विषमता आणि कुर्टोसिसचा परिचय
सांख्यिकीच्या क्षेत्रात, डेटासेटमधील मूळ नमुन्यांचा अर्थ लावण्यासाठी आणि ते समजून घेण्यासाठी डेटा विश्लेषण आवश्यक आहे. या डेटासेटचे वर्णन आणि सारांश करण्यास मदत करणाऱ्या प्रमुख संकल्पना म्हणजे विषमता (skewness) आणि कुर्टोसिस (kurtosis). ही दोन मापे मध्यक (mean) आणि प्रमाण विचलन (standard deviation) यांच्या पलीकडे जाऊन, डेटाचा आकार आणि वितरणाबद्दल मौल्यवान अंतर्दृष्टी प्रदान करतात.
विषमता: डेटा असममितता समजून घेणे
विषमता म्हणजे डेटा पॉइंट्सच्या वितरणातील असममितता किंवा सममितीचा अभाव. सामान्य वितरणासारख्या पूर्णपणे सममित वितरणात, हिस्टोग्रामची डावी आणि उजवी बाजू आरशातील प्रतिमेप्रमाणे असतात. तथापि, वास्तविक जगातील डेटा क्वचितच परिपूर्ण सममितीशी जुळतो, ज्यामुळे विषमता निर्माण होते.
१. विषमतेचे प्रकार:
– पॉझिटिव्ह स्क्यूनेस (उजवीकडे झुकलेले): या परिस्थितीत, वितरणाची उजवीकडील शेपटी डावीकडील शेपटीपेक्षा लांब किंवा जाड असते. हे दर्शवते की बहुतेक डेटा पॉइंट्स डावीकडे केंद्रित आहेत, आणि उच्च मूल्यांकडे विस्तारणारे आउटलायर्स कमी आहेत. याचे एक उदाहरण कौटुंबिक उत्पन्न असू शकते, जिथे बहुतेक लोक एका विशिष्ट मर्यादेपेक्षा कमी कमावतात, परंतु काही व्यक्ती त्यापेक्षा लक्षणीयरीत्या जास्त कमावतात.
– नकारात्मक विषमता (डावीकडे झुकलेली): यामध्ये, वितरणाच्या डाव्या बाजूची शेपटी अधिक लांब किंवा जाड असते. बहुतेक डेटा पॉइंट्स उजव्या बाजूला केंद्रित असतात आणि कमी मूल्याचे आउटलायर्स कमी असतात. याचे एक उदाहरण म्हणजे सेवानिवृत्तीचे वय, जिथे बहुतेक लोक विशिष्ट वयोगटात सेवानिवृत्त होतात, परंतु काही जण त्याही खूप आधी सेवानिवृत्त होतात.
– शून्य विषमता : हे पूर्णपणे सममित वितरणात आढळते, जिथे डावी आणि उजवी टोके एकमेकांचे प्रतिबिंब असतात. सामान्य वितरण हे याचे उत्तम उदाहरण आहे.
२. विषमता मोजणे:
खालील सूत्राचा वापर करून विषमता मोजता येते:
\[
विषमता = \frac{n}{(n-1)(n-2)} \sum_{i=1}^n \left( \frac{x_i – \bar{x}}{s} \right)^3
\]
– n ही निरीक्षणांची संख्या आहे
– x_i प्रत्येक स्वतंत्र निरीक्षणाचे प्रतिनिधित्व करते
– \(\bar{x}\) ही निरीक्षणांची सरासरी आहे
– s हे मानक विचलन आहे
सकारात्मक मूल्ये उजवीकडील विषमता दर्शवतात, तर नकारात्मक मूल्ये डावीकडील विषमता दर्शवतात.
कर्टोसिस: डेटा टेल हेवीनेस समजून घेणे
कर्टोसिस डेटा वितरणाची "शेपटीसारखी रचना" मोजते. स्क्यूनेस सममितीशी संबंधित असताना, कर्टोसिस मध्यवर्ती शिखराची उंची आणि तीक्ष्णता तसेच शेपटीच्या भागांची जाडी विचारात घेते. कर्टोसिसचे सामान्यतः तीन प्रकारांमध्ये वर्गीकरण केले जाते:
१. कर्टोसिसचे प्रकार:
– लेप्टोकुर्टिक : धन कर्टोसिस मूल्ये असलेली वितरणे दर्शवतात की अधिक डेटा मूल्ये मध्याभोवती केंद्रित असतात, ज्यामुळे टोकदार शिखरे आणि जाड शेपटी तयार होतात. याचा अर्थ आउटलायर्सची (असामान्य मूल्यांची) शक्यता जास्त असते. शेअर बाजारातील परतावा अनेकदा लेप्टोकुर्टिक वर्तन दर्शवतो, जे अत्यंत तीव्र बदल प्रतिबिंबित करते.
– प्लॅटिकर्टिक : ऋणात्मक कर्टोसिस मूल्य असलेल्या वितरणांमध्ये सपाट शिखरे आणि पातळ शेपटी दिसतात, म्हणजेच डेटा पॉइंट्स मध्याभोवती अधिक समान रीतीने पसरलेले असतात. यादृच्छिक संख्यांचे संच प्लॅटिकर्टिक वैशिष्ट्ये दर्शवतात.
– मेसोकर्टिक : सामान्य वितरणाप्रमाणे, शून्याच्या जवळ कर्टोसिस मूल्य असलेले वितरण मध्यम शिखर आणि शेपटीची जाडी दर्शवते.
२. कर्टोसिसची गणना करणे:
कर्टोसिसची गणना खालील सूत्राने केली जाते:
\[
\text{कुर्टोसिस} = \frac{n(n+1)}{(n-1)(n-2)(n-3)} \sum_{i=1}^n \left( \frac{x_i – \bar{x}}{s} \right)^4 – 3 \frac{(n-1)^2}{(n-2)(n-3)}
\]
विषमता प्रमाणेच, n ही निरीक्षणांची संख्या आहे, x_i हे प्रत्येक निरीक्षण आहे, \(\bar{x}\) हे मध्यमान आहे आणि s हे मानक विचलन आहे. सामान्य वितरणाचे कुर्टोसिस शून्य करण्यासाठी तीनने वजाबाकी केली जाते. धन मूल्ये लेप्टोकुर्टिक वितरण दर्शवतात, तर ऋण मूल्ये प्लॅटिकुर्टिक वितरण दर्शवतात.
व्यावहारिक परिणाम आणि अनुप्रयोग
विषमता आणि कुर्टोसिस या केवळ तात्विक संकल्पना नाहीत, तर वित्त, गुणवत्ता नियंत्रण आणि जीवशास्त्र यांसारख्या विविध क्षेत्रांमध्ये त्यांचे व्यावहारिक परिणाम आहेत.
१. वित्त:
– जोखीम व्यवस्थापनामध्ये, आर्थिक परताव्याचे मॉडेलिंग आणि पूर्वानुमान करण्यासाठी स्क्यूनेस आणि कर्टोसिसचा वापर केला जातो. स्क्यूनेस अत्यंत सकारात्मक किंवा नकारात्मक बदलांच्या जोखमीबद्दल माहिती देतो, तर कर्टोसिस अत्यंत टोकाच्या घटना किंवा ब्लॅक स्वान घटनांची शक्यता समजून घेण्यास मदत करतो.
– पोर्टफोलिओ व्यवस्थापक मालमत्ता निवडताना विषमता आणि कुर्टोसिसचा विचार करतात आणि जोखीम व परतावा यांच्यात आदर्श संतुलन साधण्याचा प्रयत्न करतात.
२. गुणवत्ता नियंत्रण:
उत्पादन क्षेत्रात, उत्पादन प्रक्रियेतील डेटाच्या विषमतेचे विश्लेषण केल्याने अकार्यक्षमता किंवा गुणवत्तेतील तफावती समोर येऊ शकतात. कर्टोसिस संभाव्य आउटलायर्स ओळखू शकते, जे दोष किंवा दुर्मिळ त्रुटी दर्शवू शकतात.
३. जीवशास्त्र आणि वैद्यकशास्त्र:
– साथरोगशास्त्रामध्ये, विषमता रोगांचा प्रसार दर्शवू शकते, तर कुर्टोसिस सुपर-स्प्रेडर्सची उपस्थिती सूचित करू शकते. अनुवंशशास्त्रामध्ये, ही मापे लोकसंख्येमधील गुणधर्मांच्या वितरणाचे विश्लेषण करण्यास मदत करतात.
४. पर्यावरणशास्त्र:
संशोधक प्रदूषणाच्या माहितीचा अभ्यास करण्यासाठी विषमता वापरतात, ज्यामुळे प्रदूषकांच्या प्रसारातील प्रवृत्ती उघड होतात. कुर्टोसिस तेल गळती किंवा दुर्मिळ प्रजातींचे दर्शन यांसारख्या दुर्मिळ परंतु महत्त्वपूर्ण पर्यावरणीय घटना समजून घेण्यास मदत करते.
निष्कर्ष
विषमता आणि कुर्टोसिस समजून घेतल्याने डेटाचा अधिक समृद्ध आणि सूक्ष्म दृष्टिकोन मिळतो, ज्यामुळे विविध क्षेत्रांमध्ये उत्तम निर्णय घेण्यास मदत होते. विषमता विषमता दर्शवते, तर कुर्टोसिस वितरणाचे टोकाकडील वर्तन अधोरेखित करते. एकत्रितपणे, ही मापे पारंपरिक सारांश सांख्यिकीच्या पलीकडे जाऊन महत्त्वपूर्ण अंतर्दृष्टी देतात, ज्यामुळे जटिल घटनांचे विश्लेषण करण्याची आणि त्यांचे भाकीत करण्याची आपली क्षमता वाढते.
कोणत्याही सांख्यिकीय साधनाप्रमाणे, हे लक्षात ठेवणे महत्त्वाचे आहे की विषमता आणि कुर्टोसिस हे इतर वर्णनात्मक सांख्यिकीसोबत वापरल्यास सर्वाधिक माहितीपूर्ण ठरतात. हा समग्र दृष्टिकोन डेटा वितरणाची व्यापक समज सुनिश्चित करतो, ज्यामुळे माहितीपूर्ण निर्णय घेण्यास आणि नवीन शोधांना चालना मिळण्यास मदत होते.
