Comment trouver la fréquence Cumulative? w / 11 exemples!

Comment trouvez-vous la fréquence cumulée?

et comment décrivez-vous la forme, la propagation et le centre d’une distribution?

C’est ce que nous allons découvrir aujourd’hui!

Let’s go!

Quelle est la différence entre les graphiques suivants?,

• Fréquence Cumulée
• Cumulée Fréquence Relative

Une fréquence cumulée graphique montre le nombre total de valeurs inférieures à la limite supérieure de chaque variable. Tout cela signifie qu’il représente le total de fonctionnement des fréquences.

maintenant, les graphiques de fréquence relative cumulative, également appelés graphiques Ogive (prononcé « oh-Jive”), sont pour les percentiles et montrent quel pourcentage des données est inférieur à une valeur particulière. En d’autres termes, un graphique Ogive affiche le pourcentage cumulé de gauche à droite.,

Exemple

Par exemple, nous allons utiliser le dataset suivant: { 1, 1, 1, 1, 1, 3, 3, 3, 3, 3, 5, 5, 5, 5, 5, 5, 7, 11, 11, 11, 11, 11, 11, 11, 11 }

tout d’Abord, nous avons besoin de créer un tableau de fréquences, ensuite, nous avons besoin de trouver la fréquence cumulée ainsi que notre cumulée fréquence relative (en%).

ensuite, nous dessinons un graphique où L’axe des abscisses représente les dénombrements et l’axe des ordonnées représente la fréquence relative cumulative telle que notée par Statistique Canada.,nos points se coordonnent à la valeur de fréquence relative cumulative à l’extrémité gauche de chaque intervalle, puis relient les points avec des lignes droites, comme on le voit ci-dessous:

ce que vous remarquerez à propos du graphique Ogive, c’est que commencer et ensuite augmenter rapidement, alors qu’une distribution biaisée à droite produit un graphique de fréquence relative cumulatif où nous voyons une augmentation rapide des valeurs, puis un rétrécissement ou un rétrécissement des fréquences.,

Comment sont cumulatives fréquence relative des graphiques utiles?

ils illustrent les percentiles et indiquent la forme d’une distribution.

Percentiles

Si vous vous en souvenez, la mesure sommaire qui divise un ensemble de données classées (c.-à-d. les données placées par ordre croissant ou décroissant) en 100 parties égales est appelée percentile. Et les percentiles indiquent le pourcentage d’observations au-dessus d’une valeur.,

par exemple, rappelez-vous le tracé de la boîte et de la moustache, où nous affichons le premier quartile, la médiane et le troisième quartile?

Le 1er quartile nous indique que 25% des données sont inférieures à cette valeur, il représente donc le 25e centile. La médiane, parfois appelée le 2e quartile, nous indique que 50% des données sont inférieures à cette valeur, et elle représente le 50e centile. Et le quartile 3 nous indique que 75% des données tombent en dessous de cette valeur, ce qui représente le 75e percentile.,

et comme nous le verrons dans la vidéo ci-dessous, nous pouvons trouver, estimer et interpréter des percentiles à partir d’un ensemble de données lorsqu’on lui donne un graphique Ogive.

forme de la Distribution

saviez-vous que la raideur de la ligne dans un graphique de fréquence relative cumulative nous aide à déterminer la forme d’une distribution?

et une fois que nous avons déterminé la forme d’une distribution, nous pouvons prendre cette information et convertir, ou transformer, des observations en utilisant des écarts-types pour voir à quelle distance des observations spécifiques sont de la moyenne., C’est ce qu’on appelle la normalisation, et la forme la plus courante de normalisation en statistique est la valeur standard, souvent appelée valeur z ou score z.

Si nous laissons x représenter une valeur observée pour les données, alors nous trouvons une valeur standard en soustrayant la moyenne de cette valeur observée et en divisant la différence par l’écart type.,

en normalisant l’ensemble de données, nous éliminons essentiellement toutes les unités de mesure; nous permettant ainsi de comparer une observation à une autre même si elles n’ont pas les mêmes paramètres (c.-à-d., moyenne ou écart type). De plus, cela nous donne une idée de la probabilité ou de l’improbable qu’une valeur spécifique apparaisse dans les données.

comment la normalisation nous aide-t-elle à déterminer la forme, le centre et la propagation d’une distribution?

Eh bien, supposons que nous ajoutions ou soustrayions un nombre à une observation., Cela déplacera le centre et l’emplacement (moyenne, médiane, mode, quartiles et percentiles) de la distribution de cette quantité, mais la forme et la propagation de la distribution (plage, IQR et écart type) ne changeront pas.

cependant, supposons que nous multipliions un nombre à une observation. Dans ce cas, le centre, l’emplacement et la propagation (moyenne, médiane, mode, quartiles, percentiles, plage, IQR et écart type) changeront dans la distribution, et seule la forme restera inchangée.,

exemple travaillé

notez que l’écart type, la plage et L’IQR restent tous les mêmes, y compris la forme de la distribution, mais tout le reste a changé d’un facteur 10.

et maintenant, prenons le même ensemble de données et voyons ce qui arriverait au centre, à la propagation et à la forme de la distribution si nous multiplions chaque observation par une valeur de 10.,

Cette fois, nous pouvons voir que toutes les statistiques récapitulatives ont changé, et la seule chose qui est restée la même était la forme de la distribution.

Courbes de Densité

Et cela nous amène bien à l’apprentissage sur les courbes de densité.

Une courbe de densité est toujours sur ou au-dessus de l’axe horizontal et a une surface sous la courbe qui est égale à 1.,

de plus, la médiane de la courbe de densité est le « point d’aire égale” avec la moitié de la surface de chaque côté, et la moyenne de la courbe de densité est le point d’équilibrage (pensez: Centre de masse).

armés de ces connaissances, nous serons en mesure de déterminer rapidement où se trouvent la moyenne et la médiane dans une distribution et de nous préparer à trouver la probabilité!,

Cette vidéo est bourrée de nombreuses informations précieuses sur la façon dont nous décrivons les emplacements du Centre et de la propagation ainsi que la forme d’une distribution, comment nous pouvons transformer les données, Trouver des percentiles étant donné une courbe de fréquence relative cumulative, et commencer notre étude des courbes de densité.

Fréquence Cumulée – Leçon & Exemples (Vidéo)

1 h 03 min

• Introduction à la Vidéo: description des Lieux dans les Distributions
• 00:00:32 – Quels sont les percentiles et comment les trouver?, (Exemples #1-2)
• contenu exclusif réservé aux membres

• 00:05:57 – aperçu des graphiques de fréquence relative Cumulative (Ogive)
• 00:08:01 – créer un graphique Ogive et interpréter vos résultats (exemple #3)
• 00:19:21 – comprendre la fréquence Relative Cumulative et les Distributions asymétriques
• 00:21:24 – Comment standardiser les distributions?, Trouver des valeurs standard (Z-scores) pour les données
• 00: 24:44 – trouver le Z-score ou utiliser le Z-score pour trouver la valeur observée (exemples #4-6)
• 00:36: 42 – Comment transformons-nous les jeux de données et que fait-il au centre, à la propagation et à la forme?
• 00: 40: 14-qu’est-ce qu’une courbe de densité? Quelles sont les propriétés d’une courbe de densité?, déterminer l’emplacement de la moyenne, de la médiane et du mode (exemples #7-10)
• 00:48:34 – données d’échantillon Données trouver stemplot, percentiles, score z, statistiques récapitulatives et données de transformation (exemple #11)
• problèmes de pratique avec des Solutions étape par étape
• Tests de chapitre avec des Solutions vidéo