解释点图的主要结果

标识尖峰（即，具有最多点的区间）。尖峰表示样本中最常见的值。评估样本的散布以了解数据的变异程度。

例如，在客户等待时间的此点图中，数据的尖峰出现在大约 6 分钟处。数据大约散布在 3.5 分钟到 8.5 分钟之间。

调查此点图上任何奇怪的或不需要的特征。例如，客户等待时间的点图显示的散布宽度超出预期。经调查发现，是计算机软件更新导致了客户等待时间不稳定和延迟。

样本数量可能会影响图形的外观。

例如，尽管这两个点图似乎有相当大的差异，但它们都是使用从同一个总体中随机选择的数据样本创建的。在第一个点图上，每个符号都表示一个观测值。在第二个点图上，每个符号都表示多达三个观测值。

n = 20

n = 100

当样本数量小于大约 50 时，点图效果最佳。如果样本数量为 50 或更大，则一个点可能代表多个观测值。除了点图外，还要考虑使用箱线图或直方图，以便您可以更方便地标识分布的主要特征。

当数据偏斜时，大多数数据位于图形的高或低侧。偏斜表明数据可能未呈正态分布。通常情况下，在直方图或箱线图中最易于检测偏斜。

这些点图说明的是偏斜数据。带右偏斜数据的点图显示等待时间。大部分等待时间相对较短，只有少数等待时间很长。带左偏斜数据的点图显示失效时间数据。少数几个项立即失败，更多的项会在随后失败。

右偏斜

左偏斜

如果已知数据本身未偏斜，请调查可能的原因。如果您希望分析严重偏斜的数据，请阅读该分析的“数据注意事项”主题，以确保您可以使用非正常数据。

异常值是远离其他数据值的数据值，可能会显著影响您的结果。通常情况下，在箱线图上最容易识别异常值

在点图上，异常低或异常高的数据值标识可能的异常值。

尝试确定导致任何异常值的原因。更正任何数据输入错误或测量误差。考虑删除与异常的单次事件（也称为特殊原因）相关联的数据值。然后，重新执行分析。

多模态数据具有多个峰值。（峰值表示一组数据的模式。）如果数据是从多个过程中或在多个条件（如多个温度）下收集的，通常会出现多模态数据。

例如，这些点图是相同数据的图形。简单点图包含两个尖峰，但它并未清楚地指示尖峰的含义。含组的点图表明，尖峰与两个组相对应。

简单

含组

如果您具有其他可用来对观测值进行分组的信息，则可以创建一个包含此信息的组变量。然后，可以创建含组的图形，以确定组变量是否导致数据中的峰值。

查找组中心之间的差异。

例如，这些点图显示四个版本的信用卡应用程序的完成时间。每个版本的信用卡应用程序的中心位于一个不同的位置。位置差异表明完成时间存在差异。

组块式点图

堆叠式点图

查找组散布之间的差异。

例如，这些点图显示由三台机器填充的罐子的重量。尽管这些点图的中心几乎相同，但有些点图比较宽和分散。散布得越宽，这些机器对罐子的填充越不一致。

组块式点图

堆叠式点图