सांख्यिकी (Statistics)
σ²
माध्य विचलन (M.D.)
मानक विचलन
C.V.
Data Analysis
सांख्यिकी (Statistics)
आँकड़ों का विज्ञान: प्रकीर्णन की मापें, प्रसरण और मानक विचलन का विस्तृत विश्लेषण
आँकड़ों के भीतर की सच्चाई
केंद्रीय प्रवृत्ति से परे: फैलाव और स्थिरता का अध्ययन
प्रस्तावना: प्रकीर्णन (Dispersion) की आवश्यकता
पिछली कक्षाओं में हमने आँकड़ों (Data) को व्यवस्थित करना और उनकी केंद्रीय प्रवृत्ति की मापें (Measures of Central Tendency) — माध्य (Mean), माध्यिका (Median), और बहुलक (Mode) — ज्ञात करना सीखा है। ये मापें हमें यह बताती हैं कि आँकड़े किस एक केंद्रीय मान के आस-पास केंद्रित हैं। लेकिन क्या केवल माध्य या माध्यिका जानकर हम आँकड़ों की पूरी प्रकृति समझ सकते हैं? नहीं।
एक रोचक उदाहरण: दो बल्लेबाजों का प्रदर्शन
कल्पना कीजिए, दो क्रिकेट बल्लेबाज हैं, A और B। उन्होंने 3 मैचों में निम्नलिखित रन बनाए:
बल्लेबाज A: 0, 100, 50 (कुल 150 रन)
बल्लेबाज B: 45, 50, 55 (कुल 150 रन)
दोनों का माध्य (Average) 50 रन है। लेकिन यदि आपको फाइनल मैच के लिए किसी एक को चुनना हो, तो आप किसे चुनेंगे? निश्चित रूप से बल्लेबाज B को, क्योंकि उसका प्रदर्शन अधिक स्थिर (Consistent) है। बल्लेबाज A के रन बहुत अधिक 'फैले हुए' (Scattered) हैं।
इसी 'फैलाव' या 'बिखराव' को मापने के लिए हमें प्रकीर्णन की मापों (Measures of Dispersion) की आवश्यकता होती है।
बल्लेबाज A: 0, 100, 50 (कुल 150 रन)
बल्लेबाज B: 45, 50, 55 (कुल 150 रन)
दोनों का माध्य (Average) 50 रन है। लेकिन यदि आपको फाइनल मैच के लिए किसी एक को चुनना हो, तो आप किसे चुनेंगे? निश्चित रूप से बल्लेबाज B को, क्योंकि उसका प्रदर्शन अधिक स्थिर (Consistent) है। बल्लेबाज A के रन बहुत अधिक 'फैले हुए' (Scattered) हैं।
इसी 'फैलाव' या 'बिखराव' को मापने के लिए हमें प्रकीर्णन की मापों (Measures of Dispersion) की आवश्यकता होती है।
विक्षेपण / प्रकीर्णन की मापें (Measures of Dispersion)
आँकड़े अपने माध्य (Mean) या माध्यिका (Median) से कितनी दूर तक फैले हुए हैं, इसे मापने के लिए सांख्यिकी में मुख्य रूप से चार विधियों का उपयोग किया जाता है:
1. परिसर (Range)
यह सबसे सरल माप है। यह आँकड़ों के सबसे बड़े और सबसे छोटे मान का अंतर होता है। (Range = Max - Min)। यह चरम मानों (Extreme values) से बहुत अधिक प्रभावित होता है।
2. चतुर्थक विचलन (Quartile Deviation)
यह प्रथम (Q1) और तृतीय (Q3) चतुर्थक के अंतर का आधा होता है। इसे अर्ध-अंतःचतुर्थक परिसर भी कहते हैं। Q.D. = (Q3 - Q1) / 2
3. माध्य विचलन (Mean Deviation)
यह किसी केंद्रीय मान (माध्य या माध्यिका) से सभी प्रेक्षणों (Observations) के विचलनों के निरपेक्ष मानों (Absolute values) का समांतर माध्य होता है।
4. मानक विचलन (Standard Deviation)
यह प्रकीर्णन की सबसे श्रेष्ठ और वैज्ञानिक माप है। यह माध्य से विचलनों के वर्गों के माध्य का धनात्मक वर्गमूल होता है।
माध्य विचलन (Mean Deviation)
माध्य विचलन (M.D.) की गणना माध्य (Mean) या माध्यिका (Median) दोनों के सापेक्ष की जा सकती है। इसकी सबसे बड़ी विशेषता यह है कि गणना करते समय हम विचलनों के बीजगणितीय चिह्नों (+ या -) को अनदेखा कर देते हैं और केवल निरपेक्ष मान (Absolute Value |x|) लेते हैं।
1. अवर्गीकृत आँकड़ों (Ungrouped Data) के लिए
यदि प्रेक्षण $x_1, x_2, ..., x_n$ हैं, तो:
माध्य ($\bar{x}$) के सापेक्ष: M.D.($\bar{x}$) = Σ |xi - $\bar{x}$| / n
माध्यिका (M) के सापेक्ष: M.D.(M) = Σ |xi - M| / n
2. वर्गीकृत आँकड़ों (Grouped Data - Discrete & Continuous) के लिए
यदि बारंबारताएं (Frequencies) $f_1, f_2, ..., f_n$ हैं और कुल बारंबारता $N = \Sigma f_i$ है:
M.D.($\bar{x}$) = Σ fi |xi - $\bar{x}$| / N
(सतत बारंबारता बंटन - Continuous Distribution में $x_i$ वर्गों के मध्य-बिंदु (Mid-points) होते हैं)।
माध्य विचलन की कमी (Drawback)
माध्य विचलन में हम ऋणात्मक चिह्नों (-) को बलपूर्वक धनात्मक (+) बना देते हैं (मापांक $|x|$ लेकर)। यह गणितीय दृष्टिकोण से पूर्णतः सही नहीं है, क्योंकि मापांक फलन अवकलनीय (Differentiable) नहीं होता। इसी कमी को दूर करने के लिए 'प्रसरण' और 'मानक विचलन' का विकास हुआ।
प्रसरण और मानक विचलन (Variance & Standard Deviation)
चिह्नों की समस्या को हल करने का सबसे अच्छा तरीका विचलनों का वर्ग (Square) कर देना है। (क्योंकि किसी भी ऋणात्मक संख्या का वर्ग हमेशा धनात्मक होता है: $(-2)^2 = 4$)।
विचलनों के वर्गों के माध्य को प्रसरण (Variance) कहा जाता है, जिसे σ² (सिग्मा स्क्वायर) से दर्शाया जाता है। और प्रसरण के धनात्मक वर्गमूल को मानक विचलन (Standard Deviation) कहा जाता है, जिसे σ से दर्शाते हैं।
अवर्गीकृत आँकड़ों के लिए
प्रसरण (σ²):
$\sigma^2 = \frac{1}{n} \sum (x_i - \bar{x})^2$
मानक विचलन (σ):
$\sigma = \sqrt{\frac{1}{n} \sum (x_i - \bar{x})^2}$
$\sigma^2 = \frac{1}{n} \sum (x_i - \bar{x})^2$
मानक विचलन (σ):
$\sigma = \sqrt{\frac{1}{n} \sum (x_i - \bar{x})^2}$
वर्गीकृत आँकड़ों के लिए
प्रसरण (σ²):
$\sigma^2 = \frac{1}{N} \sum f_i(x_i - \bar{x})^2$
मानक विचलन (σ):
$\sigma = \sqrt{\frac{1}{N} \sum f_i(x_i - \bar{x})^2}$
$\sigma^2 = \frac{1}{N} \sum f_i(x_i - \bar{x})^2$
मानक विचलन (σ):
$\sigma = \sqrt{\frac{1}{N} \sum f_i(x_i - \bar{x})^2}$
मानक विचलन का वैकल्पिक / गणना सूत्र (Computation Formula)
प्रायः $(x_i - \bar{x})$ का मान दशमलव (Decimal) में आ जाता है, जिससे उसका वर्ग करना बहुत कठिन हो जाता है। गणना को सरल बनाने के लिए हम इस वैकल्पिक सूत्र का प्रयोग करते हैं:
σ² = $\frac{\sum f_i x_i^2}{N} - \left( \frac{\sum f_i x_i}{N} \right)^2$
सरल शब्दों में: प्रसरण = (वर्गों का माध्य) - (माध्य का वर्ग)
लघु विधि / पद-विचलन विधि (Step-Deviation Method)
जब $x_i$ और $f_i$ के मान बहुत बड़े हों, तो वर्गों की गणना करना बहुत मुश्किल हो जाता है। ऐसी स्थिति में हम पद-विचलन विधि (Step-Deviation Method) का प्रयोग करते हैं। इस विधि में हम एक कल्पित माध्य (Assumed Mean - A) और वर्ग-माप (Class width - h) का प्रयोग करके चरों को छोटा कर लेते हैं।
पद-विचलन के चरण और सूत्र
1. सबसे पहले एक नया चर $y_i$ परिभाषित करते हैं:
yi = (xi - A) / h
2. अब हम $y_i$ का प्रसरण ($\sigma_y^2$) निकालते हैं। वास्तविक प्रसरण ($\sigma_x^2$) और $y$ के प्रसरण में निम्न संबंध होता है:
σx² = h² × σy²
3. मानक विचलन का अंतिम सूत्र:
σx = h × √[ $\frac{\sum f_i y_i^2}{N} - \left( \frac{\sum f_i y_i}{N} \right)^2$ ]
प्रसरण का एक महत्वपूर्ण गुणधर्म (Property of Variance)
प्रसरण मूलबिंदु के परिवर्तन (Change of Origin) से स्वतंत्र होता है, लेकिन पैमाने के परिवर्तन (Change of Scale) से प्रभावित होता है।
अर्थात्, यदि आँकड़ों के हर पद में कोई अचर 'A' जोड़ा या घटाया जाए, तो मानक विचलन नहीं बदलता। लेकिन यदि 'h' से गुणा या भाग किया जाए, तो मानक विचलन भी 'h' गुना हो जाता है।
अर्थात्, यदि आँकड़ों के हर पद में कोई अचर 'A' जोड़ा या घटाया जाए, तो मानक विचलन नहीं बदलता। लेकिन यदि 'h' से गुणा या भाग किया जाए, तो मानक विचलन भी 'h' गुना हो जाता है।
विचरण गुणांक (Coefficient of Variation - C.V.)
कभी-कभी हमें दो अलग-अलग प्रकार की श्रेणियों (Series) की तुलना करनी होती है (जैसे एक कंपनी के कर्मचारियों का वेतन रुपये में और दूसरी कंपनी का वेतन डॉलर में, या एक बल्लेबाज के रन और गेंदबाज के विकेट)। चूँकि दोनों की इकाइयां (Units) अलग-अलग हैं, हम केवल मानक विचलन देखकर उनकी तुलना नहीं कर सकते।
ऐसी स्थिति में हम विचरण गुणांक (C.V.) का उपयोग करते हैं। यह एक इकाई-रहित (Unit-less) माप है, जिसे प्रतिशत (%) में व्यक्त किया जाता है।
C.V. का सूत्र
C.V. = ( $\frac{\sigma}{\bar{x}}$ ) × 100
जहाँ $\sigma$ मानक विचलन है और $\bar{x}$ माध्य है (तथा $\bar{x} \ne 0$)।
| C.V. का मान | निष्कर्ष (Conclusion) |
|---|---|
| कम C.V. (Lower C.V.) | श्रेणी अधिक सुसंगत (Consistent), स्थिर (Stable) और एक समान (Uniform) है। इसमें बिखराव कम है। |
| अधिक C.V. (Higher C.V.) | श्रेणी कम सुसंगत है, उसमें विचरण (Variability) या बिखराव अधिक है। |
अध्याय का संपूर्ण सारांश (Chapter Summary)
सांख्यिकी का यह अध्याय हमें केवल 'औसत' (Average) के धोखे से बचाता है और आँकड़ों की वास्तविक प्रकृति दिखाता है। हमने सीखा कि माध्य विचलन (M.D.) चिह्नों को नजरअंदाज करता है, इसलिए उच्च गणित में मानक विचलन (σ) का उपयोग किया जाता है। बड़ी गणनाओं को लघु विधि (Step-Deviation) से आसानी से हल किया जा सकता है। और अंत में, दो अलग-अलग श्रेणियों की तुलना करने के लिए विचरण गुणांक (C.V.) एक अचूक सांख्यिकीय उपकरण है।
M.D.
निरपेक्ष विचलनों का माध्य
σ (सिग्मा)
मानक विचलन
σ² (सिग्मा स्क्वायर)
प्रसरण (Variance)
C.V.
सुसंगति (Consistency) की माप
विद्यार्थी ध्यान दें (Pro Tip)
सांख्यिकी के प्रश्नों में फार्मूले से अधिक महत्वपूर्ण तालिका (Table) बनाना है। हमेशा $x_i$, $f_i$, $f_i x_i$, $(x_i - \bar{x})^2$ आदि के लिए स्पष्ट और स्वच्छ कॉलम बनाएं। बोर्ड परीक्षाओं में अधिकतर अंक सही गणना और सही सारणी बनाने के लिए ही दिए जाते हैं। कैलकुलेटर का उपयोग न होने पर गणना में धैर्य रखें।