散点图是质量的七个基本工具许多专业人士挣扎着。许多专业人士挣扎着。
其他图表使用线条或条形图来显示数据;散点图使用点。这可能令人困惑,但通常更容易理解。
在这篇博文中,我将解释散点图。
散点图
散点图也称为散点图、散点图或相关图。
我们用两个变量绘制一个散点图。第一变量是独立的,第二变量取决于第一变量。
散点图是研究这些变量之间相关性的最简单的方法。确定它们之间的关系后,您可以根据自变量预测因变量的行为。
当一个变量可测量时,散点图很有用,而另一个变量不是。
根据PMBOK指南,散点图是“显示bob手机客户端两个变量之间关系的图形。散点图可以在一个轴上的过程,环境或活动的任何元素之间显示关系,以及另一个轴上的质量缺陷。“
散点图示例
你在分析高速公路上的事故模式。选择两个变量,电机转速和事故数量,并画出图表。
一旦完成,你会注意到随着车速的增加,事故的数量也会增加。这显示了两者之间的相关性。
在大多数情况下,自变量沿水平方向(x轴)绘制,因变量沿垂直方向(y轴)绘制。自变量是控制参数,因为它影响因变量的行为。
绘制散点图并不需要控制参数。也可以有两个独立的变量。在这种情况下,您可以为任何变量使用任何轴。
我知道很多专业人士认为散点图就像鱼骨图因为肥胖的人有两个参数:因果。
请注意,这两个图表是不同的。鱼骨图显示了一个原因的影响,但没有显示关系。散点图可以帮助您分析两个变量之间的相关性。
然而,鱼骨图或石川图可以帮助你绘制散点图;例如,您可以找到两个变量(原因和结果),然后使用散点图来分析它们之间的关系。
散点图的类型
你可以用很多方法对散点图进行分类;我将讨论两个最流行的基于相关性和斜率的趋势。这些是项目管理中最常见的。
根据相关性,可以将散点图划分为以下类别:
- 没有相关性的散点图
- 具有适度相关性的散点图
- 具有强相关性的散点图
没有相关性的散点图
这个图也被称为“零相关度散点图”。
在这里,数据点的分布是如此随机,以至于你无法在它们之间画一条线。
因此,你可以说这些变量没有相关性。
具有适度相关性的散点图
这个图也被称为“低相关度散点图”。
这里,数据点更近一些,你可以看到这些变量之间存在某种关系。
具有强相关性的散点图
这个图也被称为“高度相关的散点图”。
在此图中,数据点彼此靠近,您可以按照其模式绘制一条线。
在这种情况下,你说这些变量是密切相关的。
如前所述,您可以根据数据点的斜率或趋势对散点图进行分类:
- 具有强正相关的散点图
- 散点图,弱正相关性
- 散点图具有强负相关性
- 散点图,负相关弱
- 散点图,最弱(或否)相关性
强正相关表示从左到右有明显的上升趋势;强负相关意味着从左到右有明显的下降趋势。弱相关性意味着趋势不那么清晰。一条从左到右的平线是最弱的相关性,因为它既不是正的也不是负的。没有相关性的散点图表明自变量不影响因变量。
具有强正相关的散点图
该图也称为具有正倾斜的散点图。
正倾斜时,相关性为正,即随着X值的增加,Y值也会增加。你可以说,沿着数据点画的直线的斜率会上升。图案类似一条直线。
例如,如果天气变热,冷饮的销量就会上升。
散点图,弱正相关性
当X的值增加时,Y的值也增加,但是图案并不像一条直线。
散点图具有强负相关性
这个图也被称为负倾斜的散点图。
在负倾斜的情况下,相关性为负的,即随着X值的增大,Y值会减小。沿着数据点画的直线的斜率会下降。
例如,如果气温上升,冬季大衣的销量就会下降。
散点图,负相关弱
随着X的增大,Y的值会减小,但是规律并不明确。
没有相关性的散点图
这两个变量之间没有任何关系。它可能只是一系列没有明显趋势的点,也可能是一排直线的点。在这两种情况下,自变量对第二个变量没有影响;它不是依赖的。
散点图的局限性
- 散点图不能为您提供相关的相关程度。
- 散点图不会显示变量之间关系的定量测量。它只显示了定量变化的定量表达。
- 这个图表没有显示两个以上变量的关系。
散点图的好处
- 它显示了两个变量之间的关系。
- 它是向您展示非线性模式的最佳方法。
- 可以确定数据流程,如最大值和最小值。
- 模式很容易观察。
- 绘制图表很简单。
概括
散点图在确定两个变量之间的关系时很有用。这种关系可以是两个原因之间的关系,或者是一个原因和一个结果之间的关系。它可以是正的,负的,或者根本没有相关性。第一个变量是独立的,第二个变量取决于第一个变量。要分析关系的模式,您需要改变自变量,并监视因变量的变化。散点图可以有两个独立的变量。
散点图是PMP考试观点的重要概念。请理解它。
您在项目中使用散点图吗?如果是,请在评论区分享你的经验。
例如,我们的教授要求用散点图来看关系,总开发成本和年产量,但数据将绘制的只是一个从每个,所以我们如何能看到关系。我希望你能帮助我们。
谢谢法赫德
不用谢,阿里。
散点图可以有两个独立变量(如上所述)——这是怎么可能的?它应该有一个自变量和一个因变量知道吗?
在某些情况下,散点图可以有两个独立的变量。
这对我帮助很大
我是一名地理专业的学生,这些例子以及这些限制和好处帮助了我很多,谢谢……
欢迎你,拉胡尔。
早上好. .请告诉我你是在哪本书里参考的。我急需为竞争激烈的考试找到答案
PMP参考书和互联网搜索。
非常有用的艺术和在一个非常esay语言中,可以理解。
感谢伊姆兰的访问。
做得很好。简明易懂,包含初学者理解散点图所需的所有内容。
谢谢斯蒂芬的评论。
谢谢你的信息;非常明确和精确。
谢谢Brian的评论和访问。
惊人的。谢谢Farhad。
不客气,哈利卢拉。
非常感谢
欢迎你,朱奈德。
容易明白
谢谢拉胡尔。
优秀的。
有点离题了……我一直在想,对于那些以钢铁制造和焊接为基础职业的人来说,担任项目经理是否有很多机会?对不起。我希望这讲得通。谢谢
谢谢你帮了我大忙
欢迎你森林。
很好,先生,太棒了....请举一个数据例子
你好,Randiv,当我更新这篇文章的时候,我会尝试添加一些带有数据的图表。
什么是相关图
它是散点图的另一个名字。
不错的文章
谢谢pramod。
问候Farhad,
对总理候选人来说,这是一个很好的话题,我还想补充几句话。
散点图是一种相关关系,它们可以是正的,也可以是负的,用回归线表示,通常用于QC发现变量时,这些变量可能不受控制,不系统,并且在另一个变量中变化。
自变量沿水平线绘制,而因变量沿垂直线绘制。
谢谢和最好的问候
https://tiemchart.com/
感谢Almesh分享您的想法。
能不能请......贴一些解决问题有关的散点图?
你好,Humna,这次我忙于其他活动,所以不能满足你的要求。我建议你参考任何好的PMP考试参考书来找到关于这篇文章的问题。
非常有用的…非常感谢
不用谢,Humna。
良好的工作
谢谢joran。
为什么2个点位于其他地方?
一个散点图由数百个图组成,其中一些图可能在其他图的顶部。你必须看到这个模式。
散点图是成对的数值数据,每个轴上有一个变量,以寻找它们之间的关系。如果变量是相关的,这些点将沿着一条直线或曲线下降。相关性越强,这些点就越靠近这条线。
谢谢你,这对我很有用。
欢迎您是Hermenegildo。
谢谢你是最棒的?
感谢Arshley的评论。
谢谢,解释得很好。
你能解释一下“决策树”吗?
再次感谢
当然,很快我会在它上写一个博客帖子。
风险评估:在这里,您可以评估当前的风险,如果它们仍然有效,或者如果过时可以关闭。
风险审计:它处理风险响应的有效性以及风险管理过程的有效性。
嗨
请您解释一下风险审计和风险评估在控制风险方面的区别。
谢谢你!
非常感谢。所以有用
别客气,迈克。
谢谢Fahad。我一直在完成所有帖子,他们确实非常乐于助人。
请继续使用博客这样的PMP志愿者。
再次感谢! !
欢迎您丽皮。
我很欣赏你上面的解释。谢谢你!
欢迎您毕业山。
我没有理解精确的差异b / w两种散点图:相关性趋势的曲线斜率,两种类型都显示相同的东西。我的混乱扔了一些亮点。
注意点的扩散。这表明他们的关系有多密切。
非常好的文章,先生
你是帕德佩的欢迎。
非常好的文章和非常清楚的解释。非常感谢你的努力。
谢谢拉吉。
Asalaam-o-alaikum !
你解释每个主题的方式是奇妙的。谢谢你。
你能解释一下资源优化技术和影响图吗?
好的。
我已经注意到了,很快你就会在这个主题上看到一个帖子。
谢谢你的好文章。
请注意,有一个错字,应该是“依赖”变量在垂直轴(y轴)上绘制。
自变量通常画在水平轴(x轴)上,自变量画在垂直轴(y轴)上
Vijay,谢谢你的评论。
错误纠正。
篇好文章。非常感谢。
您是宾馆毕业生。
谢谢..我真的很了解。谢谢你。
不客气,穆辛。
第一个变量是独立的,第二个变量在第一个变量中是相关的
正确的。
非常感谢。超级
欢迎你Sundarishanmugam。