Ταξινομώ δεδομένα, εξάγω συμπεράσματα 📊

Φαντάσου ότι θέλεις να μάθεις ποιο είναι το αγαπημένο άθλημα των συμμαθητών σου, ή πόσο χρόνο διαβάζουν τα παιδιά της τάξης σου κάθε μέρα. Το πρώτο βήμα είναι να ρωτήσεις και να καταγράψεις τις απαντήσεις. Όμως μια απλή λίστα με αριθμούς ή λέξεις, χωρίς καμία τάξη, δεν μας λέει και πολλά πράγματα. Χρειάζεται να την επεξεργαστούμε για να βγάλουμε χρήσιμα συμπεράσματα και να πάρουμε αποφάσεις. Αυτό ακριβώς θα μάθουμε σε αυτή την ενότητα.

Από τα δεδομένα στο συμπέρασμα 🧭

Η επεξεργασία δεδομένων ακολουθεί πάντα τα ίδια βήματα:

Συλλέγουμε τα δεδομένα. Ρωτάμε, μετράμε ή καταγράφουμε ό,τι μας ενδιαφέρει.
Τακτοποιούμε τα δεδομένα σε σειρά — αύξουσα (από το μικρότερο στο μεγαλύτερο) ή φθίνουσα (από το μεγαλύτερο στο μικρότερο).
Καταμετρούμε τη συχνότητα εμφάνισης κάθε δεδομένου, δηλαδή πόσες φορές εμφανίζεται.
Παρουσιάζουμε τα δεδομένα με γράφημα, ώστε να τα «διαβάζουμε» με μια ματιά.

Μόνο αφού κάνουμε αυτά τα βήματα μπορούμε να δούμε καθαρά τι δείχνουν τα δεδομένα και να αποφασίσουμε τι πρέπει να κάνουμε.

Προσοχή!

Η απλή συλλογή δεδομένων δεν αρκεί. Αν δεν τα ταξινομήσουμε και δεν τα οργανώσουμε σε πίνακα ή γράφημα, είναι πολύ δύσκολο να βγάλουμε σωστά συμπεράσματα, ακόμα κι αν έχουμε όλες τις πληροφορίες μπροστά μας.

Ο πίνακας κατανομής συχνοτήτων 🗂️

Ο πίνακας κατανομής συχνοτήτων είναι ένας πίνακας που δείχνει πόσο συχνά εμφανίζεται κάθε τιμή στα δεδομένα μας. Έχει συνήθως τρεις στήλες: την τιμή, την καταμέτρηση και τη συχνότητα.

Για να μετράμε εύκολα χωρίς λάθη, χρησιμοποιούμε ένα σύστημα με γραμμές: για κάθε φορά που εμφανίζεται ένα δεδομένο σημειώνουμε μία γραμμή. Όταν φτάσουμε στην πέμπτη γραμμή, τη σχεδιάζουμε πλάγια πάνω από τις προηγούμενες τέσσερις, ώστε να σχηματίζεται μια «δεσμίδα» των 5. Έτσι, στο τέλος, μπορούμε να μετρήσουμε γρήγορα σε ομάδες των 5 αντί να μετράμε μία-μία τις γραμμές.

Ας δούμε ένα παράδειγμα. Μια δασκάλα κατέγραψε τους βαθμούς 20 μαθητών σε ένα διαγώνισμα:

9,\ 8,\ 8,\ 9,\ 10,\ 7,\ 8,\ 9,\ 7,\ 10,\ 10,\ 7,\ 6,\ 9,\ 10,\ 8,\ 9,\ 9,\ 8,\ 10

Βήμα 1ο – Συλλογή: Τα δεδομένα είναι ήδη γραμμένα παραπάνω.

Βήμα 2ο – Ταξινόμηση σε αύξουσα σειρά:

6,\ 7,\ 7,\ 7,\ 8,\ 8,\ 8,\ 8,\ 8,\ 9,\ 9,\ 9,\ 9,\ 9,\ 9,\ 10,\ 10,\ 10,\ 10,\ 10

Βήμα 3ο – Καταμέτρηση της συχνότητας κάθε βαθμού:

Βαθμός	Καταμέτρηση	Συχνότητα
6	Ι	1
7	ΙΙΙ	3
8	ΙΙΙΙΙ	5
9	ΙΙΙΙΙ Ι	6
10	ΙΙΙΙΙ	5

Αν προσθέσουμε όλες τις συχνότητες, πρέπει να βρούμε το συνολικό πλήθος των δεδομένων: $1+3+5+6+5=20$ , όσοι ακριβώς είναι και οι μαθητές. Ο έλεγχος αυτός —το άθροισμα των συχνοτήτων να ισούται με το πλήθος των δεδομένων— είναι ένας απλός τρόπος να βεβαιωθούμε ότι δεν ξεχάσαμε ή δεν μετρήσαμε διπλά κάποιο δεδομένο. Αν το άθροισμα δεν έβγαινε σωστό, θα έπρεπε να μετρήσουμε ξανά προσεκτικά κάθε βαθμό στην ταξινομημένη σειρά, μέχρι να βρούμε πού έγινε το λάθος.

Το ήξερες;

Το σύστημα καταμέτρησης με «δεσμίδες των 5» (τέσσερις κάθετες γραμμές και μία πλάγια από πάνω) χρησιμοποιείται σε πολλές χώρες του κόσμου εδώ και αιώνες, ακριβώς επειδή βοηθάει το μάτι μας να μετράει γρήγορα σε ομάδες αντί να μετράει μονάδα-μονάδα.

Βήμα 4ο – Παρουσίαση με γράφημα: Με τα δεδομένα του πίνακα φτιάχνουμε ένα ραβδόγραμμα, όπου κάθε ράβδος αντιστοιχεί σε έναν βαθμό και το ύψος της δείχνει τη συχνότητα. Έτσι βλέπουμε αμέσως ότι οι περισσότεροι μαθητές πήραν βαθμό 9.

Από τον πίνακα στην απόφαση 🎯

Η δουλειά μας δεν σταματάει στον πίνακα ή στο γράφημα. Το σημαντικότερο βήμα είναι να διαβάσουμε τι μας λένε τα δεδομένα και να βγάλουμε διαπιστώσεις, δηλαδή παρατηρήσεις βασισμένες στα στοιχεία που έχουμε.

Στο παράδειγμά μας, βλέπουμε ότι οι περισσότεροι μαθητές πήραν βαθμό 9 ή 10, δηλαδή η πλειοψηφία της τάξης κατάλαβε καλά το μάθημα. Μόνο λίγα παιδιά πήραν χαμηλότερο βαθμό. Η διαπίστωση αυτή οδηγεί σε μια απόφαση: δεν χρειάζεται επανάληψη σε όλη την τάξη· αρκεί να βοηθηθούν ξεχωριστά τα λίγα παιδιά που δυσκολεύτηκαν.

Αυτό δείχνει τη μεγάλη χρησιμότητα της επεξεργασίας δεδομένων: τα αριθμητικά δεδομένα, όταν οργανωθούν σωστά,

μας βοηθούν να βγάλουμε συμπεράσματα για μια κατάσταση,
μας επιτρέπουν να κάνουμε προβλέψεις για το μέλλον,
μας βοηθούν να πάρουμε αποφάσεις με βάση στοιχεία και όχι μόνο εντυπώσεις.

Για παράδειγμα, αν κάποιος οργανισμός θέλει να αποφασίσει ποιες δραστηριότητες να προσφέρει σε ένα κοινό, δεν αρκεί να «νιώθει» ότι κάτι θα αρέσει. Χρειάζεται να συλλέξει στοιχεία (π.χ. ηλικίες ή προτιμήσεις των ανθρώπων που τον ενδιαφέρουν), να τα ταξινομήσει, να δει ποιες τιμές έχουν τη μεγαλύτερη συχνότητα, και μόνο τότε να αποφασίσει με βάση αυτό που πραγματικά δείχνουν τα δεδομένα.

Πρόσεξε το λάθος!

Δεν αρκεί να πούμε «τα περισσότερα δεδομένα είναι γύρω στο τάδε νούμερο» χωρίς να έχουμε φτιάξει πρώτα σωστό πίνακα συχνοτήτων. Μια βιαστική ματιά στα ακατέργαστα δεδομένα, χωρίς ταξινόμηση και καταμέτρηση, οδηγεί συχνά σε λανθασμένα συμπεράσματα.

Τι κρατάμε 🎯

Η επεξεργασία δεδομένων γίνεται σε 4 βήματα: συλλογή → ταξινόμηση → καταμέτρηση συχνότητας → παρουσίαση με γράφημα.
Ο πίνακας κατανομής συχνοτήτων δείχνει πόσο συχνά εμφανίζεται κάθε δεδομένο στην καταγραφή μας.
Για την καταμέτρηση χρησιμοποιούμε γραμμές, ομαδοποιημένες ανά 5, ώστε να μετράμε γρήγορα και σωστά.
Το άθροισμα όλων των συχνοτήτων πρέπει να ισούται με το συνολικό πλήθος των δεδομένων — έτσι ελέγχουμε ότι δεν κάναμε λάθος.
Σκοπός της επεξεργασίας δεν είναι μόνο να «δούμε» τα δεδομένα, αλλά να βγάλουμε διαπιστώσεις, να κάνουμε προβλέψεις και να πάρουμε αποφάσεις βασισμένες σε στοιχεία.