स्क्युनेस र कर्टोसिस बुझ्दै
सामाजिक विज्ञानदेखि प्राकृतिक विज्ञानसम्म विभिन्न अनुसन्धान क्षेत्रहरूमा तथ्याङ्क विज्ञानको एक आवश्यक शाखा हो। डेटा विश्लेषणमा, सही र भरपर्दो निष्कर्ष निकाल्नको लागि डेटा वितरण बुझ्नु महत्त्वपूर्ण छ। वितरणको वर्णन गर्न बारम्बार प्रयोग हुने दुई प्रमुख अवधारणाहरू स्क्युनेस र कर्टोसिस हुन्। यस लेखले डेटा विश्लेषणमा स्क्युनेस र कर्टोसिसको परिभाषा, व्याख्या र महत्त्वको बारेमा विस्तृत रूपमा छलफल गर्नेछ।
बाङ्गोपन
स्क्युनेसको परिभाषा
स्क्युनेस भनेको अनियमित चरको सम्भाव्यता वितरणको असममितताको मापन हो। सरल शब्दहरूमा, स्क्युनेसले डेटा वितरण पूर्ण रूपमा सममित आकारबाट कति टाढा विचलित हुन्छ भनेर वर्णन गर्दछ, जसलाई सामान्य वितरण वा गौसियन वितरण भनिन्छ।
स्क्युनेसका प्रकारहरू
१. सकारात्मक स्क्युनेस: दायाँतिर लामो डेटा वितरण। सकारात्मक स्क्युनेस मानले डेटा प्रायः बायाँ तर्फ क्लस्टर गरिएको छ भन्ने संकेत गर्छ, जसको दायाँ पुच्छर लामो छ। उदाहरणका लागि, जनसंख्यामा व्यक्तिगत आयले प्रायः सकारात्मक स्क्युनेस प्रदर्शन गर्दछ।
२. नकारात्मक स्क्युनेस: बायाँतिर स्क्युनेस भएको डेटा वितरण। यस अवस्थामा, नकारात्मक स्क्युनेस मानले डेटाको अधिकांश भाग दायाँ तर्फ रहेको र बायाँ पुच्छर लामो भएको संकेत गर्छ। एउटा सामान्य उदाहरण परीक्षाको स्कोर हो जहाँ अधिकांश विद्यार्थीहरूले उच्च स्कोर गर्छन्।
३. सममित वितरण: यदि स्क्युनेस मान शून्यको नजिक छ भने, डेटा वितरणलाई सममितको नजिक मान्न सकिन्छ, जस्तै सामान्य वितरण।
स्क्युनेस कसरी गणना गर्ने
स्क्युनेस निम्न सूत्र प्रयोग गरेर गणना गर्न सकिन्छ:
\[ \text{Skewness} = \frac{n}{(n-1)(n-2)} \योग \left(\frac{x_i – \bar{x}}{s}\right)^3 \]
कहाँ:
– \( n \) = डेटा संख्या,
– \( x_i \) = व्यक्तिगत मान,
– \( \bar{x} \) = डेटाको माध्य,
– \( s \) = मानक विचलन।
स्क्युनेसको व्याख्या
स्क्युनेस मानहरूको व्याख्याले डेटाको वितरण विशेषताहरू बुझ्न मद्दत गर्न सक्छ। सामान्य मार्गदर्शकको रूपमा:
- ० नजिक पुग्ने बाङ्गोपनले सममित वितरणलाई जनाउँछ।
- सकारात्मक स्क्युनेसले दायाँतिर स्क्यु भएको वितरणलाई जनाउँछ।
- नकारात्मक स्क्युनेसले बायाँतिर स्क्यु भएको वितरणलाई जनाउँछ।
डेटा विश्लेषणमा स्क्युनेसको महत्त्व
स्क्युनेस डेटा विश्लेषणमा एक महत्त्वपूर्ण उपकरण हो किनभने यसले डेटाको वितरणको बारेमा जानकारी प्रदान गर्दछ जुन केवल औसत वा मानक विचलन हेरेर फेला पार्न सकिँदैन। स्क्युनेसको उचित बुझाइले थप विश्लेषणको लागि कुन डेटा रूपान्तरणहरू आवश्यक छन् भनेर निर्धारण गर्न मद्दत गर्न सक्छ, जस्तै उच्च सकारात्मक स्क्युनेस भएको डेटामा लोगारिदमहरू प्रयोग गर्ने।
कुर्टोसिस (पोइन्टेडनेस)
कर्टोसिसको परिभाषा
कर्टोसिस भनेको डेटा वितरणको चुचुराहरूको उचाइ र तीक्ष्णताको मापन हो। यसको अर्थ कर्टोसिस भनेको औसत नजिकको डेटाको तुलनामा पुच्छरमा कति डेटा छ भन्ने कुरासँग सम्बन्धित छ। कर्टोसिसले सामान्य वितरणको तुलनामा डेटामा बोसो छ वा हल्का पुच्छर छ भनेर पहिचान गर्न मद्दत गर्छ।
कर्टोसिसका प्रकारहरू
१. लेप्टोकुर्टिक: सामान्य वितरण भन्दा उच्च शिखर र भारी पुच्छर भएको वितरण। कर्टोसिस मान ३ भन्दा बढी हुन्छ। लेप्टोकुर्टिक वितरण भएको डेटामा प्रायः बढी महत्त्वपूर्ण आउटलियरहरू हुन्छन्।
२. मेसोकुर्टिक: सामान्य वितरण जस्तै शिखर विशेषताहरू भएको वितरण। कर्टोसिस मान ३ हो। सामान्य वितरण आफैंमा मेसोकुर्टिकको एक उत्कृष्ट उदाहरण हो।
३. प्लेटिकर्टिक: सामान्य वितरणको तुलनामा कम चुचुरो र हल्का पुच्छर भएको वितरण। कर्टोसिस मान ३ भन्दा कम छ। प्लेटिकर्टिक वितरणले मानहरूको दायरामा डेटा समान रूपमा वितरित भएको संकेत गर्छ।
कर्टोसिस कसरी गणना गर्ने
कर्टोसिस निम्न सूत्र प्रयोग गरेर गणना गर्न सकिन्छ:
\[ \text{कुर्टोसिस} = \frac{n(n+1)}{(n-1)(n-2)(n-3)} \योग \left( \frac{x_i – \bar{x}}{s} \right)^4 – \frac{3(n-1)^2}{(n-2)(n-3)} \]
कहाँ:
– \( n \) = डेटा संख्या,
– \( x_i \) = व्यक्तिगत मान,
– \( \bar{x} \) = डेटाको माध्य,
– \( s \) = मानक विचलन।
सामान्यतया, कर्टोसिसलाई प्रायः 'अतिरिक्त कर्टोसिस' भनिन्छ। सरलताको लागि, सामान्य वितरणमा ० को कर्टोसिस छ भनी सुनिश्चित गर्न सूत्रलाई प्रायः ३ ले घटाइन्छ।
कर्टोसिसको व्याख्या
कर्टोसिस मानले डेटा वितरणको प्रकृतिमा अन्तर्दृष्टि प्रदान गर्दछ:
- उच्च कर्टोसिसले तीखा चुचुराहरू र भारी पुच्छरहरूलाई जनाउँछ।
- कम कर्टोसिसले समतल वितरण र हल्का पुच्छरलाई जनाउँछ।
डेटा विश्लेषणमा कर्टोसिसको महत्त्व
कर्टोसिस बुझ्नाले आउटलियरहरू पहिचान गर्न र थप विश्लेषणको लागि डेटा व्यवस्थित गर्न मद्दत गर्दछ। उदाहरणका लागि, उच्च कर्टोसिस भएको डेटालाई अत्यधिक आउटलियरहरू व्यवस्थापन गर्न स्थिर रूपमा बलियो प्रविधिहरू आवश्यक पर्न सक्छ।
व्यावहारिक अनुप्रयोगहरू
१. वित्तीय: वित्तीय बजारहरूमा, लगानीकर्ताहरूले सम्पत्ति जोखिम र कार्यसम्पादन मापन गर्न स्क्युनेस र कर्टोसिस प्रयोग गर्छन्। उच्च नकारात्मक स्क्युनेस भएको पोर्टफोलियोले सम्भावित चरम घाटाको जोखिमलाई संकेत गर्न सक्छ।
२. जनस्वास्थ्य: महामारी विज्ञान अध्ययनहरूमा, डेटा वितरण प्रायः असामान्य हुन्छ। स्क्युनेस र कर्टोसिसले डेटालाई रूपान्तरण गर्न मद्दत गर्दछ त्यसैले यसलाई रिग्रेसन मोडेल वा अन्य विश्लेषणहरूमा प्रयोग गर्न सकिन्छ।
३. गुणस्तर नियन्त्रण: उत्पादन उद्योगहरूले उत्पादनको गुणस्तर नियन्त्रण गर्न प्रायः स्क्युनेस र कर्टोसिस प्रयोग गर्छन्। उत्पादन डेटामा उच्च स्क्युनेसले उत्पादन प्रक्रियामा समस्याहरू संकेत गर्न सक्छ।
केसिम्पुलन
डेटा वितरणको विश्लेषणमा स्क्युनेस र कर्टोसिस दुई महत्त्वपूर्ण वर्णनात्मक तथ्याङ्क हुन्। स्क्युनेसले वितरणको असममिततामा अन्तर्दृष्टि प्रदान गर्दछ, जबकि कर्टोसिसले वितरणको पुच्छरको तीक्ष्णता र भारीपनलाई हाइलाइट गर्दछ। यी दुई अवधारणाहरू बुझ्नाले अनुसन्धानकर्ताहरू र डेटा विश्लेषकहरूलाई डेटालाई अझ सही रूपमा व्याख्या गर्न र विभिन्न अनुप्रयोग सन्दर्भहरूमा राम्रो निर्णयहरू गर्न थप उपकरणहरू प्रदान गर्दछ।
