सांख्यिकीय माहितीमधील सरासरी विचलन निश्चित करण्याची तंत्रे

सांख्यिकीय माहितीमधील सरासरी विचलन निश्चित करण्याची तंत्रे

सांख्यिकीमध्ये, केवळ डेटाचे 'केंद्र' समजून घेणे—उदाहरणार्थ, मध्यमान किंवा मध्यकाच्या माध्यमातून—अनेकदा अपुरे ठरते. दोन डेटा संचांची सरासरी समान असू शकते, परंतु त्यांच्या 'विचलनाच्या' पातळीत लक्षणीय फरक असू शकतो. त्यामुळे, विचलनाची मापे महत्त्वाची ठरतात. विचलनाचे एक माप जे समजायला आणि वापरायला तुलनेने सोपे आहे, ते म्हणजे माध्य विचलन. या लेखात, विविध प्रकारच्या सांख्यिकीय डेटामधील माध्य विचलन निश्चित करण्याच्या तंत्रांवर, गणना करण्याच्या पायऱ्या आणि उदाहरणांसह चर्चा केली आहे.

सरासरी विचलन समजून घेणे

सरासरी विचलन हे एक असे माप आहे जे प्रत्येक डेटा बिंदूचे केंद्रीय प्रवृत्तीच्या मापापासून, सामान्यतः अंकगणितीय मध्य (मध्य) किंवा मध्यकापासून, असलेले सरासरी अंतर दर्शवते. येथे विचारात घेतलेले अंतर म्हणजे डेटा आणि केंद्रीय मूल्य यांच्यातील फरकाचे निरपेक्ष मूल्य असते, जेणेकरून कोणताही नकारात्मक फरक सकारात्मक फरकाला 'रद्द' करत नाही.

सर्वसाधारणपणे, सरासरी विचलन हे दर्शवते की डेटा त्याच्या मध्यवर्ती मूल्यापासून किती दूर पसरलेला आहे. सरासरी विचलन जितके कमी, तितका डेटा केंद्राभोवती अधिक घट्टपणे एकत्रित झालेला असतो; हे मूल्य जितके जास्त, तितका डेटा अधिक परिवर्तनशील असतो.

निरपेक्ष मूल्य का वापरावे?

जर आपण निरपेक्ष मूल्याशिवाय डेटा आणि मध्यक यांच्यातील फरकांची सरासरी काढली, तर फरकांची बेरीज नेहमी शून्य येईल (कारण मध्यक हा समतोल बिंदू असतो). उदाहरणार्थ, जर +5 आणि -5 असे फरक असतील, तर त्यांची बेरीज 0 येते. म्हणूनच, निरपेक्ष मूल्यांचा वापर केला जातो जेणेकरून विचलन हे डेटाचे केंद्रापासूनचे अंतर अचूकपणे दर्शवतील.

एकल डेटासाठी सरासरी विचलन सूत्र

एकल डेटासाठी (गटबद्ध न केलेला), मध्यापासूनचे सरासरी विचलन खालीलप्रमाणे मांडले जाते:

\[
SR = \frac{\sum |x_i – \bar{x}|}{n}
\]

केटरंगन:
– \( SR \): सरासरी विचलन
– \( x_i \): i-वा डेटा
– \( \bar{x} \): अंकगणितीय मध्य (मध्य)
– \( n \): डेटाचे प्रमाण

एकल डेटा गणना तंत्र (पायऱ्या)
1. सर्व डेटाची सरासरी \( \bar{x} \) काढा.
२. प्रत्येक डेटा आणि मध्य यांच्यातील फरक काढा: \( x_i – \bar{x} \).
३. प्रत्येक फरकाचे निरपेक्ष मूल्य घ्या: \( |x_i – \bar{x}| \).
4. फरकांच्या सर्व निरपेक्ष मूल्यांची बेरीज करा.
5. डेटाच्या संख्येने \( n \) भागा.

एकल डेटा उदाहरण
मूल्यांची माहिती: ६, ८, १०, १२, १४

१) सरासरी:
\[
\bar{x}=\frac{6+8+10+12+14}{5}=\frac{50}{5}=10
\]

२) फरकाचे निरपेक्ष मूल्य:
– |१४ − १०| = ४
– |१४ − १०| = ४
– |१४ − १०| = ४
– |१४ − १०| = ४
– |१४ − १०| = ४

एकूण = 4 + 2 + 0 + 2 + 4 = 12

३) सरासरी विचलन:
\[
SR=\frac{12}{5}=2{,}4
\]

याचा अर्थ असा की सरासरी प्रत्येक मूल्य मध्यक (10) पासून 2,4 एककांनी विचलित होते.

वारंवार (असतत) डेटासाठी सरासरी विचलन

जर डेटा मूल्ये आणि वारंवारतांच्या स्वरूपात (उदा. तक्ता) सादर केला असेल, तर सूत्र असे होईल:

\[
SR = \frac{\sum f_i |x_i – \bar{x}|}{\sum f_i}
\]

केटरंगन:
– \( f_i \): डेटा वारंवारता \( x_i \)

वारंवारता डेटा गणना तंत्रे
१. मध्य काढा: \(\bar{x}=\frac{\sum f_i x_i}{\sum f_i}\)
२. \( |x_i-\bar{x}| \) ची गणना करा.
३. वारंवारतेने गुणाकार करा: \( f_i |x_i-\bar{x}| \)
४. पायरी ३ मधील सर्व निकालांची बेरीज करा.
५. एकूण वारंवारतेने भागा

असतत डेटाची उदाहरणे
| मूल्य (x) | वारंवारता (f) |
|—|—|
| 5 | १.६३२१ |
| 7 | १.६३२१ |
| 9 | १.६३२१ |

एकूण वारंवारता: \(2+3+1=6\)

अर्थ:
\[
\bar{x}=\frac{(5)(2)+(7)(3)+(9)(1)}{6}=\frac{10+21+9}{6}=\frac{40}{6}=6{,}67
\]

विचलन मोजा:
– x=5 साठी: |5−6,67|=1,67 → गुणिले f=2 → 3,34
– x=7 साठी: |7−6,67|=0,33 → गुणिले f=3 → 0,99
– x=9 साठी: |9−6,67|=2,33 → गुणिले f=1 → 2,33

एकूण: ३.३४ + ०.९९ + २.३३ = ६.६६

सरासरी विचलन:
\[
SR=\frac{6{,}66}{6}=1{,}11
\]

गटबद्ध डेटासाठी सरासरी विचलन (वर्ग अंतराल)

गटबद्ध डेटामध्ये (उदाहरणार्थ, अंतराल वारंवारता वितरण), डेटा मूल्ये स्वतंत्रपणे न दाखवता, वर्गांमध्ये दर्शविली जातात. यासाठी, वर्गातील डेटा दर्शविण्यासाठी वर्ग मध्यबिंदू (xi) वापरला जातो.

सूत्र:

\[
SR=\frac{\sum f_i |x_i-\bar{x}|}{\sum f_i}
\]

तथापि, \(x_i\) हा वर्गाचा मध्यबिंदू आहे.

गट डेटा गणना तंत्र
१. प्रत्येक वर्गाचा मध्यबिंदू निश्चित करा:
\[
x_i=\frac{\text{खालची मर्यादा + वरची मर्यादा}}{2}
\]
२. गटाची सरासरी काढा:
\[
\bar{x}=\frac{\sum f_i x_i}{\sum f_i}
\]
२. \( |x_i-\bar{x}| \) ची गणना करा.
४. वारंवारता \( f_i \) ने गुणा
५. सर्व निकालांची बेरीज करा, नंतर एकूण वारंवारतेने भागा.

गट डेटाचे उदाहरण
| वर्ग | फ |
|—|—|
| २०–२४ | २ |
| २०–२४ | २ |
| २०–२४ | २ |

मध्यबिंदू:
– २०–२४ → २२
– २०–२४ → २२
– २०–२४ → २२

एकूण f = 10

अर्थ:
\[
\bar{x}=\frac{(12)(3)+(17)(5)+(22)(2)}{10}=\frac{36+85+44}{10}=\frac{165}{10}=16{,}5
\]

विचलन:
– |२२−१६.५|=५.५ → ×२ = ११
– |२२−१६.५|=५.५ → ×२ = ११
– |२२−१६.५|=५.५ → ×२ = ११

एकूण = १३.५ + २.५ + ११ = २७

सरासरी विचलन:
\[
SR=\frac{27}{10}=2{,}7
\]

मध्यकापासून सरासरी विचलन

मध्याव्यतिरिक्त, मध्यकावरून सरासरी विचलन देखील मोजता येते. तत्त्व तेच आहे, फक्त मध्यवर्ती मूल्य वेगळे असते. जेव्हा डेटामध्ये आउटलायर्स (असामान्य मूल्ये) असतात तेव्हा हे उपयुक्त ठरते, कारण मध्यक टोकाच्या मूल्यांना अधिक चांगल्या प्रकारे सहन करतो.

एकल डेटासाठी:
\[
SR_{Me}=\frac{\sum |x_i-Me|}{n}
\]

वारंवारता डेटासाठी:
\[
SR_{Me}=\frac{\sum f_i|x_i-Me|}{\sum f_i}
\]

सरासरी विचलनाचे फायदे आणि मर्यादा

जास्त:
१. समजायला सोपे आहे कारण त्यात डेटा सेंटरपासूनच्या “सरासरी अंतराचा” वापर केला जातो.
२. सर्व डेटा वापरा (केवळ विशिष्ट डेटा नाही).
३. डेटा सादरीकरणाच्या विविध स्वरूपांसाठी गणना केली जाऊ शकते.

केटरबतासन:
१. प्रगत सांख्यिकीय विश्लेषणात मानक विचलनापेक्षा कमी लोकप्रिय.
२. निरपेक्ष मूल्यांच्या वापरामुळे काही बीजगणितीय क्रिया करणे कमी सोयीचे ठरते.
३. अनेक अनुमानित पद्धतींमध्ये मानक विचलनाइतके मजबूत नसते.

बंद होत आहे

सांख्यिकीय माहितीमधील सरासरी विचलन निश्चित करण्याचे तंत्र मूलतः एका सुसंगत पद्धतीचे अनुसरण करते: मध्यवर्ती मूल्य (सरासरी किंवा मध्यक) निश्चित करा, प्रत्येक माहिती बिंदूचे (किंवा वर्गाच्या मध्यबिंदूचे) केंद्रापासूनचे निरपेक्ष अंतर मोजा, ​​आणि नंतर त्यांची सरासरी काढा—जर माहिती तक्त्यामध्ये सादर केली असेल तर वारंवारता विचारात घ्या. सरासरी विचलन हे माहितीमधील परिवर्तनीयतेचे अंतर्ज्ञानाने वर्णन करण्यासाठी विखुरलेपणाचे एक सोयीस्कर माप आहे. या पायऱ्या समजून घेतल्याने, तुम्ही माहिती संचांमधील फरकाची तुलना करू शकता आणि माहिती संचाच्या स्थिरतेचे अधिक पूर्णपणे मूल्यांकन करू शकता.

तुमची इच्छा असल्यास, मी तुम्हाला या लेखाची एक आवृत्ती शालेय गृहपाठाच्या स्वरूपात (प्रस्तावना-चर्चा-निष्कर्ष यांसह) तयार करण्यास किंवा चर्चेसोबत सराव प्रश्न जोडण्यास मदत करू शकेन.