এক্সেলত ভ্যাৰিয়েন্সৰ সহগ কেনেকৈ গণনা কৰিব (৩টা পদ্ধতি)

  • এইটো শ্বেয়াৰ কৰক
Hugh West

এক্সেলত, ব্যৱহাৰকাৰীসকলে তথ্য বিক্ষিপ্ততা প্ৰদৰ্শন কৰিবলৈ বিভিন্ন পৰিসংখ্যা বৈশিষ্ট্য গণনা কৰে। এই কাৰণে ব্যৱহাৰকাৰীসকলে এক্সেলত ভেৰিয়েন্সৰ সহগ গণনা কৰিবলৈ চেষ্টা কৰে। ভেৰিয়েন্সৰ সহগ ( CV ) গণনা কৰাটো নিৰ্মিত ফাংচনসমূহৰ লগতে সাধাৰণ <ত Excel ৰ STDEV.P বা STDEV. S ব্যৱহাৰ কৰি সহজ 3>পৰিসংখ্যাৰ সূত্ৰ ।

ধৰক আমাৰ ওচৰত জনসংখ্যা ( Set ) বা নমুনা বুলি গণ্য কৰা এটা ডাটাছেট আছে আৰু আমি বিচাৰো ভেৰিয়েন্সৰ সহগ ( CV ) গণনা কৰা।

এই প্ৰবন্ধটোত আমি সাধাৰণ পৰিসংখ্যা প্ৰদৰ্শন কৰিছো সূত্ৰ, লগতে STDEV.P , আৰু STDEV.S ফাংচনসমূহ এক্সেলত ভেৰিয়েন্সৰ সহগ গণনা কৰিবলে।

এক্সেল ৱৰ্কবুক ডাউনলোড কৰক

ভেৰিয়েন্সৰ সহগ গণনা।xlsx

ভেৰিয়েন্সৰ সহগ কি?

সাধাৰণতে, ভেৰিয়েন্স সহগ ( CV )ক মানক বিচ্যুতি ( σ ) আৰু ৰ মাজৰ অনুপাত বুলি কোৱা হয় গড় বা গড় ( μ )। ই এটা জনসংখ্যা (সংহতি) বা নমুনা গড় বা গড় ৰ বিপৰীতে পৰিৱৰ্তনশীলতাৰ পৰিসৰ প্ৰদৰ্শন কৰে। গতিকে, ভেৰিয়েন্স সহগ ( CV ) ৰ বাবে 2 সুকীয়া সূত্ৰ আছে। সেইবোৰ হ’ল:

🔺 ভেৰিয়েন্স সহগ ( CV ) জনসংখ্যা বা ছেট ,

<0 ৰ বাবে>

🔺 ভেৰিয়েন্সৰ সহগ ( CV ) ৰ বাবে নমুনা ,

⏩ ইয়াত, মানক বিচ্যুতি জনসংখ্যাৰ বাবে ,

নমুনা ৰ বাবে মানক বিচ্যুতি ,

3 সহজ উপায় Excel ত ভ্যাৰিয়েন্স সহগ গণনা কৰক

যদি ব্যৱহাৰকাৰীয়ে ভেৰিয়েন্স সহগ ( CV ) গণনা কৰিবলৈ পৰিসংখ্যা সূত্ৰ অনুসৰণ কৰে, তেন্তে তেওঁলোকে প্ৰথমে কৰিব লাগিব জনসংখ্যা ( σ ) বা নমুনা ( S ) আৰু গড় বা ৰ বাবে প্ৰামাণিক বিচ্যুতি বিচাৰি উলিয়াওক <৩>গড়<৪> (<৩>μ<৪>)। বিকল্পভাৱে, ব্যৱহাৰকাৰীসকলে STDEV.P আৰু STDEV.S ব্যৱহাৰ কৰিব পাৰে জনসংখ্যা আৰু নমুনা মানক বিচ্যুতি<ৰ ভিন্নতা গণনা কৰিবলে ৪> গণনা। বিতং গণনাৰ বাবে তলৰ অংশ অনুসৰণ কৰক।

পদ্ধতি ১: এক্সেলত ভ্যাৰিয়েন্সৰ সহগ গণনা কৰিবলৈ পৰিসংখ্যা সূত্ৰ ব্যৱহাৰ কৰা

ভেৰিয়েন্সৰ সহগ<4 গণনা কৰাৰ আগতে> ( CV ) ব্যৱহাৰকাৰীসকলে সূত্ৰ উপাদানসমূহ বিচাৰিবলৈ তথ্যসমূহ সংহতি কৰিব লাগিব। আমি আগতে উল্লেখ কৰা অনুসৰি ভেৰিয়েন্স সহগ ( CV ) ৰ বাবে পৰিসংখ্যা সূত্ৰ হ’ল

ভেৰিয়েন্স সহগ জনসংখ্যা ৰ বাবে,

বা

ভ্যাৰিয়েন্স সহগ ৰ বাবে নমুনা ,

🔄 ডাটা ছেট আপ কৰা

ব্যৱহাৰকাৰীসকলে ভেৰিয়েন্সৰ সহগ <4 হস্তচালিতভাৱে বিচাৰিব লাগিব>( CV ) সূত্ৰৰ উপাদান যেনে গড় ( μ ), বিচ্যুতি ( xi-μ ), আৰু বৰ্গৰ যোগফলবিচ্যুতি ( ∑(xi-μ)2 ) ভেৰিয়েন্স সহগ ( CV ) গণনা কৰিব পৰাকৈ।

গড় (μ) গণনা কৰা

ভেৰিয়েন্স সহগ গণনা কৰাৰ প্ৰথম পদক্ষেপটো হ’ল তথ্যৰ গড় গণনা কৰা। এটা প্ৰদত্ত ডাটাছেটৰ গড় বা গড় গণনা কৰিবলে AVERAGE ফলন ব্যৱহাৰ কৰক। যিকোনো কোষত (অৰ্থাৎ, C14 ) তলৰ সূত্ৰটো ব্যৱহাৰ কৰক।

=AVERAGE(C5:C13)

বিচ্যুতি বিচাৰি উলিওৱা (x i -μ)

তাৰ পিছত ব্যৱহাৰকাৰীয়ে গড়ৰ পৰা বিচ্যুতি ( x i ) বিচাৰিব লাগিব -μ)<৪>। ই প্ৰতিটো প্ৰৱেশৰ বিয়োগ মান ( x i ) গড় ( μ) মানলৈ। তলৰ সূত্ৰটো বিচ্যুতি (অৰ্থাৎ, স্তম্ভ D ) কোষত টাইপ কৰক।

=C5-$C$14

বৰ্গ বিচ্যুতিৰ যোগফল বিচাৰি উলিওৱা ∑(xi-μ) 2

এতিয়া, বিচ্যুতি মান (xi -μ)2 আৰু তথ্যসমূহ কাষৰ কোষবোৰত ৰাখক (অৰ্থাৎ, স্তম্ভ E )। তাৰ পিছত E14 কোষত বৰ্গ মানসমূহৰ যোগফল। বৰ্গ বিচ্যুতিৰ যোগফল বিচাৰিবলৈ মাত্ৰ E14 কোষত SUM ফাংচন ব্যৱহাৰ কৰক।

=SUM(E5:E13)

SUM ফাংচনে স্তম্ভ E ৰ মুঠ মান প্ৰদান কৰে।

প্ৰামাণিক বিচ্যুতি (σ বা S ) গণনা কৰা

জনসংখ্যা ( ) ৰ বাবে মানক বিচ্যুতি σ ) ৰ নিজা সূত্ৰ আছে যেনে

মানক বিচ্যুতি জনসংখ্যা ৰ বাবে( Set ),

গতিকে, মানক বিচ্যুতি গণনা কৰাটো প্ৰয়োগ কৰা সূত্ৰ হ'ব লাগিব G6 কোষটো।

মানক বিচ্যুতি ( σ ) বিচাৰিবলৈ G6 কোষত তলৰ সূত্ৰটো পেষ্ট কৰক ).

=SQRT(E14/COUNT(C5:C13))

SQRT ফাংচনে বৰ্গমূল মান দিয়ে আৰু COUNT ফাংচনে মুঠ প্ৰৱেশ ঘূৰাই দিয়ে ➤ সূত্ৰ প্ৰয়োগ কৰিবলৈ Enter টিপক বা টিপক আৰু মানক বিচ্যুতি মান ওলাব G6 কোষত।

আকৌ, বিচাৰিবলৈ মানক বিচ্যুতি সূত্ৰৰ নমুনা সংস্কৰণ ব্যৱহাৰ কৰক মানক বিচ্যুতি । সূত্ৰ,

মানক বিচ্যুতি নমুনা ৰ বাবে,

➤ <3 কোষত নিম্নলিখিত সূত্ৰ টাইপ কৰক>H6 মানক বিচ্যুতি প্ৰদৰ্শন কৰিবলৈ।

=SQRT(E14/(COUNT(C5:C13)-1))

H6 কোষত সূত্ৰ প্ৰয়োগ কৰিবলৈ Enter কি' ব্যৱহাৰ কৰক।

ভেৰিয়েন্সৰ সহগ গণনা কৰা (CV)

সকলো প্ৰয়োজনীয় উপাদান যেনে মানক বিচ্যুতি আৰু গড় বিচাৰি উলিওৱাৰ পিছত এই দুটা উপাদান ( মানক বিচ্যুতি/গড়) বিভাজন কৰক ) এটা শতাংশ পূৰ্বফৰ্মেট কৰা কোষত।

➤ <ৰ বাবে ভ্যাৰিয়েন্স সহগ বিচাৰিবলৈ G11 কোষত নিম্নলিখিত সূত্ৰটো এক্সিকিউট কৰক 3>জনসংখ্যা ( ছেট )।

=G6/C14

➤ টিপক তলৰ সূত্ৰটো প্ৰয়োগ কৰিবলৈ কি' সুমুৱাওক H11 কোষত নমুনা ৰ বাবে ভেৰিয়েন্স সহগ বিচাৰি উলিয়াব পাৰি।

=H6/C14

🔺 শেষত, দুয়োটা ভিন্নতাৰ বাবে ভেৰিয়েন্স সহগ G11 আৰু H11 কোষত প্ৰদৰ্শিত হয় তলৰ স্ক্ৰীণশ্বটৰ পৰা দেখাৰ দৰে।

অধিক পঢ়ক: এক্সেলত ভ্যাৰিয়েন্স বিশ্লেষণ কেনেকৈ কৰিব লাগে (দ্ৰুত পদক্ষেপৰ সৈতে)

একেধৰণৰ পঢ়া

  • এক্সেলত পুল কৰা ভ্যাৰিয়েন্স কেনেকৈ গণনা কৰিব লাগে (সহজ পদক্ষেপৰ সৈতে)
  • এক্সেলত পৰ্টফলিঅ' ভ্যাৰিয়েন্স গণনা কৰা (৩টা স্মাৰ্ট পদ্ধতি)
  • এক্সেলত ভ্যাৰিয়েন্স শতাংশ কেনেকৈ গণনা কৰিব লাগে (৩টা সহজ পদ্ধতি)

পদ্ধতি ২: STDEV.P আৰু AVERAGE ফাংচন ব্যৱহাৰ কৰি ভ্যাৰিয়েন্স সহগ (CV) গণনা কৰা

Excel এ বিভিন্ন পৰিসংখ্যা গণনা কৰিবলৈ একাধিক ইন-বিল্ট ফাংচন প্ৰদান কৰে। STDEV.P ফাংচনটো ইয়াৰে এটা। ই সংখ্যাক ইয়াৰ যুক্তি হিচাপে লয়।

আমি আগতে উল্লেখ কৰা অনুসৰি ভেৰিয়েন্স সহগ ( CV ) দুটা উপাদানৰ ভাগফল (অৰ্থাৎ, মানক বিচ্যুতি ( σ ) আৰু গড় ( μ ))। STDEV.P ফাংচনে জনসংখ্যা ৰ বাবে মানক বিচ্যুতি ( σ ) বিচাৰি পায় আৰু AVERAGE ফাংচনে ফলাফল দিয়ে গড় ( μ ) বা গড়

পদক্ষেপ 1: কোষত নিম্নলিখিত সূত্ৰ ব্যৱহাৰ কৰক E6 .

=STDEV.P(C5:C13)/AVERAGE(C5:C13)

STDEV.P ফাংচনে প্ৰামাণিক বিচ্যুতি ঘূৰাই দিয়েজনসংখ্যাৰ বাবে আৰু গড় ফাংচনৰ ফলত গড় বা গড় মান পোৱা যায়।

পদক্ষেপ 2: টিপক সূত্ৰ প্ৰয়োগ কৰিবলৈ কি' দিয়ক। তৎক্ষণাত, এক্সেলে এটা শতাংশ পূৰ্বফৰ্মেট কৰা কোষত ভেৰিয়েন্সৰ সহগ ( CV ) প্ৰদৰ্শন কৰে।

অধিক পঢ়ক: এক্সেলত ভ্যাৰিয়েন্স কেনেকৈ গণনা কৰিব লাগে (সহজ গাইড)

পদ্ধতি ৩: STDEV.S আৰু AVERAGE ফাংচন ব্যৱহাৰ কৰা ভেৰিয়েন্সৰ সহগ গণনা কৰা

STDEV.P ফাংচনৰ বিকল্পভাৱে, এক্সেলৰ গণনা কৰিবলৈ নমুনা তথ্যৰ বাবে STDEV.S আছে মানক বিচ্যুতি ( σ )। STDEV.P ফাংচনৰ দৰেই, STDEV.S এ সংখ্যাসমূহক ইয়াৰ যুক্তি হিচাপে লয়। সাধাৰণ বিচ্যুতি সহগ ( CV ) সূত্ৰটো হৈছে মানক বিচ্যুতি ( σ ) আৰু গড়<ৰ মাজৰ অনুপাত ৪> ( μ ).

পদক্ষেপ ১:<৪> E6 কোষত তলত দিয়া সূত্ৰটো ব্যৱহাৰ কৰক।

=STDEV.S(C5:C13)/AVERAGE(C5:C13)

পদক্ষেপ ২: এতিয়া, বিচ্যুতিৰ সহগ<প্ৰদৰ্শন কৰিবলৈ Enter কি ব্যৱহাৰ কৰক 4> cell E6 ত।

অধিক পঢ়ক: এক্সেলত পিভট টেবুল ব্যৱহাৰ কৰি ভ্যাৰিয়েন্স কেনেকৈ গণনা কৰিব (ৰ সৈতে... সহজ পদক্ষেপ)

উপসংহাৰ

এই লেখাটোত আমি এক্সেলত ভ্যাৰিয়েন্সৰ সহগ গণনা কৰিবলৈ ফাংচনসমূহৰ সৈতে সাধাৰণ পৰিসংখ্যাৰ উপায় প্ৰদৰ্শন কৰিছো। ব্যৱহাৰকাৰীসকলে Coefficient of গণনা কৰিবলৈ যিকোনো পদ্ধতি বাছি ল'ব পাৰেভেৰিয়েন্স যেনেকৈ বিচাৰে। আশাকৰোঁ এই প্ৰবন্ধটোৱে ভেৰিয়েন্স সহগ আৰু ইয়াৰ গণনাৰ বিষয়ে আপোনাৰ বুজাবুজি স্পষ্ট কৰিব। মন্তব্য কৰক, যদি আপোনাৰ অধিক অনুসন্ধান আছে বা যোগ কৰিবলগীয়া কিবা আছে।

হিউ ৱেষ্ট এজন অতি অভিজ্ঞ এক্সেল প্ৰশিক্ষক আৰু বিশ্লেষক আৰু তেওঁৰ উদ্যোগটোত ১০ বছৰতকৈও অধিক অভিজ্ঞতা আছে। তেওঁ একাউণ্টিং আৰু বিত্ত বিষয়ত স্নাতক ডিগ্ৰী আৰু ব্যৱসায় প্ৰশাসনত স্নাতকোত্তৰ ডিগ্ৰী লাভ কৰিছে। হিউৰ পাঠদানৰ প্ৰতি আকৰ্ষণ আছে আৰু তেওঁ এক অনন্য শিক্ষকতা পদ্ধতি গঢ়ি তুলিছে যিটো অনুসৰণ আৰু বুজিবলৈ সহজ। এক্সেলৰ বিষয়ে তেওঁৰ বিশেষজ্ঞ জ্ঞানে বিশ্বজুৰি হাজাৰ হাজাৰ ছাত্ৰ-ছাত্ৰী আৰু পেছাদাৰীক তেওঁলোকৰ দক্ষতা বৃদ্ধি আৰু কেৰিয়াৰত উৎকৃষ্টতা প্ৰদৰ্শন কৰাত সহায় কৰিছে। তেওঁৰ ব্লগৰ জৰিয়তে হিউৱে নিজৰ জ্ঞান বিশ্বৰ সৈতে ভাগ-বতৰা কৰে, ব্যক্তি আৰু ব্যৱসায়ীসকলক তেওঁলোকৰ সম্পূৰ্ণ সম্ভাৱনাক লাভ কৰাত সহায় কৰিবলৈ বিনামূলীয়া এক্সেল টিউটোৰিয়েল আৰু অনলাইন প্ৰশিক্ষণ আগবঢ়ায়।