ಏಕ ದತ್ತಾಂಶದ ವ್ಯತ್ಯಾಸ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನವನ್ನು ಚರ್ಚಿಸುವ ಉದಾಹರಣೆ ಪ್ರಶ್ನೆಗಳು

ಉದಾಹರಣೆ ಪ್ರಶ್ನೆಗಳು ಮತ್ತು ಚರ್ಚೆ: ಏಕ ದತ್ತಾಂಶದ ವ್ಯತ್ಯಾಸ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನ

ಸಂಖ್ಯಾಶಾಸ್ತ್ರವು ದತ್ತಾಂಶ ಸಂಗ್ರಹಣೆ, ವಿಶ್ಲೇಷಣೆ, ವ್ಯಾಖ್ಯಾನ, ಪ್ರಸ್ತುತಿ ಮತ್ತು ಸಂಘಟನೆಗೆ ಸಂಬಂಧಿಸಿದ ಗಣಿತಶಾಸ್ತ್ರದ ಒಂದು ಶಾಖೆಯಾಗಿದೆ. ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ಎರಡು ಪ್ರಮುಖ ಪರಿಕಲ್ಪನೆಗಳು ವ್ಯತ್ಯಾಸ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನ. ಈ ಲೇಖನವು ಹಲವಾರು ಉದಾಹರಣೆ ಸಮಸ್ಯೆಗಳ ಮೂಲಕ ಒಂದೇ ದತ್ತಾಂಶ ಸೆಟ್‌ನ ವ್ಯತ್ಯಾಸ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನವನ್ನು ಹೇಗೆ ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಎಂಬುದನ್ನು ವಿವರವಾಗಿ ಚರ್ಚಿಸುತ್ತದೆ.

ವ್ಯತ್ಯಾಸ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು

ದತ್ತಾಂಶ ಸಮೂಹದಲ್ಲಿನ ಸಂಖ್ಯೆಗಳು ಸರಾಸರಿ ಅಥವಾ ಸರಾಸರಿಯಿಂದ ಎಷ್ಟು ದೂರಕ್ಕೆ ಹರಡಿವೆ ಎಂಬುದನ್ನು ಪರಿಮಾಣೀಕರಿಸುವ ಅಳತೆಯೇ ವ್ಯತ್ಯಾಸ. ಮೂಲ ದತ್ತಾಂಶದ ವರ್ಗ ಘಟಕಗಳಲ್ಲಿ ವ್ಯತ್ಯಾಸವನ್ನು ವ್ಯಕ್ತಪಡಿಸಲಾಗುತ್ತದೆ, ಇದು ಅರ್ಥೈಸಲು ಕಷ್ಟಕರವಾಗಿಸುತ್ತದೆ.

ಪ್ರಮಾಣಿತ ವಿಚಲನವು ವ್ಯತ್ಯಾಸದ ವರ್ಗಮೂಲವಾಗಿದೆ. ದತ್ತಾಂಶವು ಸಾಮಾನ್ಯವಾಗಿ ಸರಾಸರಿಯಿಂದ ಎಷ್ಟು ದೂರ ವಿಚಲನಗೊಳ್ಳುತ್ತದೆ ಎಂಬುದರ ಬಗ್ಗೆ ಇದು ಹೆಚ್ಚು ಅರ್ಥಗರ್ಭಿತ ಅಳತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ ಏಕೆಂದರೆ ಅದರ ಘಟಕಗಳು ದತ್ತಾಂಶದ ಮೂಲ ಘಟಕಗಳಂತೆಯೇ ಇರುತ್ತವೆ.

ಸಾಮಾನ್ಯ ಸೂತ್ರ

ಒಂದೇ ದತ್ತಾಂಶಕ್ಕೆ, ಜನಸಂಖ್ಯೆಯ ವ್ಯತ್ಯಾಸ \( \sigma^2 \) ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನ \( \sigma \) ಗಾಗಿ ಸೂತ್ರವು ಈ ಕೆಳಗಿನಂತಿರುತ್ತದೆ:

1. ವ್ಯತ್ಯಾಸ (σ²):
\( \ಸಿಗ್ಮಾ^2 = \frac{1}{N} \sum_{i=1}^{N} (x_i – \mu)^2 \)

2. ಪ್ರಮಾಣಿತ ವಿಚಲನ (σ):
\( \sigma = \sqrt{\frac{1}{N} \sum_{i=1}^{N} (x_i – \mu)^2} \)

ಎಲ್ಲಿ:
– \( N \) ಎಂಬುದು ಜನಸಂಖ್ಯೆಯಲ್ಲಿರುವ ದತ್ತಾಂಶದ ಸಂಖ್ಯೆ.
– \( x_i \) ಎಂಬುದು ith ಡೇಟಾ ಮೌಲ್ಯವಾಗಿದೆ.
– \( \mu \) ಎಂಬುದು ದತ್ತಾಂಶದ ಸರಾಸರಿ ಅಥವಾ ಸರಾಸರಿ.

ನಾವು ಮಾದರಿಯ ವ್ಯತ್ಯಾಸ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನವನ್ನು ಲೆಕ್ಕ ಹಾಕಿದರೆ, ಮೇಲಿನ ಸೂತ್ರವನ್ನು ಸ್ವಲ್ಪ ಮಾರ್ಪಡಿಸಲಾಗಿದೆ:

1. ಮಾದರಿ ವ್ಯತ್ಯಾಸ (s²):
\( s^2 = \frac{1}{n-1} \sum_{i=1}^{n} (x_i – \bar{x})^2 \)

2. ಮಾದರಿ ಪ್ರಮಾಣಿತ ವಿಚಲನ(ಗಳು):
\( s = \sqrt{\frac{1}{n-1} \sum_{i=1}^{n} (x_i – \bar{x})^2} \)

ಎಲ್ಲಿ:
– \( n \) ಎಂಬುದು ಮಾದರಿಯಲ್ಲಿರುವ ದತ್ತಾಂಶದ ಸಂಖ್ಯೆ.
– \( \bar{x} \) ಮಾದರಿಯ ಸರಾಸರಿ ಅಥವಾ ಸರಾಸರಿಯಾಗಿದೆ.

ಮಾದರಿ ಪ್ರಶ್ನೆಗಳು ಮತ್ತು ಚರ್ಚೆ

ಉದಾಹರಣೆ ಪ್ರಶ್ನೆ 1:

ಕೆಳಗಿನ ಡೇಟಾವನ್ನು ನೀಡಲಾಗಿದೆ:
8, 10, 10, 10, 12, 14

ದತ್ತಾಂಶದ ವ್ಯತ್ಯಾಸ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನವನ್ನು ಲೆಕ್ಕಹಾಕಿ!

ಪರಿಹಾರ ಹಂತಗಳು:

1. ಸರಾಸರಿ (ಸರಾಸರಿ) \( \mu \) ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು:
\[
\mu = \frac{8 + 10 + 10 + 10 + 12 + 14}{6} = \frac{64}{6} = 10.67
\]

2. ಡೇಟಾ ಮತ್ತು ಸರಾಸರಿ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಲೆಕ್ಕಹಾಕಿ, ನಂತರ ವರ್ಗೀಕರಿಸಿ:
\[
(8 – 10.67)^2 = 7.1289
\]
\[
(10 – 10.67)^2 = 0.4489
\]
\[
(10 – 10.67)^2 = 0.4489
\]
\[
(10 – 10.67)^2 = 0.4489
\]
\[
(12 – 10.67)^2 = 1.7689
\]
\[
(14 – 10.67)^2 = 11.1089
\]

3. ಎಲ್ಲಾ ವರ್ಗ ಫಲಿತಾಂಶಗಳನ್ನು ಸೇರಿಸುವುದು:
\[
\sum (x_i – \mu)^2 = 7.1289 + 0.4489 + 0.4489 + 0.4489 + 1.7689 + 11.1089 = 21.3534
\]

4. ಜನಸಂಖ್ಯಾ ದತ್ತಾಂಶದ ವ್ಯತ್ಯಾಸ (σ²) ಲೆಕ್ಕಾಚಾರ:
\[
\sigma^2 = \frac{21.3534}{6} = 3.559
\]

ಗಮನಿಸಿ: ಈ ಡೇಟಾವನ್ನು ಜನಸಂಖ್ಯಾ ದತ್ತಾಂಶ ಎಂದು ಹೇಳಲಾಗಿರುವುದರಿಂದ, ನಾವು ಅದನ್ನು 6 ರಿಂದ ಭಾಗಿಸುತ್ತೇವೆ.

5. ಪ್ರಮಾಣಿತ ವಿಚಲನವನ್ನು (σ) ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು:
\[
\sigma = \sqrt{3.559} \ಸುಮಾರು 1.886
\]

ಆದ್ದರಿಂದ, ದತ್ತಾಂಶದ ವ್ಯತ್ಯಾಸ 3.559 ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನ 1.886 ಆಗಿದೆ.

ಉದಾಹರಣೆ ಪ್ರಶ್ನೆ 2:

ಕೆಳಗಿನ ಮಾದರಿ ಡೇಟಾವನ್ನು ನೀಡಲಾಗಿದೆ:
5, 6, 8, 9, 10, 11

ಮಾದರಿಯ ವ್ಯತ್ಯಾಸ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನವನ್ನು ಲೆಕ್ಕಹಾಕಿ!

ಪರಿಹಾರ ಹಂತಗಳು:

1. ಸರಾಸರಿ (ಸರಾಸರಿ) \( \bar{x} \) ಅನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು:
\[
\ಬಾರ್{x} = \frac{5 + 6 + 8 + 9 + 10 + 11}{6} = \frac{49}{6} = 8.167
\]

2. ಡೇಟಾ ಮತ್ತು ಸರಾಸರಿ ನಡುವಿನ ವ್ಯತ್ಯಾಸವನ್ನು ಲೆಕ್ಕಹಾಕಿ, ನಂತರ ವರ್ಗೀಕರಿಸಿ:
\[
(5 – 8.167)^2 = 10.035
\]
\[
(6 – 8.167)^2 = 4.694
\]
\[
(8 – 8.167)^2 = 0.028
\]
\[
(9 – 8.167)^2 = 0.694
\]
\[
(10 – 8.167)^2 = 3.361
\]
\[
(11 – 8.167)^2 = 7.945
\]

3. ಎಲ್ಲಾ ವರ್ಗ ಫಲಿತಾಂಶಗಳನ್ನು ಸೇರಿಸುವುದು:
\[
\sum (x_i – \bar{x})^2 = 10.035 + 4.694 + 0.028 + 0.694 + 3.361 + 7.945 = 26.757
\]

4. ಮಾದರಿ ವ್ಯತ್ಯಾಸವನ್ನು (s²) ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು:
\[
s^2 = \frac{26.757}{5} = 5.351
\]

ಗಮನಿಸಿ: ಇದು ಮಾದರಿ ದತ್ತಾಂಶವಾಗಿರುವುದರಿಂದ, ನಾವು 5 (n-1) ರಿಂದ ಭಾಗಿಸುತ್ತೇವೆ.

5. ಪ್ರಮಾಣಿತ ವಿಚಲನ (ಗಳನ್ನು) ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು:
\[
s = \sqrt{5.351} \ಸುಮಾರು 2.313
\]

ಆದ್ದರಿಂದ, ಮಾದರಿ ದತ್ತಾಂಶದ ವ್ಯತ್ಯಾಸ 5.351 ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನ 2.313 ಆಗಿದೆ.

ತೀರ್ಮಾನ

ನಿರ್ದಿಷ್ಟ ಗುಂಪಿನೊಳಗೆ ದತ್ತಾಂಶವು ಹೇಗೆ ಹರಡಿಕೊಂಡಿದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ವ್ಯತ್ಯಾಸ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಅತ್ಯಗತ್ಯ. ವ್ಯತ್ಯಾಸವು ಮೂಲ ಘಟಕಗಳ ವರ್ಗಗಳಲ್ಲಿ ಪ್ರಸರಣದ ಸೈದ್ಧಾಂತಿಕ ಅಳತೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ, ಆದರೆ ಪ್ರಮಾಣಿತ ವಿಚಲನವು ದತ್ತಾಂಶದ ಮೂಲ ಘಟಕಗಳ ಪರಿಭಾಷೆಯಲ್ಲಿ ಪ್ರಸರಣದ ಅಳತೆಯನ್ನು ಅರ್ಥೈಸುತ್ತದೆ, ಇದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸುಲಭವಾಗುತ್ತದೆ. ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ, ಈ ಎರಡು ಅಳತೆಗಳನ್ನು ಹೆಚ್ಚಾಗಿ ದತ್ತಾಂಶ ವ್ಯತ್ಯಾಸವನ್ನು ನಿರ್ಣಯಿಸಲು ಮತ್ತು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ನಿರ್ಧಾರಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಲು ಬಳಸಲಾಗುತ್ತದೆ.

ಅಗತ್ಯ ಹಂತಗಳು ಮತ್ತು ಸೂತ್ರಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಮೂಲಕ, ನಾವು ದೈನಂದಿನ ದತ್ತಾಂಶ ಸಂಗ್ರಹ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಎದುರಿಸುವ ವಿವಿಧ ಸನ್ನಿವೇಶಗಳಿಗೆ ವ್ಯತ್ಯಾಸ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನವನ್ನು ಸುಲಭವಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಬಹುದು. ಆಶಾದಾಯಕವಾಗಿ, ಈ ಲೇಖನವು ಏಕ ದತ್ತಾಂಶ ಸೆಟ್‌ಗಳಲ್ಲಿ ವ್ಯತ್ಯಾಸ ಮತ್ತು ಪ್ರಮಾಣಿತ ವಿಚಲನದ ಪರಿಕಲ್ಪನೆಗಳ ಆಳವಾದ ತಿಳುವಳಿಕೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ.