ერთჯერადი მონაცემების ვარიაცია და სტანდარტული გადახრა

ერთჯერადი მონაცემების ვარიაცია და სტანდარტული გადახრა

სტატისტიკა არის მეცნიერება, რომელიც სწავლობს მონაცემთა შეგროვებას, ანალიზს, ინტერპრეტაციას, წარმოდგენასა და ორგანიზებას. სტატისტიკის ერთ-ერთი მნიშვნელოვანი ასპექტია, თუ როგორ ვზომავთ და ვხვდებით მონაცემებში ცვალებადობას. ცვალებადობის ორი მნიშვნელოვანი საზომია ვარიაცია და სტანდარტული გადახრა. ეს სტატია დეტალურად განიხილავს ვარიაციას და სტანდარტულ გადახრას, ფოკუსირდება მონაცემთა ერთობლიობაზე, განმარტებებს, ფორმულებს, გამოთვლის ეტაპებს და მოჰყავს პრაქტიკული მაგალითები ცნებების გასარკვევად.

ვარიაციისა და სტანდარტული გადახრის განმარტება

Varian
ვარიაცია არის საზომი, თუ რამდენად შორს არის მონაცემები საშუალო მნიშვნელობიდან. ის იძლევა მონაცემთა ნაკრებში არსებული მრავალფეროვნების ან ვარიაციის მიმოხილვას. მათემატიკური თვალსაზრისით, ვარიაცია არის თითოეული მონაცემთა ერთეულის საშუალო მნიშვნელობიდან გადახრების კვადრატების საშუალო.

სტანდარტული გადახრა
სტანდარტული გადახრა, რომელიც ასევე ცნობილია როგორც სტანდარტული გადახრა, არის დისპერსიის კვადრატული ფესვი. ის გვაწვდის ინფორმაციას მონაცემების განაწილების შესახებ იმავე ერთეულებში, როგორც საწყისი მონაცემები, რაც აადვილებს მათ ინტერპრეტაციას რეალურ კონტექსტში.

ფორმულები და გამოთვლები

Varian
n ზომის ერთი მონაცემთა ნაკრების დისპერსიის (σ^2) გამოსათვლელად, შეგვიძლია გამოვიყენოთ შემდეგი ფორმულა:

\[ \sigma^2 = \frac{\sum_{i=1}^{n} (x_i – \bar{x})^2}{n} \]

სად:
– \(x_i \) არის i-ური მონაცემთა მნიშვნელობა.
– \( \bar{x} \) არის მონაცემების საშუალო ან საშუალო მნიშვნელობა.
– n არის ნაკრებში მონაცემების რაოდენობა.
– (x_i – \bar{x})^2 არის თითოეულ მონაცემსა და მის საშუალოს შორის სხვაობის კვადრატი.

სტანდარტული გადახრა
სტანდარტული გადახრა (σ) არის დისპერსიის კვადრატული ფესვი, ამიტომ ფორმულა ასეთია:

\[ \sigma = \sqrt{\sigma^2} \]

გაანგარიშების ნაბიჯები

ნაბიჯი 1: გამოთვალეთ მონაცემების საშუალო მნიშვნელობა (საშუალო)
პირველი ნაბიჯი არის მონაცემთა ნაკრების საშუალო მნიშვნელობის (საშუალო მნიშვნელობის) გამოთვლა. საშუალო მნიშვნელობის გამოთვლა ხდება ყველა მონაცემთა მნიშვნელობის შეკრებით და მონაცემთა მნიშვნელობების რაოდენობაზე გაყოფით.

\[ \bar{x} = \frac{\sum_{i=1}^{n} x_i}{n} \]

ნაბიჯი 2: გამოთვალეთ თითოეული მონაცემთა ნაკრების სხვაობა საშუალო მაჩვენებელთან შედარებით
საშუალო მაჩვენებლის მიღების შემდეგ, შემდეგი ნაბიჯი არის თითოეულ მონაცემთა მნიშვნელობასა და საშუალო მაჩვენებელს შორის სხვაობის (გადახრის) გამოთვლა.

\[d_i = x_i – \bar{x} \]

ნაბიჯი 3: თითოეული გადახრის კვადრატში გამოთვლა
შემდეგ, თითოეული გადახრა კვადრატში აიყვანეთ.

\[ d_i^2 = (x_i – \bar{x})^2 \]

ნაბიჯი 4: ყველა კვადრატული გადახრის შეჯამება
წინა ნაბიჯიდან მიღებული ყველა კვადრატული შედეგი შეკრიბეთ.

\[ \sum d_i^2 = \sum_{i=1}^{n} (x_i – \bar{x})^2 \]

ნაბიჯი 5: ვარიაციის გამოთვლა
დისპერსიის მისაღებად გადახრების კვადრატების ჯამი გაყავით მონაცემების რაოდენობაზე (n).

\[ \sigma^2 = \frac{\sum d_i^2}{n} \]

ნაბიჯი 6: სტანდარტული გადახრის გამოთვლა
და ბოლოს, გამოთვალეთ სტანდარტული გადახრა დისპერსიის კვადრატული ფესვის ამოღებით.

\[ \sigma = \sqrt{\sigma^2} \]

გაანგარიშების მაგალითი

ვარიაციისა და სტანდარტული გადახრის გამოთვლის კონცეფციის გასაგებად, განვიხილოთ შემდეგი მაგალითი. დავუშვათ, რომ გვაქვს შემდეგი ერთიანი მონაცემთა ნაკრები: 4, 8, 6, 5, 3.

ნაბიჯი 1: გამოთვალეთ მონაცემების საშუალო
\[ \bar{x} = \frac{4 + 8 + 6 + 5 + 3}{5} = \frac{26}{5} = 5.2 \]

ნაბიჯი 2: გამოთვალეთ თითოეული მონაცემთა ნაკრების სხვაობა საშუალო მაჩვენებელთან შედარებით
განსხვავება თითოეულ მონაცემთა მნიშვნელობასა და საშუალო მნიშვნელობას შორის:
– (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

ნაბიჯი 3: თითოეული გადახრის კვადრატში გამოთვლა
თითოეული გადახრის კვადრატი:
– (-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

ნაბიჯი 4: ყველა კვადრატული გადახრის შეჯამება
\[ \sum d_i^2 = 1.44 + 7.84 + 0.64 + 0.04 + 4.84 = 14.8 \]

ნაბიჯი 5: ვარიაციის გამოთვლა
\[ \sigma^2 = \frac{14.8}{5} = 2.96 \]

ნაბიჯი 6: სტანდარტული გადახრის გამოთვლა
\[ \sigma = \sqrt{2.96} \approx 1.72 \]

ამგვარად, ამ მაგალითში მონაცემების დისპერსია 2.96-ია, ხოლო სტანდარტული გადახრა დაახლოებით 1.72-ია.

ინტერპრეტაცია

ვარიაცია და სტანდარტული გადახრა მნიშვნელოვან ინფორმაციას გვაწვდის მონაცემთა გავრცელების შესახებ. ზემოთ მოყვანილ მაგალითში, 2.96 ვარიაცია მიუთითებს, რომ მონაცემთა მნიშვნელობების საშუალო კვადრატული გადახრა 2.96-ია. 1.72 სტანდარტული გადახრა მიუთითებს, რომ საშუალოდ, მონაცემთა მნიშვნელობები საშუალო მნიშვნელობიდან 1.72 ერთეულით გადახრილია.

სტანდარტული გადახრის ინტერპრეტაცია უფრო ადვილია, რადგან მას იგივე ერთეულები აქვს, რაც თავდაპირველ მონაცემებს. მაგალითად, შემოსავლების სტატისტიკის კონტექსტში, თუ მონაცემებს აქვს 500 აშშ დოლარის სტანდარტული გადახრა, ეს ნიშნავს, რომ საშუალო შემოსავალი 500 აშშ დოლარით გადახრილია საშუალო შემოსავლისგან.

გამოყენება ყოველდღიურ ცხოვრებაში

ვარიაციისა და სტანდარტული გადახრის გაგება შეიძლება გამოყენებულ იქნას სხვადასხვა სფეროში. ფინანსებში სტანდარტული გადახრის გამოყენება შესაძლებელია საინვესტიციო რისკის გასაზომად. განათლებაში, მისი გამოყენება შესაძლებელია სტუდენტებს შორის ტესტის ქულების ვარიაციის შესაფასებლად. წარმოებაში, მას შეუძლია ხელი შეუწყოს ხარისხის კონტროლს წარმოების ვარიაციის გაზომვით.

დასკვნა

ვარიაცია და სტანდარტული გადახრა ორი მნიშვნელოვანი სტატისტიკური ინსტრუმენტია მონაცემთა ნაკრებში ცვალებადობის გასაგებად. ვარიაციის გამოთვლით შეგვიძლია განვსაზღვროთ, თუ რამდენად განაწილებულია მონაცემები. სტანდარტული გადახრა, რომელიც ვარიაციის კვადრატული ფესვია, უფრო ინტუიციურ ინტერპრეტაციას გვთავაზობს და იზომება იმავე ერთეულებით, როგორც ორიგინალური მონაცემები. ამ ორი საზომის გაგებით და გამოთვლის შესაძლებლობით, ჩვენ შეგვიძლია უკეთ გავაანალიზოთ მონაცემები და მივიღოთ უფრო ინფორმირებული გადაწყვეტილებები.