skewness اور kurtosis کو سمجھنا

Skewness اور Kurtosis کو سمجھنا

سماجی علوم سے لے کر قدرتی علوم تک تحقیق کے مختلف شعبوں میں شماریات سائنس کی ایک لازمی شاخ ہے۔ ڈیٹا کے تجزیہ میں، درست اور قابل اعتماد نتائج حاصل کرنے کے لیے ڈیٹا کی تقسیم کو سمجھنا بہت ضروری ہے۔ تقسیم کو بیان کرنے میں کثرت سے استعمال ہونے والے دو اہم تصورات ہیں skewness اور kurtosis۔ اس مضمون میں اعداد و شمار کے تجزیے میں skewness اور kurtosis کی تعریفوں، تشریحات اور اہمیت پر تفصیل سے بحث کی جائے گی ۔

ترچھا پن

ترچھی پن کی تعریف
Skewness کی عدم توازن کا ایک پیمانہ ہے۔ امکانی تقسیم ایک بے ترتیب متغیر۔ آسان الفاظ میں، skewness بیان کرتا ہے کہ اعداد و شمار کی تقسیم بالکل ہموار شکل سے کتنی دور ہے، جسے عام تقسیم یا گاوسی تقسیم کے نام سے جانا جاتا ہے۔

ترچھی پن کی اقسام
1. مثبت تخفیف: ایک ڈیٹا کی تقسیم جو دائیں طرف لمبا ہے۔ ایک مثبت ترچھی قدر اس بات کی نشاندہی کرتی ہے کہ ڈیٹا کی اکثریت بائیں جانب کلسٹرڈ ہے، جس میں ایک لمبی دائیں دم ہے۔ مثال کے طور پر، آبادی میں انفرادی آمدنی اکثر مثبت ترچھی ظاہر کرتی ہے۔

2. منفی ترچھا پن: ایک ڈیٹا کی تقسیم جو بائیں طرف کی گئی ہے۔ اس صورت میں، منفی ترچھی قدر اس بات کی نشاندہی کرتی ہے کہ ڈیٹا کی اکثریت دائیں طرف ہے، جس میں بائیں دم لمبی ہے۔ ایک عام مثال امتحان کے اسکور ہے جہاں طلباء کی اکثریت زیادہ اسکور کرتی ہے۔

3. ہم آہنگی کی تقسیم: اگر ترچھی قدر صفر کے قریب ہے، تو ڈیٹا کی تقسیم کو ہم آہنگی کے قریب سمجھا جا سکتا ہے، جیسے کہ عام تقسیم۔

ترچھی پن کا حساب کیسے لگائیں۔
مندرجہ ذیل فارمولے کا استعمال کرتے ہوئے Skewness کا حساب لگایا جا سکتا ہے:

\[ \text{Skewness} = \frac{n}{(n-1)(n-2)} \sum \left(\frac{x_i – \bar{x}}{s}\right)^3 \]

کہاں:
- \( n \) = ڈیٹا کی تعداد،
- \( x_i \) = انفرادی قدر،
- \(\bar{x} \) = ڈیٹا کا اوسط،
– (s) = اسٹینڈر دیواسی.

ترچھی پن کی تشریح
ترچھی اقدار کی تشریح ڈیٹا کی تقسیم کی خصوصیات کو سمجھنے میں مدد کر سکتی ہے۔ ایک عام رہنما کے طور پر:
- 0 کے قریب پہنچنا ایک ہم آہنگی کی تقسیم کی نشاندہی کرتا ہے۔
- مثبت ترچھی ایک تقسیم کی نشاندہی کرتی ہے جو دائیں طرف کی گئی ہے۔
- منفی ترچھی ایک تقسیم کی نشاندہی کرتی ہے جو بائیں طرف کی گئی ہے۔

میں ترچھی پن کی اہمیت ڈیٹا کا تجزیہ
Skewness میں ایک اہم ٹول ہے۔ ڈیٹا کا تجزیہ کیونکہ یہ ڈیٹا کی تقسیم کے بارے میں معلومات فراہم کرتا ہے جو محض اوسط یا معیاری انحراف کو دیکھ کر نہیں مل سکتا۔ ترچھی پن کی صحیح تفہیم یہ فیصلہ کرنے میں مدد کر سکتی ہے کہ مزید تجزیہ کے لیے ڈیٹا کی کون سی تبدیلیوں کو انجام دینے کی ضرورت ہے، جیسے کہ اعلی مثبت ترچھے پن کے ساتھ ڈیٹا پر لوگارتھمز کا استعمال۔

کرٹوسس (نوکی پن)

کرٹوسس کی تعریف
کرٹوسس ڈیٹا کی تقسیم کی چوٹیوں کی اونچائی اور نفاست کا ایک پیمانہ ہے۔ اس کا مطلب یہ ہے کہ کرٹوسس کا تعلق اس بات سے ہے کہ وسط کے قریب ڈیٹا کے مقابلے دم میں کتنا ڈیٹا ہے۔ کرٹوسس اس بات کی نشاندہی کرنے میں مدد کرتا ہے کہ آیا عام تقسیم کے مقابلے ڈیٹا میں چربی ہے یا ہلکی دم۔

کرٹوسس کی اقسام
1. Leptokurtic: ایک عام تقسیم سے زیادہ اونچی چوٹی اور بھاری دم والی تقسیم۔ کرٹوسس ویلیو 3 سے زیادہ ہے۔ لیپٹوکورٹک ڈسٹری بیوشن والے ڈیٹا میں اکثر زیادہ نمایاں آؤٹ لیرز ہوتے ہیں۔

2. Mesokurtic: ایک تقسیم جس میں عام تقسیم کی طرح چوٹی کی خصوصیات ہوتی ہیں۔ کرٹوسس کی قدر 3 ہے۔ عام تقسیم خود میسوکورٹک کی ایک بہترین مثال ہے۔

3. Platykurtic: عام تقسیم کے مقابلے میں نچلی چوٹی اور ہلکی دم والی تقسیم۔ کرٹوسس ویلیو 3 سے کم ہے۔ پلاٹیکورٹک ڈسٹری بیوشن اس بات کی نشاندہی کرتی ہے کہ ڈیٹا کو قدروں کی حد میں زیادہ یکساں طور پر تقسیم کیا گیا ہے۔

کرٹوسس کا حساب کتاب کیسے کریں۔
کرٹوسس کا حساب درج ذیل فارمولے سے کیا جا سکتا ہے۔

\[ \text{Kurtosis} = frac{n(n+1)}{(n-1)(n-2)(n-3)} \sum \left( \frac{x_i – \bar{x}}{s} \right)^4 – \frac{3(n-1)^2}{(n-2)(n-3)} \]

کہاں:
- \( n \) = ڈیٹا کی تعداد،
- \( x_i \) = انفرادی قدر،
- \(\bar{x} \) = ڈیٹا کا اوسط،
- \(s \) = معیاری انحراف۔

عام طور پر، کرٹوسس کو اکثر 'اضافی کرٹوسس' کہا جاتا ہے۔ سادگی کے لیے، فارمولے کو اکثر 3 تک کم کر دیا جاتا ہے تاکہ یہ یقینی بنایا جا سکے کہ عام تقسیم میں 0 کا کرٹوسس ہو۔

کرٹوسس کی تشریح
کرٹوسس ویلیو ڈیٹا کی تقسیم کی نوعیت کے بارے میں بصیرت فراہم کرتی ہے:
- ہائی کرٹوسس تیز چوٹیوں اور بھاری دموں کی نشاندہی کرتا ہے۔
- کم کرٹوسس فلیٹ تقسیم اور ہلکی دم کی نشاندہی کرتا ہے۔

میں کرٹوسس کی اہمیت ڈیٹا کا تجزیہ
کرٹوسس کو سمجھنا باہر والوں کی شناخت اور مزید تجزیہ کے لیے ڈیٹا کو منظم کرنے میں مدد کرتا ہے۔ مثال کے طور پر، زیادہ کرٹوسس والے ڈیٹا کو ضرورت سے زیادہ آؤٹ لیرز کو منظم کرنے کے لیے مستحکم طور پر مضبوط تکنیکوں کی ضرورت پڑ سکتی ہے۔

عملی ایپلی کیشنز
1. مالیاتی: مالیاتی منڈیوں میں، سرمایہ کار اثاثہ جات کے خطرے اور کارکردگی کی پیمائش کرنے کے لیے skewness اور kurtosis کا استعمال کرتے ہیں۔ ایک پورٹ فولیو جس میں زیادہ منفی ترچھا پن ہے ممکنہ انتہائی نقصانات کے خطرے کی نشاندہی کر سکتا ہے۔

2. صحت عامہ: وبائی امراض کے مطالعے میں، ڈیٹا کی تقسیم اکثر غیر معمولی ہوتی ہے۔ Skewness اور kurtosis ڈیٹا کو تبدیل کرنے میں مدد کرتے ہیں تاکہ اسے ریگریشن ماڈلز یا دیگر تجزیوں میں استعمال کیا جا سکے۔

3. کوالٹی کنٹرول: مینوفیکچرنگ انڈسٹریز اکثر مصنوعات کے معیار کو کنٹرول کرنے کے لیے skewness اور kurtosis کا استعمال کرتی ہیں۔ پیداوار کے اعداد و شمار میں اعلی ترچھی پیداوار کے عمل میں مسائل کی نشاندہی کر سکتی ہے۔

نتیجہ اخذ کرنا
skewness اور kurtosis دو ہیں ڈیٹا کی تقسیم کا تجزیہ کرنے میں وضاحتی اعدادوشمار اہم ہیں۔Skewness تقسیم کی ہم آہنگی کے بارے میں بصیرت فراہم کرتا ہے، جبکہ کرٹوسس تقسیم کی دم کی نفاست اور بھاری پن کو نمایاں کرتا ہے۔ ان دو تصورات کو سمجھنا محققین اور ڈیٹا تجزیہ کاروں کو ڈیٹا کی زیادہ درست تشریح کرنے اور مختلف ایپلیکیشن سیاق و سباق میں بہتر فیصلے کرنے کے لیے اضافی ٹولز فراہم کرتا ہے۔