WHAT IS DATA?

Data management is the development, 
execution and supervision of plans, policies, 
programs and practices that control, protect, 
deliver and enhance the value of data and 
information assets.

Statistics is a branch of mathematics dealing 
with the collection, organization, presentation, 
analysis and interpretation of data. 
1. DATA GATHERING
• Direct or interview method

• Indirect or questionnaire method

• Registration method

• Observation method

• Experimental method
2. DATA ORANIZATION AND 
PRESENTATION
Data collected or obtained from 
whatever manner are called    
raw data.
Data collected can be classified 
according to the scale of 
measurement used.
4 Levels of Measurements
Nominal Scale
Ordinal Scale
Interval Scale
Ratio Scale
• Nominal scale assigns names or 
labels to observation in arbitrary 
ordering.

• Ordinal scale assigns numbers pr 
labels to observations with 
implied ordering.
• Interval scale assigns real numbers 
to observations to reflect distance 
between rank position of the 
respondents or objects in equal units.

• Ratio Scale assigns numbers to 
observations to reflect the existence 
of true absolute zero point as its 
origin.
TEXTUAL FORM
• Makes use of words, sentences and 
paragraphs in presentation.
TABULAR FORM OR 
PRESENTATIONN
• Is a systematic presentation of data in rows and 
columns. 
• It is used when related numerical facts need to be arrays.
• It should be simple.
• It should focus the reader's attention on the data rather 
than on the form.
• It should make the meanings and signification of 
information being presented clear.
 Heading ­ which shows the table 
number, title and head note.

PARTS OF  Title ­ is a brief statement of the nature, 
classification and time reference of the 
STATISTICAL  information presented and the area to 
TABLES which the statistics refer.                   

Head Note ­ is a statement enclosed in 
brackets between the title and the top 
rule of the table that provides 
 Box Head – is the portion that contains 
the column heads, which describe the 
data in each column.

Stub – is the first column on the left, 
which describes the data on the given 
PARTS OF  row.
STATISTICAL 
TABLES Footnote – is a statement inserted at the 
bottom of the table.

Source Note – is the exact citation of the 
source of data which is usually include to 
acknowledge the origin of the data.
Table 1. Relationship Between Academic 
Performance and the Identified Variables.
Variables  Correlation  Significance Remarks
Coefficient
GPA 0. 7461 0.000 HS
MI 0.4015 0.000 S
IQ 0.9891 0.000 S
Gender 0.1452 0.084 NS

NS ­ Not Significant

S ­ Significant

HS – Highly Significant
GRAPHICAL 
FORM/PRESENTATION
• Shows numerical values or 
relationships in a pictorial form. It 
makes use of graphs, symbols or 
visual aids.
Properties of a Good Chart
• Accurate – the dimensional aspects should reflect the 
highest degree of accuracy possible within the practical 
limits impose by expert draftsmam or the electronic 
computer being used.
• Simple – the basic design should be simple and straight 
forward and not loaded with irrelevant, or trivial symbols 
and ornamentation.
• Clear ­ It should be easily understood.
• Attractive – It should be designed and constructed to 
attract and hold the attention by holding a nezt, 
dignified and proffesional appearance. It should be stylish. 
LINE GRAPH
• Is used when:

(1) data cover long period of time;
(2) several series are compared;
(3) movements are to be emphasized;
(4) trends are to be established
(5) estimates are to be forcasted.
 14
Year

12

Number of Graduates
10

0
2012 2013 2014 2015 2016 2017

Year
BAR GRAPH
• Is used when numerical values of an item over a period of time 
are compared. It consists of regular bars where the height of 
bars represents quantity or frequency for each category.

14

12
Year

10

0
2012 2013 2014 2015 2016 2017
PIE GRAPH 
• Is use to show percentage or the composition by 
parts of a whole.
2012
2017

2013

2014

2016

2015
PICTOGRAPH OR PICTOGRAM
• Is used to immediately suggest the nature 
of data.
Organizing collected numerical data 
can be can be done into two­ways
1. ARRAY – is an arrangement of the numerical data/values according to order of 
magnitude either ascending or descending.

2. FREQUENCY DISTRIBUTION TABLE – is a considered version of an array. It 
categorizes the numerical data into intervals or classes. It has the following parts:
• Classes are mutually exclusive categories defining the lower limit and the upper limit 
with equal intervals.
• Class Frequency is the number of observations in each class.
• Class mark or class midpoint is used in computing the man and some measure of 
variability. 
• Cumulative frequency tells the sum of frequencies in a particular class of interest.
• Relative frequency tells the percentage of observations in a particular class of 
interest.
Steps in Constructing a Frequency Distribution 
with Equal Class Size
1. Determine the range R of the numerical data.

R = [ Highest value – Lowest value ]

2. Determine the number of classes K to which the data are to be grouped using the 
Sturges' Approximation:

K = 1+ 3.322 Log N

where N­ total number of values to the grouped.

3. Determine the class size C. 

C = R/K

4. Determine the lower limit of the first class.

5.Construct the lower limit of the first class.
 Remarks
1. Sturges' Approximation is just a guide and a flexible rule
2. The number of classes should be large enough to demonstrate the 
major characteristics of the data yet not so large as to result in losing 
the advantage of summarizing raw data . For instance ,  where the 
highest observed value fails to be included in the class constructed , 
the number of classes should not be increased just to accommodate  
the highest value increase the class size.
3. The number of classes is usually taken between 5 to 20 depending 
nature of data without using the Sturges' Approximation 
4.Class intervals are.chosen so that the class marks coincide with 
actually observed data . However , class boundaries should not 
coincide with actually observed data.   
 144 112 156 122 168 172 141 159 127 154
156 145 134 137 123 149 144 160 136 154
142 138 159 151 147 150 126 152 147 136
135 132 146 133 150 122 139 149 152 129
131 155 116 140 145 135 160 125 172 163

 
1. The range R= 172 – 112 = 60
2. K = 1 +3.222 log 50 = 6.643978 7
3. C = 60/7 = 8. 571428571 = 9
4. The lower limit is 112
5. Construct the Frequency Distribution Table.
Class Intervals  Frequency Class  Class Boundary Relative Frequency <CF >CF
Mark

112 ­ 120 2 116 111.5 ­ 120.5 4 2 50

121 ­ 129 7 125 120.5 ­ 129.5 14 9 48

130 ­ 138 10 134 129.5 ­ 138.5  20 19 41

139 ­ 147 12 143 138.5 ­ 147.5 24 31 31

148 ­ 156 11 152 147.5 ­ 156.5 22 42 19

157 ­ 165 5 161 156.5 ­ 165.5 10 47 8

166 ­ 174 3 170 165.5 – 174.5 6 50 3

Total 50
Graphical Presentation of Frequency 
Distributions with Equal Class Size
Steps in Constructing Frequency Charts 

1. Label either class limits or class along the horizontal axis.

2. Plot the frequency of each class along the vertical axis above the class the class mark of the 
corresponding class.

3. The vertical scale must always include zero.

4. The horizontal scale must include only the range of the observed data and one extra 
interval at each end.

5. The vertical axis height should be approximately ¾  the length of horizontal axis.
FREQUENCY HISTOGRAM
­ a set of the vertical bars whose areas are proportional to the frequencies 
presented.
25

20
No. of Students

15

10

0
49.5 54.5 59.5 64.5 69.5 74.5 79.5 84.5 89.5 94.5 99.5

Grades
FREQUENCY POLYGON
- is a line chart plotted along same scale as the histogram . The class 
frequency is plotted against  the class mark.

Pictureee
LESS THAN OGIVE
- the less than cumulative frequency is plotted against the upper­class 
limit.

GREATER THAN OGIVE
­ the greater than cumulative frequency is plotted against the 
lower­class limit.
3. Data Analysis and Interpretation
• Is the process of making sense of numerical data 
that has been collected, analyze, and 
presented.
• Method of describing the characteristics of 
individual objects or group individuals under 
study is known as descriptive statistics,
• Analyzing and Intercepting data is know as 
inferential statistics.
Descriptive Statistics given a single value which 
represents the set of values.

There are three methods of describing a set of 
values ;
• Measures of central tendency

• Measures of dispersion,

• Measures of skewness and kurtosis
 Inferential Statistics 
• Are techniques wherein samples can be used to 
make generalization about the population from 
which the samples were drawn.
• Inferential Statistics arise out of the fact that 
sampling naturally incurs sampling error and thus 
a sample is not expected to perfectly represent  the 
population. There are two methods f Inferential 
Statistics; Estimation of parameter(s) and the 
hypothesis testing.
 B. Measures of Central Tendency
• Are measures indicating the center of set of data 
which are arranged in order of magnitude.
There are three measures of Central 
Tendency;
• Mean

• Median

• Mode
Mean or Arithmetic mean

•  Is the most popular and well known measure of 
•

central tendency.
• It can be used with both discrete and continuous 
data.
For Ungrouped data; The mean is the most 
frequently used measure of central tendency. The 
mean is the noted by a symbol  (read as “mu”) and xx 
(read as­x bar”) for the population and sample respectively.
         ∑ Xi            x1 + x2 + x3 +.  .. + xN
   µ=  ­­­­­­­ = ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­
                   N                       N

Where:
       µ = Population Mean
 Xi = ith observed value in the population

 N = total number of observations
            ∑ xi            x2  + x2 + x3 +.  .. + xN

       xx  =  ­­­­­­­­­  =  ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­

            n                 n

Where: 
   xx  = sample mean
 xi = ith observed value in the sample

 ∑ = sum of all values
 n = total number of observations
Example 1. The items listed below represent the scores of seven 
BS Applied Statistics students during the final examination.  
Compute the mean score.
89,75,90,85,78,87 and 80

 ∑ xi               89 + 75 + 90 + 85 + 78 + 87 + 80            584
   xx   = ­­­­­­­ =      ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ = ­­­­­­ = 83.43
  n          7                   7                  
For Grouped Data the mean for grouped data s 
denoted by µg  or xG for population and sample 
respectively.

  ∑ fi xi         f1 x1 + f2 x2 + f3 x3 +…  + fk xk
     µg = ­­­­­­­­­ = ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­
            N N
Where:
     µg  = mean 
 xi   = frequency class mark of ith  class
 fi = frequency  of ith class

   ∑ = sum of all values
 N = total number of observations
Example: The table below represents the scores of 64 students 
in a long quiz

 Class Interval  Frequency  Class Mark fi xi 

5­9 7 7 49
10­14 10 12 120
15­19 13 17 221
20­24 18 22 396
25­29 8 27 216
30­34 5 32 160
35­39 3 37 111
Total N= 64  ∑ fi xi  = 1273
                                     ∑ fi xi          f1 x1 + f2 x2 + f3 x3 +…  + fk xk

                  µg = ­­­­­­­­­ = ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­

                                N N

       7(7) + 10(12) + 13(7) + 18(22) + 8(27) + 5(32) + 3(37)

=  ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­

   64

=    1273

   ­­­­­­­­­­­

       64
19.89
=  19.89
 Weighted Mean
• Is denoted by µw or Xw  for population and sample 
respectively.     

          ∑ wi Xi        w1 X1 + w2 X2 + w3 X3 +… + wk Xk 
    µw = ­­­­­­­­­­­­­­­­­­­­­ =  ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­
 ∑ Wi    w1 + w2 + w3 + … + wk
Where: 
   µw  = weighted of mean
 Xi  = ith quantity
 wi = weight of ith class
 ∑ = sum of all values

Example: Consider the grade f a freshman student during the first 
semester.
  Subjects   Units Grades  wi Xi 

Purposive Comm  3 2.25 6.750

STS 3 1.75 5.250

MMW 3 2.00 6.000

Panitikan 3 2.00 6.000

PHED 1 2 1.50 3.000

Military Science 1.5 1.25 1.875

 Total ∑ Wi  = 15.5 ∑ wi Xi = 28.875

                       ∑ wi Xi        w1 X1 + w2 X2 + w3 X3 +… + wk Xk 

    µw = ­­­­­­­­­­­­­­­­­­­­­ =  ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­

                  ∑ Wi                  w1 + w2 + w3 + … + wk

                                  ∑ wi Xi       3(2.25)+3(1.75)+3(2.00)+3(2.00)+2(1.50)+1.5(1.25)

 µw = ­­­­­­­­­­­­­­­­­­­­­ =  ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­

                                     ∑ Wi              3+3+3+3+2+1.5 

                      

                               ∑ wi Xi           28.875 1.863

 µw = ­­­­­­­­­­­­­­­­­­­­­ =  ­­­­­­­­­­­­­­­­­­­­         =   

                                     ∑ Wi       15.5 

 Properties of the mean
1. The sum of the deviation of the observation from the mean is zero. The deviation of 
the ith observation from the mean is denoted by

  di = Xi ­ µ

 Given the following observed values 3,8 and 4. The mean is 5.

d1 =  X1 – 5 = 3 – 5 = ­2

d2 =  X2  – 5 = 8 – 5 = 3

d3 =  X3  – 5 = 4 – 5 = ­1

∑ di = d1 + d2 + d3 = ­2 + 3 +(­1) = 0
  
2. The sum of the squared deviations of the observations from the mean is 
•

minimum.

 ∑ =  ∑(Xi ­ µ)² = ∑(Xi ­ 5)² = (3­5) ² + (8­5) ² +(4­5) ² = 14

          = ∑(Xi – X1)² = ∑(Xi – 3)² = (3­3 ) ² + (8­3 ) ² + (4­3 ) ²  = 26

          = ∑(Xi – X2)² = ∑(Xi – 8)² = (3­8) ² + (8­8) ² + (4­8) ² = 41

          = ∑(Xi – X3)²= ∑(Xi – 4)² = (3­4) ² + (3­4) ² +(4­4) ²  = 17

           (Hence, the sum of the squared deviation of the observation from the 
mean has a minimum value).
3. The mean reflects the magnitude of every observation, since every 
observation contributes to the value of mean.
4. The mean can be easily affected by the presence 
of an extreme value, hence not  good measure of 
central tendency when an extreme value do occur.

 From the previous data: 3, 8, 4, and 50. The mean 
is 16.25

5. The mean of subgroups may be combined when 
properly weighted, the combined mean is called 
the weighted mean.
2. Median is the middle score for a set of data  
arranged in order of magnitude. Median is the 
best used when data has several extreme entries.

Symbolically, a given set of data is denoted by X1, X2, … , Xn 
a the array is denoted by X (1), X (2),  +, … X (n).  The media is.

      X( N+1)/2    if N is odd

   Md=   X( N/2)+ X ( N/2)+1    if N is even

­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­

         2
Example: Suppose MA math program has 10 graduate students 
and the height (in cm)are as follows: 170, 165, 155, 160, 150, 
149, 152, 161, 163, 175
Arrange the data in ascending or descending order of magnitude.
X(1) = 149  X(2) = 150  X(3) = 153  X(4) = 155  X(5) = 160
X(6) = 161  X(7) = 163  X(8) = 165  X(9) = 170  X(10) =175

 X (N/2) + X (N/2) + 1)      X (10/2) + X (10/2) +1)     X(5) + X(6)      160+161 160.5cm
Md= ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ = ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ = ­­­­­­­­­­­­­­­­­­­ = ­­­­­­­­­­­­­­­ =

2                   2        2 2    

For Grouped data The median from grouped data can be 
calculated using the formula 

(N/2)­Fb
MdG = Lmd + = C            ­­­­­­­­­­­
    fmd 
Example: The table below represents the scores of 64 students 
in along quiz.
Class  Frequency Class Mark Class  <CF Array
Interval Boundary 
5­9 7 7 4.5 – 9.5 7 X(1), X(2), .. X(7)  
10­14 10 12 9.5 – 14.5 17 X(8), X(9), .. X(17)   

15­19 13 17 14.5 – 19.5 30 X(18), X(19), .. X(30)  

20­24 18 22 19.5 – 24.5 48 X(31), X(32), .. X(48)  

 

25­29 8 2 24.5 – 29.5 56 X(49), X(50), .. X(56) 

30­34 5 27 29.5 – 34.5 61 X(57), X(58), .. X(64)  

 

35­39 3 32 34.5 – 39.5 64
TOTAL 64 37
The middle value is the X(32) observation and it falls under the class interval 20­24.

 Lmd = 19.5  C= 5  Fb = 30   fmd = 18 N = 64

MdG = 19.5 + 5 (64/2)­30

­­­­­­­­­­­­­­­­ =  20.05555

     18

Properties of Median

1. Median is a positional value and hence is not affected by the presence of an extreme 
value unlike the mean.
2. The sum of the absolute deviation from a point say “a” is minimum when a a = Md, that 

is  ∑ | xi – Md } is minimum.
 3.The Median is not amenable for further computation and hence medians  of 
subgroups cannot be combined in the same manner as the mean. 
4. The median of grouped data can be calculated even with open­ended 
intervals provided the median is not open­ended.

3. Mode is the most frequent score in the data set. It is sometimes considered as the 
most popular option.

for Ungrouped data: The Mode is value which occurs most often or the most 
frequently occurring observation. The mode is denoted by Mo.

Example 1. Consider the data set 1,2,2,2,8,1,4,10. The most frequently occurring 
observation is 2, which appeared thrice. Thus, the mode is 2, and since there is only 
one mode, then the distribution is unimodal.

for Grouped data: The mode from grouped data can be approximated using the 
formula

MOG=Lmo+c [fmo – fb / 2fmo – fa – fb]
where:
Lmo – Lower CB of the modal class
C – Class size
fb – frequency before the modal class
fa – frequency after the modal class

Note: Modal class is the class with the highest frequency
Example: The table below represents the scores of 64 students in a long 
quiz.
Class Interval Frequency Class Mark Class 
Boundary
5­9 7 7 4.5 ­ 9.5
10­14 10 12 9.5 ­ 14.5
15­19 13 17 14.5 ­ 19.5
20­24 18 22 19.5 ­ 24.5
25­29 8 27 24.5 ­ 29.5
30­34 5 32 29.5 ­ 34.5
35­39 3 37 34.5 ­ 39.5
Total 64
The modal class is the interval 20­24.

Lmo = 19.5   c = 5   fb = 13   fmo =18    fa = 8

MOG = 19.5 + 5 [18 – 3 / 2 (18) – 13 – 8 ] = 21.166666 = 21.17

Properties of Mode
1. May not be the center of the data.
2. It does not make use of all observations.
3. It’s difficult t manipulate algebraically.
4. It’s ideal for qualitative type of data.

C. Measures of Dispersion

1. Range 
is the simplest measure of dispersion. It is the difference between the highest 
and lowest score.
For Ungrouped data: The range of a set of data is the absolute difference between the highest 
and the lowest value in the set. The range is denoted by R.

R = |HV – LV |
where
R – Range
HV – Highest value
LV – Lowest value 

for Grouped data: The Range for grouped data is denoted by RG.

RG = |ULHC – LLLC |
where: 
R – Range
ULHC – Upper Limit of the Highest Class
LLLC – Lower Limit of the Lower Class
Example. The table below represents the scores of 64 students in a long quiz.

Class Interval  Frequency  Class Mark

5­9 7 7
10­14 10 12
15­19 13 17
20­24 18 22
30­34 5 32
35­39 3 3
Total 64

RG = |ULHC ­ LLLC| = |39 ­ 5|= 34

2. Mean absolute deviation, also known as variance, is the simplest method of taking into 
account the variations or the spread ability of all items into a series from the point of central 
tendency.
For Ungrouped data: Given the set of values X1, X2, X3,…,XN. 
The deviation of observation from the mean is X2 ­ µ.. The 
population variance,  ², is

² = Σ(Χі­µ.)²         (Χ1 ­ µ.)² + (Χ2 – µ.)² + (Χ3 ­ µ.)² +…+ (ΧN ­µ.)²
         ­­­­­­­­­­­­  =   ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­
N                                         N

The computational formula of the variance is

² =  ΣΧі²             Χ1² + Χ2² + Χ3² +…+ ΧN²
         ­­­­­  ­ µ²  = ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ ­ µ²
          N      N
 

 
Example The following data represent the score of 7 BS Applied Statistics in a quiz : X 1 = 4, X2 = 
7, X3 = 8, X4 = 2, X5 = 2, X6 = 9 ,X7 = 3

Compute the population variance

µ² = 4+7+8+2+2+9+3
        ­­­­­­­­­­­­­­­­­­­­­­­ = 5 
                    7                              
² =  Σ(Χі­µ.)²      (Χ1 – 5)² + (Χ2 – 5)² + (Χ3 ­ 5)² +…+ (Χ7­5)²
         ­­­­­­­­­­­  = ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­
              7                                               7
 
² = ( 4 – 5 ) ² + ( 7 – 5 ) ² + ( 8 – 5 ) ² +( 2 – 5 ) ² + (2 – 5 ) ² + (9 – 5 ) ² + ( 3 – 5 ) ²
        ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­
                                                             7
² = ­1 ² + 4 ² + 3 ² +(­3) ² + (­3) ² + 4 ² + ( ­2 ) ²
        ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ = 7.42857 ≈ 7.43
                                       7
Using the computational formula

² =  ΣΧі²             4² + 7² + 8² +2 ² +2 ² +9 ² +3 ²
         ­­­­­  ­ µ²  = ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ ­ 5 ²=7.4285714 ≈7.43
          N                                       7                                  
Note: Using the definitional or computational formula the 
population variance is the same. But the computational is faster 
and easier to apply than the definitional formula.

The sample variance is

S² =  Σ(Χі – Χ )²      (Χ1 –  X)² + (Χ2 – X)² + (Χ3 – X)² +…+ (Χn­X)²
         ­­­­­­­­­­­  = ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­
             n­1                                               n­1

The computational formula of the variance is

S² =  nΣΧі –(Χі)²
         ­­­­­­­­­­­­­­
             n(n­1)
Given a random example of size, n = 10.
X1 = 4, X2 = 7, X3=8, X4 = 2, X5=2, X6= 8, X7 = 9, X8 = 2, X9 = 5, X10=7
      _ 
      X = ΣΧі² 4 + 7 + 8 + 2 + 2 + 8 + 9 + 2 + 5                54
             ­­­­­ = ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ = ­­­­­­­ = 5.4 
               n                           10                                        10

Using the definitional formula

                  _
S² = Σ(Χі ­ X) ²       (4 ­ 4.9)² + (7 ­ 4.9)² + (8 ­ 4.9)² +... + (7 ­ 4.9)² 
       ­­­­­­­­­­­­­­­ = ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ ≈ 7.6 
             n ­ 1                                               9

Using the computational formula

ΣΧі² = Χ1² + Χ2² + Χ3² +…+ Χn² = 4² + 7² + 8² +... + 7² = 305

S² = nΣΧі² ­ (ΣΧі)²          10(360) ­ (54)² 
       ­­­­­­­­­­­­­­­­­­­­ = ­­­­­­­­­­­­­­­­­­­­­­­­­ = 7.6 
               n (n­1)                  10(10­1)
For Grouped data: The variance from the grouped data can be obtained using the formula

  G² = ΣfіΧі²                  f1Χ1² + f2Χ2² + f3Χ3² +…+ fkXk² 
           ­­­­­­­  ­ µG²  =  ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ ­ µG² 
             N                                         N 

S² = nΣfiΧі² ­ (ΣfiΧі)² 
       ­­­­­­­­­­­­­­­­­­­­­­­­­ 
               n (n­1)

Where
fi – the frequency of the ith class
Xi ­  the class mark of the ith class
µG – the mean from the grouped data

G² = ΣfіΧі²               29311²           1273     ²  
          ­­­­­­­­­ ­ µG² = ­­­­­­­­­­­­ ­     ­­­­­­­­­      = 62.347412 ≈ 62.35 
             N                                      64                   
                                           
S² = nΣfiΧі² ­ (ΣfiΧі)²          64(29311)­(1273)² 
       ­­­­­­­­­­­­­­­­­­­­­­­­­ = ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ = 63.3370536  ≈ 63.34   
              n(n­1)                           64(64—1)
The table below represent the scorer of 64 students in a long quiz.
Class  Frequency Class Mark  fiXi fiXi²
Interval
5­9 7 7 49 343
10­4 10 12 120 1140
15­19 13 17 221 3757
20­24 18 22 396 8712
25­29 8 27 216 5832
30­34 5 32 160 5120
35­39 3 37 111 4107
Total 64 1273 29311
G² = ΣfіΧі²               29311²           1273     ²  
          ­­­­­­­­­ ­ µG² = ­­­­­­­­­­­­ ­     ­­­­­­­­­      = 62.347412 ≈ 62.35 
             N                     64                 64                   
                                           
S² = nΣfiΧі² ­ (ΣfiΧі)²          64(29311)­(1273)² 
       ­­­­­­­­­­­­­­­­­­­­­­­­­ = ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ = 63.3370536  ≈ 63.34   
              n(n­1)                           64(64—1)
Correlation is a relationship or association between two variables.

Correlation Coefficient
The linear correlation coefficient, denoted by ρ (rho), is a measure of the strength of the linear 
relationship existing between two variables, X and Y, which is independent of their respective 
scales of measurement.
Correlation Coefficient Interpretation
­1.00 Perfect Negative Correlation
­0.76 to ­0.99 Very High Negative Correlation
­.051 to ­0.75 High Negative Correlation
­.026 to ­0.50 Moderately Small Negative Correlation
­0.01 to ­0.25 Very Small Negative Correlation
0.00 No Correlation
0.01 to 0.25 Very Small Positive Correlation
.026 to 0.50 Moderately Small Positive Correlation
.051 to 0.75 High Positive Correlation
0.76 to 0.99 Very High Negative Correlation
1.00 Perfect Positive Correlation
Student Entrance  GPA(Y) XY X² Y²
Score (X)
1 68 85 5780 4624 7225
2 56 80 4480 3136 6400
3 79 85 6715 6241 7225
4 53 79 4187 2809 6241
5 46 86 3956 2116 7396
6 80 87 6960 6400 7569
7 40 78 3120 1600 6084
8 69 83 5757 4761 6889
9 34 76 2584 1156 5776
10 26 75 1950 676 5625
11 76 88 6688 5776 7744
12 85 95 8075 7225 9025
13 52 78 4076 2704 6084
14 30 77 2310 900 5929
15 49 81 3969 2401 6561
               nΣXiYi­ ΣXi ΣYi
r=   ­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­
     √[nΣXiYi2­ (ΣXi)2][nYi2­(ΣYi)2]

r= 0.858083=0.858
     
D. Measures of Relative Position
 Measures of position identifies the rank or position occupied by a data from an array of data collected.
•  

   1.Percentiles are values that divide a set of observation into 100 equal parts. These values denoted by  P 1  , 
P2 , P3 ,…. P99, mean that P1 1% of data fall below P2 99% fall below . The position occupied by each the score 
from an array of data collected is based on the hundredth when the scores are arranged from highest to 
lowest or vice versa.

     To determine or identify the data of desired percentile, the formula  ( ) n gives the number of observation 
below percentile, then counting from 1 to  ( ) n  from the data arranged in ascending order gives the 
percentile.

    2.Deciles are values that divide a set of observations into 10 equals parts. These values denoted by D 1  , 
D2 , D3 ,…D9 indicate that 10% of the fall below  D 1,  20% fall below  D2 ,…..90% fall below  D9. The position 
occupied by each of the score from an array of data collected is based on the tenth when the scores are 
arranged from highest to lowest or vice versa.

    To determine or identify the data of the desired decile , the formula  ( ) n    gives the number of 
observation below the decile, then, counting, from 1 to ( ) n  from the date arranged is ascending order gives 
the decile.

    
•3. Quartiles are values that divide a set of observation into 4 equals parts.
 

• The 1st Quartile, Q1 also called the lower quantile is equivalent to P 25. To determine the 1st quantile, the 
formula Q1  =  gives the number of observations below the quartile; then , counting from 1 to   from the 
data arranged in ascending order gives the quantile.

• The 2nd Quartile, Q2 is the middlemost score or the median and is equivalent to the 50 th percentile. To 
determine  the 2nd quartile, the formula  Q2  =  =   gives the number of observations below the quartile; 
then, counting from 1 to   from the data arranged in ascending order gives the quartile.

• The 3rd  Quartile, Q3 also called the upper quartile is equivalent to the 75 th percentile. To determine the  
3rd quartile, the formula Q3 =    gives the number of observation below the quartile ; then , counting from 
1 to   from the data arranged in ascending order gives the quartile.

                        
   Example: The scores of ten student in a 20­point Math quiz are as follows: 
             
6, 12 , 18 , 8 , 9 , 15 , 17 , 15
     Find the values of  Q1,  Q2  ,D1 , D5 , P10 , P25 , P50 . Interpret the values.

Scores Position
6 1
8 2
9 3
9 4
10 5
12 6
15 7
15 8
17 9
18 10
n=10
   =  =  = 2.5  3. This implies that the value is located on the 3 rd position and that is 9. Thus, Q 1 = 9.This means 
•Q1  
that 25% of the students got scores equal or below 9; or 75% of the students got' scores equal or above 9.

Q2  =  =  = 5. This implies that the value is located on the 5 th position and that is 10. Thus, Q 2 = 10. This means 

that 50% of the students got scores equal or below 6; or 90% of the students got scores equal or below 10 or above 
10.

D2  =  =  = 1. This implies that the values is located on the 1 st position and that is 6. Thus, D 2  = 6. This is means 

that 10% of the students got scores equal or below 6; or 90%  of the students got scores equal or above 6.

D5  =  =  = 5. This implies that the value is located on the 5 th position and that is 10. Thus, D 5  = 10. This means 

that 50% of the students got scores equal or below 10 or above 10. 

P10 ==  = 1. This implies that the value is located on the 1 st position and that is 6. Thus, P 10 = 10. This means 

that 10% of the students git scores equal or below 6; or 90% of the students got scores equal or above 6.

P25 ==  = 2.5  3. This implies that the value is located on 3 rd the position and that is 9. Thus,  P 25 = 9.This means 

that 25% of the students got scores equal or below 9;or 75% of the students got scores equal or above 9 or above 
9.

P50 = =   = 5. This implies that the value is located on the 5 th position and that is 10. Thus,  P 50 = 10.This means 

that 50% of the students got scores equal or above or below 9.
  
•For Grouped data : The formulas for quartiles , deciles and percentiles  are derived from the 
formula of the median , I.e. 

where

    ­ Lower CB of the quartile class

         ­ Class size 

        ­ < CF before the quartile class 

    N     ­ total number of observation 

     ­ frequency of the quartile class
•   D 

where

   ­ Lower CB of the decile class 

    C    ­ Class size 

      ­ < CF before the decile class 

   N    ­ total number of observation 

   ­ frequency  of the decile class 

 
•    P 

Where 

     ­ Lower CB of the quartile class 

     C     ­ Class size

        ­ <CF before the quartile class 

    N      ­ total number of observation s

     ­ frequency of the quartile class 
 Characteristics of the normal Distribution
•1.  The normal distribution is a continuous distribution in high random 
variable X can assume value between ­
Some examples of continuous random variables’ are Weight, Length, 
Heights, Distance, Traveled, and Volume of liquid.
2. The two parameters that describe the normal distribution are mean µ and the 
variance o².
3. Normal distribution is symmetric, bell­shaped probability distribution. Since it 
is symmetric, then P(X>) = P (X<) = 0.50. The distribution with respect to the 
three measures of central tendency.
4. The total area under the normal curve and above the x­axis is one.
5. The normal curve approaches the horizontal axis asymptotically as the normal 
curve extends in either direction of the mean.
 Standard Normal Distribution
 
The values of normal random variable X for the normal distribution 
•

are usually in terms of how many standard deviations they are away 
from the mean. 
In standard normal distribution, different values of mean  and 
variance  are no longer generated completely with different curves.
The normal random variable can be transformed into a standard 
normal random variable Z using the transformation formula.

Z= 
Spearman Rank Correlation Coefficient
 
•     The spearman rank correlation coefficient is the best is the best known measure of 
relationship between two variables based on ranks ( ordinal scale). It is applicable when 
quantitative measurements of the variables are not normally distributed and could be ranked in 
two ordered series .Its formula is given by.

Where di is the difference between the ith paired, and n is the total number of paired 
measurements.
Finding Areas Under the Normal Curve
•The following are special cases to consider in finding areas under the normal curve.
 

1. Because the normal curve is symmetric, the chance that an event that x will fall below the 
mean is 0.50, and X will fall above the mean is also 0.50.

2. Approximately 99.9% of the area of the normal distribution is contained within a 3 standard 
deviations away from the mean.

P ( + )

3. Approximately 95% of the area of the normal distribution is contained with 2 standard away 
from the mean.

P ( + )

4. Approximately 68% of the area of the normal distribution is contained within one standard 
deviation away from the mean.

P ( + )
Testing for the Significance of Spearmen rank
 
•1.Ho: r = 0 or there is no significant relation between self and supervisors' evaluation 

   Ha: r  0 or there is significant relation between self and supervisors' evaluation

2. level of significance  = 0.05 and sample size n = 10

3.Test Statistics: t­test

4.Critical Region : Reject Ho if > 2.306

5. Computations : Compute the t­test statics using the formula

 = 3.3034108 = 3.303

6.Decision: Since > 2.306 , therefore reject the Ho and conclude that there is significant relation between 
supervisors' evaluation self­evaluation of the faculty members.