التباين والانحراف المعياري للبيانات الفردية
علم الإحصاء هو العلم الذي يدرس جمع البيانات وتحليلها وتفسيرها وعرضها وتنظيمها. ومن أهم جوانب الإحصاء كيفية قياس وفهم التباين في البيانات. ومن أهم مقاييس التباين التباين والانحراف المعياري. ستتناول هذه المقالة التباين والانحراف المعياري بالتفصيل، مع التركيز على مجموعة بيانات واحدة، وشرح التعريفات والصيغ وخطوات الحساب، وتقديم أمثلة عملية لتوضيح المفاهيم.
تعريف التباين والانحراف المعياري
فاريان
التباين هو مقياس لمدى تباعد البيانات عن المتوسط. وهو يوفر نظرة عامة على التنوع أو التباين في مجموعة البيانات. رياضياً، التباين هو متوسط مربعات انحرافات كل عنصر من عناصر البيانات عن متوسطه.
الانحراف المعياري
الانحراف المعياري، أو الانحراف المعياري، هو الجذر التربيعي للتباين. وهو يوفر معلومات حول توزيع البيانات بنفس وحدات البيانات الأصلية، مما يسهل تفسيرها في سياقات الحياة الواقعية.
الصيغ والحسابات
فاريان
لحساب التباين (σ^2) لمجموعة بيانات واحدة بحجم n، يمكننا استخدام الصيغة التالية:
\[ \sigma^2 = \frac{\sum_{i=1}^{n} (x_i – \bar{x})^2}{n} \]
ديمانا:
- \( x_i \) هي قيمة البيانات رقم i.
- \( \bar{x} \) هو المتوسط أو المعدل للبيانات.
- n هو عدد البيانات في المجموعة.
– (x_i – \bar{x})^2 هو مربع الفرق بين كل بيانات ومتوسطها.
الانحراف المعياري
الانحراف المعياري (σ) هو الجذر التربيعي للتباين، لذا فإن الصيغة هي:
\[ \sigma = \sqrt{\sigma^2} \]
خطوات الحساب
الخطوة 1: حساب متوسط البيانات (المعدل)
تتمثل الخطوة الأولى في حساب المتوسط الحسابي لمجموعة البيانات. ويتم حساب المتوسط الحسابي عن طريق جمع جميع قيم البيانات وقسمتها على عدد قيم البيانات.
\[ \bar{x} = \frac{\sum_{i=1}^{n} x_i}{n} \]
الخطوة الثانية: حساب الفرق بين كل مجموعة بيانات والمتوسط
بعد الحصول على المتوسط، تتمثل الخطوة التالية في حساب الفرق بين كل قيمة بيانات والمتوسط (الانحراف).
\[ d_i = x_i – \bar{x} \]
الخطوة 3: تربيع كل انحراف
بعد ذلك، قم بتربيع كل انحراف.
\[ d_i^2 = (x_i – \bar{x})^2 \]
الخطوة الرابعة: جمع جميع مربعات الانحرافات
اجمع كل النتائج المربعة من الخطوة السابقة.
\[ \sum d_i^2 = \sum_{i=1}^{n} (x_i – \bar{x})^2 \]
الخطوة 5: حساب التباين
اقسم مجموع مربعات الانحرافات على عدد البيانات (n) للحصول على التباين.
\[ \sigma^2 = \frac{\sum d_i^2}{n} \]
الخطوة 6: حساب الانحراف المعياري
وأخيرًا، احسب الانحراف المعياري عن طريق أخذ الجذر التربيعي للتباين.
\[ \sigma = \sqrt{\sigma^2} \]
أمثلة على الاحتيال
لتوضيح مفهوم حساب التباين والانحراف المعياري، دعونا ننظر إلى المثال التالي. لنفترض أن لدينا مجموعة البيانات التالية: 4، 8، 6، 5، 3.
الخطوة الأولى: حساب متوسط البيانات
\[ \bar{x} = \frac{4 + 8 + 6 + 5 + 3}{5} = \frac{26}{5} = 5.2 \]
الخطوة الثانية: حساب الفرق بين كل مجموعة بيانات والمتوسط
الفرق بين كل قيمة من قيم البيانات والمتوسط:
– (4 – 5.2) = -1.2
– (8 – 5.2) = 2.8
– (6 – 5.2) = 0.8
– (5 – 5.2) = -0.2
– (3 – 5.2) = -2.2
الخطوة 3: تربيع كل انحراف
مربع كل انحراف:
– (-1.2)^2 = 1.44
– 2.8^2 = 7.84
– 0.8^2 = 0.64
– (-0.2)^2 = 0.04
– (-2.2)^2 = 4.84
الخطوة الرابعة: جمع جميع مربعات الانحرافات
\[ \sum d_i^2 = 1.44 + 7.84 + 0.64 + 0.04 + 4.84 = 14.8 \]
الخطوة 5: حساب التباين
\[ \sigma^2 = \frac{14.8}{5} = 2.96 \]
الخطوة 6: حساب الانحراف المعياري
\[ \sigma = \sqrt{2.96} \approx 1.72 \]
لذا، في هذا المثال، يبلغ تباين البيانات 2.96، ويبلغ الانحراف المعياري حوالي 1.72.
ترجمة
يُقدّم التباين والانحراف المعياري معلوماتٍ مهمة حول مدى تشتت البيانات. في المثال أعلاه، يشير التباين البالغ 2.96 إلى أن متوسط مربع انحراف قيم البيانات عن المتوسط هو 2.96. ويشير الانحراف المعياري البالغ 1.72 إلى أن قيم البيانات، في المتوسط، تنحرف بمقدار 1.72 وحدة عن المتوسط.
يُعدّ الانحراف المعياري أسهل في التفسير لأنه يستخدم نفس وحدات البيانات الأصلية. على سبيل المثال، في سياق إحصاءات الدخل، إذا كان الانحراف المعياري للبيانات 500 دولار، فهذا يعني أن متوسط الدخل ينحرف بمقدار 500 دولار عن متوسط الدخل.
التطبيق في الحياة اليومية
يُمكن تطبيق فهم التباين والانحراف المعياري في مجالاتٍ مُتعددة. ففي مجال التمويل، يُستخدم الانحراف المعياري لقياس مخاطر الاستثمار. وفي مجال التعليم، يُستخدم لتقييم التباين في نتائج الاختبارات بين الطلاب. وفي مجال التصنيع، يُساعد في ضبط الجودة من خلال قياس تباين الإنتاج.
استنتاج
يُعدّ كلٌّ من التباين والانحراف المعياري أداتين إحصائيتين أساسيتين لفهم التباين في مجموعة البيانات. فمن خلال حساب التباين، يُمكننا تحديد مدى تشتت البيانات. أما الانحراف المعياري، وهو الجذر التربيعي للتباين، فيُقدّم تفسيرًا أكثر وضوحًا ويُقاس بنفس وحدات البيانات الأصلية. وبفهم هذين المقياسين والقدرة على حسابهما، يُمكننا تحليل البيانات بشكل أفضل واتخاذ قرارات أكثر استنارة.
