සාමාන්ය ව්යාප්ති ශ්රිතය
සාමාන්ය ව්යාප්ති ශ්රිතය යනු සංඛ්යාලේඛන සහ සම්භාවිතාව පිළිබඳ මූලික සංකල්පයක් වන අතර එය ආර්ථික විද්යාවේ සිට සමාජ විද්යාවන්, භෞතික විද්යාව සහ ඉංජිනේරු විද්යාව දක්වා ක්ෂේත්රවල වැදගත් කාර්යභාරයක් ඉටු කරයි. මෙම ශ්රිතය ඉතා වැදගත් වන්නේ එය බොහෝ සැබෑ ජීවිත සංසිද්ධිවල ස්වාභාවික ව්යාප්තිය විස්තර කරන බැවිනි. මෙම ලිපියෙන් සාමාන්ය ව්යාප්ති ශ්රිතය ගැඹුරින්, එහි ලක්ෂණ, එහි යෙදීම් සහ දත්ත විශ්ලේෂණයේදී එය යෙදිය යුතු ආකාරය සාකච්ඡා කරනු ඇත.
සාමාන්ය ව්යාප්ති ශ්රිතය යනු කුමක්ද?
සාමාන්ය ව්යාප්තිය, ගවුසියානු ව්යාප්තිය ලෙසද හැඳින්වේ, සංඛ්යාලේඛනවල වඩාත් පොදු සම්භාවිතා ව්යාප්තියයි. එහි වක්රය සීනුව හැඩැති වන අතර මධ්යන්යයට සාපේක්ෂව සමමිතික වේ. මෙම ව්යාප්තිය 'සාමාන්ය' ලෙස හැඳින්වේ, මන්ද බොහෝ සැබෑ ජීවිත අහඹු විචල්යයන් විශාල දත්ත ප්රමාණයක් රැස් කරන විට මෙම ව්යාප්තිය ආසන්න කරයි.
සාමාන්ය ව්යාප්ති ශ්රිතය පරාමිතීන් දෙකකින් අර්ථ දක්වා ඇත: මධ්යන්යය (μ) සහ සම්මත අපගමනය (σ). මධ්යන්යය ව්යාප්තියේ කේන්ද්රය තීරණය කරන අතර සම්මත අපගමනය වක්රයේ පළල සහ හැඩය තීරණය කරයි. මෙම ශ්රිතය පහත ගණිතමය සූත්රය මගින් ලබා දී ඇත:
\[ f(x|\mu, \sigma) = \frac{1}{\sigma \sqrt{2\pi}} e^{ -\frac{(x-\mu)^2}{2\sigma^2}} \]
මා:
– \( x \) යනු අහඹු විචල්යයකි
– \( \mu \) යනු මධ්යන්යයයි
– \( \sigma \) යනු සම්මත අපගමනයයි
– \( \pi \) යනු නියත pi අගයයි (ආසන්න වශයෙන් 3.14159)
– \( e \) යනු ස්වභාවික ලඝුගණකයේ පාදයයි (ආසන්න වශයෙන් 2.71828)
සාමාන්ය ව්යාප්තියේ ලක්ෂණ
සාමාන්ය ව්යාප්තිය අනෙකුත් සම්භාවිතා ව්යාප්ති වලින් වෙන්කර හඳුනා ගන්නා සුවිශේෂී ලක්ෂණ කිහිපයක් ඇත:
1. සමමිතික: සාමාන්ය ව්යාප්තියක් මධ්යන්යය වටා සමමිතික වේ. මෙයින් අදහස් කරන්නේ දත්තවලින් අඩක් මධ්යන්යයේ වමට සහ අනෙක් භාගය දකුණට බවයි.
2. මධ්යන්යයේදී උච්චතම අවස්ථාව: වක්රයට මධ්යන්යයේදී උච්චතම අවස්ථාවක් ඇති අතර එය මධ්යන්යයෙන් ඉවතට යන විට ඝාතීය ලෙස අඩු වේ.
3. වක්රය යටතේ ඇති මුළු ප්රදේශය: සාමාන්ය ව්යාප්ති වක්රය යටතේ ඇති මුළු වර්ගඵලය 1 වන අතර එය මුළු සම්භාවිතාව නියෝජනය කරයි.
4. ආනුභවික කට්ටලය: දත්ත වලින් ආසන්න වශයෙන් 68% ක් සාමාන්යයේ එක් සම්මත අපගමනය තුළ ද, 95% ක් සම්මත අපගමන දෙකක් තුළ ද, 99.7% ක් සම්මත අපගමන තුනක් තුළ ද වේ. මෙය 68-95-99.7 රීතිය ලෙස හැඳින්වේ.
5. අසීමිත: තිරස් අක්ෂය (x-අක්ෂය) වෙත ළඟා වන නමුත් කිසි විටෙකත් ස්පර්ශ නොවන අසමමිතික සාමාන්ය ව්යාප්ති වක්රය.
සාමාන්ය බෙදාහැරීමේ යෙදුම්
සාමාන්ය ව්යාප්තියට විවිධ ක්ෂේත්රවල පුළුල් යෙදුම් ඇත, මෙන්න උදාහරණ කිහිපයක්:
1. සමාජ විද්යාව සහ මනෝවිද්යාව
සමාජීය හා මනෝවිද්යාත්මක පර්යේෂණ වලදී, සාමාන්ය ව්යාප්තිය බොහෝ විට භාවිතා කරනුයේ IQ, පරීක්ෂණ ලකුණු සහ පෞරුෂ ලක්ෂණ වැනි අගයන්හි ව්යාප්තිය විස්තර කිරීමට ය. උපකල්පනය නම් බොහෝ මානව ගති ලක්ෂණ සාමාන්යයෙන් බෙදා හරින අතර එමඟින් පර්යේෂකයන්ට සංඛ්යානමය විශ්ලේෂණ සිදු කිරීමට ඉඩ සලසයි.
2. ආර්ථික විද්යාව සහ මූල්ය
ආර්ථික විද්යාවේ සහ මූල්ය වෙළෙඳපොළවල, අවදානම, ආයෝජන ප්රතිලාභ සහ වෙළෙඳපොළ අස්ථාවරත්වය ඇස්තමේන්තු කිරීම සඳහා විවිධ මාදිලිවල සාමාන්ය බෙදාහැරීමේ උපකල්පනය භාවිතා කරයි. බ්ලැක්-ෂෝල්ස් ආකෘතිය වැනි ආකෘති මිල විකල්ප සහ අනෙකුත් මූල්ය ව්යුත්පන්නයන් සඳහා සාමාන්ය ව්යාප්තිය භාවිතා කරයි.
3. ස්වාභාවික විද්යා හා ඉංජිනේරු විද්යාව
ස්වාභාවික විද්යාවන්හි සහ ඉංජිනේරු විද්යාවේදී, මිනුම් දෝෂ සහ ස්වාභාවික සංසිද්ධි ආකෘතිකරණය කිරීමට සාමාන්ය ව්යාප්තිය භාවිතා කරයි. උදාහරණයක් ලෙස, භෞතික විද්යාවේදී, එය බොහෝ විට බ්රව්නියානු චලිතය සහ අත්හදා බැලීම්වල දෝෂ ව්යාප්තිය විස්තර කිරීමට භාවිතා කරයි.
4. තත්ත්ව පාලනය
නිෂ්පාදන කර්මාන්තයේ දී, නිෂ්පාදන ක්රියාවලියක් අවසර ලත් සීමාවන් තුළ තිබේද නැතහොත් සකස් කළ යුතුද යන්න තීරණය කිරීමට උපකාරී වන පාලන ප්රස්ථාර වැනි තත්ත්ව පාලන ක්රම සඳහා සාමාන්ය ව්යාප්තිය භාවිතා වේ.
දත්ත විශ්ලේෂණයේ දී සාමාන්ය ව්යාප්තිය ක්රියාත්මක කිරීම
දත්ත විශ්ලේෂණයේදී සාමාන්ය ව්යාප්තිය ක්රියාත්මක කිරීම සඳහා, සම්භාවිතාව ගණනය කරන්නේ කෙසේද සහ දත්ත ප්රමිතිකරණය කරන්නේ කෙසේද යන්න ඔබ තේරුම් ගත යුතුය. ප්රමිතිකරණය විවිධ සාමාන්ය ව්යාප්තිවලින් දත්ත සංසන්දනය කිරීමට උපකාරී වේ.
Z-ස්කෝර්
Z-ලකුණු හෙවත් සම්මත අපගමනය යනු, සම්මත අපගමන ඒකකවල මධ්යන්යයෙන් (x) අගය කොපමණ දුරකින් පිහිටා ඇත්දැයි මැනීමට බොහෝ විට භාවිතා කරන තාක්ෂණයකි. Z-ලකුණු ගණනය කරනු ලබන්නේ සූත්රය භාවිතා කරමිනි:
\[ Z = \frac{(X – \mu)}{\sigma} \]
මෙම Z-ලකුණු අගය, Z වගුවක් හෝ සංඛ්යානමය මෘදුකාංගයක් භාවිතයෙන් සම්මත සාමාන්ය ව්යාප්තියක (මධ්යන්යය=0 සහ සම්මත අපගමනය=1) සම්භාවිතාව හෝ ප්රතිශතය සොයා ගැනීමට භාවිතා කළ හැක.
QQ කුමන්ත්රණය
QQ (Quantile-Quantile) සටහනක් යනු දත්ත සමූහයක් සාමාන්ය ව්යාප්තිය වැනි නිශ්චිත ව්යාප්තියක් අනුගමනය කරන්නේද යන්න තක්සේරු කිරීම සඳහා වන චිත්රක මෙවලමකි. දත්ත සාමාන්ය ව්යාප්තියක් අනුගමනය කරන්නේ නම්, QQ සටහනේ ලක්ෂ්ය සරල රේඛාවක් සාදයි.
සාමාන්යතා පරීක්ෂණය
දත්තවල සාමාන්යභාවය පරීක්ෂා කිරීම සඳහා භාවිතා කළ හැකි සංඛ්යානමය පරීක්ෂණ කිහිපයක් තිබේ, ඒවාට කොල්මොගොරොව්-ස්මිර්නොව් පරීක්ෂණය, ෂැපිරෝ-විල්ක් පරීක්ෂණය සහ ඇන්ඩර්සන්-ඩාර්ලින් පරීක්ෂණය ඇතුළත් වේ. මෙම පරීක්ෂණ මගින් මුල් ජනගහන දත්ත සාමාන්ය ව්යාප්තියක් අනුගමනය කරන්නේද යන්න තීරණය කිරීමට උපකාරී වේ.
සැබෑ උදාහරණය
සාමාන්ය ව්යාප්තිය ක්රියාත්මක කිරීම පැහැදිලි කිරීම සඳහා, සැබෑ ලෝක උදාහරණයක් සලකා බලමු. 70 ක සාමාන්යයක් සහ 10 ක සම්මත අපගමනයක් සහිත සිසුන් 1000 ක පරීක්ෂණ ලකුණු දත්ත අප සතුව ඇතැයි සිතමු.
සම්භාවිතාව ගණනය කිරීම
අපට දැන ගැනීමට අවශ්ය වන්නේ ශිෂ්යයෙකුට 60 ත් 80 ත් අතර ලකුණු ලබා ගැනීමේ සම්භාවිතාවය. පළමුව, අපි 60 සහ 80 සඳහා ඉසෙඩ් අගය ගණනය කරමු.
\[ Z_{60} = \frac{60 – 70}{10} = -1 \]
\[ Z_{80} = \frac{80 – 70}{10} = 1 \]
Z-වගුව භාවිතා කරමින්, Z <= -1 හි සම්භාවිතාව 0.1587 ක් වන අතර Z <= 1 හි සම්භාවිතාව 0.8413 ක් බව අපට පෙනී යයි. 60 සහ 80 අතර ලකුණු වල සම්භාවිතාව සොයා ගැනීමට, අපි මෙම සම්භාවිතාවන් දෙක අඩු කරමු: \[ P(60 <= X <= 80) = P(Z <= 1) - P(Z <= -1) = 0.8413 - 0.1587 = 0.6826 \] එබැවින්, ශිෂ්යයෙකුට 60 සහ 80 අතර ලකුණු ලබා ගැනීමේ සම්භාවිතාව ආසන්න වශයෙන් 68.26% කි. QQ කුමන්ත්රණයක් නිර්මාණය කිරීම R හෝ Python වැනි සංඛ්යානමය මෘදුකාංග භාවිතා කරමින්, අපගේ පරීක්ෂණ ලකුණු දත්ත සඳහා QQ කුමන්ත්රණයක් නිර්මාණය කළ හැකිය. අපගේ සැබෑ පරීක්ෂණ ලකුණු දත්ත සාමාන්ය ව්යාප්තියක් අනුගමනය කරන්නේ නම්, එවිට කුමන්ත්රණයේ ඇති ලකුණු සරල රේඛාවක් සාදනු ඇත. සාමාන්යභාවය සඳහා පරීක්ෂා කිරීම අවසාන වශයෙන්, අපගේ පරීක්ෂණ ලකුණු දත්ත සාමාන්ය ව්යාප්තියක් අනුගමනය කරන්නේ දැයි පරීක්ෂා කිරීමට අපට Shapiro-Wilk පරීක්ෂණය ක්රියාත්මක කළ හැකිය. සංඛ්යානමය මෘදුකාංග භාවිතා කරමින්, අපට මෙම පරීක්ෂණය සඳහා p-අගය පහසුවෙන් ලබා ගත හැකිය. p-අගය වැදගත්කම මට්ටමට වඩා (සාමාන්යයෙන් 0.05) වැඩි නම්, අපගේ දත්ත සාමාන්ය බවට ශුන්ය කල්පිතය ප්රතික්ෂේප කිරීමට අපි අසමත් වෙමු. නිගමනය සාමාන්ය බෙදාහැරීමේ ශ්රිතය සංඛ්යානමය විශ්ලේෂණයේ කොඳු නාරටිය වන අතර විවිධ විෂයයන් හරහා පුළුල් යෙදුම් ඇත. බෙදාහැරීමේ ප්රධාන ලක්ෂණ - සමමිතිය, මධ්යන්යයේ උච්චතම අවස්ථාව සහ 68-95-99.7 රීතිය - එය බොහෝ වර්ගවල දත්ත විශ්ලේෂණය සඳහා වඩාත් සුදුසු වේ. සාමාන්ය බෙදා හැරීම ක්රියා කරන ආකාරය සහ දත්ත විශ්ලේෂණයේදී එය ක්රියාත්මක කරන්නේ කෙසේද යන්න තේරුම් ගැනීමෙන්, පර්යේෂකයන්ට සහ වෘත්තිකයන්ට ඔවුන්ගේ දත්ත වලින් ශක්තිමත් සහ නිවැරදි නිගමනවලට එළඹිය හැකිය. එය මූල්ය අවදානම් පුරෝකථනය කිරීම, මනෝවිද්යාත්මක ලක්ෂණ තක්සේරු කිරීම හෝ නිෂ්පාදන ගුණාත්මකභාවය පාලනය කිරීම වේවා, සංකීර්ණ පද්ධතිවල ආවේණික විචල්යතාවය තේරුම් ගැනීමට සහ විශ්ලේෂණය කිරීමට සාමාන්ය බෙදා හැරීම බලවත් රාමුවක් ලබා දෙයි.
