التباين والانحراف المعياري لبيانات المجموعة
الإحصاء فرع من فروع الرياضيات يُستخدم لجمع البيانات وتنظيمها وتحليلها وتفسيرها وعرضها. ومن المفاهيم المهمة في الإحصاء قياس التباين، أو مدى انتشار البيانات. ومن أهم مقاييس التباين التباين والانحراف المعياري. ستتناول هذه المقالة التباين والانحراف المعياري بالتفصيل، وتحديدًا في سياق بيانات المجموعات.
تعريف وأهمية التباين
يقيس التباين مدى تباعد البيانات عن متوسطها. ويُعدّ قياس التباين مهمًا لأنه يُقدّم رؤى إضافية لا يُمكن الحصول عليها من مقاييس النزعة المركزية وحدها، كالمتوسط. بمعرفة مقياس التباين، يُمكننا فهم مدى اتساق البيانات وتحديد القيم الشاذة أو المتطرفة المحتملة.
فهم التباين والانحراف المعياري
التباين هو مقياس لتوزيع البيانات يُظهر مدى بُعد كل نقطة بيانات عن متوسطها بوحدات مربعة. يُرمز له بالرمز σ² للمجتمع الإحصائي، و s² للعينة. صيغة حساب التباين لبيانات المجتمع الإحصائي هي:
\[ \sigma^2 = \frac{\sum (X_i – \mu)^2}{N} \]
أما بالنسبة للعينة، فالصيغة هي:
\[ s^2 = \frac{\sum (X_i – \bar{X})^2}{n-1} \]
دي مانا:
- \( X_i \) هي قيمة البيانات الفردية
- \( \mu \) هو متوسط المجتمع
- \( \bar{X} \) هو متوسط العينة
يمثل (N) حجم السكان
- \( n \) هو حجم العينة
الانحراف المعياري هو الجذر التربيعي للتباين. يُرمز له بالرمز σ للمجتمع الإحصائي، و s للعينة. يُعيد الانحراف المعياري وحدات البيانات إلى شكلها الأصلي، مما يجعله أسهل في التفسير من التباين.
\[ \sigma = \sqrt{\sigma^2} \]
\[ s = \sqrt{s^2} \]
بيانات المجموعة
البيانات المجمعة هي بيانات مصنفة إلى عدة فئات أو فترات. على سبيل المثال، تُقسم أطوال الطلاب إلى فترات تتراوح بين 150-155 سم، و155-160 سم، وهكذا. يتطلب تحليل التباين والانحراف المعياري للبيانات المجمعة منهجًا مختلفًا بعض الشيء عن تحليل البيانات الفردية.
خطوات حساب التباين والانحراف المعياري لبيانات المجموعة
فيما يلي خطوات حساب التباين والانحراف المعياري لبيانات المجموعة:
1. أنشئ جدول توزيع التكرار
– يتم تقسيم البيانات إلى عدة فئات أو فترات.
– يتم تسجيل تكرار كل فترة (عدد البيانات في كل فترة).
2. تحديد نقطة منتصف الفئة
– يتم حساب نقطة المنتصف لكل فترة على النحو التالي: \( \text{نقطة المنتصف} = \frac{\text{الحد الأدنى} + \text{الحد الأعلى}}{2} \)
3. حساب المتوسط المؤقت (\( \bar{X} \))
– يتم حساب المتوسط باستخدام الصيغة التالية: \( \bar{X} = \frac{\sum f_i x_i}{\sum f_i} \)
– حيث \( f_i \) هو التردد و \( x_i \) هي نقطة منتصف الفترة.
4. حساب الانحراف عن المتوسط ومربعه
– لكل فترة، يتم حساب الانحراف عن المتوسط على النحو التالي: \( d_i = x_i – \bar{X} \)
ثم احسب المربع: \( d_i^2 \)
5. حساب التباين والانحراف المعياري
– يتم حساب التباين باستخدام الصيغة التالية: \( s^2 = \frac{\sum f_i d_i^2}{\sum f_i – 1} \)
– الانحراف المعياري هو الجذر التربيعي للتباين: \( s = \sqrt{s^2} \)
أمثلة على الاحتيال
لنفترض أن لدينا بيانات طول الطلاب مصنفة على النحو التالي:
| الفاصل الزمني (سم) | التردد (ف) |
|—————|—————|
| 150 – 154 | 5 |
| 155 – 159 | 10 |
| 160 – 164 | 15 |
| 165 – 169 | 8 |
| 170 – 174 | 2 |
1. جدول التوزيع التكراري:
| الفاصل الزمني (سم) | التردد (f) | نقطة المنتصف (x) | \( f \cdot x \) | \( d = x – \bar{X} \) | \( d^2 \) | \( f \cdot d^2 \) |
|——————|——————|——————|——————–|——————–|——————-|
| 150 – 154 | 5 | 152 | 760 | | | |
| 155 – 159 | 10 | 157 | 1570 | | | |
| 160 – 164 | 15 | 162 | 2430 | | | |
| 165 – 169 | 8 | 167 | 1336 | | | |
| 170 – 174 | 2 | 172 | 344 | | | |
| الإجمالي | 40 | | 6440 | | | |
2. حساب المتوسط (\( \bar{X} \)):
\[ \bar{X} = \frac{6440}{40} = 161 \]
3. حساب الانحراف عن المتوسط ومربعه:
| الفاصل الزمني (سم) | التردد (f) | نقطة المنتصف (x) | \( f \cdot x \) | \( d = x – 161 \) | \( d^2 \) | \( f \cdot d^2 \) |
|——————|——————|——————|——————–|——————-|——————-|
| 150 – 154 | 5 | 152 | 760 | -9 | 81 | 405 |
| 155 – 159 | 10 | 157 | 1570 | -4 | 16 | 160 |
| 160 – 164 | 15 | 162 | 2430 | 1 | 1 | 15 |
| 165 – 169 | 8 | 167 | 1336 | 6 | 36 | 288 |
| 170 – 174 | 2 | 172 | 344 | 11 | 121 | 242 |
| الإجمالي | 40 | | 6440 | | | 1110 |
4. حساب التباين:
\[ s^2 = \frac{1110}{40 – 1} = \frac{1110}{39} \approx 28.46 \]
5. حساب الانحراف المعياري:
\[ s = \sqrt{28.46} \approx 5.33 \]
استنتاج
يُعدّ التباين والانحراف المعياري مقياسين مهمين في الإحصاء، إذ يصفان توزيع البيانات حول متوسطها. ورغم إمكانية تطبيق هذين المفهومين على البيانات الفردية، إلا أن عملية الحساب تختلف قليلاً بالنسبة للبيانات المجمعة. من المثال السابق، نلاحظ الخطوات التفصيلية لحساب التباين والانحراف المعياري للبيانات المجمعة. تُفيد هذه المعلومات في تطبيقات متنوعة، بدءًا من البحث الأكاديمي وصولًا إلى تحليل الأعمال والإنتاج.
بفضل الفهم الجيد للتباين والانحراف المعياري، نستطيع تفسير البيانات المتوفرة لدينا واتخاذ القرارات بناءً عليها بدقة أكبر. وهذا يُمكّننا من الحفاظ على نتائج ليست دقيقة فحسب، بل ذات صلة أيضاً.
