پث‌وایز

آمار و سواد دادهدرس ۲ از ۱۲

شاخص‌های پراکندگی: ناگفته‌های پنهان در میانگین

دو شهر با میانگین دمای یکسان می‌توانند شرایط جوی کاملاً متفاوتی داشته باشند؛ دامنه و انحراف معیار نشان می‌دهند داده‌ها تا چه اندازه از مرکز فاصله می‌گیرند.

چیزی که از این درس می‌بری

  • شهر الف (۱۸ تا ۲۲ درجه) و شهر ب (۱۰ تا ۳۰ درجه) میانگین یکسان ۲۰ دارند اما شرایطی کاملاً متمایز را تجربه می‌کنند: این تفاوت حاصل پراکندگی است.
  • دامنه برابر است با بزرگ‌ترین منهای کوچک‌ترین مقدار: ۴ برای الف و ۲۰ برای ب. یک دادهٔ نامتعارف می‌تواند آن را به شدت منحرف کند.
  • انحراف معیار بیانگر فاصلهٔ نوعی از میانگین حسابی است و با واحد داده‌ها سنجیده می‌شود: حدود ۱٫۴ درجه برای الف و حدود ۷ درجه برای ب.
فهرست این درس۷
  1. دو شهری که بر روی کاغذ کاملاً یکسان به نظر می‌رسند
  2. دامنهٔ تغییرات (Range)
  3. انحراف معیار یا انحراف استاندارد (Standard Deviation)
  4. دامنهٔ میان‌چارکی: سنجش پراکندگی بدون اثرپذیری از داده‌های فرین
  5. «میانگین زمان سفر تا محل کار ۳۰ دقیقه است»
  6. چرا درک پراکندگی برای تحلیل‌گر داده ضروری است؟
  7. مرور درس

۰۱میانگین یکسان، روزهای ناهمسان

دو شهری که بر روی کاغذ کاملاً یکسان به نظر می‌رسند

شهر الف پنج روز پیاپی دمای ۱۸، ۱۹، ۲۰، ۲۱ و ۲۲ درجهٔ سانتی‌گراد را ثبت می‌کند. شهر ب پنج روز را با دماهای ۱۰، ۱۵، ۲۰، ۲۵ و ۳۰ درجه سپری می‌کند. هر دو شهر دارای میانگین حسابی ۲۰ درجه و میانهٔ ۲۰ درجه هستند. اگر صرفاً با شاخص‌های تمرکز داوری کنید، این دو شهر اقلیمی همسان دارند؛ اما هرکس در هر دو شهر زندگی کرده باشد این همسانی را نمی‌پذیرد. قطعهٔ گمشدهٔ پازل، پراکندگی (Spread) است: یعنی داده‌ها تا چه اندازه از نقطهٔ میانی فاصله می‌گیرند.

در شهر الف، دمای هر روز حداکثر ۲ درجه با عدد ۲۰ فاصله دارد. در شهر ب، یک روز ۱۰ درجه سردتر و روزی دیگر ۱۰ درجه گرم‌تر از میانگین است.

خودت رو امتحان کنسؤال ۱ از ۵

دماهای ثبت‌شده در شهر الف ۱۸، ۱۹، ۲۰، ۲۱ و ۲۲ درجه و در شهر ب ۱۰، ۱۵، ۲۰، ۲۵ و ۳۰ درجه بوده‌اند. میانگین دمای هر شهر چقدر است؟

  1. شهر الف ۲۰ درجه و شهر ب ۲۰ درجه
  2. شهر الف ۲۰ درجه و شهر ب ۲۵ درجه
  3. شهر الف ۱۸ درجه و شهر ب ۱۰ درجه
  4. شهر الف ۴ درجه و شهر ب ۲۰ درجه
جواب رو ببین

شهر الف ۲۰ درجه و شهر ب ۲۰ درجه

کاملاً درست است. مجموع دماها در هر دو شهر ۱۰۰ است، و با تقسیم ۱۰۰ بر ۵، میانگین ۲۰ به دست می‌آید. یک میانگین کاملاً یکسان در برابر دو هفتهٔ اقلیمی کاملاً متفاوت؛ این دقیقاً چرایی ناکافی بودن میانگین به تنهایی است.

قدم‌به‌قدم ببین

  1. دو شهر با میانگین دمای یکسانِ ۲۰ درجه
    ۱/۴دو شهر با میانگین دمای یکسانِ ۲۰ درجه

    دو ردیف، یکی برای شهر الف و دیگری برای شهر ب، بر روی یک محور دمای مشترک نمایش داده شده‌اند. خطی یاسی‌رنگ روی عدد ۲۰ کشیده شده که نمایانگر میانگین ۲۰ در هر دو شهر است. هنوز نقاط روزها رسم نشده‌اند، بنابراین در این نما دو شهر کاملاً یکسان به نظر می‌رسند.

  2. پنج روز اقلیمی در هریک از دو شهر
    ۲/۴پنج روز اقلیمی در هریک از دو شهر

    اکنون پنج روز به صورت نقاط آبی‌رنگ ظاهر می‌شوند. روزهای شهر الف در بازه‌ای فشرده پیرامون ۲۰ (از ۱۸ تا ۲۲) متمرکزند. در مقابل، روزهای شهر ب از ۱۰ تا ۳۰ پراکنده‌اند، هرچند خط میانگین هر دو دقیقاً بر هم منطبق است.

  3. دامنهٔ تغییرات: فاصلهٔ سردترین تا گرم‌ترین روز
    ۳/۴دامنهٔ تغییرات: فاصلهٔ سردترین تا گرم‌ترین روز

    آکولادی نارنجی در زیر هر ردیف فاصلهٔ سردترین تا گرم‌ترین روز را نشان می‌دهد: در شهر الف این دامنه ۴ درجه (از ۱۸ تا ۲۲) و در شهر ب برابر با ۲۰ درجه (از ۱۰ تا ۳۰) است.

  4. انحراف معیار: سنجش فاصلهٔ نوعی داده‌ها از میانگین
    ۴/۴انحراف معیار: سنجش فاصلهٔ نوعی داده‌ها از میانگین

    آکولادها محو شده و نواری یاسی‌رنگ پیرامون نقطهٔ ۲۰ در هر ردیف پدیدار می‌شود، که پهنای آن در هر سو معادل یک انحراف معیار است. این شاخص فاصلهٔ نوعی یک روز معمولی از میانگین را نشان می‌دهد: حدود ۱٫۴ درجه در شهر الف و حدود ۷ درجه در شهر ب. برخی روزها (نظیر ۱۰ و ۳۰ در شهر ب) در بیرون این نوار قرار می‌گیرند.

خودت رو امتحان کنسؤال ۲ از ۵

شهرهای الف و ب هر دو میانگین دمای ۲۰ درجه دارند. برای سفر به کدام شهر، هم پالتوی زمستانی و هم لباس خنک تابستانی برمی‌دارید؟

  1. شهر الف با دامنهٔ ۴ و انحراف معیار حدود ۱٫۴ درجه
  2. شهر ب با دامنهٔ ۲۰ و انحراف معیار حدود ۷ درجه
  3. تفاوتی ندارد؛ با میانگین یکسان، وسایل مشابهی نیاز خواهد بود
جواب رو ببین

شهر ب با دامنهٔ ۲۰ و انحراف معیار حدود ۷ درجه

کاملاً درست است. روزهای شهر ب گستره‌ای از ۱۰ تا ۳۰ درجه دارند، بنابراین هوای بسیار سرد و بسیار گرم را توأمان تجربه خواهید کرد. در نقطهٔ مقابل، دمای شهر الف هرگز از محدودهٔ ۱۸ تا ۲۲ خارج نمی‌شود.

دامنهٔ تغییرات (Range)

اسم · آمار

تفاضل بزرگ‌ترین مقدار از کوچک‌ترین مقدار. دامنه سریع‌ترین و ساده‌ترین معیار پراکندگی است، اما منحصراً به دو عدد وابسته است (دو دادهٔ فرین یا انتهایی)؛ از این رو رخ دادن تنها یک روز استثنایی می‌تواند آن را به کلی دگرگون سازد.

در شهر الف: ۴ = ۱۸ − ۲۲. در شهر ب: ۲۰ = ۱۰ − ۳۰. اگر یک روز غیرعادی ۳۵ درجه‌ای در شهر الف رخ دهد، دامنه ناگهان از ۴ به ۱۷ جهش می‌کند، حتی اگر پنج روز دیگر بدون تغییر مانده باشند.

انحراف معیار یا انحراف استاندارد (Standard Deviation)

اسم · آمار

به زبان ساده، فاصلهٔ نوعی و معمول داده‌ها از میانگین حسابی. انحراف معیار برخلاف دامنه، تک‌تک داده‌ها را در محاسبه سهیم می‌کند و واحد سنجش آن دقیقاً همان واحد متغیر اصلی است. نیازی به حفظ فرمول ریاضی نیست: عبارت «میانگین ۲۰ درجه با انحراف معیار ۷ درجه» را این‌گونه بخوانید: «اغلب روزها دمایی در فاصلهٔ حدود ۷ درجه از عدد ۲۰ دارند». بخش چشمگیری از داده‌ها در فاصلهٔ یک انحراف معیار از میانگین قرار می‌گیرند، اما نه همهٔ آن‌ها؛ برخی داده‌ها ممکن است فاصلهٔ بیشتری داشته باشند.

فاصلهٔ داده‌های شهر الف از میانگین ۲۰ عبارت‌اند از ۲، ۱، ۰، ۱ و ۲، که انحراف معیاری در حدود ۱٫۴ درجه به دست می‌دهد. برای شهر ب این فاصله‌ها ۱۰، ۵، ۰، ۵ و ۱۰ هستند که انحراف معیار را به حدود ۷٫۱ می‌رسانند.

خودت رو امتحان کنسؤال ۳ از ۵

انحراف معیارِ ۵ بدان معناست که هیچ داده‌ای در مجموعه بیش از ۵ واحد از میانگین فاصله ندارد.

  1. درست
  2. نادرست
جواب رو ببین

نادرست

نادرست است. انحراف معیار نشان‌دهندهٔ یک فاصلهٔ نوعی و معمول است، نه حداکثر کران بالا یا پایین. در شهر ب انحراف معیار حدود ۷ است، با این حال دو روز فاصله‌ای ۱۰ درجه‌ای از میانگین دارند. در بیشتر توزیع‌ها، برخی داده‌ها فراتر از یک انحراف معیار و اندکی نیز فراتر از دو انحراف معیار قرار می‌گیرند.

۰۴نیمهٔ میانی داده‌ها

دامنهٔ میان‌چارکی: سنجش پراکندگی بدون اثرپذیری از داده‌های فرین

دامنهٔ میان‌چارکی (Interquartile Range یا IQR) دامنهٔ ۵۰ درصد میانی داده‌هاست: فاصلهٔ میان چارک نخست (صدک ۲۵ام) تا چارک سوم (صدک ۷۵ام). از آنجا که این شاخص ۲۵ درصد پایینی و ۲۵ درصد بالایی داده‌ها را نادیده می‌گیرد، ورود یک دادهٔ پرتِ عجیب عملاً تأثیری بر آن ندارد. همان‌طور که انحراف معیار همواره مکمل میانگین است، دامنهٔ میان‌چارکی نیز همپای شاخص میانه به کار می‌رود. در نمودار جعبه‌ای (Box Plot)، بدنهٔ مستطیلی جعبه بیانگر همین IQR است.

در تحلیل قیمت مسکن یک محله، دامنهٔ میان‌چارکی نشان می‌دهد ۵۰ درصد میانی خانه‌ها در چه بازه‌ای معامله می‌شوند، بدون آنکه ارزش این شاخص با فروش یک عمارت فوق‌اشرافی یا یک بنای مخروبه مخدوش شود.

خودت رو امتحان کنسؤال ۴ از ۵

نگار زمان سفرهای روزانهٔ خود به محل کار را به مدت یک ماه ثبت می‌کند. یک روز به دلیل خرابی خط مترو، سفر او ۳ ساعت طول می‌کشد. کدام شاخص پراکندگی بیشترین تأثیرپذیری را از این رویداد منفرد خواهد داشت؟

  1. دامنهٔ تغییرات (Range)
  2. دامنهٔ میان‌چارکی (IQR)
  3. هر دو شاخص به میزانی یکسان تغییر می‌کنند
جواب رو ببین

دامنهٔ تغییرات (Range)

کاملاً درست است. دامنه تفاضل بزرگ‌ترین از کوچک‌ترین مقدار است؛ بنابراین ورود یک مقدار ماکزیممِ نجومی فوراً آن را دگرگون می‌کند. در مقابل، دامنهٔ میان‌چارکی صرفاً ۵۰ درصد میانی را بررسی می‌کند و دادهٔ ۳ ساعته در آن محدوده قرار نمی‌گیرد.

«میانگین زمان سفر تا محل کار ۳۰ دقیقه است»

پراکندگی اندک

تقریباً تمامی کارکنان بین ۲۵ تا ۳۵ دقیقه در راه هستند. در این حالت میانگین حسابی تخمینی بسیار قابل اتکا برای برنامه‌ریزی هر فرد محسوب می‌شود.

پراکندگی چشمگیر

زمان سفر برخی افراد ۵ دقیقه و برخی دیگر ۹۰ دقیقه است. میانگین همچنان همان ۳۰ دقیقه است، اما برای هر فرد خاص تخمینی کاملاً نارکارآمد و گمراه‌کننده است: ممکن است بسیار زودتر از موعد برسید یا به شدت دیر کنید.

خودت رو امتحان کنسؤال ۵ از ۵

مدت زمان حرکت دو خط اتوبوس به طور میانگین ۳۰ دقیقه است. انحراف معیار خط X برابر ۲ دقیقه و انحراف معیار خط Y معادل ۱۲ دقیقه است. برای رسیدن به یک مصاحبهٔ کاری حساس، کدام خط را برمی‌گزینید؟

  1. خط اتوبوس X، زیرا عملکردی قابل پیش‌بینی و اتکا دارد
  2. خط اتوبوس Y، زیرا گاهی به مراتب سریع‌تر به مقصد می‌رسد
  3. تفاوتی ندارد، زیرا میانگین زمان هر دو خط ۳۰ دقیقه است
جواب رو ببین

خط اتوبوس X، زیرا عملکردی قابل پیش‌بینی و اتکا دارد

کاملاً درست است. با انحراف معیار ۲ دقیقه، زمان سفر در خط X تقریباً همواره در محدودهٔ ۲۸ تا ۳۲ دقیقه است. در خط Y بارها پیش می‌آید که زمان سفر ۱۲ دقیقه یا بیشتر از میانگین منحرف شود؛ و تأخیر همان جهتی است که می‌تواند به از دست رفتن موقعیت شغلی شما منجر شود.

چرا درک پراکندگی برای تحلیل‌گر داده ضروری است؟

  • پراکندگی اندک: میانگین تخمینی عالی برای تک‌تک مشاهدات است. پراکندگی بالا: میانگین برای موارد فردی فاقد کارایی است.
  • دو گزینهٔ سرمایه‌گذاری با بازدهی میانگین یکسان اما پراکندگی متفاوت، حامل سطوح ریسک کاملاً متفاوتی هستند.
  • یک داروی درمانی که «در میانگین آماری» اثربخش است، ممکن است به برخی افراد کمک چشمگیری کند و برای گروهی دیگر بی‌اثر باشد.
  • مقایسهٔ دو گروه صرفاً بر اساس میانگین‌ها، نیمی از واقعیت را پنهان می‌کند؛ همواره میزان پراکندگی داده‌های هر گروه را جویا شوید.
  • دامنه معیاری سریع اما آسیب‌پذیر است؛ انحراف معیار مکمل میانگین حسابی است؛ و دامنهٔ میان‌چارکی همپای میانه عمل کرده و نسبت به داده‌های پرت مصون است.

۰۷جمع‌بندی

مرور درس

  • شهر الف (۱۸ تا ۲۲ درجه) و شهر ب (۱۰ تا ۳۰ درجه) میانگین یکسان ۲۰ دارند اما شرایطی کاملاً متمایز را تجربه می‌کنند: این تفاوت حاصل پراکندگی است.
  • دامنه برابر است با بزرگ‌ترین منهای کوچک‌ترین مقدار: ۴ برای الف و ۲۰ برای ب. یک دادهٔ نامتعارف می‌تواند آن را به شدت منحرف کند.
  • انحراف معیار بیانگر فاصلهٔ نوعی از میانگین حسابی است و با واحد داده‌ها سنجیده می‌شود: حدود ۱٫۴ درجه برای الف و حدود ۷ درجه برای ب.
  • انحراف معیار به معنای سقف مطلق نیست؛ داده‌هایی وجود دارند که در فواصل دورتری از آن جای می‌گیرند.
  • دامنهٔ میان‌چارکی (IQR) پنجاه درصد میانی داده‌ها را در بر می‌گیرد، داده‌های فرین را کنار می‌گذارد و مکمل رسمی شاخص میانه است.

به سبک خودت یادش بگیر.

توی اپ از یادآی بخواه این درس رو ساده‌تر توضیح بده، از زندگی خودت مثال بزنه یا عمیق‌تر بره. بعد یه مسیر کامل دور هدف خودت بساز.

Cafe Bazaar Myket توی اپ شخصی‌سازیش کن