Βρείτε τα Outliers στα δεδομένα Infographics σας - ανδρείκελα

Κατά την ανάλυση των δεδομένων για τα πληροφοριακά σας στοιχεία, θα πρέπει να γνωρίζετε ότι ορισμένα σημεία δεδομένων - γνωστά ως απομακρυσμένα δώστε προσοχή στους εαυτούς τους. Στις πιο σοβαρές περιπτώσεις, μπορούν ακόμη και να ρίξουν δεδομένα και να δημιουργήσουν μια παραπλανητική εικόνα του θέματος. Θα πρέπει να αναγνωρίσετε πότε έχετε μια απόκλιση και στη συνέχεια να αποφασίσετε τι να κάνετε γι 'αυτό.

Αυτός ο πίνακας περιέχει ένα απλό παράδειγμα για να δείξει αυτή την ιδέα. Τα δύο σύνολα δεδομένων αντιπροσωπεύουν βαθμούς σπουδαστών, για οκτώ εβδομάδες, σε δύο εβδομαδιαίες εξετάσεις. οι αριθμοί είναι το σωστό ποσοστό στην εξέταση. Το σύνολο δεδομένων στα αριστερά (η πρώτη εξέταση) δεν περιέχει ένα εξάρτημα, αλλά το σύνολο δεδομένων στα δεξιά (η δεύτερη εξέταση). Το ένα απόθεμα εμφανίζεται με έντονους χαρακτήρες.

Βαθμοί Εβδομαδιαίας Εξέτασης

Εβδομάδα	Βαθμοί (χωρίς εξωστρέφεια)	Βαθμοί (μία απόκλιση)
1	90%	90%
2	88%	88%
3	90%	90%
86%	6	87%
87%	7	85%
85%	8	84%
84%	> 87%	83%
	Ο μέσος όρος στη μέση στήλη ζωγραφίζει μια αρκετά ακριβή εικόνα του επιτεύγματος αυτού του σπουδαστή στις τακτικές δοκιμές. Το ενιαίο (τολμηρό) απόσπασμα (50%) στο σύνολο δεδομένων στα δεξιά, ρίχνει ένα κλειδί στις εργασίες, όμως, ρίχνοντας το μέσο όρο του φοιτητή κατά τέσσερις ποσοστιαίες μονάδες και σμίκρυνση των δεδομένων.	Τι κάνει ένας δημοσιογράφος δεδομένων σε μια τέτοια περίπτωση; Εδώ είναι μερικές επιλογές:
Πετάξτε το περίεργο.	Εάν χρησιμοποιείτε μόνο το μέσο όρο στο γραφικό σας και ανησυχείτε ότι είναι παραπλανητικό, εξαλείψτε την απόκλιση ως απόκλιση και στη συνέχεια υπολογίστε τον μέσο όρο χωρίς αυτήν την εβδομάδα, όπως φαίνεται στην εικόνα.

Αν πάτε με αυτή την επιλογή, βεβαιωθείτε ότι προσθέτετε μια υποσημείωση που εξηγεί τα πάντα: στην περίπτωση αυτή, τη διαγραφή ενός σημείου δεδομένων. Πάντα να είναι όσο το δυνατόν πιο διαφανής.

Εμφάνιση των δεδομένων ως έχει.

Εάν χρησιμοποιείτε μόνο το μέσο όρο στο γραφικό σας ή σχεδιάζετε όλα τα δεδομένα σε ένα γράφημα, μπορείτε πάντα να παρουσιάζετε τα δεδομένα ακριβώς όπως ήρθε σε εσάς, όπως φαίνεται στο παρακάτω σχήμα.

• Σε αυτή την περίπτωση, θα πρέπει να προσθέσετε μια υποσημείωση που θα καλεί την εκτροπή, ώστε ο αναγνώστης να την έχει πλήρη επίγνωση. Κατασκευάστε μια "γραμμή καλύτερης προσαρμογής. "

  Αυτή η επιλογή ισχύει μόνο εάν πρόκειται να δημιουργήσετε ένα γράφημα που εμφανίζει όλα τα δεδομένα. Μια γραμμή καλύτερης προσαρμογής - που ονομάζεται επίσης και γραμμική παλινδρόμηση

  - είναι ο οπτικός μέσος όρος των δεδομένων σας: κυριολεκτικά η γραμμή που αντιπροσωπεύει τα σημεία διάσπασης δεδομένων σας καλύτερα.