnicas de visualização permitem que as pessoas obtenham uma melhor compreensão dos problemas e criem soluções. Lacunas, clusters e outliers são características de conjuntos de dados que influenciam a análise matemática e são facilmente visíveis nas representações visuais.
Furos nos dados
As lacunas referem-se às áreas ausentes em um conjunto de dados. Por exemplo, se um experimento científico coletar dados de temperatura na faixa de 50 graus Fahrenheit a 100 graus Fahrenheit, mas nada entre 70 e 80 graus, isso representaria uma lacuna no conjunto de dados. Um gráfico de linhas desse conjunto de dados teria marcas "x" para temperaturas entre 50 e 70 e novamente entre 80 e 100, mas não haveria nada entre 70 e 80. Os pesquisadores podem se aprofundar e explorar por que certos pontos de dados não aparecem em uma amostra coletada.
Grupos Isolados
Clusters são grupos isolados de pontos de dados. Gráficos de linhas, que são uma das maneiras de representar conjuntos de dados, são linhas com marcas "x" colocadas acima de números específicos para representar sua frequência de ocorrência no conjunto de dados. Um cluster é representado como uma coleção dessas marcas "x" em um pequeno intervalo ou subconjunto de dados. Por exemplo, se as pontuações dos exames para uma turma de 10 alunos forem 74, 75, 80, 72, 74, 75, 76, 86, 88 e 73, a maioria das marcas "x" em uma plotagem de linha estará na faixa 72- intervalo de pontuação de-76. Isso representaria um cluster de dados. Observe que a frequência para 74 e 75 é duas, mas para todas as outras pontuações, é uma.
Nos extremos
Os valores extremos são valores extremos - pontos de dados que ficam significativamente fora de outros valores em um conjunto de dados. Um outlier deve ser significativamente menor ou maior que a maioria dos números em um conjunto de dados. A definição de "extremo" depende da circunstância e do consenso dos analistas envolvidos na pesquisa. Os valores discrepantes podem ser pontos de dados ruins, também conhecidos como ruído, ou podem conter informações valiosas sobre o fenômeno que está sendo investigado e a própria metodologia de coleta de dados. Por exemplo, se as pontuações das turmas estão principalmente na faixa de 70 a 80, mas algumas pontuações estão nos 50 e poucos anos, elas podem representar valores extremos.
Juntando tudo
Lacunas, outliers e clusters em conjuntos de dados podem afetar os resultados da análise matemática. Lacunas e clusters podem representar erros na metodologia de coleta de dados. Por exemplo, se uma pesquisa por telefone pesquisar apenas determinados códigos de área, como conjuntos habitacionais de baixa renda ou áreas residenciais suburbanas e não uma grande parte da população, é provável que haja lacunas e agrupamentos nos dados . Os discadores externos podem distorcer o valor médio ou médio de um conjunto de dados. Por exemplo, o valor médio ou médio de um conjunto de dados composto por quatro números - 50, 55, 65 e 90 - é 65. Sem os 90 outlier, no entanto, a média é de cerca de 57.