Տարածման չափը

Տարածման չափանիշներ. տվյալների փոփոխականության ըմբռնումը

Վիճակագրության և տվյալների վերլուծության մեջ տվյալների բաշխման և փոփոխականության հասկացումը կարևոր է ճշգրիտ և համապատասխան եզրակացություններ անելու համար: Տվյալների փոփոխականությունը նկարագրելու համար օգտագործվող հիմնական հասկացություններից մեկը «դիսպերսիայի չափումն» է: Այս հոդվածում կքննարկվեն դիսպերսիայի տարբեր չափումներ, դրանց կարևորությունը, դրանց հաշվարկման եղանակները և դրանց մեկնաբանությունը տվյալների վերլուծության համատեքստում:

Ի՞նչ է տարածման չափանիշը։

Դիսպերսիայի չափանիշները չափանիշներ են, որոնք օգտագործվում են նկարագրելու համար, թե որքանով են տվյալների հավաքածուի տվյալները տարածված կամ ցրված կենտրոնական արժեքից: Այս կենտրոնական արժեքը սովորաբար չափվում է կենտրոնական միտման չափանիշներով, ինչպիսիք են միջինը կամ միջնարժեքը: Դիսպերսիայի չափանիշները հնարավորություն են տալիս պատկերացում կազմել տվյալների տիրույթի, տատանման և հետևողականության մասին:

Ինչո՞ւ է տարածման չափը կարևոր։

1. Փոփոխականության հասկացումը.
Փոփոխականությունը ցանկացած տվյալի անբաժանելի մասն է կազմում։ Հասկանալով, թե որքանով են տվյալները տարբերվում, մենք կարող ենք հասկանալ այդ տվյալների հիմքում ընկած դինամիկան։

2. Բացահայտել անհամապատասխանությունները.
Տվյալների բաշխումը կարող է օգնել բացահայտել արտառոց արժեքները (ծայրահեղ արժեքներ, որոնք հեռու են մնացած տվյալներից), որոնք կարող են կարևոր լինել հետագա վերլուծության համար կամ կարող են լինել սխալ տվյալներ։

3. Տվյալների համեմատություն.
Դիսպերսիայի չափանիշները թույլ են տալիս համեմատություններ կատարել երկու կամ ավելի տվյալների հավաքածուների միջև։ Օրինակ, երկու տվյալների հավաքածուները կարող են ունենալ նույն միջինը, բայց տարբեր շեղումներ կամ դիսպերսիաներ։

4. Եզրակացական վիճակագրություն.
Շատ իֆերենցիալ վիճակագրական մեթոդներ պահանջում են տվյալների բաշխման լավ ըմբռնում՝ վավեր և նշանակալի եզրակացություններ անելու համար։

Տարածման չափի տեսակները

Վիճակագրական տվյալների վերլուծության մեջ լայնորեն օգտագործվող ցրման մի քանի չափանիշներ կան.

1. Հեռավորություն

Դիապազոնը տարածման ամենապարզ չափանիշն է և հաշվարկվում է որպես տվյալների բազմության մեջ առավելագույն և նվազագույն արժեքների տարբերություն։

\[ \text{Միջակայք} = \text{Առավելագույն արժեք} – \text{Նվազագույն արժեք} \]

Չնայած հաշվարկելը հեշտ է, տիրույթը հաշվի է առնում միայն երկու տվյալ և չի արտացոլում տվյալների բաշխումը նվազագույն և առավելագույն արժեքների միջև։

2. Միջքառորդային միջակայք (IQR)

Ինտերվալային ռոտացիան (IQR) դիսպերսիայի ավելի հուսալի չափանիշ է, քան միջակայքը, քանի որ այն չի ազդվում արտառոց արժեքներից։ Այն հաշվարկում է տվյալների միջնարժեքային միջակայքը՝ 75-րդ պերցենտիլից (Q3) հանելով 25-րդ պերցենտիլը (Q1):

\[ \text{IQR} = Q3 – Q1 \]

Կենտրոնանալով միջինի վրա՝ IQR-ը ապահովում է հիմքում ընկած տվյալների բաշխման ավելի լավ պատկեր։

3. Տարբերություն

Տարբերությունը չափում է, թե տվյալների բազմության յուրաքանչյուր արժեքը որքանով է հեռու միջինից։ Այն հաշվարկվում է՝ գումարելով յուրաքանչյուր արժեքի միջինից տարբերությունների քառակուսիները, այնուհետև բաժանելով տվյալների տարրերի քանակի վրա (բնակչության համար) կամ տարրերի քանակից մեկով (նմուշի համար)։

Բնակչության համար (\(\sigma^2\)):

\[ \sigma^2 = \frac{\sum (X_i – \mu)^2}{N} \]

Նմուշի համար (\(s^2\)):

\[s^2 = \frac{\sum (X_i – \overline{X})^2}{n-1} \]

Վարիացիան պատկերացում է տալիս տվյալների հետևողականության մասին, սակայն, քանի որ վարիացիան օգտագործում է քառակուսի միավորներ, այն ուղղակիորեն մեկնաբանելը կարող է դժվար լինել։

4. Ստանդարտ շեղում

Ստանդարտ շեղումը դիսպերսիայի քառակուսի արմատն է և նույն միավորներով է, ինչ սկզբնական տվյալները, ինչը հեշտացնում է դրանց մեկնաբանությունը։

Բնակչության համար (\(\sigma\)):

\[ \sigma = \sqrt{\sigma^2} = \sqrt{\frac{\sum (X_i – \mu)^2}{N}} \]

Նմուշի համար (\(s\)):

\[ s = \sqrt{s^2} = \sqrt{\frac{\sum (X_i – \overline{X})^2}{n-1}} \]

Ստանդարտ շեղումը դիսպերսիայի ամենատարածված չափանիշներից մեկն է, քանի որ այն հեշտ է մեկնաբանել և հաճախ օգտագործվում է տարբեր վիճակագրական վերլուծություններում։

5. Վարիացիայի գործակից (CV)

CV-ն հարաբերական դիսպերսիայի չափանիշ է, որն արտահայտվում է որպես ստանդարտ շեղման և միջինի հարաբերակցություն և հաճախ արտահայտվում է տոկոսով։

\[ \text{CV} = \frac{s}{\overline{X}} \times 100\% \]

CV-ն շատ օգտակար է տարբեր միջիններով տվյալների բազմությունների միջև փոփոխականությունը համեմատելու համար։

Ինչպես հաշվարկել և մեկնաբանել

Օրինակ՝ Պերհիտունգան

Եկեք պատկերացնենք հետևյալ տվյալների օրինակով.

\[ \{15, 20, 25, 35, 45, 55, 65, 75, 85, 95\} \]

1. Շարքը.

\[ \text{Միջակայք} = 95 – 15 = 80 \]

2. Միջքառորդային միջակայք (IQR):

Տվյալները տեսակավորելուց հետո կարող ենք գտնել Q1 և Q3 քվարտիլները։ Այս դեպքում Q1-ը 25 է, իսկ Q3-ը՝ 75։

\[ \text{IQR} = 75 – 25 = 50 \]

3. Վարիացիա և ստանդարտ շեղում.

Տվյալների միջինը (\(\overline{X}\)) 51.5 է։ Այնուհետև մենք հաշվարկում ենք դիսպերսիան և ստանդարտ շեղումը։

\[ \text{Վարիանս (s^2)} = \frac{1}{n-1} \sum (X_i – \overline{X})^2 = 816.11 \]

Ստանդարտ շեղում (ներ) = 816.11 = 28.57

4. Վարիացիայի գործակից (CV):

\[ \text{CV} = \frac{28.57}{51.5} \times 100\% \approx 55.48\% \]

Այստեղից կարող ենք մեկնաբանել, որ ստանդարտ շեղումը 28.57 է, մինչդեռ CV-ն ցույց է տալիս, որ ստանդարտ շեղումը կազմում է սկզբնական տվյալների միջինի մոտ 55.48%-ը։

Եզրակացություն

Դիսպերսիայի չափանիշները վիճակագրական տվյալների վերլուծության կարևոր բաղադրիչներ են, քանի որ դրանք պատկերացում են տալիս տվյալների փոփոխականության և տարածման մասին կենտրոնական արժեքի շուրջ: Դիսպերսիայի լայնորեն օգտագործվող չափանիշներից են միջակայքը, միջքառորդական միջակայքը, դիսպերսիան, ստանդարտ շեղումը և վարիացիայի գործակիցը: Այս չափանիշներից յուրաքանչյուրն ունի իր յուրահատուկ կիրառությունը և կարող է արժեքավոր պատկերացում տալ՝ կախված տվյալների համատեքստից և վերլուծության նպատակից: Դիսպերսիայի չափանիշները ճիշտ հասկանալով և օգտագործելով՝ մենք կարող ենք ավելի տեղեկացված և ճշգրիտ որոշումներ կայացնել տարբեր հետազոտական ​​ոլորտներում և տվյալագիտության կիրառություններում: