معیاری انحراف اعداد و شمار میں پھیلاؤ کا سب سے زیادہ استعمال ہونے والا پیمانہ ہے۔ یہ آپ کو بتاتا ہے کہ ایک عام قدر اوسط سے کتنی دور ہے - چاہے آپ کا ڈیٹا مضبوطی سے کلسٹرڈ ہو یا بڑے پیمانے پر بکھرا ہوا ہو۔ ایک بار جب آپ ایک بار ہاتھ سے حساب کتاب کر لیتے ہیں، تو تصور بدیہی ہو جاتا ہے۔

معیاری انحراف آپ کو کیا بتاتا ہے۔

اگر طالب علموں کی کلاس کا اوسط امتحان کا سکور 5 کے معیاری انحراف کے ساتھ 70 ہے، تو زیادہ تر اسکور 65 اور 75 کے درمیان آتے ہیں۔ اگر معیاری انحراف 20 ہوتا، تو اسکور زیادہ وسیع پیمانے پر ہوتے ہیں — 50 سے 90 اور اس سے آگے۔

ایک چھوٹا سا معیاری انحراف کا مطلب مستقل مزاجی ہے۔ بڑے کا مطلب تغیر پذیری ہے۔

آبادی بمقابلہ نمونہ معیاری انحراف

دو ورژن ہیں، اور صحیح کا انتخاب کرنا اہم ہے:

آبادی کا معیاری انحراف (σ): اس وقت استعمال کریں جب آپ کے پاس گروپ کے ہر ممبر کا ڈیٹا موجود ہو جس کی آپ کو فکر ہے۔ n سے تقسیم۔

** نمونہ معیاری انحراف (s):** اس وقت استعمال کریں جب آپ کا ڈیٹا ایک بڑی آبادی سے تیار کردہ نمونہ ہو۔ n − 1 سے تقسیم ہوتا ہے (بیسل کی تصحیح، جو نمونے لینے کے ذریعے متعارف کرائی گئی غیر یقینی صورتحال کا سبب بنتی ہے)۔

عملی طور پر، آپ تقریباً ہمیشہ نمونہ معیاری انحراف کا استعمال کرتے ہیں — جب تک کہ آپ مکمل مردم شماری یا ایک کنٹرول شدہ ڈیٹاسیٹ کا تجزیہ نہ کر رہے ہوں جس میں کوئی ممبر غائب نہ ہو۔

مرحلہ وار حساب کتاب

ڈیٹا سیٹ: 4، 7، 13، 2، 1 (5 اقدار کا نمونہ)

مرحلہ 1: اوسط کا حساب لگائیں۔

Mean (x̄) = (4 + 7 + 13 + 2 + 1) / 5 = 27 / 5 = 5.4

مرحلہ 2: وسط سے ہر ایک انحراف تلاش کریں۔

ہر قدر سے اوسط کو گھٹائیں:

قدر (x) انحراف (x − x̄)
4 4 − 5.4 = −1.4
7 7 − 5.4 = +1.6
13 13 − 5.4 = +7.6
2 2 − 5.4 = −3.4
1 1 − 5.4 = −4.4

مرحلہ 3: ہر انحراف کو مربع کریں۔

اسکوائرنگ منفی علامات کو ختم کرتی ہے اور بڑے انحراف پر زور دیتی ہے:

انحراف مربع انحراف
−1.4 1.96
+1.6 2.56
+7.6 57.76
−3.4 11.56
−4.4 19.36

مرحلہ 4: مربع انحرافات کو جمع کریں۔

Sum = 1.96 + 2.56 + 57.76 + 11.56 + 19.36 = 93.2

مرحلہ 5: n −1 سے تقسیم کریں (نمونہ معیاری انحراف کے لیے)

Variance (s²) = 93.2 / (5 − 1) = 93.2 / 4 = 23.3

مرحلہ 6: مربع جڑ لیں۔

Standard deviation (s) = √23.3 = 4.83

تشریح: اس ڈیٹاسیٹ میں قدریں عام طور پر 5.4 کے اوسط سے تقریباً 4.83 یونٹس دور ہوتی ہیں۔

فارمولہ لکھا ہوا ہے۔

معیاری انحراف کا نمونہ:

s = √[ Σ(x − x̄)² / (n − 1) ]

آبادی کا معیاری انحراف:

σ = √[ Σ(x − μ)² / n ]

جہاں μ (mu) کا مطلب آبادی ہے۔

تجرباتی اصول (68-95-99.7 اصول)

اعداد و شمار کے لیے جو ایک عام تقسیم کی پیروی کرتا ہے، معیاری انحراف کا ہر رینج کے اندر ڈیٹا کے تناسب کے ساتھ ایک قابل اعتماد تعلق ہوتا ہے:

رینج ڈیٹا کا تناسب
مطلب ± 1 SD ~68%
مطلب ± 2 SD ~95%
مطلب ± 3 SD ~99.7%

مطبوعہ مثال: IQ سکور کا اوسط 100 اور SD 15 ہے۔

  • 68% لوگ 85 اور 115 کے درمیان اسکور کرتے ہیں۔
  • 70 اور 130 کے درمیان 95% سکور
  • 55 اور 145 کے درمیان 99.7% سکور

یہ اصول صرف عام طور پر تقسیم شدہ ڈیٹا پر لاگو ہوتا ہے۔ ترچھی یا بھاری دم والی تقسیم کے لیے، اس کے بجائے Chebyshev کی عدم مساوات کا استعمال کریں۔

تغیر بمقابلہ معیاری انحراف

تغیر مربع انحراف ہے (اوپر مرحلہ 5) — معیاری انحراف اس کا مربع جڑ ہے۔ دونوں ہی پھیلاؤ کی پیمائش کرتے ہیں، لیکن معیاری انحراف کو اصل ڈیٹا کی طرح ہی اکائیوں میں ظاہر کیا جاتا ہے، جو اسے مزید قابل تشریح بناتا ہے۔

اگر آپ کا ڈیٹا کلوگرام میں ہے، تو آپ کا معیاری انحراف کلوگرام میں ہے۔ آپ کا تغیر کلوگرام مربع میں ہے، جس کی معنی خیز تشریح کرنا مشکل ہے۔

عام ایپلی کیشنز

فنانس: سرمایہ کاری کے اتار چڑھاؤ کی پیمائش۔ روزانہ ریٹرن کے ساتھ ایک اسٹاک جس میں زیادہ SD ہوتا ہے زیادہ اتار چڑھاؤ ہوتا ہے — زیادہ ممکنہ فائدہ اور زیادہ ممکنہ نقصان۔

کوالٹی کنٹرول: مینوفیکچرنگ اس بات کو یقینی بنانے کے لیے SD کا استعمال کرتی ہے کہ مصنوعات رواداری کے اندر رہیں۔ بہت زیادہ SD والا عمل بہت زیادہ خراب اشیاء پیدا کرتا ہے۔

تعلیم: ٹیسٹ کے اسکور کو معیاری بنانا۔ زیڈ اسکور آپ کو بتاتا ہے کہ اسکور اوسط کے اوپر یا نیچے کتنے معیاری انحراف پر بیٹھتا ہے: z = (x − اوسط) / SD۔

سائنس: پیمائش کی غیر یقینی صورتحال کا اظہار اور تجرباتی نتائج کا موازنہ۔

حساب کے لیے شارٹ کٹ

بڑے ڈیٹا سیٹس کے لیے، کمپیوٹیشنل فارمولہ استعمال کریں جو انفرادی طور پر انحراف کا حساب لگانے سے گریز کرتا ہے:

s² = [Σx² − (Σx)²/n] / (n − 1)

یہ ریاضیاتی طور پر مساوی ہے لیکن اعداد و شمار کے ذریعے تین کے بجائے صرف دو پاس کی ضرورت ہے۔

ہمارے معیاری انحراف کیلکولیٹر کا استعمال کریں SD، تغیر، اور کسی بھی ڈیٹا سیٹ کے لیے مکمل خرابی کا حساب لگانے کے لیے۔