Bimodal ဖြန့်ဖြူးခြင်းဆိုသည်မှာ အဘယ်နည်း။

bimodal distribution သည် မုဒ်နှစ်ခုပါသော ဖြစ်နိုင်ခြေဖြန့်ဖြူးမှုတစ်ခုဖြစ်သည်။

ဒေတာအတွဲတစ်ခုရှိ အသုံးအများဆုံးတန်ဖိုးကို ရည်ညွှန်းရန် ဖော်ပြချက်စာရင်းဇယား တွင် “ မုဒ်” ဟူသော ဝေါဟာရကို ကျွန်ုပ်တို့ အသုံးပြုလေ့ရှိသော်လည်း ဤအခြေအနေတွင် “ မုဒ်” ဟူသော အသုံးအနှုန်းသည် ဂရပ်တစ်ခုတွင် ဒေသဆိုင်ရာ အမြင့်ဆုံးကို ရည်ညွှန်းပါသည်။

bimodal ဖြန့်ဝေမှုကို ကြည့်သောအခါ၊ ဤမုဒ်နှစ်ခုကို ကိုယ်စားပြုသည့် ထူးခြားသော “ အထွတ်အထိပ်” နှစ်ခုကို သတိပြုမိပါလိမ့်မည်။

၎င်းသည် အထွတ်အထိပ်တစ်ခုသာရှိသည့် စံမညီသော ဖြန့်ဝေမှုတစ်ခုနှင့် ကွဲပြားသည်-

မှတ်သားခြင်းဖြင့် ၎င်းတို့နှစ်ခုကြား ခြားနားချက်ကို သင်မှတ်မိနိုင်သည်-

• “bi” = နှစ်
• “ စည်းလုံးခြင်း” = တစ်ခု

ကိန်းဂဏန်းဆိုင်ရာသင်တန်းအများစုသည် မတူညီသောအကြောင်းအရာများကိုရှင်းပြရန် သာမန်ဖြန့်ဝေမှု ကဲ့သို့ unimodal ဖြန့်ဝေမှုများကို အသုံးပြုသော်လည်း၊ bimodal ဖြန့်ဝေမှုများကို လက်တွေ့တွင် မကြာခဏတွေ့ရသောကြောင့် ၎င်းတို့ကို မှတ်မိရန်နှင့် အဓိပ္ပာယ်ပြန်ဆိုရန် သိရန် အသုံးဝင်ပါသည်။

မှတ်ချက်- bimodal ဖြန့်ဖြူးမှုသည် ဘက်စုံဖြန့်ဝေမှု ၏ သီးခြားအမျိုးအစားတစ်ခုဖြစ်သည်။

bimodal ဖြန့်ဖြူးမှုဥပမာများ

ဤသည်မှာ bimodal ဖြန့်ဖြူးခြင်း၏ဥပမာအချို့ဖြစ်သည်။

ဥပမာ #1- စားသောက်ဆိုင် အမြင့်ဆုံးနာရီ

အကယ်၍ သင်သည် စားသောက်ဆိုင်တစ်ခုတွင် ဖောက်သည်များ၏ နာရီအလိုက် ဖြန့်ဖြူးမှုကို မြင်သာစေရန် ဂရပ်တစ်ခုကို ဖန်တီးခဲ့ပါက၊ ၎င်းသည် နေ့လည်စာစားချိန်အတွင်း အထွတ်အထိပ်တစ်ခုနှင့် ညစာစားချိန်အတွင်း အခြားအထွတ်အထိပ်သို့ bimodal ဖြန့်ဝေမှုနောက်ဆက်တွဲဖြစ်ကြောင်း သင်တွေ့ရှိနိုင်မည်ဖြစ်သည်။

ဥပမာ နံပါတ် 2- အပင်မျိုးစိတ်နှစ်ခု၏ ပျမ်းမျှအမြင့်

သင်သည် ကွင်းပြင်တစ်ဝိုက်တွင် လမ်းလျှောက်ပြီး မတူညီသော အပင်များ၏ အမြင့်ကို တိုင်းတာမည်ဆိုပါစို့။ အဲဒါကို သတိမထားမိဘဲ၊ တစ်မျိုးက တော်တော်ကြီးပြီး နောက်တစ်မျိုးက သေးငယ်ပါတယ်။ အကယ်၍ သင်သည် အမြင့်များ ဖြန့်ဝေခြင်းကို မြင်သာစေရန် ဂရပ်တစ်ခုကို ဖန်တီးပါက၊ ၎င်းသည် bimodal ဖြန့်ဝေမှုအတိုင်း လုပ်ဆောင်သွားလိမ့်မည်-

ဥပမာ နံပါတ် ၃- စာမေးပွဲရလဒ်

ဆရာတစ်ယောက်က သူ့အတန်းကို ကျောင်းသားတွေကို စာမေးပွဲဖြေပေးတယ်ဆိုပါစို့။ တစ်ချို့ကျောင်းသားတွေက စာမေးပွဲဖြေပြီး တချို့က မဖြေကြဘူး။ ဆရာက စာမေးပွဲရလဒ်ဂရပ်ကို ဖန်တီးသောအခါ၊ စာမသင်သော ကျောင်းသားများအတွက် အနိမ့်ဆုံးရမှတ်များနှင့် အထွတ်အထိပ်ရောက်သည့် bimodal ဖြန့်ဝေမှုနောက်ဆက်တွဲနှင့် လေ့လာမှုပြုလုပ်သော ကျောင်းသားများအတွက် မြင့်မားသောရမှတ်များအနီးတွင် အခြားအထွတ်အထိပ်တစ်ခုဖြစ်သည်။

bimodal ဖြန့်ဖြူးမှုကိုဘာတွေကဖြစ်စေသလဲ။

ယေဘုယျအားဖြင့် bimodal distributions ကိုဖြစ်စေသော အရာနှစ်ခုရှိသည်။

1. အချို့သော နောက်ခံဖြစ်စဉ်များ။

အချို့သော နောက်ခံဖြစ်စဉ်များကြောင့် Bimodal ဖြန့်ဝေမှုများသည် မကြာခဏ ဖြစ်ပေါ်တတ်သည်။

ဥပမာအားဖြင့်၊ စားသောက်ဆိုင်သို့ တစ်နာရီလျှင် တစ်နာရီလျှင် လာရောက်သော စားသုံးသူအရေအတွက်သည် စားသောက်ဆိုင်များတွင် ကွဲပြားသည့်အချိန် နှစ်ကြိမ်ဖြစ်သည့် နေ့လယ်စာနှင့် ညစာ စားသုံးလေ့ရှိသောကြောင့် လူများသည် bimodal ဖြန့်ဝေမှုနောက်ဆက်တွဲဖြစ်သည်။ ဤအခြေခံလူ့အပြုအမူသည် bimodal ဖြန့်ဖြူးခြင်း၏မူလအစဖြစ်သည်။

2. မတူညီသောအုပ်စုနှစ်စုကို အတူတကွစုဖွဲ့သည်။

၎င်းကို သဘောမပေါက်ဘဲ မတူညီသော အုပ်စုနှစ်ခုကို ရိုးရိုးရှင်းရှင်း ခွဲခြမ်းစိတ်ဖြာသောအခါတွင် Bimodal ဖြန့်ဝေမှုများလည်း ဖြစ်ပေါ်နိုင်သည်။

ဥပမာအားဖြင့်၊ သင်သည် နယ်ပယ်တစ်ခုတွင် အပင်များ၏ အမြင့်ကို တိုင်းတာပါက မတူညီသောမျိုးစိတ်နှစ်ခုသည် တူညီသောနယ်ပယ်တွင် ကြီးထွားနေကြောင်း သတိမပြုမိပါက၊ သင်ဂရပ်တစ်ခုဖန်တီးသောအခါ bimodal ဖြန့်ဝေမှုကို သင်တွေ့လိမ့်မည်။

bimodal ခွဲခြမ်းစိတ်ဖြာနည်း

ဖြန့်ဖြူးမှု၏ “ ဗဟို” သည် အဘယ်မှာရှိသည်ကို ကျွန်ုပ်တို့အား အကြံဥာဏ်ပေးသောကြောင့် ပျမ်းမျှ သို့မဟုတ် အလယ်အလတ်ကို အသုံးပြု၍ ဖြန့်ဖြူးမှုများကို မကြာခဏဖော်ပြပါသည်။

ကံမကောင်းစွာပဲ၊ ပျမ်းမျှနှင့် အလယ်အလတ်သည် bimodal ဖြန့်ဖြူးမှုအတွက် သိရန် အသုံးမဝင်ပါ။ ဥပမာ၊ အထက်ဖော်ပြပါ ဥပမာရှိ ကျောင်းသားများ၏ ပျမ်းမျှ စာမေးပွဲရမှတ်မှာ 81 ဖြစ်သည်။

သို့သော်၊ ကျောင်းသားအနည်းငယ်သည် 81 အနီးတွင်မဆို ရမှတ်အလွန်နည်းပါသည်။ ဤကိစ္စတွင်၊ ပျမ်းမျှအားဖြင့် လွဲမှားနေပါသည်။ ကျောင်းသားအများစုသည် အမှန်တကယ် ၇၄ သို့မဟုတ် ၈၈ ဝန်းကျင်တွင် ရမှတ်များ ရှိသည်။

bimodal ဖြန့်ဝေမှုများကို ခွဲခြမ်းစိတ်ဖြာပြီး အဓိပ္ပာယ်ဖွင့်ဆိုရန် ပိုမိုကောင်းမွန်သောနည်းလမ်းမှာ ဒေတာများကို ကွဲပြားသောအုပ်စုနှစ်စုအဖြစ် ခွဲခြမ်းပြီး အုပ်စုတစ်ခုစီအတွက် ဗဟိုနှင့် ဖြန့်ဖြူးမှုကို ခွဲခြမ်းစိတ်ဖြာရန်ဖြစ်သည်။

ဥပမာအားဖြင့်၊ ကျွန်ုပ်တို့သည် စာမေးပွဲရလဒ်များကို “ နိမ့်ရမှတ်များ” နှင့် “ မြင့်မားသောရမှတ်များ” အဖြစ် ပိုင်းခြားနိုင်ပြီး အုပ်စုတစ်ခုစီအတွက် ပျမ်းမျှနှင့် စံသွေဖည်မှုကို ရှာဖွေနိုင်သည်။

အကယ်၍ သင်သည် ခွဲခြမ်းစိတ်ဖြာမှု၏ ရလဒ်များကို မျှဝေပြီး သင့်ဒေတာသည် bimodal ဖြန့်ဝေမှုကို လိုက်နာပါက၊ အထက်ဖော်ပြပါ ပုံများကဲ့သို့ ဟစ်စတိုဂရမ်ကို ဖန်တီးရန် အထောက်အကူဖြစ်သဖြင့် သင့်ပရိသတ်များသည် ဖြန့်ဖြူးမှုတွင် ထူးခြားသော “ အထွတ်အထိပ်” နှစ်ခုရှိပြီး ၎င်းသည်သာ ပြုလုပ်ကြောင်း ရှင်းရှင်းလင်းလင်း သိမြင်နိုင်စေရန်၊ အထွတ်အထိပ်တစ်ခုစီကို ဒေတာအစုကြီးတစ်ခုအဖြစ်မဟုတ်ဘဲ သီးခြားစီခွဲခြမ်းစိတ်ဖြာရန် ခံစားချက်။