डेटा वितरणातील विचलन आणि मानक विचलनाचे विश्लेषण
सांख्यिकीमध्ये, मध्यमान किंवा मध्यक यांसारखी मध्यवर्ती मूल्ये समजून घेणे जितके महत्त्वाचे आहे, तितकेच माहितीचे वितरण समजून घेणेही महत्त्वाचे आहे. दोन माहिती संचांची सरासरी समान असू शकते, परंतु त्यांचे वितरण खूप भिन्न असू शकते: एक संच सरासरीच्या भोवती घट्टपणे केंद्रित असू शकतो, तर दुसरा विस्तृतपणे पसरलेला असू शकतो. येथेच विचलन आणि प्रमाण विचलन यांची भूमिका येते—माहिती तिच्या मध्यवर्ती मूल्यापासून किती विचलित होते, हे मोजणारी ही प्रमुख मापे आहेत. या लेखात त्यांच्या संकल्पना, सूत्रे, अर्थ आणि माहिती विश्लेषणातील त्यांच्या उपयोगाच्या उदाहरणांवर चर्चा केली आहे.
१. डेटाचा प्रसार महत्त्वाचा का आहे?
डेटाची विखुरलेपणा सुसंगतता आणि जोखमीबद्दल माहिती देते. उदाहरणार्थ, परीक्षेतील गुणांच्या संदर्भात, वर्ग A आणि B या दोन्हींची सरासरी ८० असू शकते. तथापि, जर वर्ग A च्या गुणांमधील तफावत कमी असेल, तर बहुसंख्य विद्यार्थ्यांची कामगिरी सारखीच असते. याउलट, जर वर्ग B च्या गुणांमधील तफावत जास्त असेल, तर अशी शक्यता आहे की काही विद्यार्थ्यांना खूप जास्त गुण मिळाले आहेत आणि इतरांना खूप कमी गुण मिळाले आहेत. व्यवसायात, विक्रीच्या डेटाची विखुरलेपणा महसुलाची स्थिरता दर्शवते; वित्त क्षेत्रात, गुंतवणुकीवरील परताव्याची विखुरलेपणा जोखमीची पातळी दर्शवते.
विचलन आणि मानक विचलन समजून घेतल्याने, निर्णय घेणारे पुढील गोष्टी करू शकतात:
– एखादी प्रक्रिया स्थिर आहे की नाही याचे मूल्यांकन करा (उदा. कारखान्यातील उत्पादन).
– गटांमधील सुसंगततेची तुलना करणे (उदा. दोन शिक्षण पद्धती).
– पुनरावलोकन करण्यायोग्य असलेल्या विसंगत डेटाची ओळख पटवणे.
– भाकिते आणि मॉडेल्समधील अनिश्चिततेचा अंदाज लावणे.
२. विचलनाची मूलभूत संकल्पना
विचलन हे प्रत्येक डेटा संचाचे मध्यापासूनच्या सरासरी वर्ग विचलनाचे मापन करते. विचलन म्हणजे डेटा मूल्ये आणि मध्य यांमधील फरक होय. जर अनेक मूल्ये मध्यापासून दूर असतील, तर विचलन मोठे असेल. जर मूल्ये मध्याच्या जवळ असतील, तर विचलन लहान असेल.
समजा \(x_1, x_2, …, x_n\) हा डेटा आहे आणि त्याचा मध्य \(\bar{x}\) आहे. प्रत्येक डेटाचे विचलन \(x_i – \bar{x}\) आहे. तथापि, जर विचलनांची थेट बेरीज केली, तर निकाल नेहमी शून्य येतो, कारण त्यात धन आणि ऋण विचलन असतात जे एकमेकांना रद्द करतात. यावर मात करण्यासाठी, विचलनांचा वर्ग केला जातो जेणेकरून ते सर्व धन होतील. येथूनच प्रसरणाचा जन्म होतो.
अ) लोकसंख्या विचलन
जर डेटा संपूर्ण लोकसंख्येचे प्रतिनिधित्व करतो असे मानले गेले, तर लोकसंख्या विचलन खालीलप्रमाणे लिहिले जाते:
\[
\sigma^2 = \frac{\sum_{i=1}^{N}(x_i – \mu)^2}{N}
\]
di mana:
– \(N\) ही लोकसंख्येच्या डेटाची संख्या आहे,
– \(\mu\) हे लोकसंख्येचे सरासरी आहे,
– \(\sigma^2\) हे लोकसंख्येचे विचलन आहे.
ब) नमुना विचलन
जर डेटा मोठ्या लोकसंख्येमधून घेतलेला नमुना असेल, तर नमुना प्रसरण वापरले जाते:
\[
s^2 = \frac{\sum_{i=1}^{n}(x_i – \bar{x})^2}{n-1}
\]
भाजक \(n-1\) ला बेसेल सुधारणा म्हणतात, आणि लोकसंख्येच्या प्रसरण अंदाजात कोणताही पूर्वग्रह नसावा हे सुनिश्चित करण्यासाठी याचा वापर केला जातो. मूलतः, नमुन्याची सरासरी स्वतः डेटावरूनच मोजली जात असल्यामुळे, 'स्वातंत्र्य अंशांची घट' होते, म्हणून भाजक त्यानुसार समायोजित केला जातो.
३. मानक विचलन: प्रसरणाचे मूळ
प्रसरणाचा एक व्यावहारिक तोटा आहे: त्याचे एकक हे डेटाच्या एककांचा वर्ग असतो. जर डेटा 'रुपया'मध्ये असेल, तर प्रसरण 'रुपया²' मध्ये असते, ज्याचा थेट अर्थ लावणे कठीण आहे. म्हणून, आपण मानक विचलनाचा वापर करतो, जे प्रसरणाचे वर्गमूळ असते.
अ) लोकसंख्या मानक विचलन
\[
\sigma = \sqrt{\sigma^2}
\]
ब) नमुना मानक विचलन
\[
s = \sqrt{s^2}
\]
प्रमाणित विचलनाचे एकक मूळ डेटाच्या एककासारखेच असते, ज्यामुळे ते समजायला सोपे जाते. उच्च प्रमाणित विचलन अधिक विखुरलेला डेटा दर्शवते; तर कमी प्रमाणित विचलन अधिक दाट डेटा संच दर्शवते.
४. सोप्या गणनेचे उदाहरण
उदाहरणार्थ, परीक्षेतील गुणांची माहिती: ७०, ७५, ८०, ८५, ९०.
१) सरासरी काढा:
\[
\bar{x} = \frac{70+75+80+85+90}{5} = 80
\]
२) प्रत्येक मूल्याचे मध्यापासूनचे विचलन काढा:
– ७५: \(७५-८०=-५\)
– ७५: \(७५-८०=-५\)
– 80: \(80-80=0\)
– 85: \(85-80=5\)
– 90: \(90-80=10\)
३) विचलनाचा वर्ग करा:
– १००, २५, ०, २५, १००
४) बेरीज करा:
\[
\sum (x_i-\bar{x})^2 = 250
\]
५) नमुना विचलन:
\[
s^2 = \frac{250}{5-1} = 62.5
\]
६) नमुन्याचे मानक विचलन:
\[
s = √62.5 ≈ 7.91
\]
निष्कर्ष: सरासरी गुण 80 आहे, आणि “सहसा” गुण सरासरीपेक्षा सुमारे 7-8 अंकांनी कमी-जास्त होतात.
५. विचलन आणि प्रमाण विचलनाचे स्पष्टीकरण
विचलन आणि प्रमाण विचलन हे केवळ आकडे नाहीत; त्यांचा अर्थ संदर्भासह लावला पाहिजे.
– कमी मानक विचलन: उच्च सुसंगतता. उदाहरणार्थ, उत्पादनाच्या आकारात अत्यंत कमी मानक विचलन असलेली उत्पादन प्रक्रिया स्थिर गुणवत्ता दर्शवते.
– मोठे मानक विचलन: उच्च तफावत. गुंतवणुकीमध्ये, परताव्याचे उच्च मानक विचलन म्हणजे उच्च अस्थिरता (उच्च जोखीम).
– गटांमधील तुलना: जर दोन गटांचे मध्यमान समान असेल परंतु प्रमाण विचलन भिन्न असतील, तर ज्या गटाचे विचलन कमी असते तो गट अधिक एकजिनसी असतो.
तथापि, हे लक्षात ठेवणे महत्त्वाचे आहे की मानक विचलन हे बाह्य मूल्यांप्रति संवेदनशील असते. एकच टोकाचे मूल्य विचलन आणि मानक विचलन लक्षणीयरीत्या वाढवू शकते. त्यामुळे, वितरण विश्लेषणास अनेकदा दृश्यात्मक मांडणी (हिस्टोग्राम, बॉक्सप्लॉट) किंवा आंतरचतुर्थक श्रेणी (IQR) यांसारख्या विश्वसनीय मापनांची जोड दिली जाते.
६. सामान्य वितरणाशी संबंध आणि अनुभवजन्य नियम
सामान्य वितरणात (घंटाकृती वक्र), मानक विचलनाला खूप महत्त्व असते. एक अनुभवजन्य नियम आहे जो अनेकदा वापरला जातो:
– सुमारे ९९.७% डेटा \(\bar{x} \pm 1s\) या मर्यादेत आहे.
– सुमारे ९९.७% डेटा \(\bar{x} \pm 2s\) या मर्यादेत आहे.
– सुमारे ९९.७% डेटा \(\bar{x} \pm 3s\) या मर्यादेत आहे.
हा नियम जलद अर्थ लावण्यास मदत करतो, उदाहरणार्थ एखादे मूल्य "अनैसर्गिक" आहे की ते सामान्य मर्यादेत आहे याचे मूल्यांकन करणे.
७. विविध क्षेत्रांतील उपयोग
१) शिक्षण: विद्यार्थ्यांच्या गुणांच्या वितरणाचे निरीक्षण करणे. किरकोळ तफावती समान शैक्षणिक निष्पत्ती दर्शवतात, तर मोठ्या तफावती आकलनातील उणिवा दर्शवू शकतात.
२) उद्योग: गुणवत्ता नियंत्रण. उत्पादनातील सुसंगततेचे मूल्यांकन करण्यासाठी फरकाचा वापर केला जातो.
३) वित्त: शेअरच्या किमतीतील अस्थिरता, पोर्टफोलिओवरील परतावा आणि गुंतवणुकीतील जोखीम मोजते.
४) आरोग्य: रुग्णांच्या समूहातील रक्तदाब, साखरेची पातळी किंवा इतर वैद्यकीय निर्देशकांमधील बदलांचे निरीक्षण करणे.
५) सामाजिक संशोधन: सर्वेक्षण प्रतिसादांमधील भिन्नता आणि प्रतिसादकर्त्यांच्या वैशिष्ट्यांमधील विविधतेचे मूल्यांकन करणे.
८. सामान्य चुका आणि व्यावहारिक सूचना
काही सामान्य चुका:
– डेटा संपूर्ण लोकसंख्येचा असूनही नमुना विचलन (भाजक \(n-1\)) वापरणे, किंवा याउलट.
– प्रसरणाचे वर्ग एकक विचारात न घेता त्याचा अर्थ लावा; अर्थ लावण्यासाठी प्रमाण विचलन वापरणे अधिक सुरक्षित आहे.
– विसंगत मूल्यांकडे दुर्लक्ष करा; प्रथम डेटा तपासणे उत्तम.
– सामान्यीकरण न करता वेगवेगळ्या स्केलवरील डेटामधील मानक विचलनांची तुलना करा; काही प्रकरणांमध्ये, अधिक योग्य तुलनेसाठी विचलन गुणांक (CV) वापरा, म्हणजेच \(CV = \frac{s}{\bar{x}}\times 100\%\).
बंद होत आहे
डेटाचे वितरण समजून घेण्यासाठी विचलन आणि प्रमाण विचलन ही मूलभूत साधने आहेत. विचलन एक मजबूत गणितीय पाया प्रदान करते, तर प्रमाण विचलन एक असे माप प्रदान करते ज्याचा अर्थ लावणे सोपे असते, कारण ते मूळ डेटासारखेच असते. या दोन मापांचा उपयोग करून, आपण डेटा संचांमधील वितरण वैशिष्ट्यांमधील सुसंगतता, धोका आणि फरक यांचे अधिक स्पष्टपणे मूल्यांकन करू शकतो. डेटा विश्लेषणाच्या व्यवहारात, डेटाचे संपूर्ण चित्र मिळवण्यासाठी आणि अधिक माहितीपूर्ण निर्णय घेण्यासाठी, विचलन आणि प्रमाण विचलन यांचा वापर केंद्रीय प्रवृत्तीची मापे आणि दृश्यांकन यांच्यासोबत एकत्रितपणे करणे सर्वोत्तम ठरते.
तुमची इच्छा असल्यास, मी अधिक क्लिष्ट गणनांची उदाहरणे (उदा. गटबद्ध डेटा) जोडू शकेन, किंवा मानक विचलनाचा झेड-स्कोर आणि आउटलायर डिटेक्शनशी असलेला संबंध स्पष्ट करू शकेन.
