افسانیہ
80 کا مطلب ہے کہ زیادہ تر لوگوں نے 80 کا اسکور کیا۔
حقیقت
مطلب صرف ایک توازن نقطہ ہے؛ یہ ممکن ہے کہ کسی نے بھی حقیقت میں 80 اسکور نہ کیا ہو اگر ڈیٹا کو بہت زیادہ اور بہت کم اقدار کے درمیان تقسیم کیا گیا ہو۔
اعداد و شمارڈیٹا تجزیہریاضیتعلیم
اوسط بمقابلہ معیاری انحراف
اگرچہ دونوں اعداد و شمار کے بنیادی ستون کے طور پر کام کرتے ہیں، وہ ڈیٹاسیٹ کی بالکل مختلف خصوصیات بیان کرتے ہیں۔ وسط مرکزی توازن کے نقطہ یا اوسط قدر کی نشاندہی کرتا ہے، جب کہ معیاری انحراف اس مرکز سے کتنا انفرادی ڈیٹا پوائنٹس بھٹکتا ہے، معلومات کی مستقل مزاجی یا اتار چڑھاؤ کے حوالے سے اہم سیاق و سباق فراہم کرتا ہے۔
اہم نکات
- وسط 'کیا' فراہم کرتا ہے، جبکہ معیاری انحراف تغیر کے حوالے سے 'کتنا' فراہم کرتا ہے۔
- ایک مطلب دو گروہوں کے لیے یکساں ہو سکتا ہے جو بصری طور پر بالکل مختلف نظر آتے ہیں۔
- معیاری انحراف بنیادی طور پر وسط سے ہر نقطہ کا اوسط فاصلہ ہے۔
- دونوں نمبروں کے بغیر، شماریاتی خلاصہ اکثر نامکمل یا یہاں تک کہ فریب بھی ہوتا ہے۔
مطلب کیا ہے؟
ڈیٹا سیٹ کی ریاضی کی اوسط، تمام اقدار کو جمع کرکے اور کل گنتی سے تقسیم کرکے شمار کیا جاتا ہے۔
- یہ ہندسی مرکز یا عددی تقسیم کے 'بیلنس پوائنٹ' کے طور پر کام کرتا ہے۔
- حساب کتاب مخصوص ڈیٹاسیٹ کے اندر ہر ایک قدر کو شامل کرتا ہے۔
- آؤٹ لیرز یا انتہائی قدریں نتائج کو ڈیٹا کی اکثریت سے نمایاں طور پر دور کر سکتی ہیں۔
- بالکل سڈول گھنٹی کے وکر میں، یہ میڈین اور موڈ کے ساتھ بالکل سیدھ میں ہوتا ہے۔
- شماریات دان یونانی خط mu (μ) کے ساتھ آبادی کے ورژن کی نمائندگی کرتے ہیں۔
معیاری انحراف کیا ہے؟
ایک میٹرک جو اعداد و شمار کی قدروں کے ایک سیٹ کے اندر تغیر یا بازی کی مقدار کو درست کرتا ہے۔
- کم قدریں بتاتی ہیں کہ ڈیٹا پوائنٹس حسابی وسط کے بہت قریب ہیں۔
- اس کا اظہار انہی جسمانی اکائیوں میں ہوتا ہے جیسا کہ اصل ڈیٹا کی پیمائش کی جاتی ہے۔
- قدر متغیر کی مربع جڑ لے کر حاصل کی جاتی ہے۔
- اعلی قدریں وسیع پھیلاؤ کی تجویز کرتی ہیں، جو کہ اعداد و شمار میں کم پیشین گوئی کی نشاندہی کرتی ہیں۔
- یونانی خط سگما (σ) ایک معیاری علامت ہے جو آبادی کے انحراف کے لیے استعمال ہوتی ہے۔
موازنہ جدول
| خصوصیت | مطلب | معیاری انحراف |
|---|---|---|
| بنیادی مقصد | مرکز تلاش کریں۔ | پھیلاؤ کی پیمائش کریں۔ |
| Outliers کے لئے حساسیت | اونچا (آسانی سے ترچھا جا سکتا ہے) | اعلی (انتہائی قدر میں اضافہ کرتے ہیں) |
| ریاضی کی علامت | μ (Mu) یا x̄ (x-bar) | σ (سگما) یا s |
| پیمائش کی اکائیاں | ڈیٹا جیسا ہی | ڈیٹا جیسا ہی |
| صفر کا نتیجہ | اوسط صفر ہے۔ | تمام ڈیٹا پوائنٹس ایک جیسے ہیں۔ |
| کلیدی درخواست | عمومی کارکردگی کا تعین کرنا | خطرے اور مستقل مزاجی کا اندازہ لگانا |
تفصیلی موازنہ
مرکزیت بمقابلہ بازی
مطلب آپ کو بتاتا ہے کہ آپ کے ڈیٹا کا 'وسط' کہاں رہتا ہے، عام سطح کا فوری اسنیپ شاٹ پیش کرتا ہے۔ اس کے برعکس، معیاری انحراف مرکز کے محل وقوع کو نظر انداز کرتا ہے تاکہ اعداد کے درمیان فرق پر پوری توجہ مرکوز کی جا سکے۔ آپ کے پاس 50 کے یکساں اوسط کے ساتھ دو گروپ ہوسکتے ہیں، لیکن اگر ایک گروپ 49 سے 51 تک اور دوسرا 0 سے 100 تک ہے، تو معیاری انحراف واحد ٹول ہے جو وشوسنییتا میں اس بڑے فرق کو ظاہر کرتا ہے۔
انتہائی قدروں کی حساسیت
دونوں میٹرکس آؤٹ لیرز کا وزن محسوس کرتے ہیں، لیکن وہ الگ الگ طریقوں سے ردعمل ظاہر کرتے ہیں۔ ایک غیر معمولی زیادہ تعداد اوسط کو اوپر کی طرف کھینچے گی، ممکنہ طور پر 'عام' تجربے کی گمراہ کن تصویر پینٹ کرے گی۔ وہی آؤٹ لیر معیاری انحراف کو بڑھنے پر مجبور کرتا ہے، محقق کو یہ اشارہ دیتا ہے کہ ڈیٹا شور والا ہے اور اس کا مطلب پورے گروپ کا قابل اعتماد نمائندہ نہیں ہوسکتا ہے۔
عام تقسیم میں کردار
گھنٹی کے منحنی خطوط کو دیکھتے وقت، یہ دونوں شکل کی وضاحت کے لیے مل کر کام کرتے ہیں۔ وسط اس بات کا تعین کرتا ہے کہ وکر کی چوٹی افقی محور پر کہاں بیٹھتی ہے۔ معیاری انحراف چوڑائی کو کنٹرول کرتا ہے۔ ایک چھوٹا سا انحراف ایک لمبا، پتلا اسپائک بناتا ہے، جبکہ ایک بڑا انحراف وکر کو ایک مختصر، موٹے ٹیلے میں پھیلا دیتا ہے۔ ایک ساتھ، وہ ہمیں یہ پیشین گوئی کرنے کی اجازت دیتے ہیں کہ تقریباً 68% ڈیٹا مرکز کے ایک 'قدم' کے اندر آتا ہے۔
عملی فیصلہ کرنا
حقیقی دنیا میں، مطلب اکثر اہداف کے لیے استعمال کیا جاتا ہے، جیسے کہ ٹارگٹ سیلز اوسط۔ تاہم، معیاری انحراف وہ ہے جسے پیشہ ور افراد خطرے کا انتظام کرنے کے لیے استعمال کرتے ہیں۔ مثال کے طور پر، اگر کوئی بہت کم معیاری انحراف ہے تو ایک مسافر تھوڑا طویل اوسط سفری وقت کے ساتھ بس کا راستہ منتخب کر سکتا ہے، کیونکہ یہ اس بات کی ضمانت دیتا ہے کہ وہ غیر متوقع جھولوں سے نمٹنے کے بجائے ہر روز وقت پر پہنچیں گے۔
فوائد اور نقصانات
مطلب
فوائد
- + حساب کرنا آسان ہے۔
- + بہت بدیہی
- + تمام ڈیٹا استعمال کرتا ہے۔
- + موازنہ کے لیے اچھا ہے۔
کونس
- − باہر جانے والوں کے لیے خطرہ
- − ترچھے ڈیٹا میں گمراہ کن
- − ایک غیر موجود قدر ہو سکتی ہے۔
- − اندرونی تنوع کو چھپاتا ہے۔
معیاری انحراف
فوائد
- + ڈیٹا کی وشوسنییتا دکھاتا ہے۔
- + اصل اکائیوں کو برقرار رکھتا ہے۔
- + امکان کے لیے اہم
- + اتار چڑھاؤ کی نشاندہی کرتا ہے۔
کونس
- − دستی طور پر حساب لگانا مشکل ہے۔
- − مطلب کے بغیر بے معنی
- − انتہا سے متاثر
- − بڑے نمونوں کی ضرورت ہے۔
عام غلط فہمیاں
افسانیہ
معیاری انحراف ایک منفی نمبر ہو سکتا ہے۔
حقیقت
چونکہ فارمولے میں وسط سے فرق کو مربع کرنا شامل ہے، نتیجہ ہمیشہ صفر یا مثبت ہوتا ہے۔ منفی قدر ریاضی کے لحاظ سے ناممکن ہے۔
افسانیہ
ایک اعلیٰ معیاری انحراف ہمیشہ ایک 'خراب' چیز ہوتی ہے۔
حقیقت
یہ صرف تنوع کی نشاندہی کرتا ہے۔ ایک کلاس روم میں، مفادات میں ایک اعلیٰ معیاری انحراف بہت اچھا ہے، چاہے ایک جیسے بولٹ بنانے کی کوشش کرنے والے مینوفیکچرر کے لیے یہ دباؤ کا باعث ہو۔
افسانیہ
آپ اوسط کو جانے بغیر معیاری انحراف کا حساب لگا سکتے ہیں۔
حقیقت
مطلب فارمولے میں ایک ضروری جزو ہے۔ آپ کو پہلے جاننا چاہیے کہ مرکز کہاں ہے اس سے پہلے کہ آپ پیمائش کر سکیں کہ ہر چیز اس سے کتنی دور ہے۔
عمومی پوچھے گئے سوالات
ہم صرف حد کے بجائے معیاری انحراف کیوں استعمال کرتے ہیں؟
رینج صرف دو انتہائی قدروں کو دیکھتی ہے، جو دھوکہ دہی ہوسکتی ہیں اگر وہ محض بے ترتیب فلوکس ہیں۔ معیاری انحراف بہت زیادہ مضبوط ہے کیونکہ یہ اس طرف دیکھتا ہے جہاں ہر ایک ڈیٹا پوائنٹ بیٹھتا ہے۔ یہ آپ کو ڈیٹا کی 'کثافت' کا احساس دلاتا ہے، نہ کہ صرف بیرونی حدود کا۔
کیا دو مختلف ڈیٹا سیٹس کا ایک ہی مطلب اور مختلف معیاری انحراف ہو سکتا ہے؟
بالکل، اور یہ حقیقی دنیا میں ہر وقت ہوتا ہے۔ دو شہروں کا تصور کریں جن کا اوسط درجہ حرارت 70 ڈگری ہے۔ ایک سال بھر 68 اور 72 کے درمیان رہ سکتا ہے (کم انحراف)، جبکہ دوسرا 20 اور 120 (اعلی انحراف) کے درمیان جھولتا ہے۔ مطلب ایک ہی ہے، لیکن زندگی کا تجربہ بالکل مختلف ہے۔
کیا کم معیاری انحراف کا مطلب ہے کہ ڈیٹا 'درست' ہے؟
ضروری نہیں۔ اس کا مطلب ہے کہ ڈیٹا 'عین' یا مستقل ہے۔ آپ کے پاس ایسا پیمانہ ہوسکتا ہے جو ٹوٹا ہوا ہو اور ہمیشہ چیزوں کا وزن 5 پاؤنڈ بہت زیادہ ہو۔ معیاری انحراف کم ہوگا کیونکہ نتائج یکساں ہیں، لیکن اوسط صحیح وزن کے مقابلے میں غلط ہوگا۔
سرمایہ کاری کے لیے کون سا زیادہ اہم ہے؟
سرمایہ کار دونوں کا استعمال کرتے ہیں، لیکن وہ اکثر معیاری انحراف کو زیادہ قریب سے دیکھتے ہیں کیونکہ یہ 'خطرے' کی نمائندگی کرتا ہے۔ اوسط آپ کو متوقع واپسی بتاتا ہے، لیکن معیاری انحراف آپ کو بتاتا ہے کہ اس واپسی میں کتنا اتار چڑھاؤ آ سکتا ہے۔ زیادہ انحراف کا مطلب ہے عارضی نقصانات کے زیادہ امکانات کے ساتھ مشکل سواری۔
آؤٹ لیرز ان دو میٹرکس کو کیسے متاثر کرتے ہیں؟
اوٹلیرز اوسط کے لیے مقناطیس کی طرح ہوتے ہیں، اسے اپنی طرف کھینچتے ہیں۔ معیاری انحراف کے لیے، ایک آؤٹ لیئر ایمپلیفائر کی طرح کام کرتا ہے۔ چونکہ حساب میں وسط سے فاصلہ مربع ہے، اس لیے ایک دور کا ایک نقطہ معیاری انحراف کو غیر متناسب طور پر بڑھا سکتا ہے، یہ اشارہ کرتا ہے کہ ڈیٹا سیٹ بہت زیادہ پھیلا ہوا ہے۔
مجھے اوسط کے بجائے میڈین کب استعمال کرنا چاہئے؟
جب آپ کا ڈیٹا 'ترچھا' ہو یا گھر کی قیمتیں یا تنخواہوں جیسے بڑے آؤٹ لیرز ہوں تو آپ کو میڈین پر سوئچ کرنا چاہیے۔ ان صورتوں میں، چند ارب پتی اوسط کو ایک عام شخص کی کمائی سے کہیں زیادہ دکھا سکتے ہیں۔ میڈین ان انتہاؤں کے لیے 'مزاحم' ہے۔
68-95-99.7 اصول کیا ہے؟
یہ عام تقسیم کے لیے ایک آسان اصول ہے۔ اس میں کہا گیا ہے کہ آپ کا 68% ڈیٹا اوسط کے ایک معیاری انحراف کے اندر، 95% دو کے اندر، اور 99.7% تین میں آئے گا۔ یہ دیکھنے کا ایک طاقتور طریقہ ہے کہ ایک مخصوص ڈیٹا پوائنٹ اصل میں کتنا 'عام' یا 'عجیب' ہے۔
کیا معیاری انحراف تغیر جیسا ہے؟
وہ قریبی تعلق رکھتے ہیں، لیکن ایک جیسے نہیں ہیں. تغیر وسط سے مربع فرق کی اوسط ہے، جس کے نتیجے میں 'مربع یونٹس' (جیسے مربع ڈالر) ہوتے ہیں، جن کا تصور کرنا مشکل ہے۔ ہم معیاری انحراف حاصل کرنے کے لیے تغیر کا مربع جڑ لیتے ہیں تاکہ یونٹس دوبارہ ہمارے اصل ڈیٹا سے مماثل ہوں۔
فیصلہ
جب آپ کو کسی گروپ کی مجموعی سطح کا خلاصہ کرنے کے لیے ایک نمائندہ نمبر کی ضرورت ہو تو اوسط کا انتخاب کریں۔ جب آپ کو اس اوسط کی وشوسنییتا یا اپنے نمونے کے اندر موجود تنوع کو سمجھنے کی ضرورت ہو تو معیاری انحراف پر جھک جائیں۔
متعلقہ موازنہ جات
اسکیلر بمقابلہ ویکٹر مقدار
جبکہ اسکیلرز اور ویکٹر دونوں ہمارے اردگرد کی دنیا کی مقدار درست کرتے ہیں، بنیادی فرق ان کی پیچیدگی میں ہے۔ اسکیلر طول و عرض کی ایک سادہ پیمائش ہے، جب کہ ایک ویکٹر اس سائز کو ایک مخصوص سمت کے ساتھ جوڑتا ہے، جو اسے جسمانی خلا میں حرکت اور قوت کو بیان کرنے کے لیے ضروری بناتا ہے۔
اصلی بمقابلہ کمپلیکس نمبر
جبکہ حقیقی اعداد ان تمام اقدار کو گھیرے ہوئے ہیں جنہیں ہم عام طور پر طبعی دنیا کی پیمائش کے لیے استعمال کرتے ہیں—پورے عدد سے لے کر لامحدود اعشاریہ تک—پیچیدہ اعداد خیالی اکائی $i$ کو متعارف کروا کر اس افق کو بڑھاتے ہیں۔ یہ اضافہ ریاضی دانوں کو ان مساواتوں کو حل کرنے کی اجازت دیتا ہے جن کا کوئی حقیقی حل نہیں ہے، جس سے ایک دو جہتی نمبر کا نظام تشکیل پاتا ہے جو جدید طبیعیات اور انجینئرنگ کے لیے ضروری ہے۔
الجبرا بمقابلہ جیومیٹری
جب کہ الجبرا عمل کے تجریدی اصولوں اور نامعلوم کو حل کرنے کے لیے علامتوں کی ہیرا پھیری پر توجہ مرکوز کرتا ہے، جیومیٹری خلا کی طبعی خصوصیات کو دریافت کرتی ہے، بشمول سائز، شکل، اور اعداد و شمار کی رشتہ دار پوزیشن۔ ایک ساتھ مل کر، وہ ریاضی کی بنیاد بناتے ہیں، منطقی تعلقات کو بصری ڈھانچے میں ترجمہ کرتے ہیں۔
امکان بمقابلہ شماریات
امکان اور اعدادوشمار ایک ہی ریاضی کے سکے کے دو رخ ہیں، جو مخالف سمتوں سے آنے والی غیر یقینی صورتحال سے نمٹتے ہیں۔ اگرچہ امکان معلوم ماڈلز کی بنیاد پر مستقبل کے نتائج کے امکان کی پیشین گوئی کرتا ہے، اعداد و شمار ان ماڈلز کی تعمیر یا تصدیق کے لیے ماضی کے ڈیٹا کا تجزیہ کرتے ہیں، بنیادی سچائی کو تلاش کرنے کے لیے مشاہدات سے پیچھے ہٹ کر مؤثر طریقے سے کام کرتے ہیں۔
امکانات بمقابلہ امکانات
اگرچہ اکثر آرام دہ گفتگو میں ایک دوسرے کے ساتھ استعمال کیا جاتا ہے، امکان اور مشکلات واقعہ کے امکان کو ظاہر کرنے کے دو مختلف طریقوں کی نمائندگی کرتے ہیں۔ امکان سازگار نتائج کی تعداد کا موازنہ امکانات کی کل تعداد سے کرتا ہے، جب کہ مشکلات موافق نتائج کی تعداد کا موازنہ براہ راست غیر موافق نتائج کی تعداد سے کرتی ہیں۔