ਸਟੈਂਡਰਡ ਡਿਵੀਏਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਡੇਟਾ ਵੰਡ ਵਿਸ਼ਲੇਸ਼ਣ
ਅੰਕੜਿਆਂ ਵਿੱਚ, ਸਿਰਫ਼ ਇੱਕ ਡੇਟਾ ਸੈੱਟ ਦੇ "ਕੇਂਦਰ" ਨੂੰ ਸਮਝਣਾ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ। ਡੇਟਾ ਦੇ ਦੋ ਸੈੱਟਾਂ ਦਾ ਇੱਕੋ ਜਿਹਾ ਔਸਤ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਉਹਨਾਂ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਉਹਨਾਂ ਦੇ ਫੈਲਾਅ ਦੀ ਡਿਗਰੀ ਦੇ ਕਾਰਨ ਕਾਫ਼ੀ ਵੱਖਰੀਆਂ ਹੁੰਦੀਆਂ ਹਨ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਡੇਟਾ ਫੈਲਾਅ ਦੀ ਧਾਰਨਾ ਮਹੱਤਵਪੂਰਨ ਬਣ ਜਾਂਦੀ ਹੈ। ਸਿੱਖਿਆ ਅਤੇ ਅਰਥ ਸ਼ਾਸਤਰ ਤੋਂ ਲੈ ਕੇ ਸਿਹਤ ਅਤੇ ਡੇਟਾ ਵਿਗਿਆਨ ਤੱਕ - ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਫੈਲਾਅ ਦੇ ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ, ਮਜ਼ਬੂਤ ਅਤੇ ਅਕਸਰ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਮਾਪਾਂ ਵਿੱਚੋਂ ਇੱਕ ਮਿਆਰੀ ਭਟਕਣਾ ਹੈ। ਇਹ ਲੇਖ ਮਿਆਰੀ ਭਟਕਣਾ ਦੀ ਧਾਰਨਾ, ਗਣਨਾ, ਵਿਆਖਿਆ ਅਤੇ ਵਰਤੋਂ ਬਾਰੇ ਚਰਚਾ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾ ਸਕੇ ਕਿ ਡੇਟਾ ਇਸਦੇ ਕੇਂਦਰ ਮੁੱਲ ਤੋਂ ਕਿਵੇਂ ਫੈਲਿਆ ਹੋਇਆ ਹੈ।
1. ਡੇਟਾ ਵੰਡ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਿਉਂ ਕਰਨਾ ਪੈਂਦਾ ਹੈ?
ਕਲਪਨਾ ਕਰੋ ਕਿ ਦੋ ਜਮਾਤਾਂ ਦਾ ਔਸਤ ਗਣਿਤ ਟੈਸਟ ਸਕੋਰ 80 ਹੈ। ਕਲਾਸ A ਵਿੱਚ, ਲਗਭਗ ਸਾਰੇ ਵਿਦਿਆਰਥੀਆਂ ਨੇ 78 ਅਤੇ 82 ਦੇ ਵਿਚਕਾਰ ਅੰਕ ਪ੍ਰਾਪਤ ਕੀਤੇ। ਕਲਾਸ B ਵਿੱਚ, ਕੁਝ ਵਿਦਿਆਰਥੀਆਂ ਨੇ 50 ਅਤੇ ਕੁਝ ਨੇ 100 ਅੰਕ ਪ੍ਰਾਪਤ ਕੀਤੇ। ਔਸਤ ਇੱਕੋ ਜਿਹੇ ਹਨ, ਪਰ ਦੋਵਾਂ ਜਮਾਤਾਂ ਵਿੱਚ ਸਥਿਤੀਆਂ ਬਿਲਕੁਲ ਵੱਖਰੀਆਂ ਹਨ। ਕਲਾਸ A ਇਕਸਾਰ ਪ੍ਰਦਰਸ਼ਨ ਦਰਸਾਉਂਦੀ ਹੈ, ਜਦੋਂ ਕਿ ਕਲਾਸ B ਮਹੱਤਵਪੂਰਨ ਅਸਮਾਨਤਾ ਦਰਸਾਉਂਦੀ ਹੈ।
ਵੰਡ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਕੇ, ਅਸੀਂ ਇਹ ਕਰ ਸਕਦੇ ਹਾਂ:
- ਕਿਸੇ ਵਰਤਾਰੇ ਦੀ ਇਕਸਾਰਤਾ ਜਾਂ ਭਿੰਨਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ।
- ਜੋਖਮ ਨੂੰ ਮਾਪਣਾ (ਜਿਵੇਂ ਕਿ ਨਿਵੇਸ਼ ਰਿਟਰਨ ਵਿੱਚ ਭਿੰਨਤਾ)।
- ਪ੍ਰਕਿਰਿਆ ਸਥਿਰਤਾ ਦੀ ਤੁਲਨਾ ਕਰਨਾ (ਜਿਵੇਂ ਕਿ ਉਤਪਾਦਨ ਗੁਣਵੱਤਾ)।
- ਸੰਭਾਵੀ ਵਿਗਾੜਾਂ ਜਾਂ ਅਤਿਅੰਤ ਡੇਟਾ ਦਾ ਪਤਾ ਲਗਾਓ।
ਇਸ ਉਦੇਸ਼ ਲਈ ਮਿਆਰੀ ਭਟਕਣਾ ਮੁੱਖ ਸਾਧਨ ਹੈ ਕਿਉਂਕਿ ਇਹ ਮਾਪਦਾ ਹੈ ਕਿ ਡੇਟਾ ਔਸਤ ਤੋਂ ਕਿੰਨੀ ਦੂਰ ਫੈਲਿਆ ਹੋਇਆ ਹੈ।
2. ਮਿਆਰੀ ਭਟਕਣ ਦੀ ਪਰਿਭਾਸ਼ਾ
ਮਿਆਰੀ ਭਟਕਣਾ ਵਿਭਿੰਨਤਾ ਦਾ ਵਰਗਮੂਲ ਹੈ। ਜਦੋਂ ਕਿ ਵਿਭਿੰਨਤਾ ਡੇਟਾ ਅਤੇ ਮੱਧਮਾਨ ਵਿਚਕਾਰ ਅੰਤਰ ਦੇ ਵਰਗਾਂ ਦੀ ਔਸਤ ਨੂੰ ਮਾਪਦੀ ਹੈ, ਮਿਆਰੀ ਭਟਕਣਾ ਮਾਪ ਦੀਆਂ ਇਕਾਈਆਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਅਸਲ ਪੈਮਾਨੇ (ਜਿਵੇਂ ਕਿ, ਟੈਸਟ ਸਕੋਰ, ਕਿਲੋਗ੍ਰਾਮ, ਰੁਪਏ, ਆਦਿ) ਤੇ ਵਾਪਸ ਕਰ ਦਿੰਦੀ ਹੈ। ਇਹ ਮਿਆਰੀ ਭਟਕਣਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ।
ਸਹਿਜਤਾ ਨਾਲ:
– ਛੋਟਾ ਮਿਆਰੀ ਭਟਕਣਾ → ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਡੇਟਾ ਔਸਤ ਦੇ ਨੇੜੇ ਹੈ (ਵਧੇਰੇ ਇਕਸਾਰ)।
– ਵੱਡਾ ਮਿਆਰੀ ਭਟਕਣਾ → ਡੇਟਾ ਔਸਤ ਤੋਂ ਬਹੁਤ ਦੂਰ ਫੈਲਿਆ ਹੋਇਆ ਹੈ (ਵਧੇਰੇ ਵਿਭਿੰਨ)।
3. ਮਿਆਰੀ ਭਟਕਣ ਫਾਰਮੂਲਾ: ਆਬਾਦੀ ਬਨਾਮ ਨਮੂਨਾ
ਅੰਕੜਿਆਂ ਵਿੱਚ, ਅਸੀਂ ਆਬਾਦੀ ਅਤੇ ਨਮੂਨਿਆਂ ਲਈ ਮਿਆਰੀ ਭਟਕਣ ਦੀ ਗਣਨਾ ਕਰਨ ਵਿੱਚ ਫਰਕ ਕਰਦੇ ਹਾਂ।
a) ਆਬਾਦੀ ਮਿਆਰੀ ਭਟਕਣਾ (σ)
ਜੇਕਰ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾ ਰਿਹਾ ਡੇਟਾ ਆਬਾਦੀ ਦੇ ਸਾਰੇ ਮੈਂਬਰ ਹਨ, ਤਾਂ ਫਾਰਮੂਲਾ ਇਹ ਹੈ:
\[
\ਸਿਗਮਾ = \sqrt{\frac{\sum (x_i – \mu)^2}{N}}
\]
ਜਾਣਕਾਰੀ:
– \(x_i\) = i-ਵਾਂ ਡਾਟਾ ਮੁੱਲ
– \(\mu\) = ਆਬਾਦੀ ਦਾ ਔਸਤ
– \(N\) = ਆਬਾਦੀ ਦੇ ਅੰਕੜਿਆਂ ਦੀ ਗਿਣਤੀ
b) ਨਮੂਨਾ ਮਿਆਰੀ ਭਟਕਣਾ (ਆਂ)
ਜੇਕਰ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤਾ ਜਾ ਰਿਹਾ ਡੇਟਾ ਆਬਾਦੀ (ਨਮੂਨਾ) ਦਾ ਸਿਰਫ਼ ਇੱਕ ਹਿੱਸਾ ਹੈ, ਤਾਂ ਫਾਰਮੂਲਾ ਇਹ ਹੈ:
\[
s = \sqrt{\frac{\sum (x_i – \bar{x})^2}{n-1}}
\]
ਜਾਣਕਾਰੀ:
– \(\bar{x}\) = ਨਮੂਨਾ ਔਸਤ
– \(n\) = ਨਮੂਨਾ ਡੇਟਾ ਦੀ ਗਿਣਤੀ
– \(n-1\) ਨੂੰ ਆਜ਼ਾਦੀ ਦੀਆਂ ਡਿਗਰੀਆਂ (ਬੈਸਲ ਦੀ ਸੋਧ) ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਇਸ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਤਾਂ ਜੋ ਵੇਰੀਐਂਸ/ਸਟੈਂਡਰਡ ਡਿਵੀਏਸ਼ਨ ਅਨੁਮਾਨ ਨਿਰਪੱਖ ਹੋਵੇ।
ਰੋਜ਼ਾਨਾ ਅਭਿਆਸ ਵਿੱਚ, ਸਾਡੇ ਕੋਲ ਜੋ ਡੇਟਾ ਹੁੰਦਾ ਹੈ ਉਹ ਆਮ ਤੌਰ 'ਤੇ ਨਮੂਨਿਆਂ ਦੇ ਰੂਪ ਵਿੱਚ ਹੁੰਦਾ ਹੈ, ਇਸ ਲਈ ਫਾਰਮੂਲਾ \(n-1\) ਬਹੁਤ ਆਮ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
4. ਮਿਆਰੀ ਭਟਕਣ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਕਦਮ
ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਮਝਣ ਲਈ, ਨਮੂਨਾ ਮਿਆਰੀ ਵਿਵਹਾਰ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਇੱਥੇ ਆਮ ਕਦਮ ਹਨ:
1. ਔਸਤ (\(\bar{x}\)) ਦੀ ਗਣਨਾ ਕਰੋ।
2. ਹਰੇਕ ਡੇਟਾ ਅਤੇ ਔਸਤ (\(x_i – \bar{x}\)) ਵਿੱਚ ਅੰਤਰ ਦੀ ਗਣਨਾ ਕਰੋ।
3. ਅੰਤਰ \((x_i – \bar{x})^2\) ਦਾ ਵਰਗ ਕਰੋ।
4. ਸਾਰੇ ਵਰਗ ਜੋੜੋ।
5. ਨਮੂਨਾ ਭਿੰਨਤਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ \(n-1\) ਨਾਲ ਭਾਗ ਕਰੋ।
6. ਮਿਆਰੀ ਵਿਵਹਾਰ (ਵਾਂ) ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਨਤੀਜੇ ਦਾ ਵਰਗਮੂਲ ਬਣਾਓ।
ਸਧਾਰਨ ਉਦਾਹਰਣ
ਮੰਨ ਲਓ ਕਿ ਡੇਟਾ ਮੁੱਲ ਹਨ: 70, 75, 80, 85, 90 (n = 5)
– ਔਸਤ: \(\bar{x} = (70+75+80+85+90)/5 = 80\)
- ਅੰਤਰ: -10, -5, 0, 5, 10
- ਵਰਗ ਅੰਤਰ: 100, 25, 0, 25, 100
- ਵਰਗਾਂ ਦੀ ਗਿਣਤੀ: 250
– ਨਮੂਨਾ ਭਿੰਨਤਾ: \(250/(5-1)=62,5\)
– ਮਿਆਰੀ ਭਟਕਣਾ: \(s=\sqrt{62,5}\ਲਗਭਗ 7,91\)
ਸਰਲ ਵਿਆਖਿਆ: ਮੁੱਲ 80 ਦੇ ਔਸਤ ਤੋਂ ਔਸਤਨ ਲਗਭਗ 7,91 ਅੰਕਾਂ ਨਾਲ ਭਟਕਦੇ ਹਨ।
5. ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਮਿਆਰੀ ਭਟਕਣ ਦੀ ਵਿਆਖਿਆ
ਮਿਆਰੀ ਭਟਕਣਾ ਇਕੱਲੀ ਨਹੀਂ ਹੁੰਦੀ; ਇਸਦਾ ਅਰਥ ਸੰਦਰਭ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਕੁਝ ਆਮ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਮਦਦਗਾਰ ਹੋ ਸਕਦੇ ਹਨ:
- ਜੇਕਰ ਮਿਆਰੀ ਭਟਕਣਾ 0 ਦੇ ਨੇੜੇ ਹੈ, ਤਾਂ ਡੇਟਾ ਮੱਧਮਾਨ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਕੇਂਦ੍ਰਿਤ ਹੁੰਦਾ ਹੈ।
- ਜੇਕਰ ਮਿਆਰੀ ਵਿਵਹਾਰ ਵੱਡਾ ਹੈ, ਤਾਂ ਡੇਟਾ ਵਧੇਰੇ ਪਰਿਵਰਤਨਸ਼ੀਲ ਹੈ, ਜੋ ਕਿ ਗੈਰ-ਇਕਸਾਰਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।
ਮਿਆਰੀ ਭਟਕਣਾ ਅਕਸਰ ਇਹਨਾਂ ਲਈ ਵੀ ਵਰਤੀ ਜਾਂਦੀ ਹੈ:
- ਦੋ ਸਮੂਹਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨਾ: ਉਦਾਹਰਣ ਵਜੋਂ ਇੱਕੋ ਔਸਤ ਵਾਲੇ ਦੋ ਵਰਗ, ਪਰ ਵੱਖ-ਵੱਖ ਮਿਆਰੀ ਭਟਕਣ।
- ਪ੍ਰਕਿਰਿਆ ਸਥਿਰਤਾ ਦਾ ਮੁਲਾਂਕਣ: ਉਤਪਾਦ ਦੇ ਆਕਾਰ ਦੇ ਇੱਕ ਛੋਟੇ ਮਿਆਰੀ ਭਟਕਣ ਦੇ ਨਾਲ ਫੈਕਟਰੀ ਉਤਪਾਦਨ ਦਾ ਅਰਥ ਹੈ ਵਧੇਰੇ ਇਕਸਾਰ ਗੁਣਵੱਤਾ।
- ਅਸਥਿਰਤਾ ਨੂੰ ਮਾਪਣਾ: ਵਿੱਤ ਵਿੱਚ, ਸਟਾਕ ਰਿਟਰਨ ਦੇ ਮਿਆਰੀ ਵਿਵਹਾਰ ਨੂੰ ਅਕਸਰ ਜੋਖਮ ਸੂਚਕ ਵਜੋਂ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
6. ਮਿਆਰੀ ਭਟਕਣਾ ਅਤੇ ਆਮ ਵੰਡ ਵਿਚਕਾਰ ਸਬੰਧ
ਇੱਕ ਆਮ ਵੰਡ ਦੀ ਪਾਲਣਾ ਕਰਨ ਵਾਲੇ ਡੇਟਾ ਵਿੱਚ, ਮਿਆਰੀ ਵਿਵਹਾਰ ਦੀ ਅਨੁਭਵੀ ਨਿਯਮ ਦੁਆਰਾ ਇੱਕ ਬਹੁਤ ਮਜ਼ਬੂਤ ਵਿਆਖਿਆ ਹੁੰਦੀ ਹੈ:
– ਲਗਭਗ 68% ਡੇਟਾ \(\bar{x} \pm 1s\) ਰੇਂਜ ਵਿੱਚ ਹੈ।
– ਲਗਭਗ 95% ਡੇਟਾ \(\bar{x} \pm 2s\) ਰੇਂਜ ਵਿੱਚ ਹੈ।
– ਲਗਭਗ 99,7% ਡੇਟਾ \(\bar{x} \pm 3s\) ਰੇਂਜ ਵਿੱਚ ਹੈ।
ਇਹ ਨਿਯਮ ਇਹ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਲਾਭਦਾਇਕ ਹੈ ਕਿ ਔਸਤ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਕਿੰਨਾ ਡੇਟਾ "ਆਮ" ਹੈ ਅਤੇ ਅਤਿਅੰਤ ਮੁੱਲਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਆਸਾਨ ਬਣਾਉਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਯਾਦ ਰੱਖਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਇਹ ਨਿਯਮ ਸਿਰਫ਼ ਤਾਂ ਹੀ ਸਹੀ ਹੈ ਜੇਕਰ ਡੇਟਾ ਅਸਲ ਵਿੱਚ ਆਮ ਦੇ ਨੇੜੇ ਹੈ।
7. ਮਿਆਰੀ ਭਟਕਣਾ ਬਨਾਮ ਫੈਲਾਅ ਦੇ ਹੋਰ ਮਾਪ
ਹਾਲਾਂਕਿ ਮਿਆਰੀ ਭਟਕਣਾ ਬਹੁਤ ਮਸ਼ਹੂਰ ਹੈ, ਪਰ ਫੈਲਾਅ ਦੇ ਹੋਰ ਮਾਪ ਵੀ ਮਹੱਤਵਪੂਰਨ ਹਨ:
- ਰੇਂਜ: ਵੱਧ ਤੋਂ ਵੱਧ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਮੁੱਲਾਂ ਵਿੱਚ ਅੰਤਰ। ਸਰਲ ਪਰ ਬਾਹਰੀ ਲੋਕਾਂ ਪ੍ਰਤੀ ਬਹੁਤ ਸੰਵੇਦਨਸ਼ੀਲ।
– IQR (ਇੰਟਰਕੁਆਰਟਾਈਲ ਰੇਂਜ): ਚੌਥਾਈ 1 ਅਤੇ ਚੌਥਾਈ 3 ਦੇ ਵਿਚਕਾਰ ਦੀ ਰੇਂਜ। ਸਟੈਂਡਰਡ ਡਿਵੀਏਸ਼ਨ ਨਾਲੋਂ ਆਊਟਲੀਅਰਾਂ ਪ੍ਰਤੀ ਵਧੇਰੇ ਰੋਧਕ।
– MAD (ਮੱਧਮ ਸੰਪੂਰਨ ਭਟਕਣਾ): ਮੱਧਮਾਨ 'ਤੇ ਅਧਾਰਤ ਇੱਕ ਮਜ਼ਬੂਤ ਮਾਪ, ਬਹੁਤ ਸਾਰੇ ਆਊਟਲੀਅਰਾਂ ਵਾਲੇ ਡੇਟਾ ਲਈ ਢੁਕਵਾਂ।
ਜਦੋਂ ਡੇਟਾ ਮੁਕਾਬਲਤਨ "ਸਾਫ਼" ਹੁੰਦਾ ਹੈ ਅਤੇ ਵੰਡ ਬਹੁਤ ਜ਼ਿਆਦਾ ਟੇਲਡ ਨਹੀਂ ਹੁੰਦੀ ਹੈ ਤਾਂ ਸਟੈਂਡਰਡ ਡਿਵੀਏਸ਼ਨ ਉੱਤਮ ਹੁੰਦਾ ਹੈ। ਜੇਕਰ ਡੇਟਾ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਆਊਟਲੀਅਰ ਹਨ, ਤਾਂ ਸਟੈਂਡਰਡ ਡਿਵੀਏਸ਼ਨ ਵੱਡਾ ਹੋ ਸਕਦਾ ਹੈ ਅਤੇ ਜ਼ਿਆਦਾਤਰ ਡੇਟਾ ਦਾ ਘੱਟ ਪ੍ਰਤੀਨਿਧੀ ਹੋ ਸਕਦਾ ਹੈ।
8. ਮਿਆਰੀ ਭਟਕਣ ਦੇ ਫਾਇਦੇ ਅਤੇ ਸੀਮਾਵਾਂ
ਕੇਲੇਬੀਹਾਨ
- ਸਾਰੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ (ਸਿਰਫ ਅਤਿਅੰਤ ਮੁੱਲ ਹੀ ਨਹੀਂ)।
- ਇਸਦਾ ਇੱਕ ਮਜ਼ਬੂਤ ਸਿਧਾਂਤਕ ਆਧਾਰ ਹੈ ਅਤੇ ਅਕਸਰ ਕਈ ਉੱਨਤ ਅੰਕੜਾ ਵਿਧੀਆਂ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
- ਵਿਆਖਿਆ ਕਰਨਾ ਆਸਾਨ ਹੈ ਕਿਉਂਕਿ ਇਕਾਈਆਂ ਅਸਲ ਡੇਟਾ ਦੇ ਸਮਾਨ ਹਨ।
ਸੀਮਾਵਾਂ
- ਬਾਹਰਲੇ ਲੋਕਾਂ ਪ੍ਰਤੀ ਬਹੁਤ ਸੰਵੇਦਨਸ਼ੀਲ ਕਿਉਂਕਿ ਇਸ ਵਿੱਚ ਅੰਤਰ ਦਾ ਵਰਗ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ।
- "ਵੱਡੇ" ਜਾਂ "ਛੋਟੇ" ਦੀ ਵਿਆਖਿਆ ਪੈਮਾਨੇ ਅਤੇ ਸੰਦਰਭ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ।
– ਬਹੁਤ ਜ਼ਿਆਦਾ ਗੈਰ-ਸਧਾਰਨ ਵੰਡਾਂ ਵਿੱਚ, ਮਿਆਰੀ ਵਿਵਹਾਰ ਘੱਟ ਪ੍ਰਤੀਨਿਧੀ ਹੋ ਸਕਦਾ ਹੈ।
9. ਸਿੱਟਾ
ਡੇਟਾ ਫੈਲਾਅ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਡੇਟਾਸੈਟ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਸਮਝਣ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਹੈ। ਸਟੈਂਡਰਡ ਡਿਵੀਏਸ਼ਨ ਇੱਕ ਸਪਸ਼ਟ ਮਾਪ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਕਿ ਡੇਟਾ ਔਸਤ ਤੋਂ ਕਿੰਨੀ ਦੂਰ ਫੈਲਦਾ ਹੈ, ਸਾਨੂੰ ਕਿਸੇ ਪ੍ਰਕਿਰਿਆ ਜਾਂ ਵਰਤਾਰੇ ਦੀ ਇਕਸਾਰਤਾ, ਜੋਖਮ ਅਤੇ ਗੁਣਵੱਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਇਸਦੀ ਗਣਨਾ ਅਤੇ ਵਿਆਖਿਆ ਕਿਵੇਂ ਕਰਨੀ ਹੈ ਇਹ ਸਮਝ ਕੇ, ਅਸੀਂ ਵਧੇਰੇ ਸੂਚਿਤ ਫੈਸਲੇ ਲੈ ਸਕਦੇ ਹਾਂ, ਭਾਵੇਂ ਉਹ ਅਕਾਦਮਿਕ ਖੋਜ, ਪ੍ਰਦਰਸ਼ਨ ਮੁਲਾਂਕਣ, ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ, ਜਾਂ ਕਾਰੋਬਾਰੀ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਹੋਵੇ।
ਅੰਤ ਵਿੱਚ, ਮਿਆਰੀ ਭਟਕਣਾ ਸਿਰਫ਼ ਇੱਕ ਸੰਖਿਆ ਨਹੀਂ ਹੈ, ਸਗੋਂ ਡੇਟਾ ਵਿੱਚ ਮੌਜੂਦ ਅਨਿਸ਼ਚਿਤਤਾ ਅਤੇ ਭਿੰਨਤਾ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸਾਰ ਹੈ। ਵਧੇਰੇ ਮਜ਼ਬੂਤ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ, ਵੰਡ ਦੀ ਵਧੇਰੇ ਸੰਪੂਰਨ ਅਤੇ ਸਹੀ ਤਸਵੀਰ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਮਿਆਰੀ ਭਟਕਣਾ ਨੂੰ ਹੋਰ ਮਾਪਾਂ - ਜਿਵੇਂ ਕਿ ਮੱਧਮਾਨ, IQR, ਜਾਂ ਡੇਟਾ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ - ਦੇ ਨਾਲ ਜੋੜ ਕੇ ਵਰਤਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
