ఒకే డేటా యొక్క వైవిధ్యం మరియు ప్రామాణిక విచలనం

ఒకే డేటా యొక్క వైవిధ్యం మరియు ప్రామాణిక విచలనం

గణాంక శాస్త్రం అనేది దత్తాంశ సేకరణ, విశ్లేషణ, వ్యాఖ్యానం, ప్రదర్శన మరియు వ్యవస్థీకరణను అధ్యయనం చేసే శాస్త్రం. దత్తాంశంలోని వైవిధ్యతను మనం ఎలా కొలుస్తాము మరియు అర్థం చేసుకుంటాము అనేది గణాంక శాస్త్రంలో ఒక ముఖ్యమైన అంశం. వైవిధ్యతను కొలవడానికి రెండు కీలకమైన కొలమానాలు విచలనం మరియు ప్రామాణిక విచలనం. ఈ వ్యాసం, ఒకే దత్తాంశ సమితిపై దృష్టి సారిస్తూ, విచలనం మరియు ప్రామాణిక విచలనాన్ని లోతుగా చర్చిస్తుంది. ఇందులో నిర్వచనాలు, సూత్రాలు, గణన దశలను వివరించడంతో పాటు, భావనలను స్పష్టం చేయడానికి ఆచరణాత్మక ఉదాహరణలను కూడా అందిస్తుంది.

విచలనం మరియు ప్రామాణిక విచలనం యొక్క నిర్వచనం

వేరియంట్లు
విచలనం అనేది డేటా సగటు నుండి ఎంత దూరంలో విస్తరించి ఉందో తెలిపే ఒక కొలమానం. ఇది ఒక డేటా సమితిలోని వైవిధ్యం లేదా భిన్నత్వం యొక్క స్థూల చిత్రాన్ని అందిస్తుంది. గణిత పరంగా, విచలనం అనేది ప్రతి డేటా అంశం దాని సగటు నుండి పొందిన విచలనాల వర్గాల సగటు.

ప్రామాణిక విచలనం
ప్రామాణిక విచలనం అనేది విచలనం యొక్క వర్గమూలం. ఇది అసలు డేటా ఉన్న యూనిట్లలోనే డేటా పంపిణీ గురించి సమాచారాన్ని అందిస్తుంది, దీనివల్ల నిజ జీవిత సందర్భాలలో దాన్ని అర్థం చేసుకోవడం సులభం అవుతుంది.

సూత్రాలు మరియు గణనలు

వేరియంట్లు
n పరిమాణం గల ఒకే డేటా సెట్ యొక్క వేరియెన్స్ (σ^2) ను లెక్కించడానికి, మనం ఈ క్రింది సూత్రాన్ని ఉపయోగించవచ్చు:

\[ \sigma^2 = \frac{\sum_{i=1}^{n} (x_i – \bar{x})^2}{n} \]

ఎక్కడ:
– \( x_i \) అనేది iవ డేటా విలువ.
– \( \bar{x} \) అనునది దత్తాంశం యొక్క సగటు లేదా అంకం.
– n అనేది సమితిలోని డేటా సంఖ్య.
– (x_i – \bar{x})^2 అనేది ప్రతి డేటా మరియు దాని సగటు మధ్య వ్యత్యాసం యొక్క వర్గం.

ప్రామాణిక విచలనం
ప్రామాణిక విచలనం (σ) అనేది విచలనం యొక్క వర్గమూలం, కాబట్టి సూత్రం:

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

గణన దశలు

దశ 1: డేటా యొక్క సగటును (మీన్) లెక్కించండి
మొదటి దశ డేటా సెట్ యొక్క సగటును (మీన్) లెక్కించడం. అన్ని డేటా విలువలను కలిపి, ఆ వచ్చిన సంఖ్యను డేటా విలువల సంఖ్యతో భాగించడం ద్వారా సగటును లెక్కిస్తారు.

\[ \bar{x} = \frac{\sum_{i=1}^{n} x_i}{n} \]

దశ 2: సగటుతో పోల్చి ప్రతి డేటా సెట్ యొక్క వ్యత్యాసాన్ని లెక్కించండి
సగటును పొందిన తర్వాత, తదుపరి దశ ప్రతి డేటా విలువకు మరియు సగటుకు మధ్య ఉన్న వ్యత్యాసాన్ని (విచలనం) లెక్కించడం.

\[ d_i = x_i – \bar{x} \]

దశ 3: ప్రతి విచలనాన్ని వర్గీకరించండి
తరువాత, ప్రతి విచలనాన్ని వర్గీకరించండి.

\[ d_i^2 = (x_i – \bar{x})^2 \]

దశ 4: అన్ని వర్గ విచలనాలను కూడండి
మునుపటి దశ నుండి వచ్చిన వర్గీకరించిన ఫలితాలన్నింటినీ కూడండి.

\[ \sum d_i^2 = \sum_{i=1}^{n} (x_i – \bar{x})^2 \]

దశ 5: వ్యత్యాసాన్ని లెక్కించండి
విచలనాల వర్గాల మొత్తాన్ని డేటా సంఖ్య (n) తో భాగించి వేరియెన్స్‌ను పొందండి.

\[ \sigma^2 = \frac{\sum d_i^2}{n} \]

దశ 6: ప్రామాణిక విచలనాన్ని లెక్కించండి
చివరగా, విచలనం యొక్క వర్గమూలాన్ని తీసుకోవడం ద్వారా ప్రామాణిక విచలనాన్ని లెక్కించండి.

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

గణన ఉదాహరణ

విచలనం మరియు ప్రామాణిక విచలనాన్ని లెక్కించే భావనను స్పష్టం చేయడానికి, కింది ఉదాహరణను చూద్దాం. మన వద్ద 4, 8, 6, 5, 3 అనే ఒకే డేటా సెట్ ఉందని అనుకుందాం.

దశ 1: డేటా యొక్క సగటును లెక్కించండి
\[ \bar{x} = \frac{4 + 8 + 6 + 5 + 3}{5} = \frac{26}{5} = 5.2 \]

దశ 2: సగటుతో పోల్చి ప్రతి డేటా సెట్ యొక్క వ్యత్యాసాన్ని లెక్కించండి
ప్రతి డేటా విలువకు మరియు సగటుకు మధ్య ఉన్న వ్యత్యాసం:
– (4 – 5.2) = -1.2
– (8 – 5.2) = 2.8
– (6 – 5.2) = 0.8
– (5 – 5.2) = -0.2
– (3 – 5.2) = -2.2

దశ 3: ప్రతి విచలనాన్ని వర్గీకరించండి
ప్రతి విచలనం యొక్క వర్గం:
– (-1.2)^2 = 1.44
– 2.8^2 = 7.84
– 0.8^2 = 0.64
– (-0.2)^2 = 0.04
– (-2.2)^2 = 4.84

దశ 4: అన్ని వర్గ విచలనాలను కూడండి
\[ \sum d_i^2 = 1.44 + 7.84 + 0.64 + 0.04 + 4.84 = 14.8 \]

దశ 5: వ్యత్యాసాన్ని లెక్కించండి
\[ \sigma^2 = \frac{14.8}{5} = 2.96 \]

దశ 6: ప్రామాణిక విచలనాన్ని లెక్కించండి
\[ \sigma = \sqrt{2.96} \approx 1.72 \]

కాబట్టి, ఈ ఉదాహరణలో, డేటా యొక్క విచలనం 2.96 మరియు ప్రామాణిక విచలనం సుమారుగా 1.72.

వ్యాఖ్యానం

విచలనం మరియు ప్రామాణిక విచలనం డేటా యొక్క వ్యాప్తి గురించి ముఖ్యమైన సమాచారాన్ని అందిస్తాయి. పై ఉదాహరణలో, 2.96 విచలనం అనేది, సగటు నుండి డేటా విలువల యొక్క సగటు వర్గ విచలనం 2.96 అని సూచిస్తుంది. 1.72 ప్రామాణిక విచలనం అనేది, సగటున, డేటా విలువలు సగటు నుండి 1.72 యూనిట్ల మేర విచలనం చెందుతాయని సూచిస్తుంది.

ప్రామాణిక విచలనాన్ని అర్థం చేసుకోవడం సులభం, ఎందుకంటే దీనికి అసలు డేటా వలె అదే యూనిట్లు ఉంటాయి. ఉదాహరణకు, ఆదాయ గణాంకాల సందర్భంలో, డేటా యొక్క ప్రామాణిక విచలనం $500 అయితే, సగటు ఆదాయం, మధ్యస్థ ఆదాయం నుండి $500 మేర విచలనం చెందిందని అర్థం.

రోజువారీ జీవితంలో అనువర్తనం

విచలనం మరియు ప్రామాణిక విచలనాన్ని అర్థం చేసుకోవడాన్ని వివిధ రంగాలలో అన్వయించవచ్చు. ఆర్థిక రంగంలో, పెట్టుబడి ప్రమాదాన్ని కొలవడానికి ప్రామాణిక విచలనాన్ని ఉపయోగించవచ్చు. విద్యారంగంలో, విద్యార్థుల మధ్య పరీక్ష స్కోర్‌లలోని వ్యత్యాసాన్ని అంచనా వేయడానికి దీనిని ఉపయోగించవచ్చు. తయారీ రంగంలో, ఉత్పత్తి వ్యత్యాసాన్ని కొలవడం ద్వారా ఇది నాణ్యత నియంత్రణకు సహాయపడుతుంది.

ముగింపు

ఒక డేటా సెట్‌లోని వైవిధ్యతను అర్థం చేసుకోవడానికి వేరియెన్స్ మరియు స్టాండర్డ్ డీవియేషన్ అనేవి రెండు కీలకమైన గణాంక సాధనాలు. వేరియెన్స్‌ను లెక్కించడం ద్వారా, డేటా ఎంత విస్తరించి ఉందో మనం నిర్ధారించవచ్చు. వేరియెన్స్ యొక్క వర్గమూలమైన స్టాండర్డ్ డీవియేషన్, మరింత సులభంగా అర్థమయ్యే వివరణను అందిస్తుంది మరియు అసలు డేటా యొక్క యూనిట్లలోనే కొలవబడుతుంది. ఈ రెండు కొలమానాలను అర్థం చేసుకోవడం మరియు లెక్కించగలగడం ద్వారా, మనం డేటాను మరింత మెరుగ్గా విశ్లేషించి, మరింత సమాచారంతో కూడిన నిర్ణయాలు తీసుకోగలం.