ઉદાહરણ પ્રશ્નો અને ચર્ચા: એકલ ડેટાનું ભિન્નતા અને માનક વિચલન
આંકડાશાસ્ત્ર એ ગણિતની એક શાખા છે જે ડેટાના સંગ્રહ, વિશ્લેષણ, અર્થઘટન, પ્રસ્તુતિ અને સંગઠન સાથે સંબંધિત છે. આંકડાશાસ્ત્રમાં બે મહત્વપૂર્ણ ખ્યાલો છે ભિન્નતા અને પ્રમાણભૂત વિચલન. આ લેખમાં અનેક ઉદાહરણ સમસ્યાઓ દ્વારા એક ડેટા સેટના ભિન્નતા અને પ્રમાણભૂત વિચલનની ગણતરી કેવી રીતે કરવી તેની વિગતવાર ચર્ચા કરવામાં આવશે.
ભિન્નતા અને માનક વિચલનને સમજવું
ભિન્નતા એ એક માપ છે જે ડેટા સેટમાં સંખ્યાઓ સરેરાશ અથવા સરેરાશથી કેટલી દૂર ફેલાયેલી છે તેનું પ્રમાણ નક્કી કરે છે. ભિન્નતા મૂળ ડેટાના ચોરસ એકમોમાં વ્યક્ત થાય છે, જે ઘણીવાર તેનું અર્થઘટન કરવું મુશ્કેલ બનાવે છે.
પ્રમાણભૂત વિચલન એ ભિન્નતાનું વર્ગમૂળ છે. તે ડેટા સામાન્ય રીતે સરેરાશથી કેટલો દૂર વિચલિત થાય છે તેનું વધુ સાહજિક માપ પૂરું પાડે છે કારણ કે તેના એકમો ડેટાના મૂળ એકમો જેવા જ છે.
સામાન્ય સૂત્ર
એકલ ડેટા માટે, વસ્તીના ભિન્નતા \( \sigma^2 \) અને પ્રમાણભૂત વિચલન \( \sigma \) માટેનું સૂત્ર નીચે મુજબ છે:
1. ભિન્નતા (σ²):
\( \સિગ્મા^2 = \ફ્રેક{1}{N} \સમ_{i=1}^{N} (x_i – \mu)^2 \)
2. માનક વિચલન (σ):
\( \સિગ્મા = \sqrt{\frac{1}{N} \sum_{i=1}^{N} (x_i – \mu)^2} \)
ક્યાં:
– \( N \) એ વસ્તીમાં ડેટાની સંખ્યા છે.
– \( x_i \) એ ith ડેટા મૂલ્ય છે.
– \( \mu \) એ ડેટાનો સરેરાશ અથવા સરેરાશ છે.
જો આપણે નમૂનાના ભિન્નતા અને પ્રમાણભૂત વિચલનની ગણતરી કરીએ, તો ઉપરોક્ત સૂત્રમાં થોડો ફેરફાર કરવામાં આવે છે:
1. નમૂના ભિન્નતા (s²):
\( s^2 = \frac{1}{n-1} \sum_{i=1}^{n} (x_i – \bar{x})^2 \)
2. નમૂના પ્રમાણભૂત વિચલન (ઓ):
\( s = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (x_i – \bar{x})^2} \)
ક્યાં:
– \( n \) એ નમૂનામાં ડેટાની સંખ્યા છે.
– \( \bar{x} \) એ નમૂનાનો સરેરાશ અથવા સરેરાશ છે.
નમૂના પ્રશ્નો અને ચર્ચા
ઉદાહરણ પ્રશ્ન ૩:
નીચેના ડેટાને ધ્યાનમાં રાખીને:
8, 10, 10, 10, 12, 14
ડેટાના ભિન્નતા અને પ્રમાણભૂત વિચલનની ગણતરી કરો!
ઉકેલ પગલાં:
1. સરેરાશ (સરેરાશ) \( \mu \) ની ગણતરી:
\[
\mu = \frac{8 + 10 + 10 + 10 + 12 + 14}{6} = \frac{64}{6} = 10.67
\]
2. ડેટા અને સરેરાશ વચ્ચેના તફાવતની ગણતરી કરો, પછી વર્ગ કરો:
\[
(૧૧ – ૮.૧૬૭)^૨ = ૭.૯૪૫
\]
\[
(૧૧ – ૮.૧૬૭)^૨ = ૭.૯૪૫
\]
\[
(૧૧ – ૮.૧૬૭)^૨ = ૭.૯૪૫
\]
\[
(૧૧ – ૮.૧૬૭)^૨ = ૭.૯૪૫
\]
\[
(૧૧ – ૮.૧૬૭)^૨ = ૭.૯૪૫
\]
\[
(૧૧ – ૮.૧૬૭)^૨ = ૭.૯૪૫
\]
3. બધા ચોરસ પરિણામો ઉમેરવા:
\[
\સમ (x_i – \mu)^2 = 7.1289 + 0.4489 + 0.4489 + 0.4489 + 1.7689 + 11.1089 = 21.3534
\]
4. વસ્તી ડેટાના ભિન્નતા (σ²) ની ગણતરી:
\[
\સિગ્મા^2 = \ફ્રેક{21.3534}{6} = 3.559
\]
નોંધ: આ ડેટા વસ્તી ડેટા તરીકે દર્શાવવામાં આવ્યો હોવાથી, આપણે તેને 6 વડે ભાગીએ છીએ.
5. પ્રમાણભૂત વિચલન (σ) ની ગણતરી:
\[
\સિગ્મા = \sqrt{3.559} \આશરે 1.886
\]
તો, ડેટાનો ભિન્નતા 3.559 છે અને પ્રમાણભૂત વિચલન 1.886 છે.
ઉદાહરણ પ્રશ્ન ૩:
નીચેના નમૂના ડેટાને ધ્યાનમાં રાખીને:
5, 6, 8, 9, 10, 11
નમૂનાના ભિન્નતા અને પ્રમાણભૂત વિચલનની ગણતરી કરો!
ઉકેલ પગલાં:
1. સરેરાશ (મધ્યમ) \( \bar{x} \) ની ગણતરી :
\[
\bar{x} = \frac{5 + 6 + 8 + 9 + 10 + 11}{6} = \frac{49}{6} = 8.167
\]
2. ડેટા અને સરેરાશ વચ્ચેના તફાવતની ગણતરી કરો, પછી વર્ગ કરો:
\[
(૧૧ – ૮.૧૬૭)^૨ = ૭.૯૪૫
\]
\[
(૧૧ – ૮.૧૬૭)^૨ = ૭.૯૪૫
\]
\[
(૧૧ – ૮.૧૬૭)^૨ = ૭.૯૪૫
\]
\[
(૧૧ – ૮.૧૬૭)^૨ = ૭.૯૪૫
\]
\[
(૧૧ – ૮.૧૬૭)^૨ = ૭.૯૪૫
\]
\[
(૧૧ – ૮.૧૬૭)^૨ = ૭.૯૪૫
\]
3. બધા ચોરસ પરિણામો ઉમેરવા:
\[
\sum (x_i – \bar{x})^2 = 10.035 + 4.694 + 0.028 + 0.694 + 3.361 + 7.945 = 26.757
\]
4. નમૂના ભિન્નતા (s²) ની ગણતરી:
\[
s^2 = \frac{26.757}{5} = 5.351
\]
નોંધ: આ નમૂના ડેટા હોવાથી, આપણે 5 (n-1) વડે ભાગીએ છીએ.
5. પ્રમાણભૂત વિચલન (ઓ) ની ગણતરી:
\[
s = \sqrt{5.351} \આશરે 2.313
\]
તેથી, નમૂના ડેટાનો ભિન્નતા 5.351 છે અને પ્રમાણભૂત વિચલન 2.313 છે.
કેસિમ્પુલન
આપેલ સમૂહમાં ડેટા કેટલો ફેલાયેલો છે તે સમજવા માટે ભિન્નતા અને પ્રમાણભૂત વિચલનની ગણતરી કરવી મહત્વપૂર્ણ છે. જ્યારે ભિન્નતા મૂળ એકમોના વર્ગોમાં વિક્ષેપનું સૈદ્ધાંતિક માપ પૂરું પાડે છે, ત્યારે પ્રમાણભૂત વિચલન ડેટાના મૂળ એકમોના સંદર્ભમાં વિક્ષેપના માપનું અર્થઘટન કરે છે, જે તેને સમજવામાં સરળ બનાવે છે. ડેટા વિશ્લેષણમાં, આ બે માપનો ઉપયોગ ઘણીવાર ડેટા પરિવર્તનશીલતાનું મૂલ્યાંકન કરવા અને આંકડાકીય નિર્ણયો લેવા માટે થાય છે.
જરૂરી પગલાં અને સૂત્રો સમજીને, આપણે રોજિંદા ડેટા સંગ્રહ અને વિશ્લેષણમાં આવતી વિવિધ પરિસ્થિતિઓ માટે સરળતાથી ભિન્નતા અને પ્રમાણભૂત વિચલનની ગણતરી કરી શકીએ છીએ. આશા છે કે, આ લેખ સિંગલ ડેટા સેટમાં ભિન્નતા અને પ્રમાણભૂત વિચલનની વિભાવનાઓની ઊંડી સમજ પ્રદાન કરશે.
