معیاری انحراف

ایک شماریاتی پیمانے کے طور پر معیاری انحراف

معیاری انحراف (Standard deviation) کسی بھی ڈیٹا سیٹ کی خصوصیات کو ظاہر کرنے کے لیے سب سے زیادہ استعمال ہونے والے بنیادی پیمانوں میں سے ایک ہے۔ سادہ الفاظ میں، یہ آپ کے ڈیٹا کے پھیلاؤ یا بکھراؤ کی پیمائش کرتا ہے۔ معیاری انحراف کا حساب لگا کر، آپ باآسانی یہ معلوم کر سکتے ہیں کہ آیا آپ کے ڈیٹا پوائنٹس اوسط (mean) کے قریب جمع ہیں یا ایک وسیع رینج پر پھیلے ہوئے ہیں۔ زیادہ معیاری انحراف ڈیٹا سیٹ کے اندر زیادہ تغیر (variability) اور پھیلاؤ کی نشاندہی کرتا ہے، جبکہ کم ویلیو کا مطلب ہے کہ اعداد اوسط کے زیادہ قریب ہیں۔

ہمارا معیاری انحراف کیلکولیٹر کسی بھی دیے گئے ڈیٹا سیٹ کے لیے درست ویلیو کا حساب لگاتا ہے اور اس میں شامل ریاضی کے عمل کی جامع، مرحلہ وار تفصیل فراہم کرتا ہے۔

معیاری انحراف کیلکولیٹر کا استعمال کیسے کریں

یہ ٹول اس طرح ڈیزائن کیا گیا ہے کہ استعمال میں آسان اور انتہائی لچکدار ہو۔ بس اپنے ڈیٹا سیٹ کو ڈیلِمیٹر (delimiter) سے الگ کیے گئے نمبروں کی فہرست کے طور پر درج کریں۔ نیچے دی گئی جدول میں کئی درست ان پٹ فارمیٹس کی وضاحت کی گئی ہے:

آپ اپنے نمبروں کو کوما، اسپیس، لائن بریکس، یا ان کے ملاپ کا استعمال کر کے الگ کر سکتے ہیں۔ یہ کیلکولیٹر قطار اور کالم دونوں فارمیٹس کو بغیر کسی مسئلے کے ہینڈل کرتا ہے۔ اس سے قطع نظر کہ آپ جدول میں سے کون سا فارمیٹ منتخب کرتے ہیں، کیلکولیٹر ان پٹ کو اس ڈیٹا سیٹ کے طور پر درست طریقے سے پروسیس کرے گا: 44، 63، 72، 75، 80، 86، 87، اور 89۔

اپنا ڈیٹا درج کرنے کے بعد، بس یہ منتخب کریں کہ آیا آپ سیمپل (sample) پر کام کر رہے ہیں یا پوری پاپولیشن (population) پر، اور پھر کیلکولیٹ پر کلک کریں۔ ٹول فوری طور پر آپ کے ڈیٹا سیٹ کے لیے پانچ اہم شماریاتی پیرامیٹرز دکھائے گا: کاؤنٹ (مشاہدات کی تعداد)، اوسط (mean)، انحراف کے مربع کا مجموعہ (sum of squared deviations)، تغیر (variance)، اور حتمی معیاری انحراف۔

یہ معیاری انحراف کیلکولیٹر کیا حل کرتا ہے؟

یہ کیلکولیٹر کسی بھی ڈسکریٹ ڈیٹا سیٹ (discrete dataset) کے معیاری انحراف کا حساب لگانے کے لیے ڈیزائن کیا گیا ہے، جبکہ یہ نتائج کے پیچھے موجود شماریاتی تھیوری کے بارے میں گہری بصیرت بھی فراہم کرتا ہے۔

ڈیٹا عام طور پر یا تو پاپولیشن کی نمائندگی کرتا ہے یا سیمپل کی۔ ایک پاپولیشن میں مخصوص شرائط کے تحت کسی تجربے کے تمام ممکنہ مشاہدات شامل ہوتے ہیں۔ تاہم، حقیقی دنیا کی شماریاتی مشق میں، ایک بڑی پاپولیشن کے ہر فرد سے ڈیٹا اکٹھا کرنا اکثر ناقابل عمل یا بالکل ناممکن ہوتا ہے۔

اس کے بجائے، محققین اس بڑے گروپ کے ایک ذیلی حصے کے ساتھ کام کرتے ہیں، جسے سیمپل کہا جاتا ہے۔ اس سیمپل کا تجزیہ کر کے، ہم وسیع تر پاپولیشن کے بارے میں انتہائی درست تخمینے اور نتائج اخذ کر سکتے ہیں۔

معیاری انحراف کا حساب لگاتے وقت، فارمولا قدرے تبدیل ہو جاتا ہے جس کا انحصار اس بات پر ہوتا ہے کہ آیا آپ سیمپل ڈیٹا کا جائزہ لے رہے ہیں یا پوری پاپولیشن کا۔ اس اہم ایڈجسٹمنٹ میں ایک ریاضیاتی عنصر شامل ہے جسے 'ڈگریز آف فریڈم (degrees of freedom)' کہا جاتا ہے۔ ایک سیمپل کے لیے، ہم تغیر (variance) کو n کے بجائے n - 1 (جہاں n سیمپل کا سائز ہے) سے تقسیم کرتے ہیں۔ یہ درستی اس بات کی تلافی کرتی ہے کہ ہم پاپولیشن کا تخمینہ لگانے کے لیے سیمپل کا استعمال کر رہے ہیں، اس بات کو یقینی بناتے ہوئے کہ ہمارا معیاری انحراف کا تخمینہ مکمل طور پر غیر جانبدار ہو۔

بالآخر، معیاری انحراف اپنے اوسط (mean) کے مقابلے میں ڈیٹا سیٹ کے اوسط تغیر یا پھیلاؤ کی پیمائش کرتا ہے۔ شماریات میں، اسے پاپولیشن کے لیے یونانی حرف σ (سگما)، یا سیمپل کے لیے s سے ظاہر کیا جاتا ہے۔ بڑی σ یا s ویلیو کا مطلب ہے کہ ڈیٹا پوائنٹس اوسط سے وسیع پیمانے پر پھیلے ہوئے ہیں، جبکہ چھوٹی ویلیو کا مطلب ان کا اوسط کے قریب ہونا ہے۔

مثال کے طور پر درج ذیل دو 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

ان نمبروں کو ہمارے معیاری انحراف کیلکولیٹر میں درج کرنے سے، ہمیں درج ذیل نتائج حاصل ہوتے ہیں:

سیٹ I کے لیے:

• x̄ = 16 — اوسط (mean) ویلیو
• s = 8.3904708 — سیمپل معیاری انحراف

سیٹ II کے لیے:

• x̄ = 16 — اوسط (mean) ویلیو
• s = 2.3664319 — سیمپل معیاری انحراف

اگرچہ دونوں سیٹس کا اوسط بالکل ایک جیسا ہے (x̄ = 16)، لیکن ان کی تقسیم (distributions) ایک دوسرے سے بہت مختلف ہیں۔ سیٹ I میں، نمبرز سیمپل اوسط سے نمایاں طور پر منحرف ہوتے ہیں (s = 8.39)، جبکہ سیٹ II میں، تغیر نمایاں طور پر کم ہے (s = 2.36)۔

معیاری انحراف معلوم کرنے کے فارمولے

جب ایک مکمل پاپولیشن کے اندر ہر ایک ویلیو کا تجزیہ کیا جاتا ہے تو پاپولیشن معیاری انحراف کا فارمولا لاگو ہوتا ہے:

$$σ = \sqrt{\frac{\sum_{i=1}^{N}(x_i-μ)^2}{N}}$$

• σ پاپولیشن کا معیاری انحراف ہے،
• xᵢ پاپولیشن کے اندر ایک انفرادی ویلیو ہے،
• μ پاپولیشن کا حسابی اوسط (arithmetic mean) ہے،
• N پاپولیشن کا سائز ہے۔

سیمپل معیاری انحراف کا فارمولا اس وقت استعمال کیا جاتا ہے جب پاپولیشن اس قدر بڑی ہو کہ اس کی مکمل پیمائش نہ کی جا سکے، اور صرف ایک نمائندہ سیمپل کا تجزیہ کیا جا رہا ہو:

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

• s سیمپل کا معیاری انحراف ہے،
• xᵢ سیمپل کے اندر ایک انفرادی ویلیو ہے،
• x̄ سیمپل کا اوسط (mean) ہے،
• n سیمپل کا سائز ہے۔

معیاری انحراف کیلکولیٹ کرنے کا مرحلہ وار طریقہ

دستی طور پر معیاری انحراف کا حساب لگانے میں درج ذیل ریاضیاتی مراحل شامل ہیں:

پہلا مرحلہ: سیمپل یا پاپولیشن کا اوسط معلوم کریں۔ یہ تمام ڈیٹا پوائنٹس کا مجموعہ ہے جسے مشاہدات کی کل تعداد (N یا n) سے تقسیم کیا جاتا ہے۔

سیمپل اوسط:

$$\bar{x}=\frac{x₁+x₂+x₃+........+x_n}{n}$$

پاپولیشن اوسط:

$$\mu=\frac{x₁+x₂+x₃+........+x_N}{N}$$

دوسرا مرحلہ: متعلقہ ڈیٹا پوائنٹ میں سے اوسط کو تفریق کر کے انفرادی انحرافات (deviations) کا حساب لگائیں۔

سیمپل انحرافات:

$$(x₁-\bar{x}), (x₂-\bar{x}), (x₃-\bar{x})…………………… (x_n-\bar{x})$$

پاپولیشن انحرافات:

$$(x₁-\ \mu), (x₂-\ \mu), (x₃-\ \mu)……………….. (x_N-\ \mu)$$

تیسرا مرحلہ: ہر انفرادی انحراف کا مربع (square) لیں۔

سیمپل کے مربع شدہ انحرافات:

$$(x₁-\bar{x})^2, (x₂-\bar{x})^2, (x₃-\bar{x})^2…………………… (x_n-\bar{x})^2$$

پاپولیشن کے مربع شدہ انحرافات:

$$(x₁-\ \mu)^2, (x₂-\ \mu)^2, (x₃-\ \mu)^2……………….. (x_N-\ \mu)^2$$

چوتھا مرحلہ: تمام مربع شدہ انحرافات کو جمع کر کے انحراف کے مربع کا مجموعہ (Sum of Squares - SS) معلوم کریں۔

سیمپل کے مربع شدہ انحرافات کا مجموعہ:

$$SS=(x₁-\bar{x})^2+ (x₂-\bar{x})^2+(x₃-\bar{x})^2……………………+(x_n-\bar{x})^2$$

پاپولیشن کے مربع شدہ انحرافات کا مجموعہ:

$$SS=(x₁-\ \mu)^2+ (x₂-\ \mu)^2+(x₃-\ \mu)^2……………….+ (x_N-\ \mu)^2$$

پانچواں مرحلہ: مربع شدہ انحرافات کے مجموعے کو مناسب ڈگریز آف فریڈم سے تقسیم کر کے تغیر (variance) معلوم کریں۔ پاپولیشن کے لیے، N سے تقسیم کریں۔ سیمپل کے لیے، n - 1 سے تقسیم کریں۔

سیمپل تغیر:

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

پاپولیشن تغیر:

$$ \sigma^2 = \frac{\sum_{i=1}^{N}(xᵢ - \mu)^2}{N} $$

آپ یہ فرض کر سکتے ہیں کہ سیمپل کے تغیر (variance) کا حساب لگانے کے لیے سختی سے n سے تقسیم کرنے کی ضرورت ہے:

$$\frac{(x-\bar{x})^2}{n}$$

تاہم، ایک سیمپل میں براہ راست n کا استعمال اکثر غلط تخمینے کا باعث بنتا ہے۔ جب ایک بڑی پاپولیشن سے لیے گئے چھوٹے سیمپل سے کام لیا جا رہا ہو، تو n سے تقسیم کرنا عام طور پر اصل تغیر کا کم تخمینہ لگاتا ہے۔ ڈیٹا کی اس کمی کو دور کرنے اور جانبداری کو ختم کرنے کے لیے، ہم n - 1 (جسے بیسل کی اصلاح یا Bessel's correction کہا جاتا ہے) سے تقسیم کرتے ہیں۔ اس سے تغیر میں قدرے اضافہ ہوتا ہے، جس سے حقیقی پاپولیشن تغیر کا نمایاں طور پر زیادہ درست تخمینہ حاصل ہوتا ہے۔

چھٹا مرحلہ: آخر میں، معیاری انحراف معلوم کرنے کے لیے تغیر کا جزر (square root) لیں۔

سیمپل معیاری انحراف:

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

پاپولیشن معیاری انحراف:

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

مثال: ایک سیمپل کے معیاری انحراف کا حساب لگانا

آئیے 8 طلباء کے فزکس کے فائنل امتحان کے اسکورز (n = 8) کا استعمال کرتے ہوئے ایک عملی مثال پر غور کرتے ہیں:

45، 67، 70، 75، 80، 81، 82، اور 84

یہاں ملاحظہ کریں کہ کیلکولیٹر اس سیمپل ڈیٹا کو مرحلہ وار کیسے پروسیس کرتا ہے:

پہلا مرحلہ: اوسط معلوم کریں۔

$$\bar{x}=\frac{\sum_{i} x_i}{n}=\frac{45+\ 67+\ 70+\ 75+\ 80+\ 81+\ 82+\ 84}{8}=73$$

دوسرا مرحلہ: اوسط سے انفرادی انحرافات معلوم کریں۔

تیسرا مرحلہ: ہر انحراف کا مربع لیں۔

چوتھا مرحلہ: مربع شدہ انحرافات کا مجموعہ (SS) معلوم کریں۔

$$SS=\sum_{i}^{n}{{(x_i-\ \bar{x})}^2=784+36+9+4+49+64+81+121}=1148$$

پانچواں مرحلہ: سیمپل کے تغیر کا حساب لگائیں۔ چونکہ ہم پوری پاپولیشن کے بجائے ایک سیمپل (طلباء کی کل تعداد کے ایک چھوٹے سے حصے) کا تجزیہ کر رہے ہیں، اس لیے ہم مربع شدہ انحرافات کے مجموعے کو ڈگریز آف فریڈم (n - 1) سے تقسیم کرتے ہیں۔

$$s^2=\ \frac{\sum_{i}^{n}{{(x_i-\ \bar{x})}^2\ }}{n-1}=\frac{1148}{8-1}=164$$

چھٹا مرحلہ: حتمی معیاری انحراف معلوم کرنے کے لیے تغیر کا جزر (square root) لیں۔

$$s=\sqrt{s^2}=\ \sqrt{164}=12.80$$

معیاری انحراف کے حقیقی دنیا میں استعمالات

ڈیٹا کے پھیلاؤ کا اندازہ لگانے کے لیے مختلف صنعتوں میں معیاری انحراف پر بہت زیادہ انحصار کیا جاتا ہے۔ اس بات کی نشاندہی کر کے کہ آیا معیاری انحراف زیادہ ہے یا کم، تجزیہ کار تیزی سے متعدد ڈیٹا سیٹس کا موازنہ کر سکتے ہیں تاکہ یہ دیکھا جا سکے کہ کس میں سب سے زیادہ اتار چڑھاؤ یا تسلسل ہے۔

مینوفیکچرنگ اور کوالٹی کنٹرول میں، معیاری انحراف بہت ضروری ہے۔ بڑے پیمانے پر پیداوار کے لیے ضروری ہے کہ پروڈکٹ کی پیمائش انتہائی سخت ٹولرنسز (tolerances) کے اندر رہے۔ مثال کے طور پر، نٹ اور بولٹ کی تیاری میں، ان کے قطر (diameters) کے معیاری انحراف کو ٹریک کرنا اس بات کو یقینی بناتا ہے کہ ان میں تغیرات انتہائی کم رہیں۔ اگر انحراف بہت زیادہ ہے، تو پرزے ایک دوسرے کے ساتھ صحیح طرح سے فٹ نہیں ہوں گے۔

مالیاتی شعبے (finance sector) میں، مارکیٹ کے اتار چڑھاؤ کی پیمائش اور سرمایہ کاری کے خطرے کا جائزہ لینے کے لیے معیاری انحراف ایک اہم پیمانہ ہے۔ تکنیکی تجزیہ کار معمول کے مطابق اسٹاک کے اتار چڑھاؤ کا حساب لگانے اور بولنگر بینڈز (Bollinger Bands) جیسے ٹریڈنگ انڈیکیٹرز بنانے کے لیے معیاری انحراف کا استعمال کرتے ہیں۔ فنانس کے علاوہ، ماہرین عمرانیات اور پولسٹرز (pollsters) عوامی رائے کے جائزوں میں غلطی کے امکانات کا حساب لگانے اور غیر یقینی صورتحال کی مقدار کا تعین کرنے کے لیے معیاری انحراف کا استعمال کرتے ہیں۔

شماریاتی طور پر، معیاری انحراف یہ معلوم کرنے میں مدد کرتا ہے کہ ایک مخصوص وقفے کے اندر کتنا ڈیٹا آتا ہے۔ شیبی شیو کے نظریے (Chebyshev's theorem) کے تحت، مثال کے طور پر، ہم جانتے ہیں کہ تقسیم کی شکل سے قطع نظر، تمام ڈیٹا ویلیوز کا کم از کم 75% حصہ اوسط کے بالکل دو معیاری انحراف کے اندر آتا ہے۔

آئیے موسمیات (meteorology) میں ایک عملی مثال پر نظر ڈالتے ہیں۔ تصور کریں کہ ایک ہی علاقے کے دو شہروں—ایک ساحلی اور ایک میدانی (inland)—کے روزانہ کے درجہ حرارت کا مطالعہ کیا جا رہا ہے۔ اگرچہ دونوں شہروں کا اوسط زیادہ سے زیادہ روزانہ کا درجہ حرارت بالکل یکساں ہو سکتا ہے، لیکن ان کے معیاری انحرافات بالکل مختلف کہانی سنائیں گے۔

میدانی شہر میں انتہائی درجہ حرارت کا پھیلاؤ زیادہ ہوگا، جس کے نتیجے میں معیاری انحراف نمایاں طور پر زیادہ ہوگا۔ اس کے برعکس، ساحلی شہر کے درجہ حرارت اوسط کے قریب رہیں گے، جس کے نتیجے میں بہت کم معیاری انحراف ہوگا۔ شماریاتی طور پر، یہ اس بات کی تصدیق کرتا ہے جس کا ہم جسمانی طور پر تجربہ کرتے ہیں: ساحلی شہر کا موسم بہت زیادہ معتدل اور زیادہ مستقل ہوتا ہے۔