ప్రామాణిక విచలనాన్ని ఎలా లెక్కించాలి

ప్రామాణిక విచలనాన్ని ఎలా లెక్కించాలి

డేటా దాని సగటు నుండి ఎంత "విస్తరించి" ఉందో తెలుసుకోవడానికి, ప్రామాణిక విచలనం అనేది అత్యంత తరచుగా ఉపయోగించే గణాంక కొలమానాలలో ఒకటి. నిజ జీవితంలో, ఒక దృగ్విషయం యొక్క స్థిరత్వం లేదా వైవిధ్యాన్ని అర్థం చేసుకోవడానికి ప్రామాణిక విచలనం మనకు సహాయపడుతుంది: ఉదాహరణకు, పరీక్ష స్కోర్‌లలోని వైవిధ్యాలు, అమ్మకాల హెచ్చుతగ్గులు, ఎత్తులో తేడాలు మరియు ఆర్థిక డేటాలోని నష్టభయాలు కూడా. ప్రామాణిక విచలనం ఎంత తక్కువగా ఉంటే, డేటా సగటుకు అంత దగ్గరగా ఉంటుంది. దీనికి విరుద్ధంగా, అధిక ప్రామాణిక విచలనం డేటా సగటుకు దూరంగా ఉందని మరియు అధిక వైవిధ్యాన్ని కలిగి ఉందని సూచిస్తుంది.

ఈ వ్యాసం ప్రామాణిక విచలనం యొక్క అర్థం, ఉపయోగించే సూత్రం మరియు దానిని మాన్యువల్‌గా లెక్కించే దశలను సులభంగా అర్థమయ్యే ఉదాహరణల ద్వారా చర్చిస్తుంది.

1. ప్రామాణిక విచలనం యొక్క నిర్వచనం

ప్రామాణిక విచలనం అనేది విచలనం యొక్క వర్గమూలం. విచలనం అంటే ప్రతి డేటా పాయింట్‌కు మరియు సగటుకు మధ్య ఉన్న తేడాల వర్గాల సగటు. వర్గాన్ని ఎందుకు ఉపయోగించాలి? ఎందుకంటే డేటా పాయింట్‌లకు మరియు సగటుకు మధ్య ఉన్న తేడాలు రుణాత్మకంగా లేదా ధనాత్మకంగా ఉండవచ్చు. వాటిని నేరుగా కలిపితే, రుణాత్మక మరియు ధనాత్మక తేడాలు ఒకదానికొకటి రద్దు చేసుకుని, తప్పుదోవ పట్టించే ఫలితాలకు దారితీయవచ్చు. తేడాలను వర్గీకరించడం ద్వారా, అన్ని విలువలు ధనాత్మకంగా మారతాయి, ఇది డేటా పంపిణీని మరింత కచ్చితంగా కొలవడానికి వీలు కల్పిస్తుంది.

సరళంగా:

– విచలనం = “వర్గ” యూనిట్లలో వ్యాప్తి యొక్క కొలమానం.
– ప్రామాణిక విచలనం = అసలు డేటా యూనిట్లకు తిరిగి వచ్చిన వ్యాప్తి యొక్క కొలమానం.

ఉదాహరణకు: డేటా పరీక్ష స్కోర్‌ల (పాయింట్ యూనిట్లు) రూపంలో ఉంటే, విచలనం పాయింట్లలో ఉంటుంది, అదేవిధంగా ప్రామాణిక విచలనం కూడా పాయింట్లలో ఉంటుంది, దీనివల్ల అర్థం చేసుకోవడం సులభం అవుతుంది.

2. జనాభా మరియు నమూనా ప్రామాణిక విచలనం

లెక్కించే ముందు, మీ వద్ద ఏ రకమైన డేటా ఉందో తెలుసుకోవడం ముఖ్యం:

1. జనాభా: పరిశోధించాల్సిన సభ్యులందరినీ డేటా కలిగి ఉంటుంది.
జనాభా ప్రామాణిక విచలనం సూత్రం భాజకం N (డేటా సంఖ్య)ను ఉపయోగిస్తుంది.

2. నమూనా: డేటా అనేది జనాభాలో ఒక భాగం మాత్రమే, సాధారణంగా ఇది ఒక పెద్ద జనాభాకు ప్రాతినిధ్యం వహించడానికి ఉపయోగించబడుతుంది.
నమూనా ప్రామాణిక విచలనం సూత్రం అంచనా పక్షపాతాన్ని సరిచేయడానికి (n − 1) అనే భాజకాన్ని ఉపయోగిస్తుంది. ఈ సవరణను బెసెల్ సవరణ అంటారు.

రోజువారీ ఆచరణలో (ఉదా. పరిశోధన, సర్వేలు, తరగతి విశ్లేషణ), డేటాను తరచుగా నమూనాగా పరిగణిస్తారు, కాబట్టి భాజకం (n − 1) అవుతుంది.

3. ప్రామాణిక విచలనం సూత్రం

ఎ. జనాభా ప్రామాణిక విచలనం సూత్రం
డేటా: \( x_1, x_2, \dots, x_N \) అని అనుకుందాం.
జనాభా సగటు:
\[
μ = Σᵢ=1ⁿ xᵢ{N}
\]
జనాభా వైవిధ్యం:
\[
\sigma^2 = \frac{\sum_{i=1}^{N}(x_i – \mu)^2}{N}
\]
జనాభా ప్రామాణిక విచలనం:
\[
σ = √σ²
\]

బి. నమూనా ప్రామాణిక విచలనం సూత్రం
నమూనా సగటు:
\[
\bar{x} = \frac{\sum_{i=1}^{n} x_i}{n}
\]
నమూనా వైవిధ్యం:
\[
s^2 = \frac{\sum_{i=1}^{n}(x_i – \bar{x})^2}{n – 1}
\]
నమూనా ప్రామాణిక విచలనం:
\[
s = √s²
\]

4. ప్రామాణిక విచలనాన్ని మాన్యువల్‌గా లెక్కించే దశలు

సులభంగా అర్థం చేసుకోవడానికి, మనం 5 మంది విద్యార్థుల పరీక్ష స్కోర్ డేటా ఉదాహరణను ఉపయోగిస్తాము:

డేటా: 60, 70, 70, 80, 90

ఈ డేటా ఒక నమూనా అని భావించండి (ఇది అభ్యాస ఉదాహరణలలో సర్వసాధారణం).

దశ 1: సగటును లెక్కించండి
\[
\bar{x} = \frac{60 + 70 + 70 + 80 + 90}{5} = \frac{370}{5} = 74
\]

కాబట్టి సగటు స్కోరు 74.

దశ 2: ప్రతి డేటా మరియు సగటు మధ్య వ్యత్యాసాన్ని లెక్కించండి
వ్యత్యాస నిలువు వరుసను సృష్టించండి \( (x_i – \bar{x}) \):

– 60 − 74 = −14
– 70 − 74 = −4
– 70 − 74 = −4
– 80 − 74 = 6
– 90 − 74 = 16

దశ 3: వ్యత్యాసాన్ని వర్గీకరించండి
\( (x_i – \bar{x})^2 \) ను గణించండి:

– (−14)² = 196
– (−4)² = 16
– (−4)² = 16
– 6² = 36
– 16² = 256

దశ 4: వ్యత్యాసాల వర్గాలను కలపండి
\[
Σ (x_i – Σx)² = 196 + 16 + 16 + 36 + 256 = 520
\]

5వ దశ: విస్తృతిని లెక్కించండి (నమూనా కోసం, n − 1తో భాగించండి)
n = 5 అయినందున, n − 1 = 4:
\[
s^2 = \frac{520}{4} = 130
\]

కాబట్టి నమూనా విచలనం 130.

దశ 6: ప్రామాణిక విచలనాన్ని పొందడానికి విచలనం యొక్క వర్గమూలం
\[
s = √130 ≈ 11,40
\]

కాబట్టి డేటా యొక్క ప్రామాణిక విచలనం సుమారుగా 11,40. దీని అర్థం ఏమిటంటే, సగటున, విద్యార్థుల స్కోర్‌లు 74 సగటు నుండి సుమారుగా 11 పాయింట్ల మేర విచలనం చెందుతాయి.

5. త్వరిత మార్గం: ప్రత్యామ్నాయ సూత్రం (గణన)

పైన పేర్కొన్న మాన్యువల్ పద్ధతి కాకుండా, ముఖ్యంగా డేటా ఎక్కువగా ఉన్నప్పుడు, గణనలను వేగవంతం చేయడానికి తరచుగా ఉపయోగించే ఒక గణన సూత్రం ఉంది:

నమూనా వైవిధ్యం:
\[
s^2 = \frac{\sum x_i^2 – \frac{(\sum x_i)^2}{n}}{n – 1}
\]

ఈ సూత్రం వ్యత్యాసాలను ఒక్కొక్కటిగా లెక్కించడాన్ని నివారిస్తుంది, కానీ దత్తాంశం యొక్క వర్గాల మొత్తాన్ని లెక్కించేటప్పుడు మాత్రం కచ్చితత్వం అవసరం.

అయితే, భావనాత్మక అవగాహన కోసం, దశలవారీ పద్ధతి (తేడా → వర్గం → మొత్తం) సాధారణంగా సులభంగా మరియు పొరపాట్లు లేకుండా సురక్షితంగా ఉంటుంది.

6. ప్రామాణిక విచలనం యొక్క వివరణ

ప్రామాణిక విచలనం కేవలం సంఖ్యలకే పరిమితం కాదు, దానిని విశ్లేషించాల్సి ఉంటుంది:

– తక్కువ ప్రామాణిక విచలనం: డేటా సగటుకు దగ్గరగా సమూహంగా ఉంటుంది, వైవిధ్యం తక్కువగా ఉంటుంది, ఫలితాలు మరింత స్థిరంగా ఉంటాయి.
– అధిక ప్రామాణిక విచలనం: డేటా సగటు నుండి చాలా దూరంగా విస్తరించి ఉంటుంది, వైవిధ్యం ఎక్కువగా ఉంటుంది, ఫలితాలు తక్కువ స్థిరంగా ఉంటాయి.

ఉదాహరణకు, రెండు తరగతులకు ఒకే సగటు స్కోరు, 74 ఉందని అనుకుందాం. తరగతి A యొక్క ప్రామాణిక విచలనం 5 మరియు తరగతి B యొక్క ప్రామాణిక విచలనం 15 అయితే, తరగతి A లోని స్కోర్లు మరింత సమంగా మరియు స్థిరంగా ఉంటాయి. తరగతి B లో ఎక్కువ వైవిధ్యం ఉంటుంది: కొన్ని చాలా తక్కువగా మరియు కొన్ని చాలా ఎక్కువగా ఉంటాయి.

7. సాధారణ తప్పులు

ప్రామాణిక విచలనాన్ని లెక్కించేటప్పుడు చేసే కొన్ని సాధారణ తప్పులు:

1. నమూనా మరియు జనాభా మధ్య తేడాను గుర్తించడం మర్చిపోయారు, అందువల్ల భాజకం తప్పుగా ఉంది (N vs n − 1).
2. సగటును తప్పుగా లెక్కించడం, దీని ఫలితంగా తదుపరి దశలన్నీ తప్పుగా ఉంటాయి.
3. భేదాన్ని వర్గీకరించడం మర్చిపోవడం, లేదా చివరలో వర్గమూలం తీసేటప్పుడు పొరపాటు చేయడం.
4. సంఖ్యల కూడటం లేదా వర్గాలను లెక్కించేటప్పుడు అంకగణిత దోషాలు.

గణన పట్టికను తయారు చేసి, ఫలితాలను మరలా సరిచూడటం ద్వారా పొరపాట్లను నివారించవచ్చు.

పెనుటప్

మీరు దశలను సరిగ్గా పాటిస్తే ప్రామాణిక విచలనాన్ని లెక్కించడం నిజానికి కష్టం కాదు: సగటును లెక్కించండి, ప్రతి డేటా సెట్ మధ్య వ్యత్యాసాన్ని కనుగొనండి, ఆ వ్యత్యాసాలను వర్గీకరించండి, వాటన్నింటినీ కలిపి, (n లేదా n − 1 తో) భాగించి, ఆపై వర్గమూలాన్ని తీసుకోండి. ప్రామాణిక విచలనాన్ని అర్థం చేసుకోవడం ద్వారా, మీ డేటా ఎంత స్థిరంగా ఉందో మరియు అందులో ఎంత వైవిధ్యం ఉందో మీరు అంచనా వేయవచ్చు.

మీకు కావాలంటే, నేను మరింత డేటాతో అదనపు ఉదాహరణలు, సమూహ డేటా ఉదాహరణలు (ఫ్రీక్వెన్సీ పట్టికలు), లేదా ఎక్సెల్/గూగుల్ షీట్స్ ఉపయోగించి ప్రామాణిక విచలనాన్ని ఎలా లెక్కించాలో కూడా సృష్టించగలను.