מעסטונגען פון פאַרשפּרייטונג: פֿאַרשטיין וועריאַביליטי אין דאַטן
אין סטאַטיסטיק און דאַטן אַנאַליז, איז פֿאַרשטיין די פֿאַרשפּרייטונג און וואַריאַציע פֿון דאַטן קריטיש פֿאַר מאַכן גענויע און באַטייַטיקע מסקנות. איין שליסל באַגריף געניצט צו באַשרײַבן וואַריאַציע אין דאַטן איז אַ "מאָס פֿון פֿאַרשפּרייטונג." דער אַרטיקל וועט דיסקוטירן פֿאַרשידענע מאָסן פֿון פֿאַרשפּרייטונג, פֿאַרוואָס זיי זענען וויכטיק, ווי אַזוי זיי צו רעכענען, און זייער אינטערפּרעטאַציע אין דעם קאָנטעקסט פֿון דאַטן אַנאַליז.
וואָס איז אַ מאָס פון פאַרשפּרייטונג?
מאָסן פון דיספּערסיע זענען מעטריקן געניצט צו באַשרײַבן די מאָס אין וועלכער דאַטן אין אַ סכום זענען פאַרשפּרייט אָדער צעשפּרייט פֿון אַ צענטראלן ווערט. דער צענטראלער ווערט טיפּיש געמאָסטן מיט מאָסן פון צענטראַלער טענדענץ ווי דער דורכשניט אָדער מעדיאַן. מאָסן פון דיספּערסיע געבן אַן איבערבליק איבער די קייט, וואַריאַציע און קאָנסיסטענסי פון די דאַטן.
פארוואס איז ספּרעד גרייס וויכטיק?
1. פארשטיין וועריאַביליטי:
וועריאַביליטי איז אַן אינטעגראַלער טייל פֿון יעדן דאַטן. דורך פֿאַרשטיין וויפֿל דאַטן ווערייִרט, קענען מיר פֿאַרשטיין די אונטערלייגנדיקע דינאַמיק פֿון יענע דאַטן.
2. אידענטיפיצירן אויסנאַם:
דאַטן פאַרשפּרייטונג קען העלפֿן אין ידענטיפיצירן אַויסלייערס (עקסטרעם ווערטן וואָס זענען ווייט פון די רעשט פון די דאַטן), וואָס קען זיין וויכטיק פֿאַר ווייטערדיקע אַנאַליז אָדער קען זיין טעות דאַטן.
3. דאטן-זאמלונג פארגלייך:
מעסטונגען פון דיספּערסיע ערלויבן פאַרגלייַכן צווישן צוויי אָדער מער דאַטן סעץ. למשל, צוויי דאַטן סעץ קענען האָבן די זעלבע דורכשניט אָבער פאַרשידענע וואַריאַנסעס אָדער דיספּערסיעס.
4. אינפערענציעלע סטאַטיסטיק:
פילע אינפערענציעלע סטאַטיסטישע מעטאָדן דאַרפן אַ גוט פארשטאנד פון דער פאַרשפּרייטונג פון די דאַטן צו מאַכן גילטיקע און באַדייטנדיקע מסקנות.
טיפּן פון ספּרעד גרייס
עס זענען דא עטלעכע מעסטונגען פון דיספּערזשאַן וואָס ווערן אָפט געניצט אין סטאַטיסטישע דאַטן אַנאַליז:
1. קייט
ראַנגע איז די פשוטסטע מאָס פון פאַרשפּרייטונג און ווערט קאַלקולירט ווי דער חילוק צווישן די מאַקסימום און מינימום ווערטן אין אַ דאַטן סעט.
\[ \text{Range} = \text{Maximum value} – \text{Minimum value} \]
כאָטש גרינג צו רעכענען, נעמט דער קייט נאָר אין באַטראַכט צוויי דאַטן פונקטן און שפּיגלט נישט אָפּ די פאַרשפּרייטונג פון דאַטן צווישן די מינימום און מאַקסימום ווערטן.
2. אינטערקווארטיל קייט (IQR)
די IQR איז א שטארקערע מאָס פון דיספּערזיע ווי די קייט ווייל עס ווערט נישט באַאיינפלוסט דורך אויסנאַם-ווערטער. עס רעכנט אויס די מעדיאַן קייט פון די דאַטן דורך אַראָפּרעכענען דעם 25סטן פּראָצענטיל (Q1) פון דעם 75סטן פּראָצענטיל (Q3).
\[ \text{IQR} = Q3 – Q1 \]
דורך זיך קאנצענטרירן אויף דעם דורכשניט, גיט IQR א בעסער בילד פון דער פארשפרייטונג פון די אונטערלייגנדע דאטן.
3. וואַריאַנס
וואַריאַנס מעסט ווי ווייט יעדער ווערט אין אַ דאַטן-זאַמלונג איז פֿון דעם דורכשניט. מען קאַלקולירט עס דורך צוזאַמענרעכענען די קוואַדראַטן פֿון יעדן ווערט'ס אונטערשיידן פֿון דעם דורכשניט, און דערנאָך צעטיילן מיט דער צאָל דאַטן-עלעמענטן (פֿאַר אַ פּאָפּולאַציע) אָדער די צאָל עלעמענטן מינוס איינס (פֿאַר אַ מוסטער).
פֿאַר באַפעלקערונג (\(\sigma^2\)):
[ \sigma^2 = \frac{\sum(X_i – \mu)^2}{N} \]
פֿאַר בייַשפּיל (\(s^2\)):
[ s^2 = \frac{\sum(X_i – \overline{X})^2}{n-1} \]
וואַריאַנס גיט אַן אידעע פון די קאָנסיסטענסי פון די דאַטן; אָבער, ווייַל וואַריאַנס ניצט קוואַדראַטישע איינסן, קען עס זיין שווער צו ינטערפּרעטירן גלייך.
4. סטאַנדאַרט דיווייישאַן
די סטאַנדאַרט דיווייישאַן איז די קוואַדראַט וואָרצל פון דער וואַריאַנס און איז אין די זעלבע איינסן ווי די אָריגינעלע דאַטן, מאַכנדיג עס גרינגער צו ינטערפּרעטירן.
פֿאַר באַפעלקערונג (\(\sigma\)):
[ סיגמא = √(סיגמא^2) = √(פראקציע (X_i – μ)^2/N)
פֿאַר בייַשפּיל (\(s\)):
[ s = \sqrt{s^2} = \sqrt{\frac{\sum(X_i – \overline{X})^2}{n-1}} \]
סטאַנדאַרט דעוויאַציע איז איינע פון די מערסט גענוצטע מאָסן פון דיספּערזיע ווייַל עס איז גרינג צו אינטערפּרעטירן און ווערט אָפט גענוצט אין פֿאַרשידענע סטאַטיסטישע אַנאַליזעס.
5. קאָעפֿיציענט פֿון וואַריאַציע (CV)
CV איז אַ מאָס פון רעלאַטיווער דיספּערזיע אויסגעדריקט ווי די פאַרהעלטעניש פון די סטאַנדאַרט דיווייישאַן צו די דורכשניט און אָפט אויסגעדריקט ווי אַ פּראָצענט.
[\text{CV} = \frac{s}{\overline{X}} \times 100\% \]
CV איז זייער נוצלעך צו פארגלייכן וועריאַביליטי צווישן דאַטן סעטן מיט פאַרשידענע מיטלען.
ווי אזוי צו רעכענען און אינטערפּרעטירן
קאַלקולאַציע בייַשפּיל
לאָמיר אילוסטרירן מיטן פאלגנדן דאַטן בייַשפּיל:
\[ \{15, 20, 25, 35, 45, 55, 65, 75, 85, 95\} \]
1. קייט:
\[ \טעקסט{קייט} = 95 – 15 = 80 \]
2. אינטערקווארטיל קייט (IQR):
נאכדעם וואס מיר סארטירן די דאטן, קענען מיר געפינען די קווארטילן Q1 און Q3. אין דעם פאל, איז Q1 25 און Q3 איז 75.
\[ \text{IQR} = 75 – 25 = 50 \]
3. וואַריאַנס און סטאַנדאַרד דעוויאַציע:
דער דורכשניט (\(\overline{X}\)) פון די דאַטן איז 51.5. דערנאָך רעכענען מיר אויס די וואַריאַנס און סטאַנדאַרט דיווייישאַן.
(וועריאַנס (s^2) = (1}{n-1)) = (X_i – איבערליין{X)^2 = 816.11)
סטאַנדאַרט דעוויאַציע (s) = 816.11 = 28.57
4. קאָעפֿיציענט פֿון וואַריאַציע (CV):
\[ \text{CV} = \frac{28.57}{51.5} \times 100\% \aprox 55.48\% \]
פון דאָ קענען מיר אויסטייטשן אַז די סטאַנדאַרט דעוויאַציע איז 28.57, בשעת די CV ווייזט אַז די סטאַנדאַרט דעוויאַציע איז אַרום 55.48% פון די דורכשניט פון די אָריגינעלע דאַטן.
קעסימפּולאַן
מעסטונגען פון דיספּערסיע זענען עיקר קאָמפּאָנענטן פון סטאַטיסטישער דאַטן אַנאַליז ווייל זיי געבן אַן איבערבליק איבער די וועריאַביליטי און פאַרשפּרייטונג פון דאַטן אַרום אַ צענטראלן ווערט. אָפט גענוצטע מעסטונגען פון דיספּערסיע אַרייַננעמען די קייט, אינטערקוואַרטיל קייט, וואַריאַנס, סטאַנדאַרד דיווייישאַן, און קאָעפיציענט פון וואַריאַציע. יעדער פון די מעסטונגען האט ספּעציפֿישע נוצן און קען צושטעלן ווערטפולע איבערבליקן דיפּענדינג אויף דעם קאָנטעקסט פון די דאַטן און דעם ציל פון דער אַנאַליז. דורך פֿאַרשטיין און נוצן מעסטונגען פון דיספּערסיע צונעמען, קענען מיר מאַכן מער אינפאָרמירטע און פּינקטלעכע באַשלוסן אין פֿאַרשידענע פאָרשונג פעלדער און דאַטן וויסנשאַפֿט אַפּלאַקיישאַנז.
