Unicode
Discrete Data – ကိန်းပြည့် အတိအကျဖြင့် ဖော်ပြနိုင်သော data ဖြစ်သည်။ ဥပမာ -
(က) အထက (၄) ရှိ ကျောင်းသား/ကျောင်းသူများ၏ အရေအတွက် (X = 1257 students)
(ခ) မလွှကုန်း ရထားဘူတာမှ ဖြတ်လျက် န့နက် ၉ နာရီမှ ၁၀ နာရီကြား ပြေးဆွဲခဲ့သော ရထားအရေအတွက် (X= 6 trains)
Continuous Data – Interval တစ်ခုအတွင်းတွင် ရှိနိုင်သော တန်ဖိုးတစ်ခုဖြစ်သည်။ တနည်းအားဖြင့် ဒသမတန်ဖိုးများကြားဖြစ်နိုင်သော Numerical Data များဖြစ်သည်။ Length, weight, time, speed တို့ကဲ့သို့သော Physical measurementများ၊ sales, assets, earning ratios, inventory turns ကဲ့သို့သော financial ratio များဖြစ်သည်။ ဥပမာ -
(a) လမ်းတစ်လမ်း၏ အရှည် (X – 23.5 miles)
(b) An interval (500 < X < 615)
Data Coding - Statistical analysis ပြုလုပ်ရာတွင် အဆင်ပြေ ချောမွေ့စေရန် အတွက် ကိန်းဂဏန်းများကို အသုံးပြုလျက် Attribute data များကို အမျိုးအစားခွဲခြားခြင်းဖြစ်သည်။ ဥပမာ - မြန်မာနိုင်ငံ အတွင်း ပြည်နယ် ခုနစ်ခု ကို အောက်ပါအတိုင်း Numerical code များပြုလုပ်နိုင်သည်။
ဥပမာ - 1= Kachin State, 2= Kayah State, 3= Kayin State, 4= Chin State, 5= Mon State, 6= Rakhine State, 7= Shan State
Attribute data ကို rank များအဖြစ် ဖော်ပြကာ code ပြုလုပ်နိုင်သည်။ ဥပမာ - 1= Bachelor, 2=Master, 3=Doctorate
Binary Data - တန်ဖိုးနှစ်မျိုးတည်းသာရှိသော ကိန်းရှင်ဖြစ်သည်။ ဥပမာ -
စာမေးပွဲအောင်ခြင်း
1 = pass, 0 = fail
အိမ်ထောင်ရှိ/မရှိ
1 = married, 0 = not married
Code များကို မိမိကြိုက်သလိုပြုလုပ်နိုင်ပါသည်။ ဥပမာ - Gender ကဲ့သို့သော variable တစ်ခုကို အောက်ပါအတိုင်းပြုလုပ်နိုင်သည်။
(a) 1 = female, 0 = male or
(b) 1 = male, 0 = female or
(c) 1 = female, 2 = male.
ဤတွင် code များသည် အရေအတွက်ကို ဆိုလိုခြင်းမဟုတ်ပါ။
Zawgyi
Discrete Data – ကိန္းျပည့္ အတိအက်ျဖင့္ ေဖာ္ျပႏိုင္ေသာ data ျဖစ္သည္။ ဥပမာ -
(က) အထက (၄) ရွိ ေက်ာင္းသား/ေက်ာင္းသူမ်ား၏ အေရအတြက္ (X = 1257 students)
(ခ) မလႊကုန္း ရထားဘူတာမွ ျဖတ္လ်က္ န့နက္ ၉ နာရီမွ ၁၀ နာရီၾကား ေျပးဆြဲခဲ့ေသာ ရထားအေရအတြက္ (X= 6 trains)
Continuous Data – Interval တစ္ခုအတြင္းတြင္ ရွိႏိုင္ေသာ တန္ဖိုးတစ္ခုျဖစ္သည္။ တနည္းအားျဖင့္ ဒသမတန္ဖိုးမ်ားၾကားျဖစ္ႏိုင္ေသာ Numerical Data မ်ားျဖစ္သည္။ Length, weight, time, speed တို႕ကဲ့သို႔ေသာ Physical measurementမ်ား၊ sales, assets, earning ratios, inventory turns ကဲ့သို႕ေသာ financial ratio မ်ားျဖစ္သည္။ ဥပမာ -
(a) လမ္းတစ္လမ္း၏ အရွည္ (X – 23.5 miles)
(b) An interval (500 < X < 615)
Data Coding - Statistical analysis ျပဳလုပ္ရာတြင္ အဆင္ေျပ ေခ်ာေမြ႕ေစရန္ အတြက္ ကိန္းဂဏန္းမ်ားကို အသံုးျပဳလ်က္ Attribute data မ်ားကို အမ်ိဳးအစားခြဲျခားျခင္းျဖစ္သည္။ ဥပမာ - ျမန္မာႏိုင္ငံ အတြင္း ျပည္နယ္ ခုနစ္ခု ကို ေအာက္ပါအတိုင္း Numerical code မ်ားျပဳလုပ္ႏိုင္သည္။
ဥပမာ - 1= Kachin State, 2= Kayah State, 3= Kayin State, 4= Chin State, 5= Mon State, 6= Rakhine State, 7= Shan State
Attribute data ကို rank မ်ားအျဖစ္ ေဖာ္ျပကာ code ျပဳလုပ္ႏိုင္သည္။ ဥပမာ - 1= Bachelor, 2=Master, 3=Doctorate
Binary Data - တန္ဖိုးႏွစ္မ်ိဳးတည္းသာရွိေသာ ကိန္းရွင္ျဖစ္သည္။ ဥပမာ -
စာေမးပြဲေအာင္ျခင္း
1 = pass, 0 = fail
အိမ္ေထာင္ရွိ/မရွိ
1 = married, 0 = not married
Code မ်ားကို မိမိၾကိဳက္သလိုျပဳလုပ္ႏိုင္ပါသည္။ ဥပမာ - Gender ကဲ့သို႕ေသာ variable တစ္ခုကို ေအာက္ပါအတိုင္းျပဳလုပ္ႏိုင္သည္။
(a) 1 = female, 0 = male or
(b) 1 = male, 0 = female or
(c) 1 = female, 2 = male.
ဤတြင္ code မ်ားသည္ အေရအတြက္ကို ဆိုလိုျခင္းမဟုတ္ပါ။
၈။ Data Types ဒေတာအမျိုးအစားများ
စာရင်းအင်းပညာအရ အဓိက data အမျိုးအစား နှစ်မျိုးရှိပါသည်။ ၎င်းတို့မှာ - ကိန်းဂဏန်းပါသော data (Numerical data) နှင့် ကိန်းဂဏန်းမပါသော data (Attribute data) တို့ဖြစ်ကြပါသည်။ တနည်းအားဖြင့် quantitative data နှင့် qualitative data တို့ဖြစ်ကြသည်။၁။ Numerical Data
Numerical Data ကို Quantitative Data ဟုလည်းခေါ်သည်။ ဤ Data မှာ တစ်စုံ တစ်ခုကို ရေတွက် တိုင်းတာခြင်းမှ ရရှိလာခြင်းဖြစ်သည်။ တနည်းအားဖြင့် Mathematical Operation ပြုလုပ်ခြင်းမှ ရရှိလာခြင်းဖြစ်သည်။ ဥပမာ - “နိုင်" ဆေးခန်းသို့ မတ်လအတွင်း လာရောက်ကုသသော လူနာအရေအတွက် (X = 675 patients)။ Length, weight, speed, time တို့ကဲ့သော physical measurement များ၊ ငွေကြေးဆိုင်ရာအချိုးများ၊ စီးပွားရေးညွှန်းကိန်းများနှင့် စာရင်းဇာယားဆိုင်ရာ data များမှာ Numerical Data များဖြစ်ကြသည်။ Numerical Data ကို နှစ်မျိုးခွဲခြားနိုင်သည်။ ၎င်းတို့မှာ Discrete Data နှင့် Numerical Data တို့ဖြစ်ကြသည်။Discrete Data – ကိန်းပြည့် အတိအကျဖြင့် ဖော်ပြနိုင်သော data ဖြစ်သည်။ ဥပမာ -
(က) အထက (၄) ရှိ ကျောင်းသား/ကျောင်းသူများ၏ အရေအတွက် (X = 1257 students)
(ခ) မလွှကုန်း ရထားဘူတာမှ ဖြတ်လျက် န့နက် ၉ နာရီမှ ၁၀ နာရီကြား ပြေးဆွဲခဲ့သော ရထားအရေအတွက် (X= 6 trains)
Continuous Data – Interval တစ်ခုအတွင်းတွင် ရှိနိုင်သော တန်ဖိုးတစ်ခုဖြစ်သည်။ တနည်းအားဖြင့် ဒသမတန်ဖိုးများကြားဖြစ်နိုင်သော Numerical Data များဖြစ်သည်။ Length, weight, time, speed တို့ကဲ့သို့သော Physical measurementများ၊ sales, assets, earning ratios, inventory turns ကဲ့သို့သော financial ratio များဖြစ်သည်။ ဥပမာ -
(a) လမ်းတစ်လမ်း၏ အရှည် (X – 23.5 miles)
(b) An interval (500 < X < 615)
၂။ Attribute Data
Attribute Data ကို Categorical data သို့မဟုတ် Nominal data သို့မဟုတ် Qualitative Data ဟုခေါ်သည်။ Attribute Data ကို စကားလုံးဖြင့်သာ ဖော်ပြနိုင်သည်။ ဥပမာ - ပထမ၊ ဒုတိယ၊ တတိယ။Data Coding - Statistical analysis ပြုလုပ်ရာတွင် အဆင်ပြေ ချောမွေ့စေရန် အတွက် ကိန်းဂဏန်းများကို အသုံးပြုလျက် Attribute data များကို အမျိုးအစားခွဲခြားခြင်းဖြစ်သည်။ ဥပမာ - မြန်မာနိုင်ငံ အတွင်း ပြည်နယ် ခုနစ်ခု ကို အောက်ပါအတိုင်း Numerical code များပြုလုပ်နိုင်သည်။
ဥပမာ - 1= Kachin State, 2= Kayah State, 3= Kayin State, 4= Chin State, 5= Mon State, 6= Rakhine State, 7= Shan State
Attribute data ကို rank များအဖြစ် ဖော်ပြကာ code ပြုလုပ်နိုင်သည်။ ဥပမာ - 1= Bachelor, 2=Master, 3=Doctorate
Binary Data - တန်ဖိုးနှစ်မျိုးတည်းသာရှိသော ကိန်းရှင်ဖြစ်သည်။ ဥပမာ -
စာမေးပွဲအောင်ခြင်း
1 = pass, 0 = fail
အိမ်ထောင်ရှိ/မရှိ
1 = married, 0 = not married
Code များကို မိမိကြိုက်သလိုပြုလုပ်နိုင်ပါသည်။ ဥပမာ - Gender ကဲ့သို့သော variable တစ်ခုကို အောက်ပါအတိုင်းပြုလုပ်နိုင်သည်။
(a) 1 = female, 0 = male or
(b) 1 = male, 0 = female or
(c) 1 = female, 2 = male.
ဤတွင် code များသည် အရေအတွက်ကို ဆိုလိုခြင်းမဟုတ်ပါ။
Zawgyi
၈။ Data Types ေဒတာအမ်ိဳးအစားမ်ား
စာရင္းအင္းပညာအရ အဓိက data အမ်ိဳးအစား ႏွစ္မ်ိဳးရွိပါသည္။ ၄င္းတို႕မွာ - ကိန္းဂဏန္းပါေသာ data (Numerical data) ႏွင့္ ကိန္းဂဏန္းမပါေသာ data (Attribute data) တို႕ျဖစ္ၾကပါသည္။ တနည္းအားျဖင့္ quantitative data ႏွင့္ qualitative data တို႕ျဖစ္ၾကသည္။၁။ Numerical Data
Numerical Data ကို Quantitative Data ဟုလည္းေခၚသည္။ ဤ Data မွာ တစ္စံု တစ္ခုကို ေရတြက္ တိုင္းတာျခင္းမွ ရရွိလာျခင္းျဖစ္သည္။ တနည္းအားျဖင့္ Mathematical Operation ျပဳလုပ္ျခင္းမွ ရရွိလာျခင္းျဖစ္သည္။ ဥပမာ - “ႏိုင္" ေဆးခန္းသို႕ မတ္လအတြင္း လာေရာက္ကုသေသာ လူနာအေရအတြက္ (X = 675 patients)။ Length, weight, speed, time တို႕ကဲ့ေသာ physical measurement မ်ား၊ ေငြေၾကးဆိုင္ရာအခ်ိဳးမ်ား၊ စီးပြားေရးညႊန္းကိန္းမ်ားႏွင့္ စာရင္းဇာယားဆိုင္ရာ data မ်ားမွာ Numerical Data မ်ားျဖစ္ၾကသည္။ Numerical Data ကို ႏွစ္မ်ိဳးခြဲျခားႏိုင္သည္။ ၄င္းတို႕မွာ Discrete Data ႏွင့္ Numerical Data တို႕ျဖစ္ၾကသည္။Discrete Data – ကိန္းျပည့္ အတိအက်ျဖင့္ ေဖာ္ျပႏိုင္ေသာ data ျဖစ္သည္။ ဥပမာ -
(က) အထက (၄) ရွိ ေက်ာင္းသား/ေက်ာင္းသူမ်ား၏ အေရအတြက္ (X = 1257 students)
(ခ) မလႊကုန္း ရထားဘူတာမွ ျဖတ္လ်က္ န့နက္ ၉ နာရီမွ ၁၀ နာရီၾကား ေျပးဆြဲခဲ့ေသာ ရထားအေရအတြက္ (X= 6 trains)
Continuous Data – Interval တစ္ခုအတြင္းတြင္ ရွိႏိုင္ေသာ တန္ဖိုးတစ္ခုျဖစ္သည္။ တနည္းအားျဖင့္ ဒသမတန္ဖိုးမ်ားၾကားျဖစ္ႏိုင္ေသာ Numerical Data မ်ားျဖစ္သည္။ Length, weight, time, speed တို႕ကဲ့သို႔ေသာ Physical measurementမ်ား၊ sales, assets, earning ratios, inventory turns ကဲ့သို႕ေသာ financial ratio မ်ားျဖစ္သည္။ ဥပမာ -
(a) လမ္းတစ္လမ္း၏ အရွည္ (X – 23.5 miles)
(b) An interval (500 < X < 615)
၂။ Attribute Data
Attribute Data ကို Categorical data သို႕မဟုတ္ Nominal data သို႕မဟုတ္ Qualitative Data ဟုေခၚသည္။ Attribute Data ကို စကားလံုးျဖင့္သာ ေဖာ္ျပႏိုင္သည္။ ဥပမာ - ပထမ၊ ဒုတိယ၊ တတိယ။Data Coding - Statistical analysis ျပဳလုပ္ရာတြင္ အဆင္ေျပ ေခ်ာေမြ႕ေစရန္ အတြက္ ကိန္းဂဏန္းမ်ားကို အသံုးျပဳလ်က္ Attribute data မ်ားကို အမ်ိဳးအစားခြဲျခားျခင္းျဖစ္သည္။ ဥပမာ - ျမန္မာႏိုင္ငံ အတြင္း ျပည္နယ္ ခုနစ္ခု ကို ေအာက္ပါအတိုင္း Numerical code မ်ားျပဳလုပ္ႏိုင္သည္။
ဥပမာ - 1= Kachin State, 2= Kayah State, 3= Kayin State, 4= Chin State, 5= Mon State, 6= Rakhine State, 7= Shan State
Attribute data ကို rank မ်ားအျဖစ္ ေဖာ္ျပကာ code ျပဳလုပ္ႏိုင္သည္။ ဥပမာ - 1= Bachelor, 2=Master, 3=Doctorate
Binary Data - တန္ဖိုးႏွစ္မ်ိဳးတည္းသာရွိေသာ ကိန္းရွင္ျဖစ္သည္။ ဥပမာ -
စာေမးပြဲေအာင္ျခင္း
1 = pass, 0 = fail
အိမ္ေထာင္ရွိ/မရွိ
1 = married, 0 = not married
Code မ်ားကို မိမိၾကိဳက္သလိုျပဳလုပ္ႏိုင္ပါသည္။ ဥပမာ - Gender ကဲ့သို႕ေသာ variable တစ္ခုကို ေအာက္ပါအတိုင္းျပဳလုပ္ႏိုင္သည္။
(a) 1 = female, 0 = male or
(b) 1 = male, 0 = female or
(c) 1 = female, 2 = male.
ဤတြင္ code မ်ားသည္ အေရအတြက္ကို ဆိုလိုျခင္းမဟုတ္ပါ။
Comments
Post a Comment