📐 நாள் 50 · AI-யுடன் புள்ளியியல் பகுப்பாய்வு
புள்ளியியல் பகுப்பாய்வுக்குச்
புள்ளியியல் பகுப்பாய்வுக்குச்
செய்யறிவுடன் குறியீடு எழுதுதல்
T-Test, ANOVA, Chi-Square Test, p-value — செய்யறிவு (AI) மூலம் புள்ளியியல் சோதனைகளை மேற்கொண்டு, ஆய்வு முடிவுகளின் நம்பகத்தன்மையை உறுதி செய்யும் நுட்பங்கள்.
📏 “எப்பொருள் எத்தன்மைத் தாயினும் அப்பொருள் மெய்ப்பொருள் காண்பது அறிவு” (குறள் 355) — புள்ளியியல் சோதனைகள் ஆய்வு முடிவுகளின் “மெய்ப்பொருளை” (உண்மையான நம்பகத்தன்மையை) அறிவியல் பூர்வமாக உறுதி செய்கின்றன.
📘 50.0 அறிமுகம்
ஆய்வு முடிவுகளின் நம்பகத்தன்மையை உறுதி செய்ய புள்ளியியல் (Statistics) சோதனைகள் மிக அவசியமானவை. சராசரி (Mean), இடைநிலை (Median) மட்டுமின்றி, டி-தேர்வு (T-Test), அனோவா (ANOVA), கை-வர்க்கச் சோதனை (Chi-Square) போன்ற மேம்பட்ட சோதனைகள் ஆய்வின் முடிவுகள் புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்தவையா (Statistically Significant) என்பதை உறுதி செய்கின்றன. AI இந்தச் சோதனைகளுக்கான Python குறியீடுகளை எளிதாக உருவாக்கித் தருகிறது.
📊 50.1 புள்ளியியல் சோதனைகள் (Statistical Tests) – அறிமுகம்
| சோதனை | தமிழ்ப் பெயர் | எப்போது பயன்படுத்துவது | எடுத்துக்காட்டு |
|---|---|---|---|
| T-Test | டி-தேர்வு | இரு குழுக்களின் (Two Groups) சராசரிகளை ஒப்பிட | ஆண், பெண் மாணவர்களின் மதிப்பெண்களில் வேறுபாடு உள்ளதா? |
| ANOVA | அனோவா | மூன்று அல்லது அதற்கு மேற்பட்ட குழுக்களின் சராசரிகளை ஒப்பிட | UG, PG, PhD மாணவர்களின் மதிப்பெண்களில் வேறுபாடு உள்ளதா? |
| Chi-Square Test | சி-சதுர சோதனை | வகைப்படுத்தப்பட்ட (Categorical) தரவுகளுக்கிடையே தொடர்பு உள்ளதா எனச் சோதிக்க | பட்டம் (UG/PG), வேலை வாய்ப்பு (Employed/Unemployed) ஆகியவற்றுக்கிடையே தொடர்பு உள்ளதா? |
| Pearson Correlation | பியர்சன் தொடர்பு | இரண்டு தொடர்ச்சியான (Continuous) மாறிகளுக்கிடையே தொடர்பு உள்ளதா எனச் சோதிக்க | படிக்கும் நேரத்திற்கும் (Study Hours) மதிப்பெண்களுக்கும் (Marks) தொடர்பு உள்ளதா? |
⚙️ 50.2 செய்யறிவு உதவியுடன் புள்ளியியல் சோதனைகள் செய்தல் – 2 படிகள்
🔹 படி 1: தரவுத் தொகுப்பை (CSV/Excel) AI-யிடம் பதிவேற்றுக (ChatGPT Plus / Claude / Google Colab).
🔹 படி 2: தெளிவான புள்ளியியல் தூண்டலை (Prompt) வழங்குக — சோதனை வகை, நெடுவரிசைகள், குழுக்களைக் குறிப்பிடுக.
📝 டி-தேர்வு (T-Test) – Prompt Template:
“நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [குழு 1], [குழு 2] என இரண்டு குழுக்களுக்கான தரவுகள் உள்ளன. [மதிப்பெண் நெடுவரிசை] என்பதில் மதிப்பெண்கள் உள்ளன. இரு குழுக்களின் சராசரிகளுக்கு இடையே புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்த வேறுபாடு உள்ளதா என்பதைச் சோதிக்க, டி-தேர்வு (Independent T-Test) செய்வதற்கான பைத்தான் குறியீட்டைத் தருக. scipy.stats நூலகத்தைப் பயன்படுத்துக. p-value < 0.05 எனில், வேறுபாடு முக்கியத்துவம் வாய்ந்தது என விளக்குக.”
“நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [குழு 1], [குழு 2] என இரண்டு குழுக்களுக்கான தரவுகள் உள்ளன. [மதிப்பெண் நெடுவரிசை] என்பதில் மதிப்பெண்கள் உள்ளன. இரு குழுக்களின் சராசரிகளுக்கு இடையே புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்த வேறுபாடு உள்ளதா என்பதைச் சோதிக்க, டி-தேர்வு (Independent T-Test) செய்வதற்கான பைத்தான் குறியீட்டைத் தருக. scipy.stats நூலகத்தைப் பயன்படுத்துக. p-value < 0.05 எனில், வேறுபாடு முக்கியத்துவம் வாய்ந்தது என விளக்குக.”
📊 அனோவா (ANOVA) – Prompt Template:
“நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [குழு 1], [குழு 2], [குழு 3] என மூன்று குழுக்களுக்கான தரவுகள் உள்ளன. இவற்றுக்கு இடையே புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்த வேறுபாடு உள்ளதா என்பதைச் சோதிக்க, அனோவா (ANOVA) செய்வதற்கான பைத்தான் குறியீட்டைத் தருக. F-statistic, p-value காட்டுக.”
“நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [குழு 1], [குழு 2], [குழு 3] என மூன்று குழுக்களுக்கான தரவுகள் உள்ளன. இவற்றுக்கு இடையே புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்த வேறுபாடு உள்ளதா என்பதைச் சோதிக்க, அனோவா (ANOVA) செய்வதற்கான பைத்தான் குறியீட்டைத் தருக. F-statistic, p-value காட்டுக.”
🔗 கை-வர்க்கச் சோதனை (Chi-Square) – Prompt Template:
“நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [நெடுவரிசை A], [நெடுவரிசை B] என இரண்டு வகைப்படுத்தப்பட்ட (Categorical) தரவுகள் உள்ளன. இவற்றுக்கிடையே புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்த தொடர்பு உள்ளதா எனச் சோதிக்க, Chi-Square Test செய்வதற்கான பைத்தான் குறியீட்டைத் தருக. chi-square statistic, p-value காட்டுக.”
“நான் பதிவேற்றியுள்ள தரவுத் தொகுப்பில், [நெடுவரிசை A], [நெடுவரிசை B] என இரண்டு வகைப்படுத்தப்பட்ட (Categorical) தரவுகள் உள்ளன. இவற்றுக்கிடையே புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்த தொடர்பு உள்ளதா எனச் சோதிக்க, Chi-Square Test செய்வதற்கான பைத்தான் குறியீட்டைத் தருக. chi-square statistic, p-value காட்டுக.”
📌 50.3 எடுத்துக்காட்டுகள் – AI-யுடன் புள்ளியியல் சோதனைகள்
📏 T-Test (இரு குழுக்கள்)
தூண்டல்: “gender_marks.csv-ல் Male vs Female Marks - T-Test”
தூண்டல்: “gender_marks.csv-ல் Male vs Female Marks - T-Test”
from scipy import stats
male_marks = df[df['Gender']=='Male']['Marks']
female_marks = df[df['Gender']=='Female']['Marks']
t_stat, p_value = stats.ttest_ind(male_marks, female_marks)
print(f"p-value: {p_value}")
male_marks = df[df['Gender']=='Male']['Marks']
female_marks = df[df['Gender']=='Female']['Marks']
t_stat, p_value = stats.ttest_ind(male_marks, female_marks)
print(f"p-value: {p_value}")
✅ p-value < 0.05 → வேறுபாடு முக்கியத்துவம் வாய்ந்தது
📊 ANOVA (மூன்று+ குழுக்கள்)
தூண்டல்: “program_marks.csv-ல் UG, PG, PhD Marks - ANOVA”
தூண்டல்: “program_marks.csv-ல் UG, PG, PhD Marks - ANOVA”
from scipy import stats
ug = df[df['Program']=='UG']['Marks']
pg = df[df['Program']=='PG']['Marks']
phd = df[df['Program']=='PhD']['Marks']
f_stat, p_value = stats.f_oneway(ug, pg, phd)
ug = df[df['Program']=='UG']['Marks']
pg = df[df['Program']=='PG']['Marks']
phd = df[df['Program']=='PhD']['Marks']
f_stat, p_value = stats.f_oneway(ug, pg, phd)
✅ F-statistic & p-value → குழுக்களிடையே வேறுபாடு உள்ளதா?
🔗 Chi-Square Test (வகைப்பாடுகள்)
தூண்டல்: “program_employment.csv-ல் Program vs Employment”
தூண்டல்: “program_employment.csv-ல் Program vs Employment”
from scipy.stats import chi2_contingency
table = pd.crosstab(df['Program'], df['Employment'])
chi2, p_value, dof, expected = chi2_contingency(table)
table = pd.crosstab(df['Program'], df['Employment'])
chi2, p_value, dof, expected = chi2_contingency(table)
✅ p-value < 0.05 → தொடர்பு முக்கியத்துவம் வாய்ந்தது
✍️ 50.4 பயிற்சி 30 – புள்ளியியல் சோதனைக் குறியீடுகளை உருவாக்கி Google Colab-இல் இயக்குதல்
📋 வழிமுறை:
- உங்கள் ஆய்வுத் தரவுகளைக் கொண்ட CSV கோப்பைத் தயார் செய்க.
- Google Colab-ஐத் திறந்து (colab.research.google.com), புதிய Notebook உருவாக்கி, CSV கோப்பைப் பதிவேற்றுக.
- உங்கள் ஆய்வுக் கேள்விக்குப் பொருத்தமான புள்ளியியல் சோதனையைத் தேர்வு செய்க (T-Test / ANOVA / Chi-Square).
- மேலே உள்ள Prompt Templates-ஐப் பயன்படுத்தி AI-யிடம் (ChatGPT/Gemini) Python குறியீட்டைக் கேட்கவும்.
- AI தந்த குறியீட்டை Colab-இல் ஒட்டி இயக்கி, p-value மதிப்பைப் பதிவு செய்க.
🔸 p-value விளக்கம்:
• p-value < 0.05: ஆய்வு முடிவுகள் புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்தவை (Statistically Significant) → உண்மையான தொடர்பு/வேறுபாடு உள்ளது.
• p-value > 0.05: புள்ளியியல் அடிப்படையில் முக்கியத்துவம் அற்றவை → குறிப்பிடத்தக்க வேறுபாடு இல்லை.
• p-value < 0.05: ஆய்வு முடிவுகள் புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்தவை (Statistically Significant) → உண்மையான தொடர்பு/வேறுபாடு உள்ளது.
• p-value > 0.05: புள்ளியியல் அடிப்படையில் முக்கியத்துவம் அற்றவை → குறிப்பிடத்தக்க வேறுபாடு இல்லை.
📌 50.5 இறுதியாக
புள்ளியியல் சோதனைகள் (Statistical Tests) ஆய்வு முடிவுகளின் நம்பகத்தன்மையை உறுதி செய்யும் அத்தியாவசியக் கருவிகள். AI-யின் உதவியுடன் T-Test, ANOVA, Chi-Square போன்ற சோதனைகளுக்கான Python குறியீடுகளை உருவாக்கி, Google Colab-இல் இயக்கி p-value அடிப்படையில் முடிவுகளைத் துல்லியமாகத் தீர்மானிக்கலாம்.
🎯 இப்பாடத்தில் நாம் கற்றுக்கொண்ட முக்கியக் கருத்துகள்
- புள்ளியியல் சோதனைகளின் வகைகள்: T-Test, ANOVA, Chi-Square Test, Pearson Correlation — ஒவ்வொன்றின் பயன்பாடுகள்.
- AI உதவியுடன் குறியீடு உருவாக்கம்: தூண்டலில் சோதனை வகை, நெடுவரிசைகள், குழுக்களைக் குறிப்பிட்டுப் Python குறியீட்டைப் பெறுதல்.
- Google Colab-இல் இயக்குதல்: AI தந்த குறியீட்டை இயக்கி t-statistic, F-statistic, chi-square statistic, p-value ஆகிய அளவீடுகளைப் பெறுதல்.
- p-value-இன் முக்கியத்துவம்: p-value < 0.05 எனில் முடிவுகள் புள்ளியியல் அடிப்படையில் முக்கியத்துவம் வாய்ந்தவை.
- இலக்கிய இணைப்பு: “அளவு” — புள்ளியியல் சோதனைகள் ஆய்வு முடிவுகளின் நம்பகத்தன்மையை உறுதி செய்கின்றன; “மெய்ப்பொருள் காண்பது அறிவு”.
🎥 காணொளி வழிகாட்டி: AI-யுடன் புள்ளியியல் பகுப்பாய்வு
T-Test, ANOVA, Chi-Square — AI-யுடன் புள்ளியியல் சோதனைகள் செய்வது எப்படி என்பதற்கான நேரடி விளக்கம்.
📚 வாரம் 10 – சுருக்கம் (தரவுப் பகுப்பாய்வும் காட்சிப்படுத்தலும்)
📊 விரிதாள் சூத்திரங்கள்
COUNTIF, VLOOKUP, IF — AI உதவியுடன் தமிழில் கேட்டு Excel சூத்திரங்களைப் பெறுதல்.
COUNTIF, VLOOKUP, IF — AI உதவியுடன் தமிழில் கேட்டு Excel சூத்திரங்களைப் பெறுதல்.
🐍 பைத்தான் குறியீடு
pandas, numpy — தரவு சுத்திகரிப்பு, வடிகட்டுதல், பகுப்பாய்வுக்கான AI குறியீடு.
pandas, numpy — தரவு சுத்திகரிப்பு, வடிகட்டுதல், பகுப்பாய்வுக்கான AI குறியீடு.
📈 தரவுப் பகுப்பாய்வு
சராசரி, இடைநிலை, திட்டவிலக்கம், போக்குகள், தொடர்புகள்.
சராசரி, இடைநிலை, திட்டவிலக்கம், போக்குகள், தொடர்புகள்.
📉 விளக்கப்படங்கள்
Bar Chart, Pie Chart, Scatter Plot — AI-யுடன் காட்சிப்படுத்தல்.
Bar Chart, Pie Chart, Scatter Plot — AI-யுடன் காட்சிப்படுத்தல்.
📐 புள்ளியியல் சோதனைகள்
T-Test, ANOVA, Chi-Square — p-value அடிப்படையில் முடிவுகளின் நம்பகத்தன்மை.
T-Test, ANOVA, Chi-Square — p-value அடிப்படையில் முடிவுகளின் நம்பகத்தன்மை.
🎯 இலக்கிய இணைப்பு
“எண்ணித் துணிக”, “காட்சி”, “அளவு”, “மெய்ப்பொருள் காண்பது அறிவு”.
“எண்ணித் துணிக”, “காட்சி”, “அளவு”, “மெய்ப்பொருள் காண்பது அறிவு”.
🧠 வாரம் 10 முக்கியக் கற்றல்கள்: தொழில்நுட்ப அறிவு குறைவாக இருந்தாலும், சரியான தூண்டல்கள் (Prompts) மூலம் AI-யுடன் சிக்கலான தரவுப் பணிகளைச் செய்யலாம். புள்ளியியல் சான்றுகளுடன் ஆய்வு முடிவுகளை முன்வைக்கும் பண்பு மேம்பட்டுள்ளது.
📢 அடுத்த வாரத்தில் (வாரம் 11): AI-யைப் பயன்படுத்தி ஒரு முழுமையான ஆய்வுக் கட்டுரையை (Research Paper) உலகளாவிய தரத்துடன் எவ்வாறு எழுதுவது என்பது குறித்துப் பயிலப்போகிறோம்.
📝 வாரத் தேர்வு: CSV கோப்பிலிருந்து மூன்று வெவ்வேறு விளக்கப்படங்களை உருவாக்குதல்
📋 வழிமுறை:
- உங்கள் ஆய்வுத் தரவுகளைக் கொண்ட CSV கோப்பைத் தயார் செய்க (குறைந்தது 4-5 நெடுவரிசைகள்).
- ChatGPT/Gemini-யில் கீழ்க்காணும் தூண்டலைப் பயன்படுத்தி Python குறியீட்டைக் கேட்கவும்.
- Google Colab-இல் குறியீட்டை இயக்கி, Bar Chart, Pie Chart, Scatter Plot ஆகிய மூன்று வரைபடங்களையும் PNG/PDF ஆகச் சேமிக்கவும்.
🔸 தூண்டல் (Prompt):
“என்னிடம் ‘[your_file_name].csv’ என்ற CSV கோப்பு உள்ளது. இதில் [Column1], [Column2], [Column3], [Column4] நெடுவரிசைகள் உள்ளன. இந்தத் தரவுகளைப் பயன்படுத்தி, Bar Chart, Pie Chart, Scatter Plot ஆகிய மூன்று வெவ்வேறு விளக்கப்படங்களை உருவாக்கும் Python குறியீட்டைத் தருக. matplotlib மற்றும் seaborn பயன்படுத்துக. ஒவ்வொரு வரைபடத்திற்கும் தலைப்புகள், அச்சுத் தலைப்புகளை அமைத்துத் தருக.”
“என்னிடம் ‘[your_file_name].csv’ என்ற CSV கோப்பு உள்ளது. இதில் [Column1], [Column2], [Column3], [Column4] நெடுவரிசைகள் உள்ளன. இந்தத் தரவுகளைப் பயன்படுத்தி, Bar Chart, Pie Chart, Scatter Plot ஆகிய மூன்று வெவ்வேறு விளக்கப்படங்களை உருவாக்கும் Python குறியீட்டைத் தருக. matplotlib மற்றும் seaborn பயன்படுத்துக. ஒவ்வொரு வரைபடத்திற்கும் தலைப்புகள், அச்சுத் தலைப்புகளை அமைத்துத் தருக.”
🧠 “எண்ணித் துணிக கருமம்” — தரவுகளை AI-யின் உதவியுடன் புள்ளியியல் முறையில் பகுப்பாய்வு செய்து, நம்பகமான ஆய்வு முடிவுகளை எடுங்கள். இவ்வாரம் நீங்கள் கற்றுக்கொண்ட திறன்கள் உங்கள் ஆய்வுப் பயணத்தை அடுத்த கட்டத்திற்கு நகர்த்தும்.
கருத்துகள் இல்லை:
கருத்துரையிடுக
உங்கள் கருத்துகள் வரவேற்கப்படுகின்றன