Week 3 - Data Visualization

Data Visualization

Data visualization involves representing data in a graphical or visual format, making it easier to understand and interpret complex data sets. Key types of data visualizations include histograms, pie charts, bar graphs, scatter plots, and time series graphs.

1. Histograms

  • Purpose: To display the frequency distribution of a continuous data set.
  • Structure: Consists of bars where each bar represents a range of values (bin or interval). The height of the bar shows the frequency of data points within that range.
  • Use Cases: Ideal for understanding the distribution of data points, like showing the distribution of exam scores in a class.

2. Pie Charts

  • Purpose: To illustrate the proportional makeup of a dataset in different categories.
  • Structure: A circular chart divided into sectors or slices, each representing a proportion of the whole.
  • Use Cases: Useful for showing the market share of companies, the distribution of sales in different regions, or any categorical data.

3. Bar Graphs

  • Purpose: To compare different groups or track changes over time.
  • Structure: Uses rectangular bars, where the length of the bar is proportional to the value it represents. Can be displayed horizontally or vertically.
  • Use Cases: Comparing sales figures across different years, showing population growth in different cities, etc.

4. Scatter Plots

  • Purpose: To identify the type of relationship, if any, between two quantitative variables.
  • Structure: Points plotted on a two-dimensional graph. Each point represents the values of two variables.
  • Use Cases: Examining the relationship between variables like height and weight, or studying the correlation between advertising spend and sales revenue.

5. Time Series Graphs

  • Purpose: To display data points at successive intervals of time.
  • Structure: A line or curve on a graph where the x-axis represents time and the y-axis represents the variable being measured.
  • Use Cases: Tracking stock market trends, analyzing weather changes over time, monitoring traffic volume throughout the day.
***

Veri Görselleştirme

Veri görselleştirme, verileri grafiksel veya görsel bir formatda sunarak karmaşık veri setlerini anlamayı ve yorumlamayı kolaylaştırır. Ana veri görselleştirme türleri arasında histogramlar, pasta grafikleri, çubuk grafikler, saçılım grafikleri ve zaman serisi grafikleri bulunur.

  1. Histogramlar

  • Amaç: Sürekli bir veri setinin frekans dağılımını göstermek.
  • Yapısı: Her çubuk bir değer aralığını (kutu veya aralık) temsil eder. Çubuğun yüksekliği, o aralıktaki veri noktalarının frekansını gösterir.
  • Kullanım Alanları: Bir sınıftaki sınav puanlarının dağılımını göstermek gibi, veri noktalarının dağılımını anlamak için idealdir.

  • 2. Pasta Grafikleri
    • Amaç: Bir veri setinin farklı kategorilerdeki oransal bileşimini görselleştirmek.
    • Yapısı: Sektörler veya dilimler halinde bölünmüş dairesel bir grafik. Her bir dilim, bütünün bir oranını temsil eder.
    • Kullanım Alanları: Şirketlerin pazar payını, farklı bölgelerdeki satış dağılımını veya herhangi bir kategorik veriyi göstermek için kullanışlıdır.

    3. Çubuk Grafikler

    • Amaç: Farklı grupları karşılaştırmak veya zaman içinde değişiklikleri izlemek.
    • Yapısı: Değerini temsil eden çubuğun uzunluğu ile orantılı dikdörtgen çubuklar kullanır. Yatay veya dikey olarak gösterilebilir.
    • Kullanım Alanları: Farklı yıllardaki satış rakamlarını karşılaştırmak, farklı şehirlerdeki nüfus artışını göstermek gibi.

    4. Saçılım Grafikleri

    • Amaç: İki niceliksel değişken arasındaki ilişki türünü, varsa, belirlemek.
    • Yapısı: İki boyutlu bir grafik üzerinde noktaların yerleştirilmesi. Her nokta, iki değişkenin değerlerini temsil eder.
    • Kullanım Alanları: Boy ve kilo gibi değişkenler arasındaki ilişkiyi incelemek veya reklam harcamaları ve satış gelirleri arasındaki korelasyonu çalışmak.

    5. Zaman Serisi Grafikleri

    • Amaç: Zamanın ardışık aralıklarında veri noktalarını göstermek.
    • Yapısı: X ekseninin zamanı ve y ekseninin ölçülen değişkeni temsil ettiği bir grafikte bir çizgi veya eğri.
    • Kullanım Alanları: Borsa eğilimlerini takip etmek, zaman içinde hava değişikliklerini analiz etmek, gün boyunca trafik hacmini izlemek.

Yorumlar

Yorum Gönder

Bu blogdaki popüler yayınlar

Week 6: Discrete Probability Distributions - Binomial and Poisson distributions

Binomial Distribution Definition and Usage: The Binomial Distribution is a fundamental discrete probability distribution, typically used when considering a sequence of independent trials, each with two possible outcomes - commonly termed as success and failure. It's particularly useful in scenarios like coin flipping, quality control in manufacturing, or any process where the outcome is binary and probabilities remain constant. Parameters: n n : Total number of trials. p p : Probability of success on a single trial. q q or 1 − p 1 − p : Probability of failure on a single trial. Probability Mass Function: The probability of getting exactly k k successes in n n trials (where k k can be any number from 0 to n n ) is given by: P ( X = k ) = ( n k ) p k q n − k P ( X = k ) = ( k n ​ ) p k q n − k This formula combines the binomial coefficient (which counts the number of ways to choose k k successes out of n n trials) with the probabilities of these successes and failures. Examp...
Devamı

Week 5: Probability Theory

I. Events, Independence, and Conditional Probability A. Events Definition: In probability theory, an event is a specific outcome or a set of outcomes of a random experiment. Notation: A A and B B typically represent events. P ( A ) P ( A ) denotes the probability of event A A . Types of Events: Simple Event: An event with a single outcome. Compound Event: An event with more than one outcome. B. Independence Definition: Two events, A A and B B , are independent if the occurrence of one does not affect the occurrence of the other. Mathematically: P ( A ∩ B ) = P ( A ) ⋅ P ( B ) P ( A ∩ B ) = P ( A ) ⋅ P ( B ) for independent events. Dependent Events: Events A A and B B are dependent if the occurrence of one affects the occurrence of the other. C. Conditional Probability Definition: The probability of event A A occurring given that event B B has occurred is denoted as P ( A ∣ B ) P ( A ∣ B ) . Formula: P ( A ∣ B ) = P ( A ∩ B ) P ( B ) P ( A ∣ B ) = P ( B ) P ( A ∩ B ) ​ ...
Devamı

Week 2 - Data Collection and Sampling Methods

Data Collection and Sampling Methods Surveys are a primary method of data collection in research. They involve questioning a selected group of individuals to gain information and insights. Surveys can be conducted via various modes like online questionnaires, telephone interviews, or face-to-face interactions. Experiments are a more controlled method of data collection. They involve manipulating one variable to determine if changes in one variable cause changes in another variable. This method is widely used in scientific and psychological studies. Observations involve collecting data by watching subjects in their natural environment without interfering. This method is often used in social sciences, anthropology, and ethnography. Sampling Methods Simple Random Sampling is a basic sampling method where each member of the population has an equal chance of being selected. This method is used when the researcher wants a truly representative sample of the entire population. Stratified S...
Devamı