散点图(相关图):示例指南

散点图是其中之一质量的七个基本工具很多专业人士都在努力。很多专业人士都在努力。

其他图表使用直线或条形图显示数据;散点图使用点。这可能会令人困惑，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。

我们画一个有两个变量的散点图。第一个变量是独立的，第二个变量依赖于第一个变量。

散点图是研究这些变量之间相关性的最简单的方法。在确定它们之间的关系之后，就可以根据自变量来预测因变量的行为。

当一个变量是可测量的，而另一个是不可测量的时，散点图是有用的。

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表”。散点图可以显示一个轴上的过程、环境或活动的任何元素与另一个轴上的质量缺陷之间的关系。”

散点图示例

你在分析高速公路上的事故模式。你选择两个变量，电机速度和事故数量，并绘制图表。

一旦它完成，你会注意到随着车速的增加，事故的数量也在增加。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。

不需要有控制参数来绘制散点图。也可以有两个独立变量。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胖的有两个参数:因果关系。

请注意，这两个图表是不同的。鱼骨图向您展示了一个原因的结果，但没有显示关系。散点图可以帮助你分析这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的关系。

散点图的类型

您可以用许多方法对散点图进行分类;我将根据相关性和趋势斜率讨论两种最流行的方法。这些是项目管理中最常见的。

根据相关性，可以将散点图分为以下几类:

• 无相关性散点图
• 相关性适中的散点图
• 强相关散点图

无相关性散点图

这个图也被称为“零关联度散点图”。

在这里，数据点的分布是如此随机，以至于你无法通过它们画一条线。

因此，你可以说这些变量没有相关性。

相关性适中的散点图

这个图也被称为“低关联度散点图”。

这里，数据点更接近一些你可以看到，这些变量之间存在某种关系。

强相关散点图

这个图也被称为“高度相关的散点图”。

在这个图中，数据点彼此很接近，您可以按照它们的模式画一条线。

在这种情况下，你说这些变量是紧密相关的。

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:

• 强正相关散点图
• 弱正相关散点图
• 强负相关散点图
• 弱负相关散点图
• 相关性最弱(或没有)的散点图

强正相关表示从左到右有明显上升趋势;强负相关表示从左到右有明显的下降趋势。弱相关性意味着趋势不太明显。一条从左到右的平线是最弱的相关性，因为它既不积极也不消极。没有相关性的散点图表明自变量不影响因变量。

强正相关散点图

这个图也被称为正倾斜散点图。

在正斜度中，相关性是正的，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是上升的。图案像一条直线。

例如，如果天气变热，冷饮的销量就会上升。

弱正相关散点图

当X的值增加时，Y的值也增加，但模式不像一条直线。

强负相关散点图

这个图也被称为负倾斜散点图。

在负斜中，相关性是负的，即随着X值的增加，Y值会减少。沿着数据点画的直线的斜率是下降的。

例如，如果气温上升，冬衣的销量就会下降。

弱负相关散点图

随着X值的增加，Y值会减少，但规律不清楚。

无相关性散点图

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，也可能是一排直线平坦的点。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

• 散点图不能给你确切的关联程度。
• 散点图没有显示变量之间关系的定量测量。它只显示了量变的量值表达。
• 这个图表并没有显示两个以上变量之间的关系。

散点图的好处

• 它显示了两个变量之间的关系。
• 这是向您展示非线性模式的最佳方法。
• 可以确定数据流的范围，如最大值和最小值。
• 模式很容易观察。
• 绘制图表很简单。

总结

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，或者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，第二个变量依赖于第一个变量。要分析这种关系的模式，您需要改变自变量并监控因变量的变化。散点图可以有两个独立变量。

从PMP考试的观点来看，散点图是一个重要的概念。请理解。

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。