ഡാറ്റാ വിതരണത്തിലെ വേരിയൻസിന്റെയും സ്റ്റാൻഡേർഡ് ഡീവിയേഷന്റെയും വിശകലനം
സ്ഥിതിവിവരക്കണക്കുകളിൽ, ഡാറ്റയുടെ വ്യാപനം മനസ്സിലാക്കുന്നത് ശരാശരി അല്ലെങ്കിൽ ശരാശരി പോലുള്ള കേന്ദ്ര മൂല്യങ്ങളെ മനസ്സിലാക്കുന്നത് പോലെ തന്നെ പ്രധാനമാണ്. രണ്ട് ഡാറ്റാ സെറ്റുകൾക്ക് ഒരേ ശരാശരി ഉണ്ടായിരിക്കാം, പക്ഷേ അവയുടെ വിതരണങ്ങൾ വളരെ വ്യത്യസ്തമായിരിക്കാം: ഒന്ന് ശരാശരിക്ക് ചുറ്റും ദൃഢമായി ക്ലസ്റ്റർ ചെയ്തിരിക്കാം, മറ്റൊന്ന് വ്യാപകമായി വ്യാപിച്ചിരിക്കാം. ഇവിടെയാണ് വേരിയൻസും സ്റ്റാൻഡേർഡ് ഡീവിയേഷനും വരുന്നത് - അവ ഡാറ്റ അതിന്റെ കേന്ദ്ര മൂല്യത്തിൽ നിന്ന് എത്രത്തോളം വ്യത്യാസപ്പെടുന്നു എന്നതിന്റെ പ്രധാന അളവുകോലുകളാണ്. ഈ ലേഖനം അവയുടെ ആശയങ്ങൾ, സൂത്രവാക്യങ്ങൾ, വ്യാഖ്യാനങ്ങൾ, ഡാറ്റ വിശകലനത്തിൽ അവയുടെ പ്രയോഗത്തിന്റെ ഉദാഹരണങ്ങൾ എന്നിവ ചർച്ച ചെയ്യുന്നു.
1. ഡാറ്റാ വ്യാപനം പ്രധാനമായിരിക്കുന്നത് എന്തുകൊണ്ട്?
ഡാറ്റ ഡിസ്‌പേഴ്‌ഷൻ സ്ഥിരതയെയും അപകടസാധ്യതയെയും കുറിച്ചുള്ള വിവരങ്ങൾ നൽകുന്നു. ഉദാഹരണത്തിന്, ടെസ്റ്റ് സ്‌കോറുകളുടെ പശ്ചാത്തലത്തിൽ, എ, ബി ക്ലാസുകളുടെ ശരാശരി 80 ആകാം. എന്നിരുന്നാലും, ക്ലാസ് എയുടെ സ്കോറുകളിലെ വ്യത്യാസം ചെറുതാണെങ്കിൽ, മിക്ക വിദ്യാർത്ഥികളും സമാനമായി പ്രകടനം കാഴ്ചവയ്ക്കുന്നു. നേരെമറിച്ച്, ക്ലാസ് ബിയുടെ സ്കോറുകളിലെ വ്യത്യാസം വലുതാണെങ്കിൽ, ചില വിദ്യാർത്ഥികൾക്ക് വളരെ ഉയർന്ന സ്കോറുകളും മറ്റുള്ളവർക്ക് വളരെ കുറഞ്ഞ സ്കോറുകളും ഉണ്ടാകാൻ സാധ്യതയുണ്ട്. ബിസിനസ്സിൽ, വിൽപ്പന ഡാറ്റയുടെ ഡിസ്‌പേഴ്‌ഷൻ വരുമാന സ്ഥിരതയെ സൂചിപ്പിക്കുന്നു; ധനകാര്യത്തിൽ, നിക്ഷേപ വരുമാനത്തിന്റെ ഡിസ്‌പേഴ്‌ഷൻ അപകടസാധ്യതയുടെ നിലയെ സൂചിപ്പിക്കുന്നു.
വ്യതിയാനവും സ്റ്റാൻഡേർഡ് ഡീവിയേഷനും മനസ്സിലാക്കുന്നതിലൂടെ, തീരുമാനമെടുക്കുന്നവർക്ക് ഇവ ചെയ്യാൻ കഴിയും:
– ഒരു പ്രക്രിയ സ്ഥിരതയുള്ളതാണോ അല്ലയോ എന്ന് വിലയിരുത്തുക (ഉദാ. ഫാക്ടറി ഉത്പാദനം).
- ഗ്രൂപ്പുകൾ തമ്മിലുള്ള സ്ഥിരത താരതമ്യം ചെയ്യുക (ഉദാ: രണ്ട് പഠന രീതികൾ).
– അവലോകനം ചെയ്യേണ്ട ബാഹ്യ ഡാറ്റ തിരിച്ചറിയൽ.
- പ്രവചനങ്ങളിലും മോഡലുകളിലും അനിശ്ചിതത്വം കണക്കാക്കുന്നു.
2. വേരിയൻസിന്റെ അടിസ്ഥാന ആശയം
ശരാശരിയിൽ നിന്നുള്ള ഓരോ ഡാറ്റാ സെറ്റിന്റെയും ശരാശരി വർഗ്ഗീകൃത വ്യതിയാനമാണ് വേരിയൻസ് അളക്കുന്നത്. ഡാറ്റാ മൂല്യങ്ങളും ശരാശരിയും തമ്മിലുള്ള വ്യത്യാസമാണ് ഡീവിയേഷൻ. പല മൂല്യങ്ങളും ശരാശരിയിൽ നിന്ന് വളരെ അകലെയാണെങ്കിൽ, വേരിയൻസ് വലുതായിരിക്കും. മൂല്യങ്ങൾ ശരാശരിയോട് അടുത്താണെങ്കിൽ, വേരിയൻസ് ചെറുതായിരിക്കും.
\(\bar{x}\) എന്ന ശരാശരിയുള്ള \(x_1, x_2, …, x_n\) ഡാറ്റ ഉണ്ടെന്ന് കരുതുക. ഓരോ ഡാറ്റയുടെയും വ്യതിയാനം \(x_i – \bar{x}\) ആണ്. എന്നിരുന്നാലും, വ്യതിയാനങ്ങൾ നേരിട്ട് ചേർത്താൽ, ഫലം എല്ലായ്പ്പോഴും പൂജ്യമായിരിക്കും, കാരണം പരസ്പരം റദ്ദാക്കുന്ന പോസിറ്റീവ്, നെഗറ്റീവ് വ്യതിയാനങ്ങൾ ഉണ്ട്. ഇതിനെ മറികടക്കാൻ, വ്യതിയാനങ്ങൾ വർഗ്ഗീകരിച്ചിരിക്കുന്നതിനാൽ അവയെല്ലാം പോസിറ്റീവ് ആകും. ഇവിടെയാണ് വ്യതിയാനം ജനിക്കുന്നത്.
a) ജനസംഖ്യാ വ്യതിയാനം
ഡാറ്റ മുഴുവൻ ജനസംഖ്യയെയും പ്രതിനിധീകരിക്കുന്നതായി കണക്കാക്കുകയാണെങ്കിൽ, ജനസംഖ്യാ വ്യതിയാനം ഇങ്ങനെ എഴുതപ്പെടും:
\[
\sigma^2 = \frac{\sum_{i=1}^{N}(x_i – \mu)^2}{N}
\]
എവിടെ:
– \(N\) എന്നത് ജനസംഖ്യാ ഡാറ്റയുടെ എണ്ണമാണ്,
– \(\mu\) എന്നത് ജനസംഖ്യാ ശരാശരിയാണ്,
– \(\sigma^2\) എന്നത് ജനസംഖ്യാ വ്യതിയാനമാണ്.
b) സാമ്പിൾ വേരിയൻസ്
ഡാറ്റ ഒരു വലിയ ജനസംഖ്യയിൽ നിന്നുള്ള ഒരു സാമ്പിൾ ആണെങ്കിൽ, സാമ്പിൾ വേരിയൻസ് ഉപയോഗിക്കുന്നു:
\[
s^2 = \frac{\sum_{i=1}^{n}(x_i – \bar{x})^2}{n-1}
\]
\(n-1\) എന്ന ഹരിക്കലിനെ ബെസ്സൽ തിരുത്തൽ എന്ന് വിളിക്കുന്നു, ഇത് ജനസംഖ്യയുടെ വേരിയൻസ് എസ്റ്റിമേറ്റ് പക്ഷപാതരഹിതമാണെന്ന് ഉറപ്പാക്കാൻ ഉപയോഗിക്കുന്നു. അടിസ്ഥാനപരമായി, സാമ്പിൾ ശരാശരി ഡാറ്റയിൽ നിന്ന് തന്നെ കണക്കാക്കുന്നതിനാൽ, "സ്വാതന്ത്ര്യത്തിന്റെ ഡിഗ്രികളുടെ നഷ്ടം" ഉണ്ട്, അതിനാൽ ഹരിക്കൽ അതിനനുസരിച്ച് ക്രമീകരിക്കുന്നു.
3. സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ: വേരിയൻസിന്റെ റൂട്ട്
വേരിയൻസിന് ഒരു പ്രായോഗിക പോരായ്മയുണ്ട്: അതിന്റെ യൂണിറ്റുകൾ ഡാറ്റയുടെ യൂണിറ്റുകളുടെ വർഗ്ഗമാണ്. ഡാറ്റ "rupiah" യിലാണെങ്കിൽ, വേരിയൻസ് "rupiah²" ലാണ്, ഇത് നേരിട്ട് വ്യാഖ്യാനിക്കാൻ പ്രയാസമാണ്. അതിനാൽ, നമ്മൾ സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ ഉപയോഗിക്കുന്നു, അത് വേരിയൻസിന്റെ വർഗ്ഗമൂലമാണ്.
a) ജനസംഖ്യാ സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ
\[
\sigma = \sqrt{\sigma^2}
\]
b) സാമ്പിൾ സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ
\[
s = \sqrt{s^2}
\]
സ്റ്റാൻഡേർഡ് ഡീവിയേഷനും യഥാർത്ഥ ഡാറ്റയുടെ അതേ യൂണിറ്റുകൾ തന്നെയാണ്, ഇത് മനസ്സിലാക്കാൻ എളുപ്പമാക്കുന്നു. ഉയർന്ന സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ കൂടുതൽ വ്യാപിപ്പിച്ച ഡാറ്റയെ സൂചിപ്പിക്കുന്നു; കുറഞ്ഞ സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ കൂടുതൽ സാന്ദ്രമായ ഡാറ്റാ സെറ്റിനെ സൂചിപ്പിക്കുന്നു.
4. ലളിതമായ കണക്കുകൂട്ടൽ ഉദാഹരണം
ഉദാഹരണത്തിന്, ടെസ്റ്റ് സ്കോർ ഡാറ്റ: 70, 75, 80, 85, 90.
1) ശരാശരി കണക്കാക്കുക:
\[
\bar{x} = \frac{70+75+80+85+90}{5} = 80
\]
2) ശരാശരിയിൽ നിന്ന് ഓരോ മൂല്യത്തിന്റെയും വ്യതിയാനം കണക്കാക്കുക.:
– 70: \(70-80=-10\)
– 75: \(75-80=-5\)
– 80: \(80-80=0\)
– 85: \(85-80=5\)
– 90: \(90-80=10\)
3) വ്യതിയാനത്തിന്റെ വർഗ്ഗീകരണം:
– 100, 25, 0, 25, 100
4) കൂട്ടിച്ചേർക്കുക:
\[
\തുക (x_i-\bar{x})^2 = 250
\]
5) സാമ്പിൾ വേരിയൻസ്:
\[
s^2 = \frac{250}{5-1} = 62.5
\]
6) സാമ്പിൾ സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ:
\[
s = \sqrt{62.5} \ഏകദേശം 7.91
\]
വ്യാഖ്യാനം: ശരാശരി സ്കോർ 80 ആണ്, കൂടാതെ "സാധാരണയായി" സ്കോറുകൾ ശരാശരിയിൽ നിന്ന് ഏകദേശം 7–8 പോയിന്റുകൾ വ്യതിചലിക്കുന്നു.
5. വേരിയൻസിന്റെയും സ്റ്റാൻഡേർഡ് ഡീവിയേഷന്റെയും വ്യാഖ്യാനം
വേരിയൻസും സ്റ്റാൻഡേർഡ് ഡീവിയേഷനും വെറും സംഖ്യകളല്ല; അവ സന്ദർഭത്തിനനുസരിച്ച് വ്യാഖ്യാനിക്കണം.
– ചെറിയ സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ: ഉയർന്ന സ്ഥിരത. ഉദാഹരണത്തിന്, ഉൽപ്പന്ന വലുപ്പത്തിൽ വളരെ ചെറിയ സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ ഉള്ള ഒരു ഉൽപാദന പ്രക്രിയ സ്ഥിരതയുള്ള ഗുണനിലവാരത്തെ സൂചിപ്പിക്കുന്നു.
– വലിയ സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ: ഉയർന്ന വ്യതിയാനം. നിക്ഷേപത്തിൽ, വരുമാനത്തിന്റെ ഉയർന്ന സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ എന്നാൽ ഉയർന്ന ചാഞ്ചാട്ടം (ഉയർന്ന റിസ്ക്) എന്നാണ് അർത്ഥമാക്കുന്നത്.
– ഗ്രൂപ്പുകൾ തമ്മിലുള്ള താരതമ്യം: രണ്ട് ഗ്രൂപ്പുകൾക്ക് ഒരേ ശരാശരിയും വ്യത്യസ്ത സ്റ്റാൻഡേർഡ് ഡീവിയേഷനുകളും ഉണ്ടെങ്കിൽ, ചെറിയ ഡീവിയേഷൻ ഉള്ള ഗ്രൂപ്പ് കൂടുതൽ സജാതീയമായിരിക്കും.
എന്നിരുന്നാലും, സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ ഔട്ട്‌ലൈയറുകൾക്ക് സെൻസിറ്റീവ് ആണെന്ന് ഓർമ്മിക്കേണ്ടത് പ്രധാനമാണ്. ഒരൊറ്റ എക്സ്ട്രീം മൂല്യം വേരിയൻസും സ്റ്റാൻഡേർഡ് ഡീവിയേഷനും ഗണ്യമായി വർദ്ധിപ്പിക്കും. അതിനാൽ, വിതരണ വിശകലനം പലപ്പോഴും ദൃശ്യവൽക്കരണങ്ങൾ (ഹിസ്റ്റോഗ്രാമുകൾ, ബോക്സ്പ്ലോട്ടുകൾ) അല്ലെങ്കിൽ IQR (ഇന്റർക്വാർട്ടൈൽ ശ്രേണി) പോലുള്ള ശക്തമായ അളവുകൾ എന്നിവയാൽ പൂരകമാകുന്നു.
6. സാധാരണ വിതരണവും അനുഭവപരമായ നിയമങ്ങളുമായുള്ള ബന്ധം
ഒരു സാധാരണ വിതരണത്തിൽ (ബെൽ കർവ്), സ്റ്റാൻഡേർഡ് ഡീവിയേഷന് വളരെ ശക്തമായ അർത്ഥമുണ്ട്. പലപ്പോഴും ഉപയോഗിക്കപ്പെടുന്ന ഒരു അനുഭവ നിയമം ഉണ്ട്:
– ഏകദേശം 68% ഡാറ്റയും \(\bar{x} \pm 1s\) എന്ന ശ്രേണിയിലാണ്.
– ഏകദേശം 95% ഡാറ്റയും \(\bar{x} \pm 2s\) എന്ന ശ്രേണിയിലാണ്.
– ഏകദേശം 99,7% ഡാറ്റയും \(\bar{x} \pm 3s\) എന്ന ശ്രേണിയിലാണ്.
ഈ നിയമം ദ്രുത വ്യാഖ്യാനങ്ങൾ നടത്താൻ സഹായിക്കുന്നു, ഉദാഹരണത്തിന് ഒരു മൂല്യം "അസ്വാഭാവികം" ആണോ അതോ ഇപ്പോഴും പൊതു ശ്രേണിക്കുള്ളിലാണോ എന്ന് വിലയിരുത്തൽ.
7. വിവിധ മേഖലകളിലെ പ്രയോഗങ്ങൾ
1) വിദ്യാഭ്യാസം: വിദ്യാർത്ഥികളുടെ ഗ്രേഡുകളുടെ വിതരണം നിരീക്ഷിക്കൽ. ചെറിയ വ്യതിയാനങ്ങൾ തുല്യമായ പഠന ഫലങ്ങളെ സൂചിപ്പിക്കുന്നു, അതേസമയം വലിയ വ്യതിയാനങ്ങൾ മനസ്സിലാക്കുന്നതിലെ വിടവുകളെ സൂചിപ്പിക്കുന്നു.
2) വ്യവസായം: ഗുണനിലവാര നിയന്ത്രണം. ഉൽപാദന സ്ഥിരത വിലയിരുത്തുന്നതിന് വേരിയൻസ് ഉപയോഗിക്കുന്നു.
3) ധനകാര്യം: ഓഹരി വിലയിലെ ചാഞ്ചാട്ടം, പോർട്ട്‌ഫോളിയോ വരുമാനം, നിക്ഷേപ അപകടസാധ്യത എന്നിവ അളക്കുന്നു.
4) ആരോഗ്യം: ഒരു രോഗിയുടെ രക്തസമ്മർദ്ദം, പഞ്ചസാരയുടെ അളവ്, അല്ലെങ്കിൽ മറ്റ് ക്ലിനിക്കൽ സൂചകങ്ങൾ എന്നിവയിലെ വ്യതിയാനങ്ങൾ നിരീക്ഷിക്കൽ.
5) സാമൂഹിക ഗവേഷണം: സർവേ പ്രതികരണങ്ങളുടെ വൈവിധ്യവും പ്രതികരിക്കുന്നവരുടെ സ്വഭാവസവിശേഷതകളുടെ വൈവിധ്യവും വിലയിരുത്തൽ.
8. സാധാരണ തെറ്റുകളും പ്രായോഗിക നുറുങ്ങുകളും
ചില സാധാരണ തെറ്റുകൾ:
– ഡാറ്റ പൂർണ്ണ ജനസംഖ്യയാണെങ്കിലും സാമ്പിൾ വേരിയൻസ് (ഹാരകം \(n-1\)) ഉപയോഗിക്കുന്നു, അല്ലെങ്കിൽ തിരിച്ചും.
– വ്യതിയാനത്തെ അതിന്റെ വർഗ്ഗ യൂണിറ്റുകൾ പരിഗണിക്കാതെ വ്യാഖ്യാനിക്കുക; വ്യാഖ്യാനത്തിനായി സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ ഉപയോഗിക്കുന്നതാണ് സുരക്ഷിതം.
– ഔട്ട്‌ലൈയറുകൾ അവഗണിക്കുക; ആദ്യം ഡാറ്റ പരിശോധിക്കുന്നതാണ് നല്ലത്.
– വ്യത്യസ്ത സ്കെയിലുകളുള്ള ഡാറ്റ തമ്മിലുള്ള സ്റ്റാൻഡേർഡ് ഡീവിയേഷനുകൾ നോർമലൈസേഷൻ ഇല്ലാതെ താരതമ്യം ചെയ്യുക; ചില സന്ദർഭങ്ങളിൽ, കൂടുതൽ കൃത്യമായ താരതമ്യത്തിനായി കോഫിഫിഷ്യന്റ് ഓഫ് വേരിയേഷൻ (CV) അതായത് \(CV = \frac{s}{\bar{x}}\times 100\%\) ഉപയോഗിക്കുക.
പെനുട്ടപ്പ്
ഡാറ്റാ വിതരണം മനസ്സിലാക്കുന്നതിനുള്ള അടിസ്ഥാന ഉപകരണങ്ങളാണ് വേരിയൻസും സ്റ്റാൻഡേർഡ് ഡീവിയേഷനും. വേരിയൻസ് ശക്തമായ ഒരു ഗണിതശാസ്ത്ര അടിത്തറ നൽകുന്നു, അതേസമയം സ്റ്റാൻഡേർഡ് ഡീവിയേഷൻ യഥാർത്ഥ ഡാറ്റയ്ക്ക് സമാനമായതിനാൽ വ്യാഖ്യാനിക്കാൻ എളുപ്പമുള്ള ഒരു അളവാണ് നൽകുന്നത്. ഈ രണ്ട് അളവുകൾ ഉപയോഗിക്കുന്നതിലൂടെ, ഡാറ്റാ സെറ്റുകൾക്കിടയിലുള്ള വിതരണ സ്വഭാവത്തിലെ സ്ഥിരത, അപകടസാധ്യത, വ്യത്യാസങ്ങൾ എന്നിവ നമുക്ക് കൂടുതൽ വ്യക്തമായി വിലയിരുത്താൻ കഴിയും. ഡാറ്റാ വിശകലന രീതികളിൽ , ഡാറ്റയുടെ പൂർണ്ണമായ ചിത്രം നൽകുന്നതിനും കൂടുതൽ അറിവുള്ള തീരുമാനങ്ങൾ എടുക്കുന്നതിനും സെൻട്രൽ ട്രെൻഡിന്റെയും വിഷ്വലൈസേഷന്റെയും അളവുകളുമായി സംയോജിപ്പിച്ച് വേരിയൻസും സ്റ്റാൻഡേർഡ് ഡീവിയേഷനും ഏറ്റവും നന്നായി ഉപയോഗിക്കുന്നു.
നിങ്ങൾക്ക് വേണമെങ്കിൽ, എനിക്ക് കൂടുതൽ സങ്കീർണ്ണമായ കണക്കുകൂട്ടൽ ഉദാഹരണങ്ങൾ (ഉദാ. ഗ്രൂപ്പുചെയ്‌ത ഡാറ്റ) ചേർക്കാൻ കഴിയും, അല്ലെങ്കിൽ z-സ്‌കോറും ഔട്ട്‌ലിയർ ഡിറ്റക്ഷനും തമ്മിലുള്ള സ്റ്റാൻഡേർഡ് ഡീവിയേഷന്റെ ബന്ധം വിശദീകരിക്കാം.
