సహసంబంధ గుణకాన్ని నిర్ణయించడం

సహసంబంధ గుణకాన్ని నిర్ణయించడం: పరిచయం, పద్ధతులు మరియు అనువర్తనాలు

సహసంబంధ గుణకం అనేది ఒక డేటాసెట్‌లోని రెండు చరరాశుల మధ్య సంబంధం యొక్క బలాన్ని నిర్ధారించే ఒక గణాంక కొలమానం. సహసంబంధాలు -1 నుండి 1 వరకు ఉంటాయి. గుణకం విలువ 1 లేదా -1కి దగ్గరగా ఉంటే, అది ఆ రెండు చరరాశుల మధ్య బలమైన సంబంధాన్ని సూచిస్తుంది. గుణకం విలువ 0కి దగ్గరగా ఉంటే, అది ఆ రెండు చరరాశుల మధ్య బలమైన సంబంధం లేదని సూచిస్తుంది. ఈ వ్యాసం సహసంబంధ గుణకం, దానిని లెక్కించే పద్ధతులు, దాని వివరణ మరియు వివిధ రంగాలలో దాని అనువర్తనాల గురించి చర్చిస్తుంది.

సహసంబంధ గుణకం పరిచయం

సహసంబంధ గుణకం రెండు చరరాశులు ఎంత దగ్గరగా సంబంధం కలిగి ఉన్నాయో సంఖ్యాత్మకంగా తెలియజేస్తుంది. సహసంబంధ గుణకాలను సంబంధం యొక్క దిశ ఆధారంగా రెండు ప్రధాన రకాలుగా విభజించారు:

1. ధనాత్మక సహసంబంధ గుణకం: ఒక చరరాశి పెరిగినప్పుడు, మరొక చరరాశి కూడా పెరుగుతుందని ఇది సూచిస్తుంది.
2. రుణాత్మక సహసంబంధ గుణకం: ఒక చరరాశి పెరిగినప్పుడు, మరొక చరరాశి తగ్గుతుందని ఇది సూచిస్తుంది.

రెండు చరరాశుల మధ్య సంబంధాన్ని, ఆ సంబంధం యొక్క బలం ఆధారంగా మూడు రకాలుగా విభజించవచ్చు:

1. బలమైన సహసంబంధం: గుణకం -1 లేదా 1కి దగ్గరగా ఉంటుంది.
2. మధ్యస్థ సహసంబంధం: గుణకం -0.5 నుండి -1 లేదా 0.5 నుండి 1 మధ్య ఉంటుంది.
3. బలహీనమైన సహసంబంధం: గుణకం 0కి దగ్గరగా ఉంటుంది.

సహసంబంధ గుణకాన్ని లెక్కించే పద్ధతి

సహసంబంధ గుణకాన్ని లెక్కించడానికి పియర్సన్ సహసంబంధం, స్పియర్‌మన్ సహసంబంధం మరియు కెండల్ సహసంబంధం వంటి అనేక సాధారణ పద్ధతులు ఉపయోగించబడతాయి. ఈ పద్ధతులలో ప్రతి దాని గురించి మరింత వివరంగా చర్చిద్దాం.

1. పియర్సన్ సహసంబంధం
రెండు చరరాశులు అవిచ్ఛిన్నంగా ఉండి, సాధారణ పంపిణీని కలిగి ఉన్నప్పుడు పియర్సన్ సహసంబంధ గుణకాన్ని తరచుగా ఉపయోగిస్తారు. పియర్సన్ సహసంబంధ గుణకం యొక్క సూత్రం:

\[ r = \frac {n(\Sigma xy) – (\Sigma x)(\Sigma y)}{ \sqrt{ [n \Sigma x^2 – (\Sigma x)^2] [n \Sigma y^2 – (\Sigma y)^2 ] } } \]

ఎక్కడ:
– \( r \) = సహసంబంధ గుణకం,
– \( n \) = డేటా జతల సంఖ్య,
– \( \Sigma xy \) = డేటా జతలైన \( x \) మరియు \( y \) ల లబ్ధాల మొత్తం,
– \( \Sigma x \) = విలువలు ​​\( x \) మొత్తం,
– \( \Sigma y \) = ​​\( y \) విలువల మొత్తం,
– \( \Sigma x^2 \) = \( x \) యొక్క వర్గాల మొత్తం,
– \( \Sigma y^2 \) = \( y \) ల వర్గాల మొత్తం.

2. స్పియర్‌మ్యాన్ ర్యాంక్ సహసంబంధం
ఆర్డినల్ డేటా కోసం లేదా నార్మాలిటీ అనే ఊహను నెరవేర్చలేనప్పుడు స్పియర్‌మన్ సహసంబంధ గుణకాన్ని ఉపయోగిస్తారు. స్పియర్‌మన్ సహసంబంధం డేటా విలువల వాస్తవ విలువలపై కాకుండా వాటి ర్యాంకింగ్‌పై ఆధారపడి ఉంటుంది. స్పియర్‌మన్ సహసంబంధ గుణకం యొక్క సూత్రం:

\[ \rho = 1 – \frac {6\Sigma d_i^2}{n(n^2-1)} \]

ఎక్కడ:
– \( \rho \) = స్పియర్‌మన్ సహసంబంధ గుణకం,
– \( d_i \) = డేటా జతల \( x \) మరియు \( y \) ల ర్యాంకింగ్‌ల మధ్య వ్యత్యాసం,
– \( n \) = డేటా జతల సంఖ్య.

3. కెండల్స్ టౌ సహసంబంధం
కెండల్ సహసంబంధ గుణకం రెండు ఆర్డినల్ వేరియబుల్స్ మధ్య సంబంధం యొక్క బలాన్ని కొలుస్తుంది. స్పియర్‌మన్ సహసంబంధ గుణకం వలె కాకుండా, కెండల్ సహసంబంధ గుణకం ఏకీభవించే మరియు విభేదించే జతల సంఖ్యపై ఎక్కువగా దృష్టి పెడుతుంది. కెండల్ సహసంబంధ గుణకం యొక్క సూత్రం:

\[ \tau = \frac{ (C – D)} { \sqrt{(C + D + T) (C + D + U) } } \]

ఎక్కడ:
– \( \tau \) = కెండల్ సహసంబంధ గుణకం,
– \( C \) = ఏకీభవించే జతల సంఖ్య,
– \( D \) = విరుద్ధ జతల సంఖ్య,
– \( T \) = చరరాశి \( x \) లోని శ్రేణి జతల సంఖ్య,
– \( U \) = చరరాశి \( y \) లోని శ్రేణి జతల సంఖ్య.

సహసంబంధ గుణకం యొక్క వివరణ

సహసంబంధ గుణకం యొక్క వివరణ, పొందిన గుణకం యొక్క విలువపై ఆధారపడి ఉంటుంది:

– గుణకం +1: సంపూర్ణ అనుకూల సంబంధం.
– గుణకం 0.7 నుండి 0.9 వరకు: బలమైన సానుకూల సంబంధం.
– గుణకం 0.4 నుండి 0.6 వరకు: మధ్యస్థ సానుకూల సంబంధం.
– గుణకం 0.1 నుండి 0.3 వరకు: బలహీనమైన సానుకూల సంబంధం.
– గుణకం 0: సంబంధం లేదు.
– గుణకం -0.1 నుండి -0.3 వరకు: బలహీనమైన ప్రతికూల సంబంధం.
– గుణకం -0.4 నుండి -0.6 వరకు: మధ్యస్థ ప్రతికూల సంబంధం.
– గుణకం -0.7 నుండి -0.9 వరకు: బలమైన ప్రతికూల సంబంధం.
– గుణకం -1: సంపూర్ణ ప్రతికూల సంబంధం.

సహసంబంధ గుణకం అనువర్తనం

సహసంబంధ గుణకం అర్థశాస్త్రం, సామాజిక శాస్త్రాలు, ఆరోగ్యం, విద్య మొదలైన వివిధ రంగాలలో విస్తృతమైన అనువర్తనాలను కలిగి ఉంది. ఇక్కడ కొన్ని ఉదాహరణలు ఉన్నాయి:

1. అర్థశాస్త్రం: ద్రవ్యోల్బణం మరియు నిరుద్యోగం మధ్య, లేదా వినియోగదారుల ఖర్చు మరియు ఆదాయం మధ్య సంబంధాన్ని నిర్ణయించడం.
2. సామాజిక శాస్త్రాలు: విద్య మరియు ఆదాయం మధ్య, లేదా సామాజిక మాధ్యమాలు మరియు మానసిక శ్రేయస్సు మధ్య సంబంధాన్ని నిర్ధారించడం.
3. ఆరోగ్యం: ధూమపాన అలవాట్లకు మరియు ఊపిరితిత్తుల క్యాన్సర్ కేసులకు మధ్య ఉన్న సంబంధాన్ని, లేదా చురుకైన జీవనశైలికి మరియు గుండె ఆరోగ్యానికి మధ్య ఉన్న సంబంధాన్ని పోల్చడం.
4. విద్య: అధ్యయన సమయానికి మరియు పరీక్ష ఫలితాలకు మధ్య, లేదా తరగతి పరిమాణానికి మరియు విద్యార్థి సాధనకు మధ్య ఉన్న సంబంధాన్ని పరిశీలించడం.

డేటాసెట్‌లను ఉపయోగించి ఆచరణాత్మక ఉదాహరణలు

10 మంది విద్యార్థుల గణిత పరీక్ష స్కోర్‌లు మరియు గంటలలో అధ్యయన సమయాన్ని కలిగి ఉన్న డేటాసెట్ ఈ క్రింది విధంగా ఉందని అనుకుందాం:
""
విద్యార్థుల అధ్యయన గంటలు గణిత గ్రేడ్‌లు
1 5 85
2 3 78
3 6 90
4 2 76
5 4 80
6 6 88
7 5 85
8 3 82
9 7 91
10 5 87
""
మనం Study_Hours మరియు Math_Score మధ్య పియర్సన్ సహసంబంధ గుణకాన్ని లెక్కించవచ్చు. పియర్సన్ సూత్రాన్ని ఉపయోగించి, మనం మొదట \( \Sigma x \), \( \Sigma y \), \( \Sigma xy \), \( \Sigma x^2 \), మరియు \( \Sigma y^2 \) లను గణిస్తాము, ఆపై ఈ విలువలను సూత్రంలో ప్రతిక్షేపించి \( r \) విలువను పొందుతాము.

ముగింపు

రెండు చరరాశుల మధ్య సంబంధం యొక్క బలం మరియు దిశను నిర్ధారించడానికి సహసంబంధ గుణకం అనేది డేటా విశ్లేషణలో ఒక శక్తివంతమైన సాధనం. సమర్థవంతమైన డేటా విశ్లేషణ కోసం సహసంబంధ గుణకం యొక్క భావన, గణన పద్ధతులు మరియు వివరణను అర్థం చేసుకోవడం చాలా అవసరం. సరైన అవగాహనతో, మనం వివిధ రంగాలలో చరరాశుల మధ్య సహసంబంధాలను మరింత మెరుగ్గా నిర్ధారించవచ్చు మరియు మరింత సమాచారంతో కూడిన, డేటా-ఆధారిత నిర్ణయాలు తీసుకోవచ్చు.