散点图

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

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”。

散射图 - 无关

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”。

scatter-diagram-with-moderate-correlation

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。

scatter-diagram-with-strong-correlation

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

散点图 - 具有强大正相关

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

散射图 - 具有弱弱相关性

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

scatter-diagram-with-strong-negative-correlation

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

scatter-diagram-with-weak-negative-correlation

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。