داده های پیوسته و گسسته

داده‌های پیوسته و گسسته دو نوع داده کمی هستند که می‌توانید از آنها برای کشف بینش، تحلیل روندها و تصمیم‌گیری‌های تجاری استفاده کنید. بررسی کنید که هر نوع داده چیست، چه تفاوتی با هم دارند و چه زمانی ممکن است از هر نوع استفاده کنید.

داده‌های پیوسته و گسسته برای بسیاری از مشاغل داده‌محور، از علوم بهداشتی گرفته تا امور مالی و اقتصاد، ضروری هستند. با یادگیری نقش هر نوع داده و تمایز آنها از یکدیگر، می‌توانید در مورد زمان استفاده از هر نوع داده تصمیمات آگاهانه‌ای بگیرید، بفهمید که چگونه می‌تواند تصمیم‌گیری را هدایت کند و بررسی کنید که چگونه داده‌ها انواع مختلف حرفه‌ها را شکل می‌دهند.

برای بررسی تعریف هر نوع داده، بررسی مثال‌های روزمره و درک تفاوت‌های اساسی بین این انواع داده، به خواندن ادامه دهید.

داده چیست؟

داده نوعی اطلاعات است که می‌توانید آن را جمع‌آوری، سازماندهی، ذخیره و تجزیه و تحلیل کنید. این نوع داده عموماً به دو دسته تقسیم می‌شود: داده‌های کیفی و کمی. داده‌های کیفی شامل مقادیری هستند که نمی‌توان آنها را به صورت عددی اندازه‌گیری کرد، مانند رنگ یک پیراهن، پاسخ به سوالات مصاحبه‌های باز یا شهرهای یک کشور.

از سوی دیگر، داده‌های کمی شامل مقادیر عددی هستند که می‌توان آنها را شمرد یا اندازه‌گیری و از نظر آماری تجزیه و تحلیل کرد. در این مقاله، ما به طور خاص بر داده‌های کمی تمرکز خواهیم کرد.

داده‌های کمی چیست؟

داده‌های کمی نوعی داده با مقدار عددی است که می‌توانید با استفاده از روش‌های آماری آن را تجزیه و تحلیل کنید. وقتی داده‌های کمی جمع‌آوری می‌کنید، آمار یا اطلاعاتی را به شکل‌هایی جمع‌آوری می‌کنید که می‌توانند اندازه‌گیری یا شمارش شوند. می‌توانید این داده‌های خام را بررسی و تفسیر کنید تا بینش‌های معناداری استخراج کرده و تصمیمات تجاری را هدایت کنید. وقتی داده‌های کمی جمع‌آوری می‌کنید، می‌توانید بسته به نوع متغیر خود، اطلاعات را به چندین شکل جمع‌آوری کنید. به طور کلی، نوع متغیر شما در یکی از دو دسته قرار می‌گیرد: معیارهای گسسته یا پیوسته.

داده‌های گسسته

این نوع داده فقط می‌تواند مقادیر خاص و جداگانه‌ای را بپذیرد و معمولاً به جای اندازه‌گیری، شمارش می‌شود. هر نقطه داده گسسته از نقطه داده بعدی متمایز و جدا است و هیچ نقطه داده احتمالی بین آنها وجود ندارد.

نمونه‌هایی از داده‌های گسسته

شما می‌توانید داده‌های گسسته را در طول زندگی روزمره خود پیدا کنید. برخی از نمونه‌های داده‌های گسسته که ممکن است با آنها برخورد کرده باشید عبارتند از:

• تعداد کودکان در یک کلاس درس
• تعداد صفحات یک کتاب
• تعداد ماشین‌های موجود در یک پارکینگ
• تعداد خواهر و برادرهایی که دارید
• تعداد برش‌های یک پیتزا

در حالی که ممکن است فرض کنید داده‌های گسسته فقط باید شامل اعداد صحیح باشند، اما اینطور نیست. جزء کلیدی داده‌های گسسته، شکاف بین مقادیر مجاور بدون هیچ مقدار میانی ممکن است. به عنوان مثال، اندازه کفش می‌تواند ۸ یا ۸.۵ باشد، اما نمی‌تواند ۸.۲۵ باشد.

داده‌های پیوسته

در مقابل، داده‌های پیوسته می‌توانند هر مقداری را در یک محدوده یا بازه تعریف شده بپذیرند. شما این مقادیر را به جای شمارش آنها اندازه‌گیری می‌کنید. این نوع داده می‌تواند شامل کسرها یا اعداد اعشاری باشد که امکان ایجاد تعداد تقریباً نامتناهی از مقادیر بالقوه را در یک محدوده مشخص فراهم می‌کند. به عنوان مثال، وزن یک فرد یک مجموعه داده پیوسته است، زیرا می‌تواند ۱۵۰ پوند، ۱۵۰.۵ پوند، ۱۵۰.۵۵ پوند و غیره باشد. داده‌های پیوسته دو نوع مقدار دارند: مقادیر بازه ای و مقادیر نسبی. داده‌های بازه ای می‌توانند مقادیری زیر صفر داشته باشند (مانند خواندن دما)، در حالی که داده‌های نسبی باید مثبت باشند (مانند وزن).

نمونه‌هایی از داده‌های پیوسته

مانند داده‌های گسسته، می‌توانید نمونه‌هایی از داده‌های پیوسته را در بسیاری از جنبه‌های زندگی روزمره پیدا کنید. برخی از روش‌هایی که ممکن است داده‌های پیوسته را نمایش دهید عبارتند از:

• دمای هوا در یک روز معین
• قد افراد در یک گروه
• زمان لازم برای دویدن در یک مسابقه

این مثال‌ها می‌توانند شامل تعداد نامحدودی از مقادیر در یک محدوده مشخص باشند که به جای شمارش، به صورت اندازه‌گیری نمایش داده می‌شوند.

تفاوت‌های بین داده‌های گسسته و پیوسته

در حالی که داده‌های گسسته و پیوسته هر دو معیارهای کمی هستند، داده‌های گسسته قابل شمارش و متمایز هستند. داده‌های پیوسته می‌توانند هر مقداری را در یک محدوده تعریف شده بپذیرند و یک نوع داده قابل اندازه‌گیری هستند. این تمایز منجر به تفاوت‌های متعددی در نوع اطلاعات، تجسم و تحلیل آماری می‌شود که می‌توانید روی مقادیر داده‌ها انجام دهید.

تحلیل آماری

هنگام تحلیل مستقل متغیرها، متغیرهای پیوسته به شما این امکان را می‌دهند که به ویژگی‌های توصیفی یک مجموعه داده، مانند میانگین، میانه، مد، دامنه و انحراف معیار داده‌ها، نگاه کنید. متغیرهای گسسته مقادیر ثابتی دارند، بنابراین نگاه کردن به تعداد فراوانی، نسبت‌ها و سایر ویژگی‌های کلی برای داده‌ها مناسب‌تر از میانگین‌های کلی است. به عنوان مثال، اگر مجموعه داده‌ای دارید که مردان را با “1” و زنان را با “2” نشان می‌دهد، نگاه کردن به نسبت‌های 1ها و 2ها نسبت به میانگین همه مقادیر، گویاتر خواهد بود.

گاهی اوقات، ممکن است داده‌های گسسته و پیوسته داشته باشید و بخواهید ارتباط بین دو نوع متغیر را بررسی کنید. به عنوان مثال، می‌توانید به ارتباط بین جنسیت و قد نگاه کنید. در این موارد، برای بررسی بینش‌های آماری از داده‌ها، یک تحلیل آماری مانند آزمون t، کای دو یا رگرسیون لجستیک انجام می‌دهید.

تجسم داده‌ها

تجسم داده‌ها برای تحلیل داده‌ها ضروری است و نمایش گرافیکی داده‌ها را برای درک بهتر روندها، الگوها و داده‌های پرت ارائه می‌دهد. شما می‌توانید داده‌های گسسته را در تجسم، مانند نمودارهای میله‌ای، نمودارهای دایره‌ای یا نمودارهای موزاییکی، که در آن‌ها دسته‌های قابل شمارش منفرد به راحتی قابل تجسم هستند، نمایش دهید. از سوی دیگر، داده‌های پیوسته به بهترین شکل توسط هیستوگرام‌ها، نمودارهای خطی یا جداول فراوانی نمایش داده می‌شوند که می‌توانند به طور موثر طیف وسیعی از نقاط داده یا پیشرفت داده‌ها را در طول زمان نمایش دهند.

چه کسی از داده‌های پیوسته و گسسته استفاده می‌کند؟

بسیاری از حرفه‌های دنیای واقعی از داده‌های گسسته و پیوسته استفاده می‌کنند. به عنوان مثال، در بخش مراقبت‌های بهداشتی، داده‌های گسسته و پیوسته می‌توانند ارزشمند باشند. داده‌های گسسته، مانند تعداد بیمارانی که با یک بیماری خاص تشخیص داده شده‌اند، می‌توانند ابتکارات بهداشت عمومی را هدایت کنند. در مقابل، داده‌های پیوسته، مانند دمای بدن بیمار یا قرائت فشار خون، می‌توانند در برنامه‌های درمانی فردی کمک کنند.

در بخش تجارت، داده‌های گسسته، مانند تعداد واحدهای فروخته شده، می‌توانند به مدیریت موجودی کمک کنند و داده‌های پیوسته، مانند زمان صرف شده در یک وب‌سایت (مثلا آکادمی ویرایش ایران!)، می‌توانند استراتژی‌های بازاریابی را تقویت کنند. درک این دو نوع داده به متخصصان این امکان را می‌دهد تا تصمیمات مبتنی بر شواهد بگیرند و نتایج و کارایی را بهبود بخشند.

نمونه‌های دیگری از حرفه‌هایی که برای انجام عملیات لازم و تصمیم‌گیری به داده‌ها متکی هستند عبارتند از:

• تحلیلگر داده
• تحلیلگر تحقیقات بازار
• معمار داده
• مهندس یادگیری ماشین
• مدیر پروژه
• بازاریاب
• مراحل بعدی

مطالب مرتبط مفید

فرمت/ارائه جداول و شکلها در مقاله

مطالعات طولی

انتخاب ژورنال برای مقاله علمی