Datu sadalījuma dispersijas un standartnovirzes analīze
Statistikā datu izkliedes izpratne ir tikpat svarīga kā centrālo vērtību, piemēram, vidējās vērtības vai mediānas, izpratne. Divām datu kopām var būt vienāds vidējais rādītājs, taču to sadalījums var būt ļoti atšķirīgs: viens var būt cieši saistīts ar vidējo rādītāju, bet otrs var būt plaši izkliedēts. Šeit noder dispersija un standartnovirze — tie ir galvenie mērījumi, kas parāda, cik lielā mērā dati atšķiras no to centrālās vērtības. Šajā rakstā ir aplūkoti to jēdzieni, formulas, interpretācijas un to pielietojuma piemēri datu analīzē.
1. Kāpēc datu izplatīšana ir svarīga?
Datu izkliede sniedz informāciju par konsekvenci un risku. Piemēram, testa rezultātu kontekstā A un B klases vidējais rādītājs varētu būt 80. Tomēr, ja A klases rezultātu variācija ir neliela, lielākā daļa studentu uzrāda līdzīgus rezultātus. Un otrādi, ja B klases rezultātu variācija ir liela, iespējams, ka dažiem studentiem ir ļoti augsti rezultāti, bet citiem - ļoti zemi rezultāti. Biznesā pārdošanas datu izkliede norāda uz ieņēmumu stabilitāti; finanšu jomā investīciju atdeves izkliede norāda uz riska līmeni.
Izprotot dispersiju un standartnovirzi, lēmumu pieņēmēji var:
– Novērtēt, vai process ir stabils vai nē (piemēram, rūpnīcas ražošana).
– Grupu konsekvences salīdzināšana (piemēram, divas mācību metodes).
– Tādu netipisku datu identificēšana, kurus ir vērts pārskatīt.
– Prognožu un modeļu nenoteiktības novērtēšana.
2. Variācijas pamatjēdziens
Dispersija mēra katras datu kopas vidējo kvadrātisko novirzi no vidējās vērtības. Novirze ir starpība starp datu vērtībām un vidējo vērtību. Ja daudzas vērtības ir tālu no vidējās vērtības, dispersija būs liela. Ja vērtības ir tuvas vidējai vērtībai, dispersija būs maza.
Pieņemsim, ka ir dati: \(x_1, x_2, …, x_n\) ar vidējo vērtību \(\bar{x}\). Katra datu novirze ir \(x_i – \bar{x}\). Tomēr, ja novirzes tiek summētas tieši, rezultāts vienmēr ir nulle, jo pastāv pozitīvas un negatīvas novirzes, kas viena otru atceļ. Lai to pārvarētu, novirzes tiek kāpinātas kvadrātā, lai tās visas būtu pozitīvas. Šeit rodas dispersija.
a) Iedzīvotāju skaita dispersija
Ja dati tiek uzskatīti par reprezentatīviem visai populācijai, populācijas dispersiju raksta šādi:
\[
η² = θ(x₁ – µ)²(N)
\]
di mana:
– \(N\) ir populācijas datu skaits,
– \(\mu\) ir populācijas vidējais rādītājs,
– \(\sigma^2\) ir populācijas dispersija.
b) Izlases dispersija
Ja dati ir izlase no lielākas populācijas, tiek izmantota izlases dispersija:
\[
s^2 = \frac{\sum_{i=1}^{n}(x_i – \bar{x})^2}{n-1}
\]
Dalītāju \(n-1\) sauc par Besela korekciju, un to izmanto, lai nodrošinātu, ka populācijas dispersijas novērtējums ir objektīvs. Būtībā, tā kā izlases vidējais lielums tiek aprēķināts no pašiem datiem, pastāv "brīvības pakāpju zudums", tāpēc dalītājs tiek attiecīgi pielāgots.
3. Standartnovirze: dispersijas sakne
Dispersijai ir viens praktisks trūkums: tās mērvienības ir datu mērvienību kvadrāts. Ja dati ir "rūpijās", tad dispersija ir "rūpijās²", ko ir grūti tieši interpretēt. Tāpēc mēs izmantojam standartnovirzi, kas ir dispersijas kvadrātsakne.
a) Iedzīvotāju skaita standartnovirze
\[
η = η² (vai η²)
\]
b) Izlases standartnovirze
\[
s = ∫qrt{s^2}
\]
Standartnovirzei ir tādas pašas mērvienības kā sākotnējiem datiem, tāpēc to ir vieglāk saprast. Augsta standartnovirze norāda uz izkliedētākiem datiem; zema standartnovirze norāda uz blīvāku datu kopu.
4. Vienkāršs aprēķina piemērs
Piemēram, testa rezultātu dati: 70, 75, 80, 85, 90.
1) Aprēķiniet vidējo vērtību:
\[
\bar{x} = \frac{70+75+80+85+90}{5} = 80
\]
2) Aprēķiniet katras vērtības novirzi no vidējās vērtības:
– 70: \(70–80=-10\)
– 75: \(75–80=-5\)
– 80: \(80–80=0\)
– 85: \(85–80=5\)
– 90: \(90–80=10\)
3) Kvadrātējiet novirzi:
– 100, 25, 0, 25, 100
4) Saskaitiet:
\[
\sum (x_i - \bar{x})^2 = 250
\]
5) Izlases dispersija:
\[
s^2 = ∫\frac{250}{5-1} = 62.5
\]
6) Izlases standartnovirze:
\[
s = ∫qrt{62.5} \aptuveni 7.91
\]
Interpretācija: vidējais rezultāts ir 80, un “parasti” rezultāti atšķiras no vidējā rādītāja par aptuveni 7–8 punktiem.
5. Dispersijas un standartnovirzes interpretācija
Variācija un standartnovirze nav tikai skaitļi; tie jāinterpretē kontekstā.
– Maza standartnovirze: augsta konsekvence. Piemēram, ražošanas process ar ļoti mazu produkta izmēra standartnovirzi norāda uz stabilu kvalitāti.
– Liela standartnovirze: liela variācija. Investīciju jomā augsta ienesīguma standartnovirze nozīmē augstu svārstīgumu (augstāku risku).
– Salīdzinājums starp grupām: ja divām grupām ir vienāds vidējais rādītājs, bet atšķirīgas standartnovirzes, grupa ar mazāku novirzi ir viendabīgāka.
Tomēr ir svarīgi atcerēties, ka standartnovirze ir jutīga pret novirzēm. Viena galējā vērtība var ievērojami palielināt dispersiju un standartnovirzi. Tāpēc sadalījuma analīzi bieži papildina vizualizācijas (histogrammas, lodziņu diagrammas) vai spēcīgi mērījumi, piemēram, IQR (interkvartiļu diapazons).
6. Saistība ar normālo sadalījumu un empīriskiem noteikumiem
Normālā sadalījumā (zvana līknē) standartnovirzei ir ļoti spēcīga nozīme. Bieži tiek izmantots empīrisks likums:
– Aptuveni 68 % datu atrodas diapazonā \(\bar{x} \pm 1s\)
– Aptuveni 95 % datu atrodas diapazonā \(\bar{x} \pm 2s\)
– Aptuveni 99,7 % datu atrodas diapazonā \(\bar{x} \pm 3s\)
Šis noteikums palīdz veikt ātras interpretācijas, piemēram, novērtējot, vai vērtība ir “nedabiska” vai joprojām atrodas vispārējā diapazonā.
7. Pielietojums dažādās jomās
1) Izglītība: Skolēnu atzīmju sadalījuma uzraudzība. Nelielas novirzes liecina par vienlīdzīgiem mācību rezultātiem, savukārt lielas novirzes var liecināt par izpratnes nepilnībām.
2) Nozare: kvalitātes kontrole. Novirze tiek izmantota, lai novērtētu ražošanas konsekvenci.
3) Finanses: mēra akciju cenu svārstīgumu, portfeļa ienesīgumu un ieguldījumu risku.
4) Veselība: asinsspiediena, cukura līmeņa vai citu klīnisko rādītāju izmaiņu novērošana pacientu populācijā.
5) Sociālie pētījumi: aptaujas atbilžu neviendabīguma un respondentu raksturlielumu daudzveidības novērtēšana.
8. Biežāk pieļautās kļūdas un praktiski padomi
Dažas izplatītas kļūdas:
– Izlases dispersijas (dalītāja \(n-1\)) izmantošana, pat ja dati ir par visu populāciju, vai otrādi.
– Interpretēt dispersiju, neņemot vērā tās kvadrātvienības; interpretācijai drošāk ir izmantot standartnovirzi.
– Ignorējiet novirzes; vislabāk ir vispirms pārbaudīt datus.
– Salīdziniet standartnovirzes starp datiem ar dažādiem mērogiem bez normalizācijas; dažos gadījumos izmantojiet variācijas koeficientu (VK), t. i., \(VK = \frac{s}{\bar{x}}\reiz 100\%\), lai iegūtu taisnīgāku salīdzinājumu.
Pennutup
Dispersija un standartnovirze ir būtiski rīki datu sadalījuma izpratnei. Dispersija nodrošina spēcīgu matemātisko pamatu, savukārt standartnovirze ir mērījums, ko ir vieglāk interpretēt, jo tas ir līdzīgs sākotnējiem datiem. Izmantojot šos divus mērījumus, mēs varam skaidrāk novērtēt datu kopu sadalījuma raksturlielumu konsekvenci, risku un atšķirības. Datu analīzes praksē dispersiju un standartnovirzi vislabāk izmantot kopā ar centrālās tendences un vizualizācijas mērījumiem, lai sniegtu pilnīgu datu priekšstatu un pieņemtu pamatotākus lēmumus.
Ja vēlaties, varu pievienot sarežģītākus aprēķinu piemērus (piemēram, grupētus datus) vai izskaidrot standartnovirzes saistību ar z-rādītāju un noviržu noteikšanu.
