تحقيق ۾ شمارياتي فارمولا

تحقيق ۾ شمارياتي فارمولا

شماريات رياضي جي هڪ شاخ آهي جيڪا ڊيٽا جي گڏ ڪرڻ، تجزيو ڪرڻ، تشريح ڪرڻ ۽ پيش ڪرڻ سان لاڳاپيل آهي. تحقيق ۾، ڇا سائنس، انجنيئرنگ، سماجي سائنس، يا انسانيت ۾ به، انگ اکر محققن کي مفروضن جي جانچ ڪرڻ، اڳڪٿيون ڪرڻ ۽ نتيجا ڪڍڻ ۾ مدد ڪرڻ ۾ اهم ڪردار ادا ڪن ٿا. هي مضمون ڪجهه بنيادي شمارياتي فارمولن ۽ تحقيق ۾ انهن جي درخواست تي بحث ڪندو.

1. وضاحتي انگ اکر

وضاحتي انگ اکر مطالعي ۾ گڏ ڪيل ڊيٽا کي بيان ڪرڻ لاءِ استعمال ڪيا ويندا آهن. انهن ۾ مختلف ماپون شامل آهن جيڪي ڊيٽا جو جائزو فراهم ڪن ٿيون.

الف. سراسري (وچولي)
سراسري انگ اکر ۾ سڀ کان وڌيڪ استعمال ٿيندڙ قدر آهي. اهو هڪ ڊيٽاسيٽ ۾ سڀني قدرن جو ڪل مجموعو آهي جيڪو قدرن جي تعداد سان ورهايل آهي.

\[ \ٽيڪسٽ{مطلب} (\بار{x}) = \فريڪ{\سم_{i=1}^{n} x_i}{n} \]

ڪٿي:
– \( \sum \) رقم جي علامت آهي، جنهن جو مطلب آهي 1 کان \( n \) تائين \( x \) جي سڀني قدرن کي شامل ڪرڻ.
- \( x_i \) ڊيٽاسيٽ ۾ هر قدر آهي.
– \( n \) ڊيٽاسيٽ ۾ قدرن جو ڪل تعداد آهي.

ب. وچولي
وچين هڪ ترتيب ڏنل ڊيٽاسيٽ ۾ وچين قدر آهي. جيڪڏهن ڊيٽا ۾ قدرن جو تعداد طاق آهي، ته وچين قدر وچين قدر آهي. جيڪڏهن قدرن جو تعداد برابر آهي، ته وچين ٻن وچين قدرن جو اوسط آهي.

ج. موڊ
موڊ اهو قدر آهي جيڪو ڊيٽاسيٽ ۾ اڪثر ظاهر ٿئي ٿو. هڪ ڊيٽاسيٽ ۾ هڪ موڊ (يونيموڊال)، هڪ کان وڌيڪ موڊ (ملٽي موڊل)، يا ڪو به موڊ نه ٿي سگهي ٿو.

ڊي. حد
حد هڪ ڊيٽاسيٽ ۾ وڌ ۾ وڌ ۽ گهٽ ۾ گهٽ قدرن جي وچ ۾ فرق آهي.

\[ \ٽيڪسٽ{رينج} = \ٽيڪسٽ{وڌ ۾ وڌ}(x) – \ٽيڪسٽ{گهٽ ۾ گهٽ}(x) \]

e. معياري انحراف
معياري انحراف اوسط جي چوڌاري ڊيٽا جي پکيڙ يا پکيڙ جو هڪ ماپ آهي. آبادي جي معياري انحراف جو فارمولا آهي:

\[ \سگما = \sqrt{\frac{\sum_{i=1}^{N} (x_i – \mu)^2}{N}} \]

۽ نموني لاءِ:

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

ڪٿي:
- \( \سگما \) آبادي جي معياري انحراف آهي.
– \( s \) نموني معياري انحراف آهي.
- \( x_i \) ڊيٽاسيٽ ۾ هر قدر آهي.
– \( \mu \) آبادي جو سراسري آهي.
– \( \bar{x} \) نموني جو اوسط آهي.
– \( N \) آبادي ۾ قدرن جو ڪل تعداد آهي.
– \( n \) نموني ۾ قدرن جو ڪل تعداد آهي.

2. تخميني انگ اکر

انفرنشنل انگ اکر محققن کي ڊيٽا جي نموني جي بنياد تي آبادي بابت نتيجا ڪڍڻ جي اجازت ڏين ٿا. ان ۾ مختلف ٽيڪنڪ شامل آهن، جهڙوڪ مفروضو جاچ، رجعت، ۽ ويرينس جو تجزيو (ANOVA).

الف. مفروضو جاچ
مفروضو جاچ هڪ شمارياتي عمل آهي جيڪو اهو طئي ڪرڻ لاءِ استعمال ڪيو ويندو آهي ته ڇا ڊيٽا جي نموني ۾ ڪافي ثبوت موجود آهن ته اهو نتيجو ڪڍي سگهجي ته آبادي ۾ ڪا حالت صحيح آهي.

i. خالي مفروضو (H0) ۽ متبادل مفروضو (H1)

- خالي مفروضو (H0): ڪو به فرق يا اثر ناهي.
- متبادل مفروضو (H1): هڪ فرق يا اثر آهي.

ٽيسٽنگ هڪ ٽيسٽ اسٽيٽسٽڪس استعمال ڪندي ڪئي ويندي آهي، جهڙوڪ ٽي-ٽيسٽ، چي-اسڪوائر ٽيسٽ، يا اينووا، ۽ پي-ويليو جو مقابلو هڪ اهميت جي سطح (\(\alpha\)) سان ڪيو ويندو آهي، عام طور تي 0,05.

ii. ٽي-ٽيسٽ
ٽي-ٽيسٽ ٻن گروپن جي ذريعن جي مقابلي لاءِ استعمال ڪيو ويندو آهي. ٽي-ٽيسٽ جا ڪيترائي قسم آهن، جهڙوڪ آزاد نمونا ٽي-ٽيسٽ ۽ جوڙيل ٽي-ٽيسٽ.

آزاد نمونن لاءِ ٽي-ٽيسٽ جو بنيادي فارمولو هي آهي:

\[ ٽي = \فريڪ{\بار{x}_1 – \بار{x}_2}{\اسڪورٽ{\کاٻو( \فريڪ{s_1^2}{n_1} \ساڄو) + \کاٻو( \فريڪ{s_2^2}{n_2} \ساڄو)}} \]

ب. رجعت
ريگريشن هڪ يا وڌيڪ آزاد متغيرن (پيش گوئي ڪندڙن) ۽ هڪ منحصر متغير (ردعمل) جي وچ ۾ تعلق کي ماڊل ڪرڻ لاءِ استعمال ڪيو ويندو آهي.

i. سادي لڪير ريگريشن
سادي لڪير واري رجعت هڪ آزاد متغير ۽ هڪ منحصر متغير جي وچ ۾ تعلق کي ماڊل ڪري ٿي.

سادي لڪير ريگريشن مساوات آهي:

\[ y = \بيٽا_0 + \بيٽا_1 x + \ايپسيلون \]

ڪٿي:
- \( y \) منحصر متغير آهي.
- \( x \) آزاد متغير آهي.
– \( \beta_0 \) هڪ وقفو آهي.
– \( \beta_1 \) ريگريشن ڪوفيشيٽ آهي.
– \( \epsilon \) هڪ غلطي آهي.

ii. گھڻن لڪير واري ريگريشن
گھڻن لڪير ريگريشن ماڊل ڪيترن ئي آزاد متغيرن ۽ هڪ منحصر متغير جي وچ ۾ تعلق کي ظاهر ڪن ٿا.

گھڻن لڪير واري ريگريشن مساوات آهي:

\[ y = \بيٽا_0 + \بيٽا_1 x_1 + \بيٽا_2 x_2 + \ڊي ڊاٽ + \بيٽا_پي x_p + \ايپسيلون \]

ڪٿي:
- \( y \) منحصر متغير آهي.
- \( x_1, x_2, \ldots, x_p \) آزاد متغير آهي.
– \( \beta_0 \) هڪ وقفو آهي.
– \( \beta_p \) آزاد متغير \( p \) لاءِ ريگريشن ڪوفيشيٽ آهي.
– \( \epsilon \) هڪ غلطي آهي.

ج. ويريئنس جو تجزيو (ANOVA)
ANOVA ٽن يا وڌيڪ گروپن جي ذريعن جي مقابلي لاءِ استعمال ڪيو ويندو آهي. ANOVA اهو طئي ڪري ٿو ته ڇا گروپ جي ذريعن جي وچ ۾ ڪو اهم فرق آهي گروپن جي وچ ۾ تبديلي کي گروپن جي اندر تبديلي سان ڀيٽڻ سان.

ANOVA جو بنيادي فارمولا هي آهي:

\[ ايف = \frac{\ٽيڪسٽ{گروپ جي تبديلي جي وچ ۾}}{\ٽيڪسٽ{گروپ جي تبديلي جي اندر}} \]

F-اسٽيٽسٽڪ جو حساب ڪيو ويندو آهي ۽ ان جو مقابلو F ورڇ جي نازڪ قدر سان ڪيو ويندو آهي ته جيئن اهو طئي ڪيو وڃي ته ڇا گروپ جي ذريعن جي وچ ۾ ڪو اهم فرق آهي.

3. لاڳاپو

رابطي ٻن متغيرن جي وچ ۾ لڪير واري تعلق جي طاقت ۽ هدايت کي ماپي ٿو.

الف. پيئرسن ڪوريئليشن ڪوفيشينٽ (ر)
پيئرسن جو باهمي تعلق جو ڳوڙهو ٻن متغيرن جي وچ ۾ لڪير واري تعلق کي ماپڻ لاءِ سڀ کان وڌيڪ استعمال ٿيندڙ ماپ آهي.

پيئرسن جي رابطي جي کوٽائي لاءِ فارمولا هي آهي:

\[ ر = \frac{\sum_{i=1}^{n} (x_i – \bar{x})(y_i – \bar{y})}{\sqrt{\sum_{i=1}^{n} (x_i – \bar{x})^2} \sqrt{\sum_{i=1}^{n} (y_i – \bar{y})^2}} \]

ڪٿي:
– \( r \) پيئرسن جي رابطي جي کوٽائي آهي.
– \( x_i \) ۽ \( y_i \) ٻن متغيرن جا قدر آهن.
– \( \bar{x} \) ۽ \( \bar{y} \) ٻن متغيرن جا سراسري آهن.

\( r \) قدر -1 (مڪمل منفي لاڳاپو) کان +1 (مڪمل مثبت لاڳاپو) تائين آهي، جنهن ۾ 0 ڪو به لاڳاپو نه ڏيکاريندو آهي.

پينوٽ اپ

انگ اکر هڪ اهم تحقيقي اوزار آهي جيڪو محققن کي ڊيٽا پيش ڪرڻ، تجزيو ڪرڻ ۽ نتيجن کي ڪڍڻ ۾ مدد ڪري ٿو. هي مضمون وضاحتي ۽ تخميني انگن اکرن ۾ صرف چند بنيادي فارمولن کي ڍڪي ٿو، انهي سان گڏ رابطي کي. جڏهن ته سادو آهي، انهن فارمولن جي مڪمل سمجھ صحيح تجزيو ڪرڻ ۽ تحقيق جي ڊيٽا مان صحيح نتيجا ڪڍڻ لاءِ اهم آهي. انگ اکر حاصل ڪرڻ سان، محقق يقيني بڻائي سگهن ٿا ته انهن جا نتيجا مضبوط ۽ قابل اعتماد تجزيي تي ٻڌل آهن.