پکيڙ جا طريقا: ڊيٽا ۾ تبديلي کي سمجهڻ
انگ اکر ۽ ڊيٽا جي تجزيي ۾، ڊيٽا جي ورڇ ۽ تبديلي کي سمجهڻ صحيح ۽ لاڳاپيل نتيجا ڪڍڻ لاءِ اهم آهي. ڊيٽا ۾ تبديلي کي بيان ڪرڻ لاءِ استعمال ٿيندڙ هڪ اهم تصور "تقسيم جو ماپ" آهي. هي مضمون مختلف ماپن تي بحث ڪندو، اهي ڇو اهم آهن، انهن کي ڪيئن ڳڻيو وڃي، ۽ ڊيٽا جي تجزيي جي حوالي سان انهن جي تشريح.
پکيڙ جي ماپ ڇا آهي؟
پکيڙ جا ماپ اهي ميٽرڪ آهن جيڪي بيان ڪرڻ لاءِ استعمال ڪيا ويندا آهن ته ڪنهن سيٽ ۾ ڊيٽا ڪيتري حد تائين پکڙيل آهي يا مرڪزي قدر کان منتشر آهي. هي مرڪزي قدر عام طور تي مرڪزي رجحان جي ماپن جهڙوڪ اوسط يا وچين استعمال ڪندي ماپي ويندي آهي. پکيڙ جا ماپ ڊيٽا جي حد، تبديلي، ۽ تسلسل ۾ بصيرت فراهم ڪن ٿا.
اسپريڊ سائيز ڇو اهم آهي؟
1. تبديلي کي سمجھڻ:
تبديلي ڪنهن به ڊيٽا جو هڪ لازمي حصو آهي. ڊيٽا جي ڪيتري تبديلي آهي اهو سمجهڻ سان، اسان ان ڊيٽا جي بنيادي حرڪت کي سمجهي سگهون ٿا.
2. ٻاهرين شين جي سڃاڻپ ڪريو:
ڊيٽا جي ورڇ ٻاهرين ماڻهن (انتهائي قدر جيڪي باقي ڊيٽا کان پري آهن) جي سڃاڻپ ۾ مدد ڪري سگهي ٿي، جيڪي وڌيڪ تجزيي لاءِ اهم ٿي سگهن ٿيون يا غلطي ڊيٽا ٿي سگهن ٿيون.
3. ڊيٽا سيٽ جو مقابلو:
پکيڙ جي ماپ ٻن يا وڌيڪ ڊيٽا سيٽن جي وچ ۾ مقابلي جي اجازت ڏين ٿا. مثال طور، ٻن ڊيٽا سيٽن جو اوسط ساڳيو ٿي سگهي ٿو پر مختلف ويرينس يا پکيڙ.
4. تخميني انگ اکر:
ڪيترن ئي تخميني شمارياتي طريقن کي صحيح ۽ اهم نتيجا ڪڍڻ لاءِ ڊيٽا جي ورڇ جي سٺي سمجھ جي ضرورت هوندي آهي.
اسپريڊ سائيز جا قسم
انگن اکرن جي تجزيي ۾ عام طور تي استعمال ٿيندڙ پکيڙ جا ڪيترائي طريقا آهن:
1. حد
حد پکيڙ جو آسان ترين ماپ آهي ۽ ڊيٽا سيٽ ۾ وڌ ۾ وڌ ۽ گهٽ ۾ گهٽ قدرن جي وچ ۾ فرق جي طور تي ڳڻيو ويندو آهي.
\[ \ٽيڪسٽ{رينج} = \ٽيڪسٽ{وڌ ۾ وڌ قدر} – \ٽيڪسٽ{گهٽ ۾ گهٽ قدر} \]
جيتوڻيڪ حساب ڪرڻ آسان آهي، رينج صرف ٻن ڊيٽا پوائنٽن تي غور ڪري ٿو ۽ گهٽ ۾ گهٽ ۽ وڌ ۾ وڌ قدرن جي وچ ۾ ڊيٽا جي ورڇ کي ظاهر نٿو ڪري.
2. انٽرڪوارٽائل رينج (IQR)
IQR رينج جي ڀيٽ ۾ پکيڙ جو هڪ وڌيڪ مضبوط ماپ آهي ڇاڪاڻ ته اهو ٻاهرين ماڻهن کان متاثر نه ٿيندو آهي. اهو 25 هين پرسنٽائل (Q1) کي 75 هين پرسنٽائل (Q3) مان گھٽائي ڊيٽا جي وچين حد جو حساب ڪري ٿو.
\[ \ٽيڪسٽ{آءِ ڪيو آر} = سوال 3 – سوال 1 \]
اوسط تي ڌيان ڏيڻ سان، IQR بنيادي ڊيٽا جي ورڇ جي هڪ بهتر تصوير فراهم ڪري ٿو.
3. تبديلي
ويرينس اهو ماپي ٿو ته ڊيٽا سيٽ ۾ هر قدر اوسط کان ڪيترو پري آهي. اهو هر قدر جي اوسط کان فرق جي چورس کي گڏ ڪندي، پوءِ ڊيٽا عنصرن جي تعداد (آبادي لاءِ) يا عنصرن جي تعداد کي منفي هڪ (هڪ نموني لاءِ) سان ورهائي حساب ڪيو ويندو آهي.
آبادي لاءِ (\(\sigma^2\)):
\[ \سگما^2 = \فريڪ{\سم (X_i – \mu)^2}{ن} \]
نموني لاءِ (\(s^2\)):
\[ s^2 = \frac{\sum (X_i – \overline{X})^2}{n-1} \]
ويريئنس ڊيٽا جي تسلسل جو خيال فراهم ڪري ٿو؛ جڏهن ته، ڇاڪاڻ ته ويريئنس چورس يونٽ استعمال ڪندو آهي، ان کي سڌو سنئون تشريح ڪرڻ ڏکيو ٿي سگهي ٿو.
4. معياري انحراف
معياري انحراف ويرينس جو چورس روٽ آهي ۽ اصل ڊيٽا جي ساڳين يونٽن ۾ آهي، ان کي تشريح ڪرڻ آسان بڻائي ٿو.
آبادي لاءِ (\(\سگما\)):
\[ \سگما = \سگما{\سگما^2} = \سگما{\فريڪ{\سم (X_i – \mu)^2}{ن}} \]
نموني لاءِ (\(s\)):
\[ s = \sqrt{s^2} = \sqrt{\frac{\sum (X_i – \overline{X})^2}{n-1}} \]
معياري انحراف پکيڙ جي سڀ کان عام استعمال ٿيندڙ ماپن مان هڪ آهي ڇاڪاڻ ته ان جي تشريح ڪرڻ آسان آهي ۽ مختلف شمارياتي تجزين ۾ اڪثر استعمال ٿيندو آهي.
5. تبديلي جو ڪوفيشيٽ (سي وي)
CV هڪ ماپ آهي نسبتي تڪرار جو جيڪو معياري انحراف جي اوسط جي تناسب جي طور تي ظاهر ڪيو ويندو آهي ۽ اڪثر ڪري سيڪڙو جي طور تي ظاهر ڪيو ويندو آهي.
\[ \ٽيڪسٽ{سي وي} = \فريڪ{ايس}{\اوور لائن{ايڪس}} \وقت 100% \]
مختلف ذريعن سان ڊيٽا سيٽن جي وچ ۾ تبديلي جي مقابلي لاءِ سي وي تمام ڪارآمد آهي.
ڪيئن حساب ۽ تشريح ڪجي
حساب ڪتاب جو مثال
اچو ته هيٺ ڏنل ڊيٽا مثال سان بيان ڪريون:
\[ \{15، 20، 25، 35، 45، 55، 65، 75، 85، 95\} \]
1. حد:
\[ \ٽيڪسٽ{رينج} = 95 – 15 = 80 \]
2. انٽرڪوارٽائل رينج (IQR):
ڊيٽا کي ترتيب ڏيڻ کان پوءِ، اسان چوٿين نمبر Q1 ۽ Q3 ڳولي سگهون ٿا. هن صورت ۾، Q1 25 آهي ۽ Q3 75 آهي.
\[ \ٽيڪسٽ{آءِ ڪيو آر} = 75 – 25 = 50 \]
3. فرق ۽ معياري انحراف:
ڊيٽا جو سراسري (\(\overline{X}\)) 51.5 آهي. پوءِ اسان ويرينس ۽ معياري انحراف جو حساب ڪريون ٿا.
\[ \ٽيڪسٽ{ويرينس (s^2)} = \frac{1}{n-1} \sum (X_i – \overline{X})^2 = 816.11 \]
\[ \text{معياري انحراف (s)} = \sqrt{816.11} = 28.57 \]
4. تبديلي جو ڪوفيشينٽ (CV):
\[ \ٽيڪسٽ{سي وي} = \فريڪ{28.57}{51.5} \وقت 100% \تقريبن 55.48% \]
هتان کان، اسان اهو تعبير ڪري سگهون ٿا ته معياري انحراف 28.57 آهي، جڏهن ته CV ڏيکاري ٿو ته معياري انحراف اصل ڊيٽا جي اوسط جو تقريباً 55.48٪ آهي.
نتيجو
پکيڙ جا ماپ شمارياتي ڊيٽا جي تجزيي جا ضروري جزا آهن ڇاڪاڻ ته اهي هڪ مرڪزي قدر جي چوڌاري ڊيٽا جي متغير ۽ پکيڙ ۾ بصيرت فراهم ڪن ٿا. پکيڙ جي عام طور تي استعمال ٿيندڙ ماپن ۾ رينج، انٽرڪوارٽائل رينج، ويرينس، معياري انحراف، ۽ تبديلي جو ڪوفيشيٽ شامل آهن. انهن مان هر هڪ ماپ جا مخصوص استعمال آهن ۽ ڊيٽا جي تناظر ۽ تجزيي جي مقصد جي لحاظ کان قيمتي بصيرت فراهم ڪري سگهن ٿا. پکيڙ جي ماپن کي مناسب طور تي سمجهڻ ۽ استعمال ڪرڻ سان، اسان مختلف تحقيقي شعبن ۽ ڊيٽا سائنس ايپليڪيشنن ۾ وڌيڪ باخبر ۽ صحيح فيصلا ڪري سگهون ٿا.
