प्रसरण कसे मोजावे

विचलन कसे मोजावे: एक संपूर्ण मार्गदर्शक

विचलन हे एक मूलभूत सांख्यिकी आहे, जे अर्थशास्त्र आणि अभियांत्रिकीपासून ते मानसशास्त्र आणि प्रत्यक्ष सांख्यिकीपर्यंत विविध क्षेत्रांमध्ये वापरले जाते. डेटा सेटमधील मूल्ये मध्याभोवती किती प्रमाणात पसरलेली आहेत, याबद्दल ते माहिती देते. या लेखात, आपण विचलनाची व्याख्या ते प्रत्यक्ष कृतीपर्यंत, त्याची गणना कशी करायची हे सखोलपणे जाणून घेणार आहोत.

पेंडाहुलुआन

विचलन समजून घेण्यासाठी, आपल्याला सांख्यिकीमधील काही मूलभूत संकल्पना समजून घेणे आवश्यक आहे. विचलन हे डेटा सेटमधील मूल्ये मध्यापासून किती दूर विचलित होतात याचे एक माप आहे. प्रत्येक मूल्य आणि मध्य यांच्यातील वर्ग केलेल्या फरकांची सरासरी काढून विचलनाची गणना केली जाते. विचलन हे डेटामधील "परिवर्तनशीलते"चे सूचक आहे.

प्रसरणाची व्याख्या

गणितीय भाषेत, विचलन म्हणजे:

\[ \text{प्रसरण} ( \sigma^2 ) = \frac{1}{N} \sum_{i=1}^{N} (x_i – \mu)^2 \]

di mana:

– \( \sigma^2 \) हे लोकसंख्येचे विचलन आहे.
– \( N \) ही लोकसंख्येतील एकूण मूल्यांची संख्या आहे.
– \( x_i \) हे i व्या व्यक्तीचे मूल्य आहे.
– \( \mu \) ही लोकसंख्येची सरासरी आहे.

नमुन्यांसाठी, प्रसरणाचे सूत्र थोडे वेगळे असते:

\[ \text{नमुना विचलन} ( s^2 ) = \frac{1}{n-1} \sum_{i=1}^{n} (x_i – \bar{x})^2 \]

di mana:

– \( s^2 \) हे नमुना विचलन आहे.
– \( n \) ही नमुन्यातील मूल्यांची एकूण संख्या आहे.
– \( x_i \) हे नमुन्यातील i व्या व्यक्तीचे मूल्य आहे.
– \( \bar{x} \) हे नमुना मध्य आहे.

विचलन मोजण्याच्या पायऱ्या

चला, एका ठोस उदाहरणाच्या माध्यमातून प्रसरण मोजण्याच्या व्यावहारिक पायऱ्यांचा आढावा घेऊया.

उदाहरण: लोकसंख्या प्रसरण मोजणे

समजा आपल्याकडे 2, 4, 6, 8, 10 या मूल्यांचा समावेश असलेला एक छोटा डेटासेट आहे.

१. पायरी १: सरासरी (मध्य) काढा

\[ \mu = \frac{2 + 4 + 6 + 8 + 10}{5} = 6 \]

२. पायरी २: प्रत्येक मूल्याचा मध्यापासूनचा फरक काढा आणि त्याचा वर्ग करा.

\[
\begin{align }
(2 – 6)^2 &= (-4)^2 = 16 \\
(4 – 6)^2 &= (-2)^2 = 4 \\
(6 – 6)^2 &= 0^2 = 0
(8 – 6)^2 &= 2^2 = 4
(10 – 6)^2 &= 4^2 = 16
\end{align }
\]

३. पायरी ३: फरकांच्या सर्व वर्गांची बेरीज करा

\[ 16 + 4 + 0 + 4 + 16 = 40 \]

४. पायरी ४: फरकांच्या वर्गांच्या बेरजेला मूल्यांच्या संख्येने (N) भागा

\[ \sigma^2 = \frac{40}{5} = 8 \]

म्हणून, या डेटाचे लोकसंख्या विचलन 8 आहे.

उदाहरण: नमुना विचलनाची गणना करणे

आता, समजा आपण वरील डेटासेटमधून 2, 4, 6 असा एक छोटा नमुना घेतला.

१. पायरी १: नमुन्याच्या मध्याची गणना करा

\[ \bar{x} = \frac{2 + 4 + 6}{3} = 4 \]

२. पायरी २: प्रत्येक मूल्याचा मध्यापासूनचा फरक काढा आणि त्याचा वर्ग करा.

\[
\begin{align }
(2 – 4)^2 &= (-2)^2 = 4 \\
(4 – 4)^2 &= 0^2 = 0
(6 – 4)^2 &= 2^2 = 4
\end{align }
\]

३. पायरी ३: फरकांच्या सर्व वर्गांची बेरीज करा

\[ 4 + 0 + 4 = 8 \]

४. पायरी ४: फरकांच्या वर्गांच्या बेरजेला (n – 1) ने भागा.

\[ s^2 = \frac{8}{3-1} = \frac{8}{2} = 4 \]

म्हणून, या डेटाचे नमुना विचलन 4 आहे.

लोकसंख्या आणि नमुन्यातील तफावत

लोकसंख्या विचलन आणि नमुना विचलन यांमधील फरक समजून घेणे महत्त्वाचे आहे. लोकसंख्या विचलन संपूर्ण लोकसंख्येमधील माहितीचा विस्तार मोजते, तर नमुना विचलन लोकसंख्येच्या एका उपसंचामधील (नमुन्यामधील) विस्तार मोजते. बऱ्याच प्रकरणांमध्ये, लोकसंख्या विचलनाचा अंदाज घेण्यासाठी नमुना विचलनाचा वापर केला जातो. नमुना विचलनाच्या गणनेमध्ये \( (n-1) \) ने भागल्याने लोकसंख्या विचलनाच्या अंदाजामधील पक्षपात कमी होतो.

भिन्नता अनुप्रयोग

प्रसरणाचा उपयोग विविध अनुप्रयोगांमध्ये केला जातो, जसे की:

१. आर्थिक जोखीम विश्लेषण: वित्त क्षेत्रात, जोखीम मोजण्यासाठी आणि गुंतवणूक पोर्टफोलिओ व्यवस्थापित करण्यासाठी फरकाचा वापर केला जातो. जास्त फरक म्हणजे अधिक जोखमीची गुंतवणूक.

२. सामाजिक शास्त्रे: मानसशास्त्र किंवा समाजशास्त्र संशोधनामध्ये, लोकसंख्येच्या गटांमधील फरक मोजण्यासाठी प्रसरणाचा वापर केला जातो.

३. गुणवत्ता नियंत्रण: उत्पादनामध्ये, उत्पादनाच्या गुणवत्तेचे निरीक्षण आणि नियंत्रण करण्यासाठी फरकांचा वापर केला जातो.

४. प्रायोगिक सांख्यिकी: प्रायोगिक निकालांचे विश्लेषण करण्यासाठी आणि फरकांचे महत्त्व ठरवण्यासाठी वापरली जाते.

विचलन आणि मानक विचलन

प्रसरण हे अनेकदा प्रमाण विचलनासोबत वापरले जाते, जे प्रसरणाचे वर्गमूळ असते. प्रमाण विचलन हे प्रसरणापेक्षा विस्ताराचे अधिक थेट आणि सहज समजण्यासारखे माप देते. या दोन्हींमधील समीकरण खालीलप्रमाणे आहे:

\[ \text{प्रमाणित विचलन} (\sigma) = \sqrt{\text{प्रसरण} (\sigma^2)} \]

निष्कर्ष

प्रसरण मोजणे हा सांख्यिकीय विश्लेषणाचा एक महत्त्वाचा भाग आहे, जो डेटा सेटमधील विस्तार किंवा विखुरलेपणाचे मोजमाप देतो. मूलभूत संकल्पना आणि प्रसरण कसे मोजावे हे समजून घेतल्याने, आपण डेटाचे अधिक चांगल्या प्रकारे विश्लेषण करू शकतो, जोखमीचे मूल्यांकन करू शकतो आणि अधिक माहितीपूर्ण निर्णय घेऊ शकतो.

अधिक वैज्ञानिक विश्लेषणासाठी लोकसंख्या प्रसरणाचा वापर असो किंवा डेटाच्या उपसंचामधून अंदाज घेण्यासाठी नमुना प्रसरणाचा वापर असो, प्रसरणाचे सखोल ज्ञान आपल्याला डेटामधील विविधता समजून घेण्यास आणि विविध वास्तविक परिस्थितींमध्ये ते लागू करण्यास मदत करते. आशा आहे की, हा लेख प्रसरण समजून घेण्यासाठी आणि त्याची गणना करण्यासाठी एक व्यावहारिक आणि उपयुक्त मार्गदर्शन प्रदान करेल.