विषमता और कुर्टोसिस को समझना
सांख्यिकी विज्ञान की एक महत्वपूर्ण शाखा है जो सामाजिक विज्ञान से लेकर प्राकृतिक विज्ञान तक विभिन्न अनुसंधान क्षेत्रों में उपयोग की जाती है। डेटा विश्लेषण में, सटीक और विश्वसनीय निष्कर्ष निकालने के लिए डेटा वितरण को समझना अत्यंत आवश्यक है। वितरण का वर्णन करने में अक्सर उपयोग की जाने वाली दो प्रमुख अवधारणाएँ हैं विषमता (skewness) और कुर्टोसिस (kurtosis)। यह लेख डेटा विश्लेषण में विषमता और कुर्टोसिस की परिभाषाओं, व्याख्याओं और महत्व पर विस्तार से चर्चा करेगा।
तिरछापन
विषमता की परिभाषा
विषमता किसी यादृच्छिक चर के प्रायिकता वितरण की विषमता का माप है। सरल शब्दों में, विषमता यह बताती है कि डेटा वितरण एक पूर्णतः सममित आकार से कितना विचलित होता है, जिसे सामान्य वितरण या गाऊसी वितरण कहा जाता है।
विषमता के प्रकार
1. धनात्मक विषमता: डेटा वितरण जो दाईं ओर फैला हुआ होता है। धनात्मक विषमता मान यह दर्शाता है कि अधिकांश डेटा बाईं ओर केंद्रित है, और इसका दायाँ सिरा लंबा है। उदाहरण के लिए, किसी जनसंख्या में व्यक्तिगत आय अक्सर धनात्मक विषमता प्रदर्शित करती है।
2. ऋणात्मक विषमता: एक डेटा वितरण जो बाईं ओर झुका हुआ होता है। इस स्थिति में, ऋणात्मक विषमता मान यह दर्शाता है कि अधिकांश डेटा दाईं ओर है, और बायां सिरा लंबा है। इसका एक सामान्य उदाहरण परीक्षा के अंक हैं, जहां अधिकांश छात्रों के अंक उच्च होते हैं।
3. सममित वितरण: यदि विषमता का मान शून्य के करीब है, तो डेटा वितरण को लगभग सममित माना जा सकता है, जैसे कि सामान्य वितरण।
विषमता की गणना कैसे करें
विषमता की गणना निम्नलिखित सूत्र का उपयोग करके की जा सकती है:
\[ \text{विषमता} = \frac{n}{(n-1)(n-2)} \sum \left(\frac{x_i – \bar{x}}{s}\right)^3 \]
कहाँ:
– \( n \) = डेटा की संख्या,
– \( x_i \) = व्यक्तिगत मान,
– \( \bar{x} \) = आंकड़ों का माध्य,
– \( s \) = मानक विचलन.
विषमता की व्याख्या
विषमता मानों की व्याख्या से डेटा की वितरण विशेषताओं को समझने में मदद मिल सकती है। सामान्य तौर पर:
– विषमता का मान शून्य के करीब होना एक सममित वितरण को दर्शाता है।
– धनात्मक विषमता एक ऐसे वितरण को इंगित करती है जो दाईं ओर झुका हुआ है।
– ऋणात्मक विषमता एक ऐसे वितरण को इंगित करती है जो बाईं ओर झुका हुआ है।
डेटा विश्लेषण में विषमता का महत्व
विषमता (स्क्यूनेस) डेटा विश्लेषण में एक महत्वपूर्ण उपकरण है क्योंकि यह डेटा के वितरण के बारे में ऐसी जानकारी प्रदान करती है जो केवल माध्य या मानक विचलन को देखकर प्राप्त नहीं की जा सकती। विषमता की उचित समझ से यह निर्धारित करने में मदद मिल सकती है कि आगे के विश्लेषण के लिए कौन से डेटा रूपांतरण आवश्यक हैं, जैसे कि उच्च धनात्मक विषमता वाले डेटा पर लघुगणक का उपयोग करना।
कुर्टोसिस (नुकीलापन)
कुर्टोसिस की परिभाषा
कर्टोसिस डेटा वितरण के शिखरों की ऊँचाई और तीक्ष्णता का माप है। इसका अर्थ यह है कि कर्टोसिस यह दर्शाता है कि माध्य के निकट के डेटा की तुलना में कितना डेटा शीर्ष बिंदुओं (टेल्स) में है। कर्टोसिस सामान्य वितरण की तुलना में डेटा के शीर्ष बिंदुओं (टेल्स) की चौड़ाई और चौड़ाई को पहचानने में सहायक होता है।
कुर्टोसिस के प्रकार
1. लेप्टोकुर्टिक: एक ऐसा वितरण जिसमें सामान्य वितरण की तुलना में शिखर ऊँचा और पूंछ अधिक चौड़ी होती है। कुर्टोसिस मान 3 से अधिक होता है। लेप्टोकुर्टिक वितरण वाले डेटा में अक्सर अधिक महत्वपूर्ण आउटलायर्स होते हैं।
2. मेसोकर्टिक: एक वितरण जिसमें सामान्य वितरण के समान शिखरता की विशेषताएँ होती हैं। कुर्टोसिस मान 3 होता है। सामान्य वितरण स्वयं मेसोकर्टिक का एक उत्कृष्ट उदाहरण है।
3. प्लैटिकर्टिक: एक ऐसा वितरण जिसमें सामान्य वितरण की तुलना में शिखर नीचा और पूंछ हल्की होती है। कुर्टोसिस का मान 3 से कम होता है। प्लैटिकर्टिक वितरण यह दर्शाता है कि डेटा मानों की सीमा में अधिक समान रूप से वितरित है।
कुर्टोसिस की गणना कैसे करें
कुर्टोसिस की गणना निम्नलिखित सूत्र का उपयोग करके की जा सकती है:
\[ \text{Kurtosis} = \frac{n(n+1)}{(n-1)(n-2)(n-3)} \sum \left( \frac{x_i – \bar{x}}{s} \right)^4 – \frac{3(n-1)^2}{(n-2)(n-3)} \]
कहाँ:
– \( n \) = डेटा की संख्या,
– \( x_i \) = व्यक्तिगत मान,
– \( \bar{x} \) = आंकड़ों का माध्य,
– \( s \) = मानक विचलन.
सामान्यतः, कुर्टोसिस को 'अतिरिक्त कुर्टोसिस' कहा जाता है। सरलता के लिए, सामान्य वितरण का कुर्टोसिस 0 सुनिश्चित करने के लिए सूत्र को अक्सर 3 से कम कर दिया जाता है।
कुर्टोसिस की व्याख्या
कुर्टोसिस मान डेटा वितरण की प्रकृति के बारे में जानकारी प्रदान करता है:
– उच्च कुर्टोसिस तेज चोटियों और भारी पूंछों को इंगित करता है।
– कम कुर्टोसिस एक सपाट वितरण और हल्की पूंछों को इंगित करता है।
डेटा विश्लेषण में कुर्टोसिस का महत्व
कर्टोसिस को समझने से असामान्य मानों की पहचान करने और आगे के विश्लेषण के लिए डेटा को व्यवस्थित करने में मदद मिलती है। उदाहरण के लिए, उच्च कर्टोसिस वाले डेटा में अत्यधिक असामान्य मानों को प्रबंधित करने के लिए सांख्यिकीय रूप से मजबूत तकनीकों की आवश्यकता हो सकती है।
व्यावहारिक अनुप्रयोगों
1. वित्तीय: वित्तीय बाजारों में, निवेशक परिसंपत्ति जोखिम और प्रदर्शन को मापने के लिए विषमता और कुर्टोसिस का उपयोग करते हैं। उच्च नकारात्मक विषमता वाला पोर्टफोलियो संभावित अत्यधिक नुकसान के जोखिम का संकेत दे सकता है।
2. जन स्वास्थ्य: महामारी विज्ञान संबंधी अध्ययनों में, डेटा वितरण अक्सर गैर-सामान्य होता है। विषमता और कुर्टोसिस डेटा को रूपांतरित करने में मदद करते हैं ताकि इसका उपयोग प्रतिगमन मॉडल या अन्य विश्लेषणों में किया जा सके।
3. गुणवत्ता नियंत्रण: विनिर्माण उद्योग अक्सर उत्पाद की गुणवत्ता को नियंत्रित करने के लिए विषमता और कुर्टोसिस का उपयोग करते हैं। उत्पादन डेटा में उच्च विषमता उत्पादन प्रक्रिया में समस्याओं का संकेत दे सकती है।
निष्कर्ष
डेटा वितरण के विश्लेषण में विषमता (स्क्यूनेस) और कुर्टोसिस दो महत्वपूर्ण वर्णनात्मक सांख्यिकी हैं। विषमता वितरण की विषमता को दर्शाती है, जबकि कुर्टोसिस वितरण के शीर्षों की तीक्ष्णता और सघनता को उजागर करती है। इन दोनों अवधारणाओं को समझने से शोधकर्ताओं और डेटा विश्लेषकों को डेटा की अधिक सटीक व्याख्या करने और विभिन्न अनुप्रयोग संदर्भों में बेहतर निर्णय लेने के लिए अतिरिक्त उपकरण मिलते हैं।
