डेटाची वर्ग रुंदी उपाय

चरण 0: पूर्व-गणन सारांश
फॉर्म्युला वापरले जाते
डेटाची वर्ग रुंदी = (डेटामधील सर्वात मोठा आयटम-डेटामधील सर्वात लहान आयटम)/वर्गांची संख्या
wClass = (Max-Min)/NClass
हे सूत्र 4 व्हेरिएबल्स वापरते
व्हेरिएबल्स वापरलेले
डेटाची वर्ग रुंदी - डेटाची वर्ग रुंदी म्हणजे वर्गाच्या वरच्या आणि खालच्या सीमांमधील फरक किंवा वारंवारता वितरणातील मध्यांतर.
डेटामधील सर्वात मोठा आयटम - डेटामधील सर्वात मोठा आयटम हे डेटासेटमधील सर्वोच्च मूल्य आहे, जे निरीक्षण केलेल्या मूल्यांच्या वरच्या टोकाला सूचित करते.
डेटामधील सर्वात लहान आयटम - डेटामधील सर्वात लहान आयटम हे डेटासेटमधील सर्वात कमी मूल्य आहे, जे निरीक्षण केलेल्या मूल्यांच्या खालच्या टोकाला सूचित करते.
वर्गांची संख्या - वर्गांची संख्या ही अंतराल किंवा गटांची संख्या आहे ज्यामध्ये डेटा वारंवारता वितरणामध्ये विभागला जातो.
चरण 1: इनपुट ला बेस युनिटमध्ये रूपांतरित करा
डेटामधील सर्वात मोठा आयटम: 85 --> कोणतेही रूपांतरण आवश्यक नाही
डेटामधील सर्वात लहान आयटम: 5 --> कोणतेही रूपांतरण आवश्यक नाही
वर्गांची संख्या: 20 --> कोणतेही रूपांतरण आवश्यक नाही
चरण 2: फॉर्म्युलाचे मूल्यांकन करा
फॉर्म्युलामध्ये इनपुट व्हॅल्यूजची स्थापना करणे
wClass = (Max-Min)/NClass --> (85-5)/20
मूल्यांकन करत आहे ... ...
wClass = 4
चरण 3: निकाल आउटपुटच्या युनिटमध्ये रूपांतरित करा
4 --> कोणतेही रूपांतरण आवश्यक नाही
अंतिम उत्तर
4 <-- डेटाची वर्ग रुंदी
(गणना 00.004 सेकंदात पूर्ण झाली)

जमा

ने निर्मित अनिरुद्ध सिंह
राष्ट्रीय तंत्रज्ञान संस्था (एनआयटी), जमशेदपूर
अनिरुद्ध सिंह यांनी हे कॅल्क्युलेटर आणि 300+ अधिक कॅल्क्युलेटर तयार केले आहेत!
द्वारे सत्यापित उर्वी राठोड
विश्वकर्मा शासकीय अभियांत्रिकी महाविद्यालय (व्हीजीईसी), अहमदाबाद
उर्वी राठोड यानी हे कॅल्क्युलेटर आणि 1900+ अधिक कॅल्क्युलेटर सत्यापित केले आहेत।

18 सांख्यिकी मध्ये मूलभूत सूत्रे कॅल्क्युलेटर

नमुन्याचे पी मूल्य
जा नमुन्याचे पी मूल्य = (नमुना प्रमाण-गृहित लोकसंख्येचे प्रमाण)/sqrt((गृहित लोकसंख्येचे प्रमाण*(1-गृहित लोकसंख्येचे प्रमाण))/नमुन्याचा आकार)
नमुना आकार दिलेला P मूल्य
जा नमुन्याचा आकार = ((नमुन्याचे पी मूल्य^2)*गृहित लोकसंख्येचे प्रमाण*(1-गृहित लोकसंख्येचे प्रमाण))/((नमुना प्रमाण-गृहित लोकसंख्येचे प्रमाण)^2)
t सांख्यिकी
जा t सांख्यिकी = (नमुन्याचे निरीक्षण केलेले सरासरी-नमुन्याचा सैद्धांतिक अर्थ)/(नमुना मानक विचलन/sqrt(नमुन्याचा आकार))
t सामान्य वितरणाची आकडेवारी
जा t सामान्य वितरणाची आकडेवारी = (नमुना सरासरी-लोकसंख्या सरासरी)/(नमुना मानक विचलन/sqrt(नमुन्याचा आकार))
वर्गाची रुंदी दिलेल्या वर्गांची संख्या
जा वर्गांची संख्या = (डेटामधील सर्वात मोठा आयटम-डेटामधील सर्वात लहान आयटम)/डेटाची वर्ग रुंदी
डेटाची वर्ग रुंदी
जा डेटाची वर्ग रुंदी = (डेटामधील सर्वात मोठा आयटम-डेटामधील सर्वात लहान आयटम)/वर्गांची संख्या
ची स्क्वेअर सांख्यिकी
जा ची स्क्वेअर सांख्यिकी = ((नमुन्याचा आकार-1)*नमुना मानक विचलन^2)/(लोकसंख्या मानक विचलन^2)
ची स्क्वेअर आकडेवारी दिलेली नमुना आणि लोकसंख्या भिन्नता
जा ची स्क्वेअर सांख्यिकी = ((नमुन्याचा आकार-1)*नमुना भिन्नता)/लोकसंख्या भिन्नता
यादृच्छिक चलांच्या बेरजेची अपेक्षा
जा यादृच्छिक चलांच्या बेरजेची अपेक्षा = रँडम व्हेरिएबल X ची अपेक्षा+रँडम व्हेरिएबल Y ची अपेक्षा
यादृच्छिक चलांच्या फरकाची अपेक्षा
जा यादृच्छिक चलांच्या फरकाची अपेक्षा = रँडम व्हेरिएबल X ची अपेक्षा-रँडम व्हेरिएबल Y ची अपेक्षा
अवशिष्ट मानक त्रुटी दिलेल्या वैयक्तिक मूल्यांची संख्या
जा वैयक्तिक मूल्यांची संख्या = (चौरसांची अवशिष्ट बेरीज/(डेटाची अवशिष्ट मानक त्रुटी^2))+1
नमुना मानक विचलन दिलेले दोन नमुन्यांचे F मूल्य
जा दोन नमुन्यांचे F मूल्य = (नमुना X चे मानक विचलन/नमुना Y चे मानक विचलन)^2
दिलेल्या श्रेणीतील डेटामधील सर्वात मोठा आयटम
जा डेटामधील सर्वात मोठा आयटम = डेटाची श्रेणी+डेटामधील सर्वात लहान आयटम
दिलेल्या श्रेणीतील डेटामधील सर्वात लहान आयटम
जा डेटामधील सर्वात लहान आयटम = डेटामधील सर्वात मोठा आयटम-डेटाची श्रेणी
डेटाची श्रेणी
जा डेटाची श्रेणी = डेटामधील सर्वात मोठा आयटम-डेटामधील सर्वात लहान आयटम
डेटाची मध्यम श्रेणी
जा डेटाची मध्यम श्रेणी = (डेटाचे कमाल मूल्य+डेटाचे किमान मूल्य)/2
दोन नमुन्यांचे F मूल्य
जा दोन नमुन्यांचे F मूल्य = नमुना X चे भिन्नता/नमुन्याचे फरक Y
सापेक्ष वारंवारता
जा सापेक्ष वारंवारता = परिपूर्ण वारंवारता/एकूण वारंवारता

डेटाची वर्ग रुंदी सुत्र

डेटाची वर्ग रुंदी = (डेटामधील सर्वात मोठा आयटम-डेटामधील सर्वात लहान आयटम)/वर्गांची संख्या
wClass = (Max-Min)/NClass

सांख्यिकीमध्ये डेटाचे वर्गीकरण काय आहे?

सांख्यिकीय विश्लेषण करण्यासाठी, अन्वेषक किंवा विश्लेषकाद्वारे विविध प्रकारचे डेटा गोळा केले जातात. गोळा केलेली माहिती सहसा कच्च्या स्वरूपात असते ज्याचे विश्लेषण करणे कठीण असते. विश्लेषण अर्थपूर्ण आणि सोपे करण्यासाठी, कच्चा डेटा त्यांच्या वैशिष्ट्यांवर आधारित भिन्न श्रेणींमध्ये रूपांतरित किंवा वर्गीकृत केला जातो. समान किंवा एकसमान वैशिष्ट्यांसह विविध श्रेणी किंवा वर्गांमध्ये डेटाचे हे गटीकरण डेटाचे वर्गीकरण म्हणून ओळखले जाते. गोळा केलेल्या डेटाचा प्रत्येक विभाग किंवा वर्ग वर्ग म्हणून ओळखला जातो. सांख्यिकीय माहितीच्या वर्गीकरणाचे वेगवेगळे आधार भौगोलिक, कालक्रमानुसार, गुणात्मक (साधे आणि बहुविध), आणि परिमाणवाचक किंवा संख्यात्मक आहेत. उदाहरणार्थ, जर एखाद्या अन्वेषकाला एखाद्या राज्याची गरिबीची पातळी ठरवायची असेल, तर तो त्या राज्यातील लोकांची माहिती गोळा करून आणि नंतर त्यांचे उत्पन्न, शिक्षण इत्यादींच्या आधारे वर्गीकरण करून तसे करू शकतो.

Let Others Know
Facebook
Twitter
Reddit
LinkedIn
Email
WhatsApp
Copied!