సమూహ డేటా యొక్క వైవిధ్యం మరియు ప్రామాణిక విచలనం

సమూహ డేటా యొక్క వైవిధ్యం మరియు ప్రామాణిక విచలనం

గణాంక శాస్త్రం అనేది డేటాను సేకరించడానికి, వ్యవస్థీకరించడానికి, విశ్లేషించడానికి, వ్యాఖ్యానించడానికి మరియు ప్రదర్శించడానికి ఉపయోగించే గణిత శాస్త్ర శాఖ. గణాంక శాస్త్రంలో ఒక ముఖ్యమైన భావన వైవిధ్యతను, లేదా డేటా వ్యాప్తిని కొలవడం. వైవిధ్యతకు రెండు ప్రాథమిక కొలమానాలు విచలనం మరియు ప్రామాణిక విచలనం. ఈ వ్యాసం, ప్రత్యేకంగా సమూహ డేటా సందర్భంలో, విచలనం మరియు ప్రామాణిక విచలనాన్ని లోతుగా అన్వేషిస్తుంది.

వైవిధ్యం యొక్క నిర్వచనం మరియు ప్రాముఖ్యత

వైవిధ్యం అనేది డేటా దాని సగటు నుండి ఎంత దూరం విస్తరించి ఉందో కొలుస్తుంది. వైవిధ్యాన్ని కొలవడం ముఖ్యం, ఎందుకంటే ఇది సగటు వంటి కేంద్ర ధోరణి కొలమానాల నుండి మాత్రమే పొందలేని అదనపు అంతర్దృష్టులను అందిస్తుంది. వైవిధ్య కొలమానాన్ని తెలుసుకోవడం ద్వారా, డేటా ఎంత స్థిరంగా ఉందో మనం అర్థం చేసుకోగలం మరియు సంభావ్య విపరీత విలువలను లేదా అసాధారణతలను గుర్తించగలం.

వేరియెన్స్ మరియు ప్రామాణిక విచలనాన్ని అర్థం చేసుకోవడం

విచలనం అనేది దత్తాంశ పంపిణీని కొలిచే ఒక కొలమానం, ఇది ప్రతి దత్తాంశ బిందువు దాని సగటు నుండి చదరపు యూనిట్లలో ఎంత దూరంలో ఉందో చూపిస్తుంది. దీనిని జనాభాకు \( \sigma^2 \) మరియు నమూనాకు \( s^2 \) గుర్తుతో సూచిస్తారు. జనాభా దత్తాంశం యొక్క విచలనానికి సూత్రం:
\[ \sigma^2 = \frac{\sum (X_i – \mu)^2}{N} \]

నమూనా విషయానికొస్తే, సూత్రం ఇది:
\[ s^2 = \frac{\sum (X_i – \bar{X})^2}{n-1} \]

ఎక్కడ:
– \( X_i \) అనేది వ్యక్తిగత డేటా విలువ
– \( \mu \) అనునది జనాభా సగటు
– \( \bar{X} \) అనునది నమూనా సగటు
– \( N \) అనునది జనాభా పరిమాణం
– \( n \) అనేది నమూనా పరిమాణం

ప్రామాణిక విచలనం అనేది విచలనం యొక్క వర్గమూలం. దీనిని జనాభాకు \( \sigma \) మరియు నమూనాకు \( s \) అనే గుర్తులతో సూచిస్తారు. ప్రామాణిక విచలనం డేటా యూనిట్లను వాటి అసలు రూపానికి తిరిగి తీసుకువస్తుంది, దీనివల్ల దీనిని విచలనం కంటే సులభంగా అర్థం చేసుకోవచ్చు.

\[ \sigma = \sqrt{\sigma^2} \]
\[ s = \sqrt{s^2} \]

సమూహ డేటా

సమూహపరచిన దత్తాంశం అంటే అనేక వర్గాలుగా లేదా అంతరాలుగా వర్గీకరించబడిన దత్తాంశం. ఉదాహరణకు, విద్యార్థుల ఎత్తులు 150-155 సెం.మీ, 155-160 సెం.మీ మొదలైన అంతరాలుగా విభజించబడతాయి. సమూహపరచిన దత్తాంశంపై విచలనం మరియు ప్రామాణిక విచలనాన్ని విశ్లేషించడానికి, వ్యక్తిగత దత్తాంశాన్ని విశ్లేషించడం కంటే కొద్దిగా భిన్నమైన విధానం అవసరం.

సమూహ డేటా కోసం వైవిధ్యం మరియు ప్రామాణిక విచలనాన్ని లెక్కించే దశలు

గ్రూప్ డేటా యొక్క వేరియెన్స్ మరియు స్టాండర్డ్ డీవియేషన్‌ను లెక్కించే దశలు ఈ క్రింది విధంగా ఉన్నాయి:

1. పౌనఃపున్య పంపిణీ పట్టికను రూపొందించండి
– డేటాను అనేక తరగతులుగా లేదా విరామాలుగా విభజించారు.
– ప్రతి విరామం యొక్క పౌనఃపున్యం (ప్రతి విరామంలోని డేటా సంఖ్య) నమోదు చేయబడుతుంది.

2. తరగతి మధ్య బిందువును నిర్ణయించడం
– ప్రతి అంతరం యొక్క మధ్య బిందువును ఈ విధంగా లెక్కిస్తారు: \( \text{మధ్య బిందువు} = \frac{\text{దిగువ పరిమితి} + \text{ఎగువ పరిమితి}}{2} \)

3. తాత్కాలిక సగటును (\( \bar{X} \)) లెక్కించడం
– సగటును ఈ సూత్రాన్ని ఉపయోగించి లెక్కిస్తారు: \( \bar{X} = \frac{\sum f_i x_i}{\sum f_i} \)
– ఇక్కడ \( f_i \) అనేది పౌనఃపున్యం మరియు \( x_i \) అనేది అంతరం యొక్క మధ్య బిందువు.

4. సగటు నుండి విచలనం మరియు దాని వర్గాన్ని లెక్కించడం
– ప్రతి అంతరానికి, సగటు నుండి విచలనాన్ని ఈ విధంగా లెక్కిస్తారు: \( d_i = x_i – \bar{X} \)
– తరువాత వర్గాన్ని లెక్కించండి: \( d_i^2 \)

5. విచలనం మరియు ప్రామాణిక విచలనాన్ని లెక్కించడం
– వేరియెన్స్‌ను ఈ ఫార్ములా ఉపయోగించి లెక్కిస్తారు: \( s^2 = \frac{\sum f_i d_i^2}{\sum f_i – 1} \)
– ప్రామాణిక విచలనం అనేది విచలనం యొక్క వర్గమూలం: \( s = \sqrt{s^2} \)

గణన ఉదాహరణ

మన దగ్గర విద్యార్థుల ఎత్తుకు సంబంధించిన సమాచారం ఈ క్రింది విధంగా వర్గీకరించబడి ఉందని అనుకుందాం:

| అంతరం (సెం.మీ) | పౌనఃపున్యం (ఫేజ్) |
|——————|——————|
| 150 – 154 | 5 |
| 155 – 159 | 10 |
| 160 – 164 | 15 |
| 165 – 169 | 8 |
| 170 – 174 | 2 |

1. పౌనఃపున్య పంపిణీ పట్టిక:

| అంతరం (సెం.మీ) | పౌనఃపున్యం (f) | మధ్య బిందువు (x) | \( f \cdot x \) | \( d = x – \bar{X} \) | \( d^2 \) | \( f \cdot d^2 \) |
|——————|——————|——————|——————–|——————–|——————-|
| 150 – 154 | 5 | 152 | 760 | | | |
| 155 – 159 | 10 | 157 | 1570 | | | |
| 160 – 164 | 15 | 162 | 2430 | | | |
| 165 – 169 | 8 | 167 | 1336 | | | |
| 170 – 174 | 2 | 172 | 344 | | | |
| మొత్తం | 40 | | 6440 | | | |

2. సగటును (\( \bar{X} \)) లెక్కించడం:
\[ \bar{X} = \frac{6440}{40} = 161 \]

3. సగటు నుండి విచలనం మరియు దాని వర్గాన్ని లెక్కించడం:

| అంతరం (సెం.మీ) | పౌనఃపున్యం (f) | మధ్య బిందువు (x) | \( f \cdot x \) | \( d = x – 161 \) | \( d^2 \) | \( f \cdot d^2 \) |
|——————|——————|——————|——————–|——————-|——————-|
| 150 – 154 | 5 | 152 | 760 | -9 | 81 | 405 |
| 155 – 159 | 10 | 157 | 1570 | -4 | 16 | 160 |
| 160 – 164 | 15 | 162 | 2430 | 1 | 1 | 15 |
| 165 – 169 | 8 | 167 | 1336 | 6 | 36 | 288 |
| 170 – 174 | 2 | 172 | 344 | 11 | 121 | 242 |
| మొత్తం | 40 | | 6440 | | | 1110 |

4. వ్యత్యాసాన్ని లెక్కించడం:
\[ s^2 = \frac{1110}{40 – 1} = \frac{1110}{39} \approx 28.46 \]

5. ప్రామాణిక విచలనాన్ని లెక్కించడం:
\[ s = \sqrt{28.46} \approx 5.33 \]

ముగింపు

విచలనం మరియు ప్రామాణిక విచలనం అనేవి గణాంకాలలో ఒక ముఖ్యమైన కొలమానం, ఇది డేటా దాని సగటు చుట్టూ ఎలా విస్తరించి ఉందో వివరిస్తుంది. ఈ భావనలను వ్యక్తిగత డేటాకు వర్తింపజేయగలిగినప్పటికీ, సమూహ డేటాకు గణన ప్రక్రియ కొద్దిగా భిన్నంగా ఉంటుంది. పై ఉదాహరణ నుండి, సమూహ డేటా కోసం విచలనం మరియు ప్రామాణిక విచలనాన్ని లెక్కించే వివరణాత్మక దశలను మనం చూడవచ్చు. ఈ సమాచారం విద్యా పరిశోధన నుండి వ్యాపార మరియు ఉత్పత్తి విశ్లేషణ వరకు వివిధ రకాల అనువర్తనాలలో ఉపయోగపడుతుంది.

విచలనం మరియు ప్రామాణిక విచలనంపై మంచి అవగాహనతో, మన వద్ద ఉన్న డేటా ఆధారంగా మరింత ఖచ్చితంగా విశ్లేషించి, నిర్ణయాలు తీసుకోగలం. దీనివల్ల మనం ఖచ్చితమైనవే కాకుండా, సందర్భోచితమైన ఫలితాలను కూడా పొందగలుగుతాం.