Professional Documents
Culture Documents
მონაცემთა ორგანზომილებიანი ვიზუალური ანალიზი
მონაცემთა ორგანზომილებიანი ვიზუალური ანალიზი
ჰისტოგრამები
ჰისტოგრამები და აღწერითი სტატიტიკები
დაჯგუფება
თეორიული განაწილების მისადაგება დაკვირვებად განაწილებებზე
კვეთადი კატეგორიები
გაბნევის დიაგრამები
ორი ცვლადის განაწილების ერთგვაროვნება (დამოკიდებულებათა ფორმა)
ამოვარდნები
გაბნევის დიაგრამები ჰისტოგრამებით
გაბნევის დიაგრამები გაქანების დიაგრამებით
ნორმალური ალბათური გრაფიკები
გრაფიკები ალბათობა - ალბათობა
დიაპაზონთა დიაგრამები
გაქანების დიაგრამა
სვეტისებური დიაგრამები
წრფივი გრაფიკები (ცვლადებისათვის)
წრფივი გრაფიკები (დაკვირვებათა პროფილები)
მიმდევრობითი/დადებული გრაფიკები
წრიული დიაგრამები
გამოტოვებული მნიშვნელობების და ინტერვალების დიაგრამები
მომხმარებლის ფუნქციათა გრაფიკები
ჰისტოგრამები
<>
ტერმინი ჰისტოგრამა შემოიტანა კარლ პირსონმა 1895 წელს. ჰისტოგრამები საშუალებას გვაძ-
ლევენ დავინახოთ, როგორ არიან განაწილებული ცვლადები დაჯგუფების ინტერვალების მიხედვით,
ანუ რა ხშირად იღებენ ცვლადები მნიშვნელობებს სხვადასხვა ინტერვალებიდან.
განსაკუთრებით სასარგებლოა ეს გრაფიკი დაკვირვებათა დიდი რიცხვის დროს, მაგალითად,
100-ზე მეტის დროს.
ჰისტოგრამა თვალნათლივ გვაჩვენებს, გამოსაკვლევი ცვლადის რომელი მნიშვნელობები ან
მნიშვნელობათა დიაპაზონები გვხდებიან ყველაზე ხშირად, რამდენად ძლიერ ისინი განსხვავდებიან
ერთმანეთისგან, როგორაა კონცენტრირებული დაკვირვებათა უმრავლესობა საშუალოს ირგვლივ, გა-
ნაწილება სიმეტრიულია თუ არა, გააჩნია მას ერთი მოდა ან რამდენიმე მოდა, ანუ არის მულტიმოდა-
ლური.
მარტივ ჰისტოგრამაზე აისახებიან ერთი ცვლადის მნიშვნელობათა სიხშირეები, ხოლო შედ-
გენილზე შეიძლება ერთდროულად ავსახოთ რამდენიმე ცვლადის სიხშირეები.
მაგალითად, ქვემოთ მოყვანილ შედგენილ დიაგრამაზე შეიძლება დავინახოთ, თუ როგორ
იცვლება ფარდობა ხორცისა და ძეხვის შეძენას შორის სუპერმარკეტში. აქედან აგრეთვე ჩანს, რომ
ძვირ შეძენებში (>300 რუბლი) ძეხვისა და ხორცის წილი მინიმალურია.
<>
დაჯგუფების ინტერვალის ცვლილებით, შეგვიძლია მოვახდინოთ ბაზრის უფრო ზუსტი სეგ-
მენტაცია.
<>
<>
<>
ჰისტოგრამათა დახმარებით შეიძლება შევამოწმოთ გააჩნია თუ არა განაწილებას მძიმე
კუდები, რაც მნიშვნელოვანია ა ქტუარული (დაზღვევაში სატარიფო განაკვეთების) გათვლებისას.
ჰისტოგრამები საშუალებას გვაძლევენ შევაფასოთ დაკვირვებადი განაწილების მსგავსება
თეორიულთან ან მოსალოდნელი განაწილებებიდან.
ჰისტოგრამა, ან ცვლადის მნიშვნელობათა სიხშირეთა განაწილება ინტერვალების მიხედვით,
წარმოადგენს ინტერესს შემდეგი მიზეზების გამო:
განაწილების ფორმის მიხედვით შეიძლება დავახასიათოთ გამოსაკვლევი ცვლადის ბუნება (მა-
გალითად, ორი მოდის არსებობა - ჰისტოგრამის ყველაზე მაღალი სვეტების, ან, როგორც ამბო-
ბენ, განაწილების ბიმოდალურობა შეიძლება ნიშნავდეს, რომ ამონაკრები არაერთგვაროვანია
და შედგება დაკვირვებებისაგან, რომლებიც ეკუთვნიან ორ განსხვავებულ გენერალურ
ერთობლიობას);
კრიტერიუმების ბევრი სტატიტიკა დაფუძნებულია განსაზღვრულ ვარაუდებზე განაწილების
სახის შესახებ, მაგალითად, ნორმალურობის წინაპირობაზე; ჰისტოგრამები გვეხმარებიან
ვიზუალურად შევამოწმოთ ამ წინაპირობათა შემოწმება.
ხშირად მონაცემთა ახალი სიმრავლის ვიზუალური ანალიზის პირველი ნაბიჯი მდგომარეობს
ყველა ცვლადისათვის ჰისტოგრამათა აგებაში. ამასთან იღებიან დაჯგუფების სიდიდით განსხვავებუ-
ლი ინტერვალები.
ჰისტოგრამები და აღწერითი სტატიტიკები
თუმცა ზოგიერთი (რიცხვითი) აღწერითი სტატისტიკის აღთქმა უფრო ადვილია ცხრილების
სახით, მაგრამ ცვლადის განაწილების საერთო ფორმა უკეთესია გრაფიკზე გამოვიკვლიოთ.
გრაფიკი იძლევა ხარისხოვან ინფორმაციას განაწილების შესახებ, რომელიც არ შეიძლება სრუ-
ლად აისახოს რომელიმე ერთი რიცხვითი მაჩვენებლით.
მაგალითად, შემოსავლის საერთო ასიმეტრიული განაწილებამ შეიძლება აჩვენოს, რომ უმრავ-
ლეს ადამიანს აქვს შემოსავალი, ბევრად უფრო ახლოს იმყოფება მინიმალურთან, ვიდრე მაქსიმალურ
მნიშვნელობასთან.
თუმცა ეს ინფორმაცია ასიმეტრიის კოეფიციენტშია, მაგრამ მისი გაგება და დამახსოვრება ვი-
ზუალურად უფრო ადვილია.
<>
ჰისტოგრამებზე აგრეთვე შეიძლება შესამჩნევი იყოს „ჩავარდნები“, რომელსაც მნიშვნელოვანი
ინფორმაცია მოაქვთ მყიდველთა ჯგუფის სოციალური დაყოფის შესახებ ან შემოსავლის განაწილების
ანომალიათა შესახებ, რომლებიც, მაგალითად, გამოწვეულია ახლახან გატარებული საგადასახადო რე-
ფორმით.
ხშირად ჰისტოგრამები გამოიყენებიან მარკეტინგში ბაზრის სეგმენტაციისათვის.
დაჯგუფება
სისტემა STATISTICA-ს Graphs მენიუს ყველა ფანჯარა, რომლებშიც იგებიან ჰისტოგრამები, შე-
იცავენ გაჯგუფების ინტერვალთა ჰისტოგრამების აგებისათვის მითითების მეთოდთა სტანდარტული
ნაკრები. ცვლადის მნიშვნელობათა დიაპაზონი იყოფა ინტერვალებად (თუ ცვლადი უწყვეტია) ან კა-
ტეგორიებად (თუ ცვლადი კატეგორიალურია), რომლებისთვისაც ითვლებიან სიხშირეები, გამოსა-
ხულნი ცალკეული სვეტების სახით.
<>
მაგალითად, შეგვიძლია ავაგოთ ჰისტოგრამა, რომელზეც თითოეული სვეტი შესაბამისობაში
იქნება ცვლადის წარმოდგენისათვის გამოყენებული შკალის 10 ერთეულის ტოლი ინტერვალის. თუ
მინიმალური მნიშვნელობა 0-ის ტოლია, ხოლო მაქსიმალური - 120-ის, მაშინ 12 სვეტი შეიქმნება. გარ-
და ამისა, შეიძლება ისე გავაკეთოთ, რომ ცვლადის მნიშვნელობათა მთელი დიაპაზონი დაიყოს ტოლი
სიგრძის ინტერვალების მითითებულ რიცხვად (მაგალითად, 10); ამ შემთხვევაში თუ მინიმალური
მნიშვნელობა 0-ის ტოლია, ხოლო მაქსიმალური - 120-ის, მაშინ თითოეული ინტერვალი ტოლი იქნება
შკალის 12 ერთეულის. შეიძლება ავირჩიოთ დაჯგუფების უფრო რთული მეთოდი. მაგალითად, შეიძ-
ლება გამოვიყენოთ არათანაბარი დიაპაზონები მომხმარებლის მიერ მითითებული საზღვრებით, უფ-
რო გასაგები დიაპაზონების შექმნის მიზნით ან გავაერთიანოთ ამოვარდნა და გავზარდოთ ჰისტოგრა-
მის შუა ნაწილის აღთქმა. დიაპაზონთა შექმნა ასევე შეიძლება ლოგიკური ოპერატორების
დახმარებით ჩართვისა და ამოშლის კრიტერიუმთა განსაზღვრით (მაგალითად, ჰისტოგრამის
პირველი სვეტი შეიძლება წარმოადგენდეს ადამიანებს, რომლებმაც ბოლო წლის განმავლობაში
თვითფრინავით იფრინეს 10-ჯერ და მეტად და ამ ფრენების 50%-ზე ნაკლებია დაკავშირებული
ბიზნესთან და ა.შ.).
მაგალითი. დაჯგუფების ვიზუალიზაციისათვის განვითარებული შესაძლებლობებია მოდულში
ძირითადი სტატისტიკები და ცხრილები.
ბიჯი 1. ჩართეთ მოდული ძირითადი სტატისტიკები და ცხრილები. Examples საქაღალდიდან
გახსენით მონაცემთა adstudy.sta ფაილი. შეიტანეთ ამ ფაილში შემდეგი ცვლილებები: მეხუთე, მერვე
და მეთორმეტე სტრიქონში შეიტანეთ ახალი მნიშვნელობა SPRITE ცვლადში ADVERT (იხ. ნახატი).
ეხლა ეს ცვლადი ღებულობს 3 მნიშვნელობას: PEPSI, COKE, SPRITE.
<>
ბიჯი 2. სასტარტო პანელში აირჩიეთ პანელი აირჩიეთ დიალოგი სიხშირეთა ცხრილი და დააწექით
ОК -ის.
<>
ბიჯი 3. დიალოგურ ფანჯარაში სიხშირეთა ცხრილი დააწექით ღილაკს ცვლადები და აირჩიეთ
პირველი 3 ცვლადი მონაცემთა ფაილიდან.
ბიჯი 4. აირჩიეთ ოპცია მოცემული დამაჯგუფებელი კოდები და დააწექით მის გვერდით
განლაგებულ ღილაკს.
<>
ბიჯი 5. წარმოჩენილ დიალოგურ ფანჯარაში აირჩიეთ ცვლადთა ის მნიშვნელობები, რომელთა
ასახვაც გსურთ ჰისტოგრამებზე. გააკეთეთ ეს , მაგალითად, ისე, როგორც ნახატზეა ნაჩვენები.
<>
ბიჯი 6. გააკეთეთ არჩევანი, დააწექით OK ღილაკს ფანჯარაში კოდები არჩეული ცვლადებისათვის.
ამის შემდეგ დაბრუდით დიალოგურ ფანჯარაში სიხშირეთა ცხრილები.
ბიჯი 7. დიალოგურ ფანჯარაში სიხშირეთა ცხრილები დააწექით ღილაკს ჰისტოგრამები.
თქვენ დაინახავთ ერთმანეთის მიყოლებით წარმოჩენილ ჰისტოგრამებს თქვენს ეკრანზე. მიაქციეთ
ყურადღება იმას, რომ გრაფიკზე აისახება ცვლადთა არა ყველა მნიშვნელობა, არამედ მხოლოდ ისინი,
რომლებიც თქვენ აირჩიეთ.
<>
<>
<>
<>
<>
<> მარტივი ჰისტოგრამები
მარტივი ჰისტოგრამები წარმოადგენენ არჩეული ცვლადის სიხშირეთა განაწილების ჩვეულებრივ
სვეტისებურ გრაფიკებს.
<>
შედგენილ ჰისტოგრამებზე ცვლადები წარმოდგენილებია ერთმანეთის მიმართ მიჯრით (გვერდი-
გვერდ) მდგარი სვეტებით, ამიტომ თითოეული კატეგორიისათვის იგება რამდენიმე სვეტი.
გამომდინარე, მისადაგებული მრუდები ან ზუსტად შეესაბამებიან მათ შესაბამის ჰისტოგრამებს, ან
შესადარისებია ერთმანეთთან.
<>
ორი სიიდან ყველა ცვლადის სახელი ჩართული იქნება პირობით აღნიშვნებში. ეს გრაფიკი სასარგებ-
ლოა სხვადასხვა სიხშირეების მქონე ცვლადების განაწილებათა ვიზუალური შედარებისათვის.
<>
ნორმალურ მრუდის ჰისტოგრამაზე დადების ჩვეულებრივი ხერხისაგან განსხვავებით, დაკიდული
სვეტების ჰისტოგრამა გვთავაზობს ალტერნატიულ ხერხს, როცა სვეტები, რომლებიც წარმოადგენენ
დაკვირვებად სიხშირეებს მნიშვნელობათა მიმდევრობითი დიაპაზონებისათვის, „ეკიდებიან“
ნორმალურ მრუდზე. თუ გამოსაკვლევი განაწილება დაახლოებიტ ნორმალურია, მაშინ
ჩამოკიდებული მართკუთხედების ქვედა გვერდები ერთ სწორზე დგებიან.
კვეთადი კატეგორიები
სისტემა STATISTICA-ში ქვეჯგუფების გამოსაყოფად შეიძლება მივუთითოთ ლოგიკური პირობები.
ორმალურად შეიძლება შეიქმნან კვეთადი ქვესიმრავლეები (ერთი და იგივე დაკვირვება ხვდება
სხვადასხვა ჯგუფში).
მაგრამ მოქმედებს შემდეგი წესი: თითოეული დაკვირვება მოთავსდება მხოლოდ ერთ ქვეჯგუფში,
კერძოდ იმათგან პირველში, რომლის პირობასაც ის აკმაყოფილებს. ამიტომ ქვეჯგუფთა ნაკრებები
(კატეგორიები), შექმნილნი ასეთი წესებით, აღარ გადაიკვეთებიან არავითარი პირობები დროს.
მაგალითად, თუ გამოკითხულთა სიმრავლის ქვეჯგუფ 1-ში მამაკაცებია, ხოლო ქვეჯგუფ 2-ში -
გამოკითხულები 30 წელზე უფროსებია, მაშინ მიღებულ ქვეჯგუფ 2-ში მხოლოდ ქალებია (30 წელზე
უფროსები), ვინაიდან ყველა მამაკაცი აღმოჩნდება ქვეჯგუფ 1-ში.
მაგალითი:
ქვეჯგუფი 1: ჩართ., თუ: vl<=10
ქვეჯგუფი 2: ჩართ., თუ: vl>10 AND v2 = 'YES'
<>
გაბნევის დიაგრამები
გაბნევის ორგანზომილებიანი დიაგრამები გამოიყენებიან ორ X და Y ცვლადს შორის
დამოკიდებულების ვიზუალური კვლევისათვის (მაგალითად, ადამიანის წონასა და სიმაღლეს შორის,
რეკლამასა და გაყიდვის მოცულობას შორის და ა.შ.).
<>
მონაცემები გამოისახებიან წერტილების სახით ორგანზომილებიან სივრცეში. ორი კოორდინატა (X
და Y), რომლებიც განსაზღვრავენ თითოეული წერტილის მდებარეობას, შეესაბამებიან ორი ცვლადის
მნიშვნელობებს. თუ ცვლადებს შორის კავშირი ძლიერია, მაშინ მონაცემთა წერტილების სიმრავლე
ღებულობს განსაზღვრულ ფორმას (მაგალითად, თავს იყრის წრფის ან მრუდის ირგვლივ, რომელიც
მოიცემა განსაზღვრული განტოლებით), როგორც ეს ქვემოთ მოყვანილ ნახაზზეა მოტანილი.
<>
გაბნევის დიაგრამებისადმი ფუნქციათა მისადაგება გვეხმარება დავინახოთ ცვლადებს შორის დამოკი-
დებულება.
<>
თუ ცვლადები არ არინ ერთმანეთთან მჭიდრო კავშირში, მაშინ წერტილები ქმნიან „გაბნევის ღრუ-
ბელს“ (იხ. ქვემოთ).
<>
<>
მონაცემთა სტრუქტურისა და ინფორმაციის შესახებ, აგრეთვე ჯგუფებად დაყოფის შესაძლო ხერხზე
განსაზღვრული ვარაუდების არსებობისას, შეეცადეთ გამოითვალოთ კორელაცია ცალკე დაკვირვება-
თა თითოეული ქვესიმრავლისათვის ან გამოიყენეთ გაბნევის კატეგორიზებული დიაგრამა.
მეორე პრობლემა, რომელიც შეიძლება გამოკვლეულ იქნას გაბნევის დიაგრამებზე, არის არაწრფივობა.
ცვლადებს შორის არაწრფივი დამოკიდებულების კვლევისათვის არ არსებობს „ავტომატური“ ან გამო-
საყენებლად მარტივი მეთოდები.
პირსონის კორელაციის კოეფიციენტი აფასებს მხოლოდ წრფივ დამოკიდებულებებს და სწორედ ამ
მიზეზის გამო ხშირად იწოდება წრფივად; ზოგიერთმა არაპარამეტრულმა კრიტერიუმებმა, ისეთებმა
როგორიცაა სპერმენის კორელაციის კოეფიციენტი R, შეიძლება შეაფასოს არაწრფივი დამოკიდებულე-
ბა, მაგრამ მხოლოდ მონოტონურს.
გაბნევის დიაგრამათა კვლევა საშუალებას იძლევა განისაზღვროს დამოკიდებულებათა ფორმები, რომ
შემდეგ შესაძლებელი იყოს მონაცემთა გარდაქმნის შესაფერისი ტიპის არჩევა მათი „გაწრფივებისა-
თვის“ ან მისადაგების შესაფერისი არაწრფივი განტოლების ამორჩევისათვის (მაგალითად, წრფივი
დამოკიდებულების ნაცვლად გამოვიყენოთ პოლინომიალური).
<>
ამოვარდნები
გაბნევის დიაგრამების მეორე მნიშვნელოვანი უპირატესობა იმაში მდგომარეობს, რომ ისინი საშუალე-
ბას იძლევიან ვიპოვოთ „ამოვარდნები“ (არატიპიური მონაცემები), რომლებიც ხელოვნურად ზრდიან
ან ამცირებენ კორელაციის კოეფიციენტს.
<>
მხოლოდ ერთმა ამოვარდნამაც კი შეიძლება მნიშვნელოვნად გაზარდოს კორელაციის კოეფიციენტი
ორ ცვლადს შორის. გაბნევის დიაგრამა საშუალებას იძლევა აღმოვაჩინოთ ასეთი ანომალიები. მაგა-
ლითად, ნახატზე ორ ცვლადს შორის კორელაცია 0-თან ახლოს იქნებოდა ამოვარდნის არ არსებობი-
სას. ამ ამოვარდნის არსებობა „ხელოვნურად“ ზრდის კორელაციის მნიშვნელობას.
საშუალება „კისტი“ საშუალებას იძლევა ინტერაქტიულად წავშალოთ ამოვარდნები და უშუალოდ
დავაკვირდეთ აპროქსიმირების ფუნქციის ან რეგრესიის ხაზის ცვლილებას.
<>
ორი კოორდინატა (X და Y), რომლებიც განსაზღვრავენ თითოეული წერტილის მდებარეობას,
რომლებიც ორ ცვლადს შეესაბამებიან. თუ ცვლადებს შორის ძლიერი ურთიერთკავშირია, მაშინ
მონაცემთა წერტილთა სიმრავლე ღებულობს განსაზღვრულ ფორმას (მაგალითად, წრფით ან
მრუდით). თუ კავშირი არაა, მაშინ წერტილები ქმნიან „ღრუბელს“.
<> გაბნევის შედგენილი დიაგრამები
გაბნევის მარტივი დიაგრამისაგან განსხვავებით, რომელზეც ერთი ცვლადი წარმოგენილია ჰორიზონ-
ტალურ, ხოლო მეორე - ვერტიკალურ ღერძზე, გაბნევის შედგენილი დიაგრამა შეიცავს რამდენიმე და-
მოკიდებულებას: ერთი ცვლადის (X)მნიშვნელობა გადაიზომება ჰორიზონტალურ ღერძზე, ხოლო
ვერტიკალურ ღერძზე გადაიზომება რამდენიმე ცვლადის (Y)მნიშვნელობები. თითოეული Y ცვლა-
დისათვის გამოიყენება სხვადასხვა ფერი და წერტილთა სახე.
<>
გაბნევის შედგენილი ტიპის დიაგრამა გამოიყენება რამდენიმე კორელაციური დამოკიდებულების
სტრუქტურათა შედარებისათვის მათი ერთ გრაფიკზე ერთ მასშტაბში გამოსახვის გზით.
<>
ყველა Y ცვლადის სახელი ორი სიიდან ჩართული იქნებიან პირობით აღნიშვნებში.
გაბნევის დიაგრამები ორმაგი Y ღერძით შეიძლება გამოვიყენოთ რამდენიმე კორელაციური დამოკი-
დებულების სტრუქტურათა ვიზუალური შედარებისათვის ერთ გრაფიკზე მათი გამოსახვის გზით.
ამასთან მასშტაბთა დამოუკიდებლობის გამო, რომლებიც გამოიყენებიან ცვლადთა ორი სიისათვის, ეს
გრაფიკი ამარტივებს ცვლადების შედარებას, რომლებიც ეკუთვნიან სხვადასხვა დიაპაზონებს.
<> სიხშირეები
გაბნევის ეს დიაგრამა საშუალებას გვაძლევს თვალსაჩინოდ გამოვსახოთ გადაფარვად წერტილთა
სიხშირეები ორი ცვლადისათვის, რომ თვალსაჩინოდ წარმოვადგინოთ განსხვავებულ წერტილთა
წონები. თუ X ცვლადის ერთი მნიშვნელობისათვის არსებობს Y ცვლადის რამდენიმე მნიშვნელობა,
მაშინ ჩნდება გაბნევის მსგავსი დიაგრამების გამოყენების აუცილებლობა. გადაფარვადი წერტილე-
ბისთვის ითვლებიან და ჯგუფდებიან სიხშირეები. გრაფიკზე წერტილების მარკერების ზომები შე-
ესაბამებიან სიხშირეთა მნიშვნელობებს.
<>
<> ქვანტილები
ქვანტილთა გრაფიკებზე გამოისახება ორი ცვლადის ქვანტილებს შორის დამოკიდებულება, რაც საშუ-
ალებას იძლევა ვიზუალურად შეფასდეს თითოეული ცვლადის ემპირულ განაწილებათა მსგავსება.
<>
თუ მონაცემთა წერტილები „ჯდებიან“ რეგრესიის ხაზზე, მაშინ შეგვიძლია დავასკვნათ, რომ ორ
ცვლადს აქვს ერთნაირი განაწილება.
<>
გრაფიკი შედგება ორი მოცემული ცვლადის (X და Y) გაბნევის მარტივი დიაგრამისა და X და Y
ცვლადებისათვის სიხშირეთა განაწილების ჰისტოგრამებისაგან, გამოსახულებისა შესაბამისად გაბნე-
ვის დიაგრამის X და Y ღერძების გასწვრივ.
გაბნევის დიაგრამები გაქანების დიაგრამებით
სტატისტიკური გრაფიკების ეს ტიპი წარმოადგენს შედგენილ გრაფიკს ორ ცვლადს შორის დამოკიდე-
ბულებით და თითოეული ორი ამონაკრების მნიშვნელობათა განაწილებებით (ამოვარდნებისა და ექ-
სტრემალური მნიშვნელობების ჩართვით). ასეთი გრაფიკი განსაკუთრებით სასარგებლოა მომხმარებ-
ლის მიერ მითითებული კრიტერიუმით შემოწმებისას, წარმოადგენენ თუ არა მონაცემთა ცალკეული
წერტილები ამოვარდნებს, ან ექსტრემალურ მნიშვნელობებს და შეიძლება თუ არა მათი წაშლა ამონაკ-
რებიდან. გრაფიკი შედგება ორი მითითებული(X და Y)ცვლადის გაბნევის მარტივი დიაგრამისა და
X და Y ცვლადებისათვის გაქანების დიაგრამებისაგან, გამოსახულებისა შესაბამისად გაბნევის დიაგ-
რამის X და Y ღერძების გასწვრივ.
<>
<>
<>
ამ გრაფიკზე ვიზუალურად შეიძლება აღმოვაჩინოთ ამოვარდნები.
თუ ვაკვირდებით ცხად არათანხვდომას და მონაცემები განლაგებულნი არიან ხაზის ირგვლივ განსა-
ზღვრული სახით (მაგალითად, ასო s-ის სახით), მაშინ სტატისტიკური მეთოდების გამოყენებამდე,
რომლებისთვისაც არსებითი მნიშვნელობა აქვს ნორმალურ განაწილებას, აუცილებელია რაღაც სახით
გარდავქმნათ ცვლადები (მაგალითად, ლოგარითმული გარდაქმნა ხშირად გამოიყენება იმისათვის,
რომ „ჩავრთოთ“ განაწილების ბოლო).
<>
ეს გრაფიკი ხშირად გამოიყენება ნარჩენების განაწილების კვლევისთვის, თუ საჭიროა ნარჩენის ნიშ-
ნის იგნორირება, როცა საინტერესოა აბსოლუტური ნარჩენების განაწილება დამოუკიდებლად მათი
ნიშნისა.
ნორმალური ალბათური გრაფიკი გამორიცხული ტრენდით
ნორმალური ალბათური გრაფიკი გამორიცხული ტრენდით ისევე იგება, როგორც სტანდარტული
ნორმალური ალბათური გრაფიკი, იმ განსხვავებით, რომ გრაფიკის აგების წინ ხდება წრფივი ტრენ-
დის ამოღება.
<>
კერძოდ, ამ გრაფიკზე თითოეული (Xj)მნიშვნელობა სტანდარტიზდება საშუალოს გამოკლებით და
გაყოფით შესაბამის სტანდარტულ (s)გადახრაზე. ნორმალური ალბათური მნიშვნელობა zj გამორი-
ცხული ტრენდით N დაკვირვების მქონე ცვლადის j-ური მოწესრიგებული მნიშვნელობისათვის (რან-
გი) ასე გამოითვლება:
zj = F-1[(3 x j-l)/(3 x N+l)] - (хj - საშუალო)/s,
სადაც F-1 — ნორმალური განაწილების შებრუნებული ფუნქციაა, ხოლო s — სტანდარტული გა-
დახრა.
<>
თავდაპირველად ხდება განაწილებათა ოჯახის შერჩევა, რომლის შიგნითაც ხორციელდება მისადა-
გება.
განაწილების მისადაგების შესაფასებლად დაკვირვებადი მნიშვნელობები წესრიგდებიან (х1 <... <
хn)და ამ (хi) მნიშვნელობებით იგება განაწილების შებრუნებული ემპირული ფუნქცია.
შემდეგ მასზე ხდება რეგრესიის ხაზის მისადაგება. თუ დაკვირვებადი მნიშვნელობები ხვდებიან რეგ-
რესიის ხაზზე, შეიძლება დავასკვნათ, რომ მათ გააჩნიათ მოცემული განაწილება.
მისადაგების ხაზის (Y=a + bx)განტოლება გვაძლევს а და b პარამეტრების შეფასებას.
ჩვეულებრივ ქვანტილური გრაფიკები იგებიან ყველაზე მეტად გამოსაყენებადი განაწილებებისთვის:
ექსპონენციალური, ექსტრემალური, ნორმალური, რელეას, ბეტა-, გამა- განაწილებები, ლოგნორმალუ-
რი განაწილება და ვეიბულის განაწილება.
<>
თუ მონაცემთა წერტილები არ ხვდებიან დიაგონალურ ხაზზე, მაშინ ეს გრაფიკი შეგვიძლია გამოვიყე-
ნოთ იმის თვალსაჩინო შემოწმებისათვის, ესადაგება თუ არა განაწილება მონაცემებს (მაგალითად, თუ
წერტილები დიაგონალური ხაზის მიმართ განლაგებულნი არიან S-ის ფორმით, მაშინ შეიძლება დაგვ-
ჭირდეს მონაცემების გარდაქმნა იმისათვის, რომ მივიყვანოთ მათი განაწილება საჭირო სახემდე).
ამ გრაფიკის ასაგებად სრულად უნდა იყოს მოცემული თეორიული განაწილების ფუნქცია.
გამომდინარე, განაწილების პარამეტრები უნდა იყვნენ ან მომხმარებლის მიერ განსაზღვრულნი, ან
მონაცემებით გამოთვლილები.
ზოგადად, თუ დაკვირვებად წერტილებს გააჩნიათ არჩეული განაწილება შესაბამისი პარამეტრებით,
მაშინ ისინი მოხვდებიან სწორ ხაზზე რაფიკზე ა - ა. შევნიშნოთ, რომ აქ გამოყენებული პარამეტრების
შეფასების მისაღებად (განაწილებათა ოჯახის ყველაზე შესაფერისი განაწილებისათვის) ასევე შეიძ-
ლება გამოვიყენოთ გრაფიკი ქვანტილი-ქვანტილი.
დიაპაზონთა დიაგრამები
დიაპაზონთა დიაგრამებზე წარმოდგენილია მნიშვნელობათა დიაპაზონები ან შეცდომათა სვეტები,
რომლებიც მიეკუთვნებიან მონაცემთა განსაზღვრულ წერტილებს, მართკუთხედების ან მონაკვეთე-
ბის ფორმით. გაქანების სტანდარტული დიაგრამებიდან განსხვავებით, დიაპაზონები ან შეცდომათა
სვეტები მონაცემების მიხედვით კი არ ითვლებიან, არამედ განისაზღვრებიან არჩეული ცვლადების
საწყისი მნიშვნელობებით.
<>
ჩვეულებრივ დიაპაზონთა ჰორიზონტალური დიაგრამები გამოიყენებიან დროითი შუალედების და
არა ცვლილებების გამოსასახავად; მათი გამოყენება აგრეთვე რეკომენდირებულია, თუ დიაპაზონებს
ძლიერ გრძელი ნიშნულები აქვთ, იმიტომ რომ დიაპაზონთა ჰორიზონტალურ დიაგრამებზე არაა სა-
ჭირო ნიშნულთა გადატანა (როგორც იმ შემთხვევაში, როცა გრძელი ნიშნულები განლაგებულებია X
ღერძის გასწვრივ).
<>
დიაპაზონთა ვერტიკალური დიაგრამები ხშირად გამოიყენებიან ბაზრის, ვაჭრობის და ა.შ. მონაცემე-
ბის წარმოდგენისათვის.
<>
გაქანების დიაგრამები
გაქანების დიაგრამებზე (ტერმინი შემოიტანა ტიუკიმ 1970 წელს), ან ე. წ. გრაფიკებზე „ყუთი-ულვაშე-
ბი“, არჩეული ცვლადის (ან ცვლადების) მნიშვნელობათა დიაპაზონები ცალკე იგებიან დაკვირვებათა
იმ ჯგუფებისათვის, რომლებიც განისაზღვრებიან კატეგორიზებული ან დაჯგუფებული ცვლადების
მნიშვნელობებით.
ცენტრი (მაგალითად, მედიანა ან საშუალო) და დიაპაზონთა ან ვარიაციათა სტატისტიკები (მაგალი-
თად, კვარტილები, სტანდარტული შეცდომები ან სტანდარტული გადახრები) გამოითვლებიან მონა-
ცემების თითოეული ჯგუფისათვის.
<>
გრაფიკზე შეიძლება წარმოდგენილი იყოს ერთზე მეტი დამოკიდებული ცვლადი ჯგუფების მიხედ-
ვით შესაბამისი გაზომვების შედეგების განაწილებების შედარების შესაძლებლობისათვის.
<>
<>
თუ შევცვლით ღერძების მონიშვნას, შეიძლება დავინახოთ შემდეგი სურათი:
<>
გაქანების ამ დიაგრამიდან ჩანს (მონაცემებს მოდელური ხასიათი აქვთ, მაგრამ მათში ასახულია რეა-
ლური სიტუაცია), თუ როგორ არიან განაწილებული ძეხვისა და ხორცის შესყიდვები სუპერმარკეტში
დღის განმავლობაში. დიაგრამა ჯამი აჩვენებს, თუ როგორაა განაწილებული მყიდველების მიერ შეს-
რულებული ყველა შესყიდვის ჯამი.
ცხადია, რომ ძეხვის შენაძენთა ვარიაბელურობა მეტია ხორცის შეძენის ვარიაბელურობაზე. მყიდველ-
თა ნახევარი ძეხვის შეძენას ახორციელებენ ძლიერ ვიწრო დიაპაზონში (ტიპიური მყიდველი).
დიაპაზონთა დიაგრამა გაქანების დიაგრამისაგან განსხვავდება იმით, რომ დიაპაზონთა დიაგრამაზე
დიაპაზონები აგებისათვის განისაზღვრებიან არჩეული ცვლადების მნიშვნელობებით (მაგალითად,
ერთი ცვლადი შეიცავს დიაპაზონთა მინიმალურ მნიშვნელობას, ხოლო მეორე - დიაპაზონთა მაქსიმა-
ლურ რაოდენობას), მაშინ როცა გაქანების დიაგრამებისათვის დიაპაზონები ითვლებიან ცვლადის
საწყისი მნიშვნელობების მიხედვით (მაგალითად, სტანდარტული გადახრა, სტანდარტული შეცდო-
მები ან საწყისი დიაპაზონები).
როგორც წესი, გაქანების დიაგრამები ორ შემთხვევაში გამოიყენებიან: ა) ცალკეული ამონაკრებების-
თვის ან დაკვირვებათა კატეგორიებისთვის მნიშვნელობების დიაპაზონების შედარებისთვის (მაგალი-
თად, ტიპიური მინიმაქსის დიაგრამა აქციებისთვის ან საქონლისთვის ან მონაცემთა თანმიმდევრო-
ბების აგრეგირებული დიაგრამები დიაპაზონებით) და ბ) განაწილებათა ან ცალკეულ ჯგუფებში ან
ამონაკრებებში შედეგების ვარიაციათა შედარებისთვის (მაგალითად, გაქანების დიაგრამები, რომლე-
ბიც წარმოადგენენ საშუალოს წერტილის სახით მართკუთხედის შიგნით, სტანდარტული შეცდომები-
მართკუთხედის სახით, ხოლო საშუალოდან სტანდარტული გადახრები- უფრო წვრილი მართკუთხე-
დის ან მონაკვეთის სახით).
გაქანების დიაგრამები, რომლებიც აჩვენებენ მნიშვნელობათა ვარიაციას, არის ვიზუალიზაციის
შესაძლებლობა და სწრაფად შეფასდეს დამოკიდებულების ძალა დამაჯგუფებელ და დამოკიდებულ
ცვლადებს შორის. კერძოდ, იგულისხმება, რომ დამოკიდებული ცვლადი გან აწილებულია
ნორმალურად, და თუ ვიცით თუ დაკვირვებათა რომელი ნაწილი ხვდება ინტერვალში, მაგალითად,
±1 ან ±2 სტანდარტული გადახრა საშუალოდან, შეიძლება ადვილად შეფასდეს ექსპერიმენტის
შედეგები და ვაჩვენოთ, რომ დაახლოებით დაკვირვებათა 95% ექსპერიმენტალურ ჯგუფში 1
ეკუთვნის დიაპაზონს, რომელიც განსხვავდება მნიშვნელობათა დიაპაზონისაგან , სადაც ხვდება
დაახლოებით დაკვირვებათა 95% ჯგუფში 3.
<>
თითოეული ცვლადისათვის გამოიყენება და პირობით აღნიშვნებში ეთითება წერტილების თავისი
მარკერი, შევსების შაბლონი და ფერი. გაქანების დიაგრამების ეს ტიპი გამოიყენება რამდენიმე
ცვლადის (ან რამდენიმე ფუნქციის) მნიშვნელობების დიაპაზონების შედარებისათვის ერთ გრაფიკზე
მათი წარმოდგენის გზით, რომელიც იყენებს საერთო შკალებს (მაგალითად, რამდენიმე ერთდროული
ექსპერიმენტალური პროცესის, სოციალური მოვლენების, აქციებსა და საქონელზე ფასების,
მიმდინარე მახასიაბლების მრუდის ფორმების და ა. შ. შედარება).
სვეტისებური დიაგრამები
2D სვეტისმაგვარი დიაგრამები წარმოადგენენ მნიშვნელობათა თანმიმდევრობებს სვეტების სახით
(ერ თი დაკვირვება წარმოდგენილია ერთი სვეტით). თუ არჩეულია ერთზე მეტი ცვლადი, მაშინ თი-
თოეული დიაგრამა შეიძლება გამოსახული იყოს ცალკე ან ყველა დიაგრამა შეიძლება წარმოდგენილი
იყოს ერთ გრაფიკზე სვეტების ჯგუფის სახით (ერთი ჯგუფი თითოეული დაკვივებისთვის). მაგალი-
თად, მონაცემთა ამ სიმრავლისათვის აგებული იქნება შემდეგი სვეტისებური დიაგრამა.
<>
<>
უნდა ავღნიშნოთ, რომ შეცდომების სვეტების ასახვისათვის, რომლებიც ცალკეულ გაზომვებთან არი-
ან დაკავშირებულები (მაგალითად, სტანდარტულ შეცდომები, გამოთვლილნი მონაცემების მიხედ-
ვით ან ადრე დაფიქსირებული დიაპაზონის საზღვრებთან), შეიძლება გამოვიყენოთ დიაპაზონთა დი-
აგრამები ან გაქანების დიაგრამები.
<> მარტივი სვეტისებური დიაგრამები
შერჩეული ცვლადისათვის იგება მარტივი სვეტისებური დიაგრამა (თუ არჩეულია ერთზე მეტი
ცვლადი, მაშინ სიიდან თითოეული ცვლადისთვის იგება ცალკე გრაფიკი).
<>
<>
ყველა გამოსაკვლევი ცვლადის მნიშვნელობა დაიტანება ერთიან ღერძზე Y (ან X ღერძზე, თუ არჩეუ-
ლია ჰორიზონტალური ორიენტაცია), რაც აადვილებს გასაანალიზირებელი ცვლადების შედარებას.
წრფივი გრაფიკები (ცვლადებესთვის)
2D წრფივი გრაფიკები წარმოადგენენ ერთი ან მრავალი ცვლადის ორგანზომილებიან ი წრფივი გრაფი-
კები, რომელზეც ცალკეული წერტილები ხაზებით არიან შეერთებულები. წრფივი გრაფიკები იძლე-
ვიან მარტივ ხერხს მნიშვნელობათა დიდი რიცხვის თანმიმდევრობათა თვალსაჩინო წარმოდგენისა-
თვის (მაგალითად, საბაზრო ფასები აქციებზე დღეთა რაღაც რიცხვზე); ტრასირებული ტიპის XY-
გრაფიკები შეიძლება გამოყენებულ იყოს გზის (ნაცვლად თანმიმდევრობისა) გამოსახვისათვის.
<>
წრფივი გრაფიკები შეიძლება აგრეთვე აგებულ იქნან უწყვეტი ფუნქციებისთვის, ტეორიული
განაწილებისათვის და ა.შ. ქვემოთ მოყვანილია რამდენიმე ასეთი გრაფიკი.
<>
<>
თუ გვაქვს მხოლოდ რამდენიმე დაკვირვება, მაშინ უმჯობესია გამოვიყენოთ ვერტიკალური სვეტისე-
ბური დიაგრამა, თუმცა ამ წესიდან მნიშვნელოვან გამონაკლისს წარმოადგენენ განსხვავებათა გრაფი-
კები რაღაც რაოდენობის ჯგუფების საშუალოთა შორის.
<>
თუ თნმიმდევრობაში ძლიერ ბევრი დაკვირვებაა და ისინი განსხვავდებიან, მაშინ აუცილებელია გაგ-
ლუვება მონაცემთა თანმიმდევრობის ზოგადი სტრუქტურის აღმოსაჩენად. გაგლუვების უმარტივეს
ფორმას აგრეგირება წარმოადგენს, როცა ნაცვლად საწყისი მონაცემებისა გამოისახებიან n დაკვირვე-
ბიდან მიმდევრობით სიმრავლეთა საშუალოები. აგრეგირებულ წრფივ გრაფიკებზე მნიშვნელობათა
დიაპაზონები მიმდევრობით მონაკვეთებზე გამოისახებიან მონაკვეთებით.
<>
აგრეგირება ასევე შეიძლება გამოყენებულ იქნას წერტილების რაოდენობის შემცირების საშუალებად,
რაც საშუალებას გვაძლევს ერთ გრაფიკზე წარმოვაჩინოთ მეტი წერტილი, ვიდრე ნებისმიერ სხვა შემ-
თხვევაში.
<>
წრფივი გრაფიკების ეს ტიპი გამოიყენება რამდენიმე ცვლადის (ან რამდენიმე ფუნქციის) მნიშვნელო-
ბათა თანმიმდევრობების შედარებისათვის მათი ერთ გრაფიკზე გამოსახვის გზით. გრაფიკზე გამოი-
ყენება ერთი საერთო მასშტაბი (მაგალითად, რამდენიმე ერთდროული ექსპერიმენტალური პროცესის,
სოციალურ მოვლენათა, აქციებსა და საქონელზე ფასების, მიმდინარე მახასიათებლების მრუდების
ფორმების და ა. შ. შედარებისთვის).
<>
ამ აზრით ტრასირების გრაფიკები ახდენენ მიმდევრობითი პროცესის „გზის“ ვიზუალიზაციას.
<>
დაკვირვებათა პროფილების წრფივი გრაფიკები საშუალებას იძლევიან თვალსაჩინოდ წარმოვადგი-
ნოთ მნიშვნელობები დაკვირვებებისათვის (მაგალითად, მნიშვნელობები რამდენიმე კრიტერიუმი-
სათვის).
<> მარტივი წრფივი გრაფიკები (დაკვირვებათა პროფილები)
მარტივი წრფივი გრაფიკები გამოიყენებიან მნიშვნელობათა თანმიმდევრობების წარმოდგენისა და
კვლევისათვის (ჩვეულებრივ როცა მნიშვნელობათა რიგი მნიშვნელოვანია). გაითვალისწინეთ, რომ
მონაცემთა ცარიელი უჯრედი (ანუ გამოტოვებული მონაცემები) „წყვეტენ“ ხაზს.
მიმდევრობითი/დადებული გრაფიკები
ამ ჯგუფის გრაფიკების ყველა ტიპი გამოიყენება მიმდევრობითი მნიშვნელობების წარმოდგენისა-
თვის. ამიტ ისინი წრფივი გრაფიკების მსგავსებია. ფაქტიურად თუ ასაგებად არჩეულია მხოლოდ ერ-
თი ცვლადი, მაშინ მონაცემთა გამოსახვა იდენტური იქნება წრფივ გრაფიკებზე წარმოსახვის. ამავე
დროს მიმდევრობითი გრაფიკები საშუალებას იძლევიან რეალიზებულ იქნას გრაფიკული წარმოდგე-
ნის უფრო მრავალფეროვანი ხერხები (ზონური, საფეხურებრივი, სვეტისებური დიაგრამები და სხვა).
ერთადერთი მნიშვნელოვანი განსხვავება მონაცემთა განხილული ტიპის გრაფიკებზე წარმოდგენასა
და წრფივ გრაფიკებს შორის მაშინ იჩენს თავს, როცა ერთ ცვლადზე მეტის არჩევა ხდება. წრფივ
გრაფიკებზე თითოეული ცვლადი აგებული იქნება სხვებისაგან დამოუკიდებლად; ასე, მაგალითად,
თუ ორ ცვლადს ერთნაირი მნიშვნელობა აქვთ დაკვირვება 3-ისთვის, მაშინ ამ წერტილში (დაკვირვება
3) ორი ხაზი გადაიკვეთება ან გადაიფარებიან. იმავე დროს მიმდევრობითი გრაფიკები „აჯამებენ“
მიმდევრობითი ცვლადების შესაბამისი მნიშვნელობები (არჩეული სიიდან).
<>
ასე, ამ გრაფიკზე წერტილი, რომელიც პასუხობს დაკვირვება 3-ს მეორე ცვლადისთვის, იქნება შესაბა-
მისად უფრო მაღალი, ვიდრე პირველი ცვლადისთვის. ცვლადები იმ თანმიმდევრობით იკრიბებიან,
როგორც იყვნენ არჩეული.
მიმდევრობით ცვლადთა მნიშვნელობების ასეთი დადებული წარმოდგენის მეშვეობით მიმდევრო-
ბით ცვლადთა ხაზები არასდროს არ გადაიკვეთებიან, თუ 0-ზე მეტი იქნებიან.
ასეთი ინტერპრეტაცია იწვევს შეზღუდვას, რომელიც ეხება გამოსახული მონაცემთა სიმრავლიდან გა-
მოტოვებულ მნიშვნელობებს. კერძოდ - გრაფიკზე მონაცემთა თითოეული წერტილის მდებარეობა
თითოეული მიმდევრობითი ცვლადისთვის (არჩეული სიიდან) წარმოადგენს მისი მნიშვნელობების
და სიიდან შესაბამისი მნიშვნელობების (ანუ იგივე დაკვირვებისთვის მნიშვნელობებს) ყველა „წინამ-
დებარე“ ცვლადების ჯამს. გამომდინარე, თუ თუნდაც ერთი წინამდებარე მნიშვნელობა გამოტოვებუ -
ლია, ჯამის გამოთვლა არ შეიძლება გამოვითვალოთ, და გრაფიკი ამ წერტილში „გაწყდება“. ამრიგად
მონაცემთა სიმრავლეებში, რომლებიც არჩეულ იქნენ დადებული წარმოდგენისათვის, არ უნდა იყვნენ
გამოტოვებული მონაცემები (ბოლო ცვლადისათვის მონაცემთა გამოტოვებით).
გრაფიკთა ეს ტიპები გამოიყენებიან არჩეული ცვლადების მნიშვნელობების მიმდევრობების წარმოდ-
გენისთვის. ოღონდ მიმდევრობითი გრაფიკების სახე (გამოყენებული ერთზე მეტი ცვლადის არჩევის
დროს) სპეციალურადაა დამუშავებული მონაცემთა სიმრავლის დიდი კატეგორიის წარმოდგენისა-
თვის, რომლებშიც მიმდევრობითი ცვლადები წარმოადგენენ მთელის ნაწილებს („ულუფებს“).
თუ გრაფიკზე წარმოდგენილი ცვლადები, ასახავენ პროცენტებს და/ან ჯამში იძლევიან ერთ და იგივე
მნიშვნელობას (მაგალითად, 100%) თითოეული დაკვირვებისთვის, მაშინ გრაფიკის ჯამური სიმაღლე
მუდმივი იქნება ყველა დაკვირვებისთვის.
<>
<>
<> ზონური გრაფიკი
ამ ტიპის გრაფიკზე თითოეული ცვლადის მნიშვნელობათა თანმიმდევრობები წარმოდგენილი
იქნებიან მიმდევრობითი ზონებით, განლაგებულები ერთმანეთს ზემოთ.
<>
<>
<>
<>
წრიული დიაგრამები
წრიული დიაგრამა (ტერმინი პირველად გამოყენებული იყო ჰასკელის მიერ 1922 წელს) წარმოადგენს
ერთ-ერთ ყველაზე ხშირად გამოყენებულ გრაფიკებს პროპორციების წარმოსადგენად. არჩეული გრა-
ფიკის ტიპისაგან დამოკიდებულებით წრულ დიაგრამაზე გამოსახული იქნებიან ან საწყისი მნიშვნე-
ლობები, ან მნიშვნელობათა განსაკუთრებულ კატეგორიათა სიხშირეები (როგოც ისინი, რომლებიც
შეიძლება გამოვსახოთ ჰისტოგრამაზე).
<>
გრაფიკზე წარმოდგენილი მნიშვნელობების განლაგება დამოკიდებულია კატეგორიზაციის მეთოდზე
და სრულდება იგივე სქემით, როგორც ჰისტოგრამებისთვის.
<>
წრიული დიაგრამის ეს მარტივი ტიპი (ზოგჯერ მონაცემთა წრიულ დიაგრამად წოდებული) ახდენს
მონაცემების ინტერპრეტირებას უშუალო სახით: ერთი დაკვირვება ერთ სექტორს შეესაბამება.
წრიული სექტორების შაბლონები, ამ გრაფიკისთვის მითითების გარეშე გამოყენებულები, შეიძლება
დავარეგულიროთ დიალოგურ ფანჯარაში „სპეციალური გრაფიკების შაბლონები“.
<>
<>
არსებითად, ისინი წარმოადგენენ მონაცემთა ფაილის „რუქას“ (ან მათი ნაწილების) და საშუალებას
იძლევიან გამოვიკვლიოთ გამოტოვებული მონაცემების სტრუქტურა, ძლიერ მცირე მნიშვნელობების,
დიდი მნიშვნელობების და ა.შ. კატეგორიზებული ფორმატი საშუალებას იძლევა შევადაროთ ასეთი
აბზაცები მონაცემთა განსაზღვრული ქვესიმრავლეებისთვის.
<>
<>
ჩვეულებრივ ეს გრაფიკები გამოიყენებიან ფუნქციონალური დამოკიდებულების კვლევისათვის (მა-
გალითად, ექსპერიმენტულ მონაცემებთან თეორიული მოდელების შესატყვისობის შემოწმებისა-
თვის).