ماشین حساب واریانس

واریانس به عنوان یک معیار پراکندگی

یکی از جنبه‌های اساسی در استنباط آماری، اندازه‌گیری میزان پراکندگی داده‌ها نسبت به میانگین آن‌هاست. محبوب‌ترین معیارهای آماری که برای سنجش این پراکندگی مورد استفاده قرار می‌گیرند، عبارتند از:

• واریانس (Variance): میانگین مجذور انحرافات (مربعات فواصل) از میانگین است.
• انحراف معیار (Standard Deviation): برابر با جذر (ریشه دوم) واریانس است. انحراف معیار یکی از رایج‌ترین معیارها برای سنجش پراکندگی و تغییرپذیری داده‌ها به شمار می‌رود.
• ضریب تغییرات (Coefficient of Variation): که به عنوان انحراف معیار نسبی نیز شناخته می‌شود. این ضریب از تقسیم انحراف معیار (σ) بر میانگین (μ) به دست می‌آید؛ یعنی \$(C_v=\frac{σ}{μ})\$.

این ماشین حساب واریانس آنلاین، ضمن محاسبه دقیق واریانس برای مجموعه داده‌های شما، تمامی مراحل و گام‌های محاسباتی را نیز به صورت گام‌به‌گام نمایش می‌دهد.

راهنمای استفاده از ماشین حساب واریانس

ماشین حساب واریانس ما، مجموعه‌ای از اعداد را که با جداکننده‌های مختلف از هم تفکیک شده‌اند، به عنوان ورودی دریافت می‌کند. در جدول زیر، نمونه‌هایی از فرمت‌های قابل‌قبول برای وارد کردن داده‌ها را مشاهده می‌کنید:

شما می‌توانید اعداد را با استفاده از کاما، فاصله (Space)، خط جدید (Enter) یا ترکیبی از این جداکننده‌ها وارد کنید. همچنین امکان ورود داده‌ها به صورت سطری یا ستونی وجود دارد. در تمامی حالت‌های نمایش‌داده‌شده در جدول بالا، ماشین‌حساب اعداد را به درستی و به شکل یکپارچه (44, 63, 72, 75, 80, 86, 87 و 89) پردازش می‌کند.

پس از وارد کردن داده‌ها، باید مشخص کنید که این اعداد نشان‌دهنده یک «نمونه آماری» (Sample) هستند یا کل «جمعیت آماری» (Population). با فشردن دکمه محاسبه، ماشین‌حساب پنج پارامتر آماری مهم را برای شما نمایش می‌دهد: تعداد مشاهدات (Count)، میانگین (Mean)، مجموع مجذور انحرافات (Sum of Squared Deviations)، واریانس (Variance) و انحراف معیار (Standard Deviation).

این ابزار تنها یک ماشین‌حساب واریانس ساده نیست؛ بلکه با نمایش گام‌به‌گام فرمول‌ها، درک عمیقی از تئوری و منطق ریاضی پشت این محاسبات به شما ارائه می‌دهد.

در استنباط آماری، برای دستیابی به نتایج دقیق‌تر، معمولاً استفاده از مجموعه داده‌های بزرگ‌تر ترجیح داده می‌شود. اما از آنجا که جمع‌آوری داده‌های مربوط به کل جمعیت (شامل تمامی مشاهدات ممکن) اغلب دشوار یا غیرممکن است، در عمل یک «نمونه» از جمعیت استخراج می‌شود. سپس نتایج و نتیجه‌گیری‌های مربوط به کل جامعه آماری، بر اساس همین داده‌های نمونه تعمیم می‌یابد.

واریانس، میزان پراکندگی داده‌ها را نسبت به مقدار میانگین می‌سنجد. این معیار در آمار برای یک جمعیت با نماد σ² و برای یک نمونه با نماد s² نشان داده می‌شود. هرچه مقدار σ² یا s² بزرگ‌تر باشد، نشان‌دهنده پراکندگی و فاصله بیشتر نقاط داده از میانگین است و برعکس.

دو مجموعه داده زیر را در نظر بگیرید:

(مجموعه I) 11, 3, 5, 21, 10, 15, 20, 25, 13, 26, 27,

(مجموعه II) 12, 14, 14, 15, 15, 16, 16, 17, 18, 19, 20

با وارد کردن مجموعه I در ماشین حساب واریانس، نتایج زیر به دست می‌آید:

n=11

x̄=16

SS=704

s²=70.4

s=8.39

(برای حالت نمونه)، و

n=11

μ=16

SS=704

σ²=64

σ=8

(برای حالت جمعیت).

به همین ترتیب، با وارد کردن مجموعه II در ماشین حساب، به نتایج زیر می‌رسیم:

n=11

x̄=16

SS=56

s²=5.6

s=2.36

(برای حالت نمونه)، و

n=11

μ=16

SS=56

σ²=5.09

σ=2.25

(برای حالت جمعیت).

• در مجموعه I، اعداد به طور قابل‌توجهی از میانگین منحرف شده‌اند و پراکندگی بالاست:

s²=70.4

σ²=64

• در مجموعه II، داده‌ها به میانگین نزدیک‌ترند و پراکندگی کم است:

s²=5.6

σ²=5.09

فرمول واریانس: واریانس جمعیت در مقابل واریانس نمونه

واریانس جمعیت

در علم آمار، «جمعیت» (Population) به تمامی مشاهدات یا اعضای ممکن در یک مطالعه اشاره دارد. برای N مشاهده، فرمول واریانس جمعیت به شکل زیر است:

$$\sigma^2=\frac{\sum_{i}^{N}{{(x_i-\ \mu)}^2\ }}{N}$$

که در آن:

• σ² واریانس جمعیت است،
• Σ نماد سیگما (جمع مقادیر) است،
• xᵢ مقدار هر مشاهده است،
• μ میانگین جمعیت است،
• N تعداد کل مشاهدات در جمعیت است.

واریانس نمونه

فرمول واریانس نمونه (Sample Variance) به شکل زیر تعریف می‌شود:

$$s^2=\frac{\sum_{i}^{n}{{(x_i-\ \bar{x})}^2\ }}{n-1}$$

که در آن:

• s² واریانس نمونه است،
• Σ نماد سیگما (جمع مقادیر) است،
• xᵢ مقدار هر مشاهده است،
• x̄ میانگین نمونه است،
• n تعداد مشاهدات در نمونه است.

مراحل محاسبه دستی واریانس

برای محاسبه واریانس، باید گام‌های ریاضی زیر را به ترتیب طی کنید:

گام ۱: محاسبه میانگین نمونه یا جمعیت. این مقدار از تقسیم مجموع تمامی نقاط داده بر تعداد آن‌ها (n برای نمونه و N برای جمعیت) به دست می‌آید؛ یعنی:

میانگین نمونه:

$$\bar{x}=\frac{\sum_{i=1}^{n} x_i}{n}$$

میانگین جمعیت:

$$\mu=\frac{\sum_{i=1}^{N} x_i}{N}$$

گام ۲: محاسبه انحراف از میانگین. در این مرحله، میانگین را از تک‌تک نقاط داده کم می‌کنیم؛ یعنی:

انحرافات نمونه:

$$(x_1-\bar{x}), (x_2-\bar{x}), (x_3-\bar{x}), \ldots, (x_n-\bar{x})$$

انحرافات جمعیت:

$$(x_1-\mu), (x_2-\mu), (x_3-\mu), \ldots, (x_N-\mu)$$

گام ۳: محاسبه مجذور انحرافات (به توان دو رساندن فواصل). در این گام، مقادیر به دست آمده در مرحله قبل را برای هر نقطه داده به توان دو می‌رسانیم:

مجذور انحرافات نمونه:

$$(x_1-\bar{x})^2, (x_2-\bar{x})^2, (x_3-\bar{x})^2, \ldots, (x_n-\bar{x})^2$$

مجذور انحرافات جمعیت:

$$(x_1-\mu)^2, (x_2-\mu)^2, (x_3-\mu)^2, \ldots, (x_N-\mu)^2$$

گام ۴: محاسبه مجموع مجذور انحرافات (Sum of Squares - SS).

مجموع مجذور انحرافات نمونه:

$$SS=\sum_{i=1}^{n}(x_i-\bar{x})^2$$

مجموع مجذور انحرافات جمعیت:

$$SS=\sum_{i=1}^{N}(x_i-\mu)^2$$

گام ۵: محاسبه واریانس نهایی. برای به دست آوردن واریانس، مجموع مجذور انحرافات را در حالت نمونه بر n-1 و در حالت جمعیت بر N تقسیم می‌کنیم.

واریانس نمونه:

$$s^2=\frac{SS}{n-1}$$

واریانس جمعیت:

$$\sigma^2=\frac{SS}{N}$$

مثالی از محاسبه واریانس برای یک نمونه

فرض کنید مجموعه داده‌های روبرو را در اختیار داریم: 1، 2، 4، 5، 6 و 12. برای محاسبه واریانس این نمونه آماری، گام‌های زیر را طی می‌کنیم:

گام ۱: میانگین نمونه (x̄) را محاسبه کنید.

$$\bar{x}=\frac{1+2+4+5+6+12}{6}=\frac{30}{6}=5$$

گام ۲: انحراف از میانگین را برای تک‌تک داده‌ها به دست آورید.

گام ۳: مجذور انحرافات (مربعات) را محاسبه کنید.

گام ۴: مجموع مجذور انحرافات (SS) را جمع بزنید.

$$SS=\sum_{i=1}^{n}{(x_i-\bar{x})}^2=16+9+1+0+1+49=76$$

گام ۵: با تقسیم مجموع مجذور انحرافات بر درجات آزادی (n-1)، واریانس نمونه را محاسبه کنید.

$$s^2=\frac{SS}{n-1}=\frac{76}{6-1}=\frac{76}{5}=15.2$$

برای محاسبه واریانس جمعیت، کافیست به جای تقسیم بر n-1، مجموع مجذورات را بر n (تعداد کل داده‌ها) تقسیم کنیم.

اهمیت و کاربرد واریانس

مفهوم پراکندگی و واریانس کاربرد گسترده‌ای در دنیای سرمایه‌گذاری و بورس دارد. این معیار به مدیران مالی و دارایی کمک می‌کند تا استراتژی‌ها و عملکرد سرمایه‌گذاری خود را بهینه‌سازی کنند. تحلیلگران مالی از محاسبه واریانس برای ارزیابی ریسک و بازده تک‌تک دارایی‌ها در یک سبد سرمایه‌گذاری (پورتفولیو) استفاده می‌کنند.

سرمایه‌گذاران پیش از خرید سهام یا دارایی‌های جدید، واریانس را محاسبه می‌کنند تا بسنجند آیا بازده احتمالی ارزش ریسک کردن را دارد یا خیر. بررسی میزان پراکندگی داده‌ها به تحلیلگران کمک می‌کند تا سطح عدم قطعیت را اندازه‌گیری کنند؛ چیزی که بدون استفاده از واریانس و انحراف معیار، سنجش آن عملاً غیرممکن است.

اگرچه عدم قطعیت به طور مستقیم قابل اندازه‌گیری نیست، اما واریانس و انحراف معیار (جذر واریانس) به تعیین تأثیر و ریسک احتمالی یک سهم خاص بر کل سبد سرمایه‌گذاری کمک شایانی می‌کنند.

علاوه بر بازارهای مالی، دانشمندان، آمارشناسان، ریاضیدانان و تحلیلگران داده (Data Analysts) نیز به طور مداوم از فرمول واریانس بهره می‌برند. این معیار، اطلاعات بسیار مفیدی درباره یک آزمایش علمی یا یک جامعه آماری ارائه می‌دهد.

دانشمندان می‌توانند با بررسی تفاوت واریانس بین گروه‌های آزمایشی، تعیین کنند که آیا این گروه‌ها برای آزمایش یک فرضیه خاص به اندازه کافی مشابه هستند یا خیر. قاعده کلی این است: هرچه واریانس یک مجموعه داده بیشتر باشد، مقادیر آن پراکنده‌ترند. پژوهشگران داده از این معیار استفاده می‌کنند تا دریابند که آیا "میانگین" توانسته است به خوبی کل مجموعه داده را نمایندگی کند یا خیر.

محدودیت‌های واریانس: یکی از معایب اصلی استفاده از واریانس این است که داده‌های پرت (Outliers) می‌توانند باعث اعوجاج و خطای محاسباتی در نتیجه نهایی شوند. از آنجا که در فرمول واریانس، انحرافات به توان دو می‌رسند، وزن و تأثیر داده‌های پرت و مقادیر به شدت بزرگ، به طور غیرعادی افزایش می‌یابد.

به همین دلیل، بسیاری از پژوهشگران ترجیح می‌دهند به جای واریانس، با انحراف معیار کار کنند که از ریشه دوم (جذر) واریانس به دست می‌آید. انحراف معیار کمتر تحت تأثیر داده‌های پرت قرار می‌گیرد، از نظر عددی کوچک‌تر است و تفسیر آن برای درک میزان پراکندگی داده‌ها بسیار ملموس‌تر و آسان‌تر است.