प्रमाणित विचलन कसे मोजावे
मानक विचलन समजून घेणे
प्रमाण विचलन ही सांख्यिकीमधील एक मूलभूत संकल्पना आहे, जी डेटा मूल्यांच्या संचातील तफावतीचे किंवा विखुरलेपणाचे प्रमाण मोजते. सोप्या भाषेत सांगायचे झाल्यास, डेटासेटमधील प्रत्येक डेटा बिंदू त्या डेटासेटच्या मध्यापासून (सरासरीपासून) किती भिन्न आहे, हे ते सांगते. कमी प्रमाण विचलनाचा अर्थ असा होतो की डेटा बिंदू मध्याच्या जवळ असण्याची प्रवृत्ती असते, तर उच्च प्रमाण विचलन हे दर्शवते की डेटा बिंदू मूल्यांच्या विस्तृत श्रेणीवर पसरलेले आहेत.
माहितीचे विश्लेषण करण्यासाठी आणि सुजाण निर्णय घेण्यासाठी वित्त, अर्थशास्त्र, अभियांत्रिकी आणि नैसर्गिक विज्ञान यांसारख्या क्षेत्रांमध्ये मानक विचलनाचा मोठ्या प्रमाणावर वापर केला जातो. या लेखात, आपण मानक विचलनाची गणना करण्याची टप्प्याटप्प्याची प्रक्रिया, स्वतःच्या हाताने आणि सांख्यिकीय सॉफ्टवेअर वापरून, जाणून घेणार आहोत.
मानक विचलनाची टप्प्याटप्प्याने गणना
प्रमाणित विचलनाची गणना करण्यासाठी, खालील पायऱ्यांचे अनुसरण करा:
१. मध्यमान (सरासरी) निश्चित करा:
– सर्व डेटा पॉइंट्स एकत्र जोडा.
– बेरजेला डेटा पॉइंट्सच्या संख्येने भागा.
– मध्याचे (लोकसंख्येसाठी μ, नमुन्यासाठी \(\bar{x}\)) सूत्र खालीलप्रमाणे आहे:
\[
मध्य (\mu) = \frac{\sum{X_i}}{N}
\]
कोठे:
\( \sum \) = ची बेरीज,
\( X_i \) = प्रत्येक स्वतंत्र डेटा बिंदू,
\( N \) = डेटा पॉइंट्सची एकूण संख्या.
२. मध्यमान वजा करा आणि मिळालेल्या उत्तराचा वर्ग करा.
– प्रत्येक डेटा पॉईंटमधून मध्यमान वजा करा आणि आलेल्या उत्तराचा वर्ग करा. या पायरीला प्रत्येक डेटा पॉईंटचे मध्यमानापासूनचे विचलन मोजणे असेही म्हणतात.
\[
(X_i – \mu)^2
\]
३. या वर्ग विचलनांची सरासरी काढा:
– सर्व वर्ग विचलनांची बेरीज करा.
– जर तुम्ही लोकसंख्येसाठी गणना करत असाल तर या बेरजेला डेटा पॉइंट्सच्या संख्येने भागा, किंवा जर तुम्ही नमुन्यासाठी गणना करत असाल तर डेटा पॉइंट्सच्या संख्येतून एक वजा करून येणाऱ्या संख्येने भागा.
\[
लोकसंख्या विचलन (\sigma^2) = \frac{\sum{(X_i – \mu)^2}}{N}
\]
\[
नमुना विचलन (s^2) = \frac{\sum{(X_i – \bar{x})^2}}{n-1}
\]
४. प्रसरणाचे वर्गमूळ घ्या:
– मानक विचलन हे प्रसरणाचे वर्गमूळ असते, जे आधीच्या वर्ग करण्याच्या पायरीचा परिणाम निष्प्रभ करते आणि मापनाच्या मूळ एककांमधील विखुरलेपणाचे माप प्रदान करते.
\[
लोकसंख्या मानक विचलन (\sigma) = \sqrt{\sigma^2}
\]
\[
नमुना मानक विचलन (s) = \sqrt{s^2}
\]
मानक विचलनाच्या गणनेचे उदाहरण
पाच विद्यार्थ्यांच्या परीक्षेतील गुणांचा एक नमुना विचारात घ्या: 85, 90, 92, 88, आणि 91. चला या नमुन्यासाठी मानक विचलन काढूया.
१. मध्यमान काढा:
\[
\bar{x} = \frac{85 + 90 + 92 + 88 + 91}{5} = \frac{446}{5} = 89.2
\]
२. मध्यापासून प्रत्येक विचलन काढा आणि त्याचा वर्ग करा.
\[
(११ – ८.१६७)² = ७.९४५
\]
\[
(११ – ८.१६७)² = ७.९४५
\]
\[
(११ – ८.१६७)² = ७.९४५
\]
\[
(११ – ८.१६७)² = ७.९४५
\]
\[
(११ – ८.१६७)² = ७.९४५
\]
३. वर्ग विचलनांची सरासरी काढा :
\[
s^2 = \frac{17.64 + 0.64 + 7.84 + 1.44 + 3.24}{5 – 1} = \frac{30.8}{4} = 7.7
\]
४. प्रसरणाचे वर्गमूळ काढा:
\[
s = √7.7 ≈ 2.78
\]
परीक्षेच्या गुणांचे मानक विचलन सुमारे २.७८ आहे.
सांख्यिकीय सॉफ्टवेअर वापरून
जरी हाताने केलेल्या गणनेमुळे मानक विचलन कसे ठरवले जाते याची मूलभूत समज मिळत असली तरी, सांख्यिकीय सॉफ्टवेअर वापरल्याने ही प्रक्रिया लक्षणीयरीत्या सोपी होऊ शकते, विशेषतः मोठ्या डेटासेटसाठी. मानक विचलनाची गणना करण्यासाठी सामान्य साधने आणि त्यांचा वापर कसा करायचा हे येथे दिले आहे:
– मायक्रोसॉफ्ट एक्सेल :
– तुमचा डेटा एका कॉलममध्ये भरा.
– नमुन्यासाठी `=STDEV.S(range)` किंवा लोकसंख्येसाठी `=STDEV.P(range)` हे सूत्र वापरा.
– आर प्रोग्रामिंग :
"आर
``` data <- c(85, 90, 92, 88, 91) sample_sd <- sd(data) ``` - Python : ```python import numpy as np data = [85, 90, 92, 88, 91] sample_sd = np.std(data, ddof=1) ``` सॉफ्टवेअर वापरल्याने केवळ काही कमांड्सद्वारे अचूक परिणाम मिळतात, ज्यामुळे जलद सांख्यिकीय विश्लेषण करणे शक्य होते. मानक विचलनाचे महत्त्व मानक विचलन हे केवळ एक संख्या नाही; ते डेटा विश्लेषण आणि निर्णय प्रक्रियेत महत्त्वपूर्ण भूमिका बजावते: - वित्तीय बाजारपेठा: हे मालमत्तेच्या परताव्यातील अस्थिरतेचे मूल्यांकन करण्यास मदत करते. - गुणवत्ता नियंत्रण: हे उत्पादित वस्तूंच्या सुसंगततेचे मोजमाप करते. - वैज्ञानिक संशोधन: हे प्रायोगिक डेटामधील परिवर्तनशीलता समजून घेण्यास मदत करते. - शिक्षण: हे विद्यार्थ्यांच्या गुणांचा मध्याभोवतीचा विस्तार मोजते. याव्यतिरिक्त, मानक विचलन हे विश्वास्यता अंतराल (confidence intervals) आणि गृहीतक चाचणी (hypothesis testing) यांसारख्या विविध सांख्यिकीय पद्धतींसाठी पायाभूत आहे. निष्कर्ष डेटाचा मध्याभोवतीचा विस्तार विश्लेषित करण्यासाठी मानक विचलन समजून घेणे आणि त्याची गणना करणे आवश्यक आहे. तुम्ही लहान डेटासेटसाठी हे स्वतः हाताने करत असाल किंवा मोठ्या डेटासेटसाठी सांख्यिकीय सॉफ्टवेअर वापरत असाल, या संकल्पनेवर प्रभुत्व मिळवल्याने तुमची डेटाचे चिकित्सकपणे विश्लेषण करण्याची क्षमता वाढते. जसजसे तुम्ही या गणितांमध्ये अधिक पारंगत व्हाल, तसतसे तुमच्या लक्षात येईल की प्रमाणित विचलन तुमच्या डेटाच्या सुसंगतता आणि विश्वासार्हतेबद्दल मौल्यवान अंतर्दृष्टी प्रदान करते.
