Sürekli değişkenleri karşılaştığınızda, bir histogram aracılığıyla verileri görüntülemek için genellikle en iyisidir . Sürekli değişkenler teorik ağırlık gibi değerler , sonsuz bir olasılığı alabilir olanlardır . Göreceli frekans histograma aksine bir yoğunluğa komploavantajıHistogram yeterince büyük bir örnek ve yeterince küçük hücreler varsa bir yoğunluk histogramı olasılığını ortaya olmasıdır . Bu süreç < çok iş almaz ve Veri Kağıt
Kalem veya kurşun kalem
set
Sen
Daha Talimatları show
ihtiyacınız olacak size data.Things hakkında daha fazla söyleyebilirim br > 1 < p> örnekverileri alın ve bir göreli frekans histogram onu çizmek . Veri yerel bir hastanede doğan 100 bebeklerindoğum ağırlığı ilgilidir düşünün . Y ekseni bağıl frekansını ölçecek yaparken histogramınınx – ekseni , ağırlık için ayrılacaktır . Xy kesiştiğinde de 0 ile başlayan , birbirinden eşit hücrelerinizi ayarlamak için dağıtılan karma işaretleri bir dizi oluşturmak . Her ardışık hücre 2 ons bir artış tayin edecektir ; dolayısıyla her sterlin içinde 8 hücre olacak . Her hücrenin ağırlığı etiketleyin. Y ekseni üzerinde , eşit 0,25 aralıklarla dağıtılan dört karma işaretleri oluşturmak ve 0kesiştiğinde olduğunu ve 1en yüksek karma işareti olduğunu , böylece onları etiketlemek .
2 < p >veri çizilir . Kimin doğum ağırlıkları £ 6 ve 2 ons , örneğin ,barüsty ekseni üzerinde 0,3 bağıl frekansı ile aynı hizada olmalıdır £ 6 arasındaki ağırlıkları içerenhücreye giren 30 bebek varsa .

3

rescaling tarafından göreli bir frekans yoğunluk histogram için histogramı dönüştürün . Bunu yapmak için , bağıl frekans yoğunluğudenklemi kullanın : .
< P > Göreli frekans yoğunluk = nispi frekansı /hücre eni

Bu nedenle ,örnekte RFD = nispi frekansı /8. Şimdihücreler gerektiği aynı genişlikte olacak, ancak histogramınınilk tekrarında sekiz kat daha uzun. Çubuk yükseklikleritoplamıbirinci tekrarda birine eşit iken , şimdibarlaralanı göreli frekans yoğunluğu Histogramda birine eşittir .