ویرینس کیلکولیٹر

تغیر (Variance) متغیر ہونے کے پیمانے کے طور پر

کسی ڈیٹا سیٹ کا تجزیہ کرتے وقت، شماریاتی استدلال کا ایک بنیادی پہلو یہ ماپنا ہے کہ ڈیٹا اپنی اوسط سے کتنا مختلف ہوتا ہے۔ اس تغیر (variability) کو ماپنے کے لیے سب سے مشہور میٹرکس یہ ہیں:

• تغیر (Variance) اوسط (mean) سے انحراف کے مربع (squared deviations) کی اوسط ہے۔
• معیاری انحراف (Standard deviation) ویرینس کا جزر (square root) ہے۔ معیاری انحراف ایک عام استعمال ہونے والا میٹرک ہے جو پھیلاؤ اور مجموعی تغیر کو ماپنے کے لیے استعمال ہوتا ہے۔
• تغیر کا گتانک (Coefficient of variation)، جسے نسبتی معیاری انحراف بھی کہا جاتا ہے۔ تغیر کا گتانک معیاری انحراف σ اور اوسط μ کے تناسب کے طور پر شمار کیا جاتا ہے، یعنی $(C_v=\frac{σ}{μ})$۔

ہمارا آن لائن ویرینس کیلکولیٹر دیئے گئے ڈیٹا سیٹ کا ویرینس باآسانی معلوم کرتا ہے اور حساب کے عمل کی تفصیلی، مرحلہ وار وضاحت فراہم کرتا ہے۔

اس کیلکولیٹر کو استعمال کرنے کے اصول

ویرینس کیلکولیٹر ان پٹ کو نمبروں کی ایک فہرست کے طور پر قبول کرتا ہے جنہیں ڈیلیمیٹر (جداکار) کے ذریعے الگ کیا گیا ہو۔ سپورٹ شدہ فارمیٹنگ کی چند مثالیں نیچے دیے گئے ٹیبل میں دکھائی گئی ہیں:

آپ نمبروں کو کوما، اسپیس، لائن بریک، یا ان ڈیلیمیٹرز کے امتزاج کا استعمال کر کے الگ کر سکتے ہیں۔ آپ قطار یا کالم فارمیٹ استعمال کر سکتے ہیں۔ اوپر دیے گئے ٹیبل میں دکھائے گئے تمام ڈیٹا فارمیٹس کے لیے، کیلکولیٹر ان پٹ کو درستگی کے ساتھ 44، 63، 72، 75، 80، 86، 87، اور 89 کے طور پر پروسیس کرتا ہے۔

اپنا ڈیٹا درج کرنے کے بعد، یہ منتخب کریں کہ آیا یہ ایک نمونہ (sample) ہے یا پوری آبادی (population) کی نمائندگی کرتا ہے۔ کیلکولیٹ بٹن پر کلک کرنے کے بعد، یہ ٹول پانچ بنیادی شماریاتی پیرامیٹرز دکھاتا ہے: گنتی (مشاہدات کی تعداد)، اوسط، مربع انحراف کا مجموعہ (sum of squared deviations)، ویرینس، اور معیاری انحراف۔

یہ کیلکولیٹر خاص طور پر کسی ڈیٹا سیٹ کا ویرینس شمار کرنے کے لیے ڈیزائن کیا گیا ہے۔ مزید برآں، یہ شامل تمام مراحل کو واضح طور پر دکھا کر بنیادی شماریاتی تھیوری کے بارے میں قیمتی بصیرت فراہم کرتا ہے۔

انتہائی قابل اعتماد شماریاتی نتائج کے لیے، ہمیشہ ایک بڑا ڈیٹا سیٹ استعمال کرنے کو ترجیح دی جاتی ہے۔ تاہم، اکثر اوقات ایسے پاپولیشن ڈیٹا کو حاصل کرنا ناممکن ہوتا ہے جو تمام ممکنہ مشاہدات کی نمائندگی کرتا ہو۔ اس وجہ سے، ماہرین شماریات عموماً آبادی سے ایک "نمونہ (sample)" لیتے ہیں، جس سے پوری آبادی کے بارے میں نتائج براہ راست نمونے کے ڈیٹا سے نکالے جا سکتے ہیں۔

ویرینس کسی ڈیٹا سیٹ کے اس کی اوسط کے لحاظ سے اوسط پھیلاؤ کو ماپتا ہے۔ اسے روایتی طور پر آبادی کے لیے σ² اور نمونے کے لیے s² سے ظاہر کیا جاتا ہے۔ σ² یا s² کی بڑی قدر اوسط سے ڈیٹا پوائنٹس کے زیادہ پھیلاؤ کی نشاندہی کرتی ہے، جبکہ چھوٹی قدر یہ ظاہر کرتی ہے کہ ڈیٹا پوائنٹس اوسط کے قریب جمع ہیں۔

درج ذیل مثال کے ڈیٹا سیٹس پر غور کریں:

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

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

سیٹ I کو ویرینس کیلکولیٹر میں درج کرنے سے یہ نتائج ملتے ہیں:

n=11

x̄=16

SS=704

s²=70.4

s=8.39

ایک نمونے (sample) کے لیے، اور

n=11

μ=16

SS=704

σ²=64

σ=8

پوری آبادی (population) کے لیے۔

اسی طرح، سیٹ II کو کیلکولیٹر میں درج کرنے سے یہ نتائج ملتے ہیں:

n=11

x̄=16

SS=56

s²=5.6

s=2.36

ایک نمونے (sample) کے لیے، اور

n=11

μ=16

SS=56

σ²=5.09

σ=2.25

پوری آبادی (population) کے لیے۔

• سیٹ I میں، نمبرز نمونے کی اوسط سے نمایاں طور پر ہٹ گئے ہیں، جس کے نتیجے میں ویرینس زیادہ آتا ہے:

s²=70.4

σ²=64

• سیٹ II میں، مجموعی تغیر (variability) بہت کم ہے:

s²=5.6

σ²=5.09

ویرینس کا فارمولا: پاپولیشن ویرینس بمقابلہ سیمپل ویرینس

پاپولیشن ویرینس

شماریات میں، پاپولیشن سے مراد کسی تجربے میں تمام ممکنہ مشاہدات ہیں۔ N مشاہدات کے لیے، پاپولیشن ویرینس کا فارمولا یہ ہے:

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

جہاں:

• σ² پاپولیشن ویرینس ہے،
• Σ مجموعہ کو ظاہر کرتا ہے،
• xᵢ ہر انفرادی مشاہدہ ہے،
• μ پاپولیشن کی اوسط ہے،
• N پاپولیشن میں مشاہدات کی کل تعداد ہے۔

سیمپل ویرینس

سیمپل ویرینس کی تعریف درج ذیل فارمولے سے کی جاتی ہے:

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

جہاں:

• s² سیمپل ویرینس ہے،
• Σ مجموعہ کو ظاہر کرتا ہے،
• xᵢ ہر انفرادی مشاہدہ ہے،
• x̄ نمونے (sample) کی اوسط ہے،
• n نمونے میں مشاہدات کی کل تعداد ہے۔

ویرینس معلوم کرنے کے مراحل

ویرینس کو دستی طور پر معلوم کرنے میں درج ذیل معیاری مراحل شامل ہیں:

مرحلہ 1: سیمپل یا پاپولیشن کی اوسط معلوم کریں۔ یہ تمام ڈیٹا پوائنٹس کا مجموعہ ہے جسے ڈیٹا پوائنٹس کی تعداد (نمونے کے لیے n اور پاپولیشن کے لیے N) سے تقسیم کیا جاتا ہے، یعنی،

سیمپل کی اوسط:

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

پاپولیشن کی اوسط:

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

مرحلہ 2: ہر ڈیٹا پوائنٹ میں سے سیمپل یا پاپولیشن کی اوسط کو گھٹا کر انفرادی انحراف معلوم کریں، یعنی،

سیمپل کا انحراف:

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

پاپولیشن کا انحراف:

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

مرحلہ 3: ہر ڈیٹا پوائنٹ کے لیے انحراف کا مربع (squared deviations) معلوم کریں۔

سیمپل کے انحراف کا مربع:

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

پاپولیشن کے انحراف کا مربع:

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

مرحلہ 4: انحرافات کے مربع کا مجموعہ (sum of squared deviations) معلوم کریں۔

سیمپل کے مربع انحراف کا مجموعہ:

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

پاپولیشن کے مربع انحراف کا مجموعہ:

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

مرحلہ 5: حتمی ویرینس معلوم کرنے کے لیے انحرافات کے مربع کے مجموعہ کو نمونے کی صورت میں n-1 اور پاپولیشن کی صورت میں N سے تقسیم کریں۔

سیمپل ویرینس:

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

پاپولیشن ویرینس:

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

ایک نمونے (Sample) کے لیے ویرینس کے حساب کی مثال

آئیے درج ذیل ڈیٹا سیٹ کا استعمال کرتے ہوئے ایک عملی مثال پر غور کریں: 1، 2، 4، 5، 6، اور 12۔ سیمپل ویرینس معلوم کرنے کے لیے، ہم ان مراحل پر عمل کرتے ہیں:

مرحلہ 1: سیمپل کی اوسط (mean) معلوم کریں۔

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

مرحلہ 2: ہر ڈیٹا پوائنٹ کے لیے اوسط سے انحراف معلوم کریں۔

مرحلہ 3: انحرافات کے مربع معلوم کریں۔

مرحلہ 4: مربع انحرافات کو جمع کریں۔

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

مرحلہ 5: مربع انحرافات کے مجموعے کو ڈگریز آف فریڈم (n-1) سے تقسیم کر کے سیمپل ویرینس معلوم کریں۔

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

پاپولیشن کے معاملے میں، پاپولیشن ویرینس معلوم کرنے کے لیے آپ n-1 کے بجائے n (ڈیٹا پوائنٹس کی کل تعداد) سے تقسیم کریں گے۔

ویرینس کی اہمیت

سرمایہ کاری کی دنیا میں ویرینس اور پھیلاؤ (dispersion) انتہائی اہم میٹرکس ہیں۔ یہ اثاثہ جات کے منتظمین (asset managers) کو اپنی سرمایہ کاری کی کارکردگی بہتر بنانے اور پورٹ فولیوز کو مؤثر طریقے سے منظم کرنے میں مدد دیتے ہیں۔ مالیاتی تجزیہ کار سرمایہ کاری کے پورٹ فولیو میں مخصوص اثاثوں کے انفرادی خطرے اور تاریخی کارکردگی کا جائزہ لینے کے لیے بڑی حد تک ویرینس پر انحصار کرتے ہیں۔

نئی خریداری پر غور کرتے وقت، سرمایہ کار یہ تعین کرنے کے لیے ویرینس کا حساب لگاتے ہیں کہ آیا کوئی ممکنہ سرمایہ کاری اس سے وابستہ خطرے کے قابل ہے یا نہیں۔ پھیلاؤ (dispersion) کے میٹرکس تجزیہ کاروں کو غیر یقینی صورتحال کا اندازہ لگانے میں مدد دیتے ہیں—یہ ایک ایسا عنصر ہے جس کا ویرینس اور معیاری انحراف کے بغیر درست طریقے سے جائزہ لینا تقریباً ناممکن ہے۔

اگرچہ غیر یقینی صورتحال بذات خود براہ راست قابل پیمائش نہیں ہے، لیکن ویرینس اور معیاری انحراف (ویرینس کا جزر) سرمایہ کاروں کو متوقع اتار چڑھاؤ اور کسی خاص اسٹاک کے وسیع تر پورٹ فولیو پر پڑنے والے اثرات کا تعین کرنے میں مدد دیتے ہیں۔

فنانس کے علاوہ، ویرینس سائنسدانوں، ماہرین شماریات، ریاضی دانوں، اور ڈیٹا تجزیہ کاروں کے لیے ایک لازمی ٹول ہے۔ یہ تجربات اور سیمپل پاپولیشن کے بارے میں گہری ریاضیاتی بصیرت فراہم کرتا ہے۔

سائنسدان ٹیسٹ گروپس کے درمیان ساختی اختلافات کی نشاندہی کرنے کے لیے کثرت سے ویرینس پر انحصار کرتے ہیں، تاکہ یہ طے کیا جا سکے کہ آیا وہ مفروضے (hypothesis) کو کامیابی سے ٹیسٹ کرنے کے لیے کافی حد تک یکساں ہیں یا نہیں۔ ویرینس جتنا زیادہ ہوگا، ڈیٹا سیٹ میں قدریں اتنی ہی زیادہ بکھری ہوں گی۔ ڈیٹا کے محققین اس معلومات کا استعمال یہ سمجھنے کے لیے کرتے ہیں کہ اوسط پورے ڈیٹا سیٹ کی کتنی درستگی سے نمائندگی کرتی ہے۔

تاہم، ویرینس استعمال کرنے کا ایک نقصان بڑے آؤٹ لائیرز (outliers) کے تئیں اس کی حساسیت ہے۔ چونکہ اوسط سے انحرافات کا ریاضیاتی طور پر مربع (square) لیا جاتا ہے، اس لیے آؤٹ لائیرز کو غیر متناسب طور پر زیادہ وزن دیا جاتا ہے، جو نادانستہ طور پر ڈیٹا کی مجموعی نمائندگی کو بگاڑ سکتا ہے۔

اسی وجہ سے، بہت سے محققین اور مالیاتی پیشہ ور افراد معیاری انحراف (standard deviation) کے ساتھ کام کرنے کو ترجیح دیتے ہیں۔ چونکہ اسے ویرینس کے جزر (square root) کے طور پر شمار کیا جاتا ہے، اس لیے معیاری انحراف کا اظہار انہی اکائیوں میں کیا جاتا ہے جس میں اصل ڈیٹا ہوتا ہے۔ یہ ایک چھوٹی، زیادہ قابل فہم قدر فراہم کرتا ہے جس کی تشریح کرنا بہت آسان ہوتا ہے جبکہ یہ انتہائی آؤٹ لائیرز سے قدرے کم متاثر ہوتا ہے۔