Grafici di trama di splatter, più comunemente nota come scatter plot grafici, servono un ruolo molto utile nell'esprimere risultati numerici da un esperimento. Queste trame forniscono una distribuzione visual di punti dati, ognuno rappresentato come un interrogativo o un punto. Mentre simili ai grafici a linee, i punti dati di un grafico a dispersione non sono connessi direttamente. Piuttosto, grafici a dispersione servono ad illustrare una tendenza generale rappresentata dai dati.
Scopo di un grafico a dispersione
Grafici a dispersione vengono utilizzati per determinare se esiste una relazione tra le variabili. Se i dati indicano che esiste una relazione tra le variabili, questo rapporto è chiamato la correlazione. Grafici a linee vengono utilizzati per visualizzare variazioni localizzate tra i singoli punti di dati, mentre i grafici a dispersione vengono utilizzati per visualizzare il rapporto generale dei dati come un gruppo. Grafici a dispersione sono noti anche come i grafici a dispersione, rette, diagrammi di dispersione e i grafici a dispersione.
Layout di un grafico a dispersione
Grafici a dispersione utilizzano coordinate cartesiane per visualizzare i valori per un set di dati, basati su due variabili. L'asse x rappresenta la variabile indipendente, o parametro di controllo. La variabile (ad es., tempo o temperatura) è sistematicamente aumentata o diminuita. L'asse y può rappresentare una variabile dipendente o una variabile indipendente. Se la variabile è dipendente, la trama illustrerà il grado di causalità. Se la variabile è indipendente, la trama illustrerà il grado di correlazione.
Correlazione o causalità
Lo scopo di un grafico a dispersione è determinare la correlazione (cioè, nesso di causalità) tra le variabili. Questa operazione viene eseguita tracciando una retta di regressione, che è anche conosciuto come una linea di tendenza o la retta di regressione. Questa linea rappresenta la soluzione matematica per il rapporto tra le variabili. La retta di regressione può rivelare tre tipi di relazioni. Se i valori di Y aumentano in funzione di X, esiste una correlazione positiva (aumento). Se i valori Y diminuiscono in funzione di X, esiste una correlazione negativa (in discesa). Se i punti dati sono casuali, non c'è alcuna correlazione tra le variabili. Le correlazioni possono anche essere espressa come curve. Queste linee di tendenza curvo sono solitamente entrambi secondo ordine delle curve (cubi) o terzo ordine curve (quadratica).
Forza della correlazione
Una costante matematica, a volte chiamata "la bontà di adattamento," riflette il grado di certezza a cui questa correlazione, o soluzione, si inserisce i dati. Con tutti i dati sperimentali, c'è sempre una certa quantità di errore inerenti il processo di raccolta. Questo livello, o margine di errore si riflette nel valore della costante. La costante, o coefficiente di regressione, è generalmente espresso come "r". Se tutti i dati perfettamente la soluzione, il coefficiente di regressione (R) sarebbe uguale a uno. Soluzioni che hanno un r-value superiore a 0,7 sono in genere considerate forti correlazioni, sebbene scienza generalmente preferisce coefficienti maggiore di 0,99 per stabilire la certezza del rapporto. R-questo valore scende, diminuisce il grado di certezza che questa correlazione teorica è sia valido e preciso nel mondo reale. Campioni di piccole dimensioni possono anche influenzare il coefficiente di regressione.