NDA गणित: सांख्यिकी — माध्य, प्रसरण, मानक विचलन और भिन्नता गुणांक

अवधारणा

सांख्यिकी, डेटा को समझने की वह भाषा है जो तुम्हें बताती है — यह numbers का झुंड असल में कहाँ केंद्रित है और कितना बिखरा हुआ है।

एक सोच प्रयोग करो: मान लो एक army battalion के 50 जवानों की height है। तुम्हारे कमांडिंग ऑफिसर को सिर्फ़ दो चीज़ें चाहिए —

1. औसत height (केंद्रीय प्रवृत्ति) — ताकि uniform का standard size तय हो सके।
2. फैलाव (विस्तार/dispersión) — ताकि पता चले कितनी variety है, क्या सब लगभग एक जैसे हैं या बहुत अलग-अलग।

यही दो काम सांख्यिकी करती है।

केंद्रीय प्रवृत्ति के माप (Measures of Central Tendency):

• माध्य (Mean): सभी मानों का योग ÷ कुल संख्या। सबसे ज़्यादा उपयोगी, पर extreme values से प्रभावित होता है।
• माध्यिका (Median): क्रमबद्ध डेटा का मध्य मान। extreme values से अप्रभावित।
• बहुलक (Mode): सबसे अधिक बार आने वाला मान।

फैलाव के माप (Measures of Dispersion):

• परिसर (Range): अधिकतम − न्यूनतम।
• माध्य विचलन (Mean Deviation)
• प्रसरण (Variance): विचलनों के वर्गों का माध्य।
• मानक विचलन (Standard Deviation): प्रसरण का वर्गमूल — सबसे महत्वपूर्ण।
• भिन्नता गुणांक (Coefficient of Variation): दो अलग-अलग datasets की तुलना का एकमात्र सही तरीका।

NDA में सांख्यिकी से प्रतिवर्ष 3-5 प्रश्न आते हैं। इनमें से अधिकांश प्रसरण और मानक विचलन पर होते हैं — विशेषकर वह formula जो raw data से सीधे calculate करता है।

गहन विश्लेषण

माध्य (Mean) — तीन रूप

Ungrouped data के लिए: $\bar{x} = \frac{\sum x_i}{n}$

Grouped data (frequency distribution) के लिए: $\bar{x} = \frac{\sum f_i x_i}{\sum f_i}$

Step-deviation method (बड़े numbers के लिए): $\bar{x} = A + \frac{\sum f_i d_i}{\sum f_i} \times h$ जहाँ $d_i = \frac{x_i - A}{h}$, $A$ = assumed mean, $h$ = class width।

प्रसरण और मानक विचलन — दो formula, दोनों याद रखो

Formula 1 (definition से): $\sigma^2 = \frac{\sum (x_i - \bar{x})^2}{n}$

Formula 2 (raw data / computation formula — NDA में यही काम आता है): $\sigma^2 = \frac{\sum x_i^2}{n} - \left(\frac{\sum x_i}{n}\right)^2$

यही simplify होकर लिखा जाता है: $\sigma^2 = \frac{\sum x_i^2}{n} - \bar{x}^2$

देखो — जब question में $\sum X$, $\sum X^2$, और $n$ दिए हों, तो Formula 2 को direct plug-in करो। Formula 1 में पहले mean निकालना, फिर हर value से घटाना, फिर square करना — यह exam hall में time की बर्बादी है।

Grouped data के लिए: $\sigma^2 = \frac{\sum f_i x_i^2}{\sum f_i} - \left(\frac{\sum f_i x_i}{\sum f_i}\right)^2$

मानक विचलन: $\sigma = \sqrt{\sigma^2}$

Linear Transformation का नियम — अत्यंत महत्वपूर्ण

यदि $Y = aX + b$ हो, तो:

• नया माध्य: $\bar{Y} = a\bar{X} + b$
• नया प्रसरण: $\sigma_Y^2 = a^2 \sigma_X^2$
• नया मानक विचलन: $\sigma_Y = |a| \cdot \sigma_X$

Critical point: $b$ (constant जोड़ना/घटाना) मानक विचलन को बिल्कुल प्रभावित नहीं करता। केवल $a$ (गुणा/भाग) प्रभावित करता है।

यह rule NDA में बार-बार पूछा जाता है। एक line में याद करो: "जोड़ो-घटाओ तो SD वही रहे, गुणा-भाग करो तो SD बदले।"

भिन्नता गुणांक (Coefficient of Variation — CV)

$CV = \frac{\sigma}{\bar{x}} \times 100\%$

CV का उपयोग तब होता है जब दो अलग units या अलग scales के datasets की consistency compare करनी हो। जिसका CV कम, वह ज़्यादा consistent (stable)।

उदाहरण: एक series का SD = 21 और mean = 35 हो, तो $CV = \frac{21}{35} \times 100 = 60\%$।

माध्यिका (Median)

Ungrouped data के लिए:

• $n$ विषम हो तो median = $\left(\frac{n+1}{2}\right)$वाँ पद
• $n$ सम हो तो median = $\frac{\left(\frac{n}{2}\right)\text\{वाँ पद\} + \left(\frac{n}{2}+1\right)\text\{वाँ पद\}}{2}$

Grouped data के लिए: $M = l + \frac{\frac{n}{2} - CF}{f} \times h$ जहाँ $l$ = median class की lower boundary, $CF$ = पिछली सभी classes की cumulative frequency, $f$ = median class की frequency, $h$ = class width।

बहुलक (Mode)

Grouped data के लिए: $Z = l + \frac{f_1 - f_0}{2f_1 - f_0 - f_2} \times h$ जहाँ $f_1$ = modal class की frequency, $f_0$ = पिछली class की frequency, $f_2$ = अगली class की frequency।

Empirical Relation

$\text{Mode} = 3 \times \text{Median} - 2 \times \text{Mean}$

यह relation moderately skewed distributions में काम आता है। इससे तीसरा measure निकाला जा सकता है जब दो दिए हों।

शॉर्टकट और युक्तियाँ

तेज़-समाधान रूपरेखा

Exam hall में यह decision tree follow करो:

Step 1: Question में क्या दिया है?

• $\sum X$, $\sum X^2$, $n$ दिए हैं → Raw data formula: $\sigma^2 = \frac{\sum X^2}{n} - \bar{x}^2$
• CV और SD दिए हैं, mean पूछा है → $\bar{x} = \frac{SD}{CV} \times 100$
• $Y = aX + b$ transformation दी है → नया mean = $a\bar{x} + b$, नया SD = $|a| \cdot \sigma$

Step 2: क्या compare करना है?

• दो datasets की consistency → CV compare करो (कम CV = ज़्यादा consistent)
• दो datasets के absolute spread → SD compare करो

Step 3: Poisson/Binomial का mean पूछा है?

• $P(X=k) = P(X=k+1)$ condition → $\lambda = k+1$
• Binomial में mean = $np$, variance = $npq$

Red flag: अगर question में "कम से कम" (at least) या "अधिक से अधिक" (at most) आए, तो complement method सोचो — $P(X \geq k) = 1 - P(X < k)$।

हल किए गए PYQs

क्यों यह प्रश्न: यह raw data formula का classic application है। $n$, $\sum X$, $\sum X^2$ तीनों दिए हैं — यही pattern NDA में बार-बार दिखता है। Variance की comparison से answer निकलता है, calculation minimal है।

समाधान का रास्ता: Formula $\sigma^2 = \frac{\sum X^2}{n} - \left(\frac{\sum X}{n}\right)^2$ को दोनों variables के लिए लगाओ। $X$ के लिए: $\frac{900}{50} - \left(\frac{200}{50}\right)^2 = 18 - 16 = 2$। $Y$ के लिए: $\frac{1400}{50} - \left(\frac{250}{50}\right)^2 = 28 - 25 = 3$। चूँकि $2 < 3$, Variance(X) < Variance(Y)।

क्यों यह प्रश्न: Linear transformation का नियम NDA में सीधे पूछा जाता है। यहाँ trap यह है कि constant (10) जोड़ने पर SD बदलता नहीं — जो छात्र यह भूलते हैं वे option D (160 और 45) चुन लेते हैं।

समाधान का रास्ता: $Y = 3X + 10$। नया mean $= 3 \times 50 + 10 = 160$। SD के लिए: केवल multiplicative constant (3) असर करता है, additive constant (10) नहीं। नया SD $= 3 \times 5 = 15$। Answer: 160 और 15।

क्यों यह प्रश्न: CV को reverse करके mean निकालना — यह NDA 2025 में पूछा गया pattern है। दोनों series के लिए अलग-अलग CV और SD दिए हैं, means पूछे हैं।

समाधान का रास्ता: $CV = \frac{SD}{\bar{x}} \times 100$ को reverse करो: $\bar{x} = \frac{SD}{CV} \times 100$। Series A: $\bar{x}_A = \frac{21}{60} \times 100 = 35$। Series B: $\bar{x}_B = \frac{35}{70} \times 100 = 50$। Answer: 35 और 50।

क्यों यह प्रश्न: Poisson distribution में $P(X=1) = P(X=2)$ condition — इससे $\lambda$ निकालना। यह shortcut pattern समझने पर 8 seconds का काम है।

समाधान का रास्ता: $P(X=1) = e^{-\lambda}\lambda$ और $P(X=2) = e^{-\lambda}\lambda^2/2$। दोनों equal रखने पर: $\lambda = \lambda^2/2 \Rightarrow \lambda = 2$। Poisson distribution का mean = $\lambda = 2$।

आम गलतियाँ

• Variance vs. SD की confusion: Question में "प्रसरण" पूछा हो पर $\sigma$ (SD) दे दो, या "मानक विचलन" पूछा हो पर $\sigma^2$ (Variance) दे दो। हमेशा final answer से पहले check करो — क्या square root लेना था?

• Linear Transform में $b$ को SD में जोड़ना: $Y = 3X + 10$ में नया SD = $3\sigma + 10$ लिखना सबसे common trap है। याद रखो: SD में केवल multiplicative factor असर करता है।

• Raw Data Formula में $n$ से भाग भूलना: $\sigma^2 = \sum X^2 - \bar{x}^2$ लिख देना। सही है $\sigma^2 = \frac{\sum X^2}{n} - \bar{x}^2$। $n$ से भाग न लेने पर answer बहुत बड़ा आएगा।

• CV comparison में उल्टा निष्कर्ष निकालना: "CV जितना ज़्यादा, उतना ज़्यादा consistent" — यह गलत है। CV कम = ज़्यादा consistent (stable)। CV ज़्यादा = ज़्यादा variable (unstable)।

• Poisson में $e^{-\lambda}$ cancel करना भूलना: $P(X=k) = P(X=k+1)$ में $e^{-\lambda}$ दोनों sides में common है — cancel करने के बाद calculation बहुत सरल हो जाती है।

• Grouped data के Median formula में $CF$ गलत लेना: $CF$ median class की अपनी frequency नहीं, बल्कि उससे पहले की सभी classes की cumulative frequency है। यह distinction हमेशा confirm करो।

संबंधित विषय

• probability
• binomial distribution
• poisson distribution
• random variables
• normal distribution
• measures of central tendency

SarkariRise पर अभ्यास