Yu's Statistics Class

19/09/2026

Admin အတန်းတေ မစသေးပါဘူးနော်..
အတန်းတေ ပြန်ဖွင့်ရင် ပြန်ပြောပေးပါမယ်.

အားလုံးကို ကျေးဇူးတင်ပါတယ်🥰

22/06/2026

Spearman's Rank Correlation Coefficient (Spearman's rho)

Spearman's Rank Correlation Coefficient (ρ သို့မဟုတ် rs) သည် Variable နှစ်ခုအကြား ဆက်စပ်မှု (relationship) ၏ အားကောင်းမှု (strength) နှင့် ဦးတည်ချက် (direction) ကို တိုင်းတာရန် အသုံးပြုသော non-parametric statistical method တစ်ခု ဖြစ်ပါသည်။ Pearson Correlation ကဲ့သို့ data များ normal distribution ဖြစ်ရမည်ဟု မလိုအပ်ဘဲ၊ variable နှစ်ခုကြားတွင် monotonic relationship ရှိမရှိကို အကဲဖြတ်ပေးပါသည်။

Monotonic relationship ဆိုသည်မှာ variable တစ်ခု တိုးလာသောအခါ အခြား variable တစ်ခုလည်း အမြဲတမ်း တိုးလာခြင်း (သို့မဟုတ်) အမြဲတမ်း လျော့နည်းလာခြင်းကို ဆိုလိုပါသည်။ Relationship သည် တန်းဖြောင့် (linear) မဖြစ်ရင်တောင် တိုးလာခြင်း သို့မဟုတ် လျော့နည်းလာခြင်း၏ ဦးတည်ချက်သာ တစ်သမတ်တည်း ရှိနေပါက Spearman Correlation ကို အသုံးပြုနိုင်ပါသည်။

ဥပမာအားဖြင့် ကျောင်းသားများ၏ စာကြိုးစားချိန်နှင့် စာမေးပွဲအဆင့် (rank) တို့ကြား ဆက်စပ်မှုကို လေ့လာလိုပါက Spearman Correlation သည် သင့်လျော်သော နည်းလမ်းတစ်ခု ဖြစ်ပါသည်။ စာကြိုးစားချိန် တိုးလာသည်နှင့်အမျှ အဆင့်ကောင်းလာသည်ဆိုသော သဘောတရားကို စစ်ဆေးနိုင်ပါသည်။

Spearman Correlation ကို ဘယ်အချိန်မှာ အသုံးပြုသင့်သလဲ?

Spearman Correlation ကို Data များသည် Pearson Correlation ၏ assumptions များကို မပြည့်မီသောအခါ အသုံးပြုလေ့ရှိပါသည်။

ပထမအနေဖြင့် Data များသည် normal distribution မဖြစ်သောအခါ Spearman Correlation ကို အသုံးပြုနိုင်သည်။ Pearson Correlation သည် normality assumption ကို လိုအပ်သော်လည်း Spearman Correlation သည် rank များအပေါ် အခြေခံတွက်ချက်သောကြောင့် normal distribution မလိုအပ်ပါ။

ဒုတိယအနေဖြင့် Ordinal Data များအတွက် အထူးသင့်လျော်ပါသည်။ ဥပမာ Likert Scale ဖြင့် တိုင်းတာထားသော Satisfaction Score (1 = Very Dissatisfied မှ 5 = Very Satisfied) ကဲ့သို့သော Data များကို Spearman Correlation ဖြင့် လေ့လာနိုင်သည်။

တတိယအနေဖြင့် Relationship သည် Linear မဟုတ်သော်လည်း Variable တစ်ခု တိုးလာတိုင်း အခြား Variable တစ်ခုလည်း ယေဘုယျအားဖြင့် တိုးလာခြင်း သို့မဟုတ် လျော့လာခြင်း ရှိနေပါက Spearman Correlation သည် သင့်လျော်ပါသည်။

Spearman Correlation Coefficient ကို ဘယ်လို အဓိပ္ပါယ်ဖွင့်မလဲ?

Spearman Correlation Coefficient (ρ) ၏ တန်ဖိုးသည် -1 မှ +1 အတွင်း ရှိပါသည်။

ρ = +1 ဖြစ်ပါက Perfect Positive Monotonic Relationship ဖြစ်သည်။ Variable တစ်ခု တိုးလာတိုင်း အခြား Variable တစ်ခုလည်း အပြည့်အဝ တိုးလာသည်ဟု ဆိုလိုပါသည်။

ρ = -1 ဖြစ်ပါက Perfect Negative Monotonic Relationship ဖြစ်သည်။ Variable တစ်ခု တိုးလာတိုင်း အခြား Variable တစ်ခုသည် အပြည့်အဝ လျော့နည်းသွားသည်ဟု ဆိုလိုပါသည်။

ρ = 0 ဖြစ်ပါက Variable နှစ်ခုကြား ဆက်စပ်မှု မရှိကြောင်း ဖော်ပြသည်။

01/06/2026

📣Announcement Online Basic Statistics Classes (Batch 1)
📊Yu statistics class ရဲ့Batch 1 ကို အောက်ဖော်ပြပါ Google link ကတဆင့် မိမိ၏ သက်ဆိုင်ရာ အချက်အလက်များအား ဖြည့်စွက်ပြီး ဝင်ရောက် join နိုင်ပါတယ်ရှင်။
https://docs.google.com/.../1FAIpQLSfU6z2mKV9.../viewform...
သင်တန်းကာလ ၂ လ ကြာမြင့်မှာ ဖြစ်ပြီး အပတ်စဥ် စနေ တနဂ်နွေ ထိုင်းစံတော်ချိန် ည ၈ နာရီ မှ ၉:၃၀ နာရီကြား တက်ရောက် နိုင်ပါတယ်။
သင်ကြားမည့် သင်ခန်းစာများကတော့
💎 Descriptive Statistics
• Basic Concepts of Statistics (Statistics အခြေခံ သဘောတရားများ)
• Numerical Representation of Data
• Graphical Representation of Data
• Graphs ကို Excel & SPSS ဖြင့် ဖန်တီးခြင်း
💎 Probability Distribution
• Normal Distribution & Standard Scores
• Sampling Distribution & Central Limit Theorem
• Confidence Interval & Sample Size သတ်မှတ်ခြင်း
• Hypothesis Testing (Parametric & Non-Parametric Tests)
💎 Inferential Statistics
• T-test (One Sample, Two Samples & Paired Sample)
• ANOVA (One Way, Two Way & Repeated Measures)
• Chi-square Tests
• Correlation (Pearson & Spearman)
• Linear Regression (Simple & Multiple)
• Power Analysis & Sample Size Estimation
💻 အသုံးပြုမည့် Software: Excel & SPSS (ready to use)
🗓 Start Date: 20 June 2026
⏰ Time:8:00 PM – 9:30 PM
📅 Duration: 8 Weeks
👥️ Students : 10 students only
💵 fee : 100,000 MMK
🔎 မည်သူများ တက်ရောက်သင့်သနည်း?
💡 Undergraduate / Postgraduate Students
💡 Thesis & Research ပြုလုပ်နေသူများ
💡 Teachers & Researchers
💡 Statistics ကို လက်တွေ့အသုံးချလိုသူများ
📣 အသေးစိတ် သိရှိလိုပါက Page Messenger သို့ ဆက်သွယ်နိုင်ပါသည်။

01/06/2026

Diagnostic Test ဆိုတာ ဘာလဲ?

Diagnostic test ဆိုတာ ပြဿနာတစ်ခု၊ ရောဂါတစ်ခု၊ သင်ယူမှုလိုအပ်ချက်တစ်ခု သို့မဟုတ် စက်ပိုင်းဆိုင်ရာ ချို့ယွင်းချက်တစ်ခု ရှိမရှိကို သိရှိနိုင်ရန် အသုံးပြုသော စမ်းသပ်စစ်ဆေးမှုတစ်မျိုး ဖြစ်ပါတယ်။ အဓိကရည်ရွယ်ချက်ကတော့ ပြဿနာရှိနေသည့် နေရာကို တိတိကျကျ ဖော်ထုတ်ပေးပြီး နောက်ထပ် ဘယ်လိုကုသမလဲ၊ ဘယ်လိုပြင်ဆင်မလဲ၊ ဘယ်လိုသင်ကြားပေးမလဲ ဆိုတာကို ဆုံးဖြတ်နိုင်စေရန် ဖြစ်ပါတယ်။

ဥပမာအားဖြင့် ဆေးရုံတစ်ခုမှာ လူနာတစ်ယောက်ဟာ အဖျားတက်ခြင်း၊ ချောင်းဆိုးခြင်း စတဲ့ လက္ခဏာတွေဖြင့် ရောက်လာတယ်ဆိုပါစို့။ ဆရာဝန်က လက္ခဏာတွေကို ကြည့်ရုံနဲ့ ရောဂါကို အတည်မပြုနိုင်သေးပါဘူး။ ဒါကြောင့် သွေးစစ်ခြင်း၊ X-ray ရိုက်ခြင်း၊ PCR test ပြုလုပ်ခြင်း စတဲ့ diagnostic tests တွေကို အသုံးပြုရပါတယ်။ ဒီစစ်ဆေးမှုတွေက လူနာမှာ ရောဂါတကယ်ရှိမရှိ၊ ရှိရင် ဘယ်အဆင့်ရောက်နေသလဲ ဆိုတာကို ဖော်ထုတ်ပေးနိုင်ပါတယ်။

ပညာရေးနယ်ပယ်မှာလည်း diagnostic test ကို အသုံးပြုကြပါတယ်။ ဥပမာ ဆရာမတစ်ယောက်က သင်ခန်းစာအသစ် မသင်ကြားခင် ကျောင်းသားတွေကို အကြိုစမ်းသပ်မှု (pre-test) ပေးနိုင်ပါတယ်။ ဒီလိုစမ်းသပ်ခြင်းအားဖြင့် ကျောင်းသားတွေ ဘယ်အပိုင်းကို နားလည်ပြီး ဘယ်အပိုင်းကို အားနည်းနေသေးလဲဆိုတာ သိရှိနိုင်ပါတယ်။ ထို့နောက် လိုအပ်တဲ့အပိုင်းတွေကို ပိုမိုအာရုံစိုက် သင်ကြားပေးနိုင်ပါတယ်။

Diagnostic test တစ်ခုကို အသုံးပြုသည့်အခါ

"ဒီ test က ဘယ်လောက်တိကျလဲ?"၊
"ရောဂါရှိသူကို မှန်မှန်ကန်ကန် ရှာနိုင်ရဲ့လား?"၊
"ရောဂါမရှိသူကို မှားပြီး positive မပေးဘူးလား?"
ဆိုတာတွေကို သိဖို့လိုပါတယ်။ ဒီလိုမေးခွန်းတွေကို ဖြေရှင်းပေးနိုင်တာကတော့ Diagnostic Test Metrics တွေပဲ ဖြစ်ပါတယ်။

ဆေးပညာနှင့် ပြည်သူ့ကျန်းမာရေး သုတေသနတွေမှာ Diagnostic Test Metrics တွေကို အသုံးပြုပြီး test တစ်ခုရဲ့ စွမ်းဆောင်ရည် (performance) ကို အကဲဖြတ်ကြပါတယ်။ အဓိကအားဖြင့် Sensitivity, Specificity, Positive Predictive Value (PPV) နှင့် Negative Predictive Value (NPV) ဆိုတဲ့ indicator လေးမျိုးကို အသုံးများပါတယ်။

ဒီ indicator တွေကို နားလည်ဖို့အတွက် အရင်ဆုံး True Positive (TP), True Negative (TN), False Positive (FP) နဲ့ False Negative (FN) ဆိုတဲ့ အခြေခံအယူအဆတွေကို သိထားရပါမယ်။

အမှန်တကယ် အခြေအနေ Test Positive Test Negative
ရောဂါရှိသည် True Positive (TP) False Negative (FN)
ရောဂါမရှိပါ False Positive (FP) True Negative (TN)

ဥပမာ HIV test တစ်ခုမှာ HIV ရှိတဲ့သူကို positive လို့ မှန်မှန်ကန်ကန် ဖော်ထုတ်နိုင်ရင် True Positive (TP) လို့ ခေါ်ပါတယ်။
HIV ရှိပေမယ့် negative လို့ မှားပြီး ဖော်ထုတ်မိရင် False Negative (FN) ဖြစ်ပါတယ်။
အလားတူ HIV မရှိတဲ့သူကို negative လို့ မှန်ကန်စွာ ပြသရင် True Negative (TN) ဖြစ်ပြီး
HIV မရှိဘဲ positive လို့ မှားပြသရင် False Positive (FP) လို့ ခေါ်ပါတယ်။

Sensitivity (အာရုံခံနိုင်စွမ်း)

Sensitivity ဆိုတာ ရောဂါရှိသူတွေထဲက test က ဘယ်လောက်ရာခိုင်နှုန်းကို မှန်ကန်စွာ positive အဖြစ် ဖော်ထုတ်နိုင်သလဲ ဆိုတာကို တိုင်းတာပေးတဲ့ အညွှန်းကိန်း ဖြစ်ပါတယ်။ Screening test တွေအတွက် Sensitivity မြင့်ဖို့ အရေးကြီးပါတယ်၊ ဘာကြောင့်လဲဆိုတော့ ရောဂါရှိတဲ့သူကို မလွတ်သွားစေချင်လို့ ဖြစ်ပါတယ်။

သင်ခန်းစာ ရဲ့အသေးစိတ်ကို အောက်ဖော်ပြပါ link မှတစ်ဆင့် June 20 ရက်နေ့မှာ ဖွင့်မယ့် အတန်းမှာ ဝင်ရောက်လေ့လာနိုင်ပါတယ်.

https://www.facebook.com/share/p/18bEfYt6vy/

24/05/2026

Must know 10 statistical test for every researchers

♦️♦️♦️♦️♦️♦️♦️♦️♦️♦️♦️♦️♦️♦️♦️

1. Z-Test

အသုံးပြုသည့်အချိန်:

Population standard deviation (σ) ကို သိရှိထားသောအခါ
Large sample size (n≥30) ရှိသောအခါ
Mean comparison ပြုလုပ်လိုသောအခါ

Assumptions:

Random sample ဖြစ်ရမည်
Data များသည် normal distribution ဖြစ်ရမည်

ဥပမာ:

Population mean ကို စမ်းသပ်ခြင်း

2. One-Sample t-Test

အသုံးပြုသည့်အချိန်:

Population standard deviation မသိသောအခါ
Small sample size (n

24/05/2026

FYI

Systematic Literature Review using LLMs 📚

A strong project or thesis starts with a solid literature review. With the latest advancements in Large Language Models (LLMs), you can now analyze, synthesize, and organize research faster and more effectively than ever before.

🎓 This workshop is open to students currently enrolled in any university.

Date: May 30 | Saturday
Time: 1:00 PM – 4:00 PM
Vener: Online (Zoom)

Seats are limited – Register now!
https://forms.gle/fMXaPGxW6VwpKNwy6
==============================
LLM အသုံးပြု၍ စနစ်တကျ Literature Review ရေးသားခြင်း
ကျောင်းပရောဂျက် သို့မဟုတ် သုတေသနစာတမ်း များအတွက် Literature Review ကောင်းကောင်းတစ်ခု လိုတယ်။ အခုခေတ်မှာတော့ Large Language Models (LLMs) တွေကြောင့် research တွေကို ပိုမြန်မြန်နဲ့ ပိုထိရောက်အောင် analyze လုပ်လို့ရတယ်၊ synthesize လုပ်လို့ရတယ်၊ organize လုပ်လို့လည်း လွယ်ကူသွားပြီ။

🎓 ဒီ workshop ကိုတော့ လက်ရှိတက္ကသိုလ်တက်နေတဲ့ ကျောင်းသားတွေအတွက် ဖွင့်ထားတာပါ။
Date: May 30 | Saturday
Time: 1:00 PM – 4:00 PM
Vener: Online (Zoom)

Seats are limited – Register now!
https://forms.gle/fMXaPGxW6VwpKNwy6

21/05/2026

Quantitative analysis ရဲ့ statistical approaches

Quantitative analysis သည် measurable ဖြစ်သော numerical data များကို စုဆောင်းပြီး analysis ပြုလုပ်ခြင်းအားဖြင့် pattern များကို ရှာဖွေခြင်း၊ hypothesis များကို စမ်းသပ်ခြင်းနှင့် prediction များ ပြုလုပ်ခြင်းကို ဆိုလိုသော analytical process တစ်ခုဖြစ်သည်။ ဤနည်းလမ်းသည် objective data များအပေါ် အခြေခံထားသောကြောင့် scientific research, business analytics, economics, healthcare နှင့် machine learning စသည့် နယ်ပယ်များတွင် အရေးပါစွာ အသုံးပြုလျက်ရှိသည်။ ယေဘုယျအားဖြင့် quantitative analysis ကို statistical approaches နှင့် advanced analytical models ဟူ၍ အဓိကပိုင်းနှစ်ပိုင်းခွဲနိုင်သည်

Statistical methods အပိုင်းတွင် ပထမဦးစွာ descriptive analysis ပါဝင်သည်။ Descriptive analysis သည် dataset တစ်ခု၏ အခြေခံလက္ခဏာများကို summary ပြုလုပ်ပေးသော နည်းလမ်းဖြစ်ပြီး mean, median နှင့် standard deviation ကဲ့သို့သော statistical measurements များကို အသုံးပြုကာ data ၏ လက်ရှိအခြေအနေ သို့မဟုတ် trend များကို ဖော်ပြပေးသည်။ ဥပမာအားဖြင့် ကျောင်းသားများ၏ exam scores များကို analysis ပြုလုပ်ရာတွင် average score, score distribution နှင့် variability ကို ဖော်ပြနိုင်သည်။

Inferential statistics သည် sample data ကို အသုံးပြုပြီး population တစ်ခုလုံးအတွက် conclusion သို့မဟုတ် prediction များ ပြုလုပ်သော statistical method ဖြစ်သည်။ ဒီနည်းလမ်းတွင် hypothesis testing, ANOVA နှင့် t-test ကဲ့သို့သော tests များကို အသုံးပြုကြပြီး sample မှ ရရှိသော result များသည် population အတွက် statistically significant ဖြစ်/မဖြစ်ကို စစ်ဆေးနိုင်သည်။ ဥပမာအားဖြင့် ဆေးဝါးအသစ်တစ်မျိုးသည် treatment effectiveness ကို တိုးတက်စေသလားဆိုတာကို inferential statistics ဖြင့် စမ်းသပ်နိုင်သည်။

Regression analysis သည် dependent variable နှင့် independent variable များအကြားရှိ mathematical relationship ကို လေ့လာသော method ဖြစ်ပြီး outcome prediction အတွက် အသုံးပြုသည်။ ဥပမာအားဖြင့် experience အပေါ်အခြေခံ၍ salary ကို ခန့်မှန်းခြင်း သို့မဟုတ် advertising cost အပေါ်အခြေခံ၍ sales revenue ကို forecast ပြုလုပ်ခြင်းတို့တွင် regression analysis ကို အသုံးပြုနိုင်သည်။

21.5.2026

17/05/2026

Variance ဆိုတာဘာလဲ??

Standard Deviation နဲ့ ဘာကွာလဲ??

သူက Sample size တေ အပေါ် ဘယ်လို သက်ရောက်မှုရှိလဲ???

Variance သည် statistics တွင် အသုံးများသော measurement တစ်ခုဖြစ်ပြီး dataset အတွင်းရှိ data value များသည် average (mean) မှ မည်မျှပျံ့နှံ့နေသလဲကို တိုင်းတာပေးသော statistical measure ဖြစ်သည်။ Variance တန်ဖိုးနည်းပါက data point များသည် mean အနီးတွင် စုပုံနေကြောင်းကို ဖော်ပြပြီး၊ variance တန်ဖိုးမြင့်ပါက data များသည် ကျယ်ပြန့်စွာ ပျံ့နှံ့နေကြောင်းကို ဆိုလိုသည်။ ထို့ကြောင့် variance သည် dataset ၏ variability သို့မဟုတ် dispersion ကို နားလည်ရန် အရေးကြီးသော concept တစ်ခုဖြစ်သည်။

Variance အရေးပါမှု

Variance ကို အသုံးပြုရခြင်း၏ အဓိကအရေးပါမှုမှာ data ၏ consistency နှင့် stability ကို သိနိုင်စေခြင်းဖြစ်သည်။ ဥပမာအားဖြင့် finance နယ်ပယ်တွင် variance မြင့်မားခြင်းသည် risk ပိုများခြင်းကို ကိုယ်စားပြုလေ့ရှိပြီး variance နည်းခြင်းသည် stability ပိုရှိကြောင်းကို ဖော်ပြသည်။ Machine learning တွင်လည်း variance သည် model performance ကို နားလည်ရန် အရေးကြီးသော role တစ်ခုဖြစ်သည်။ Variance အလွန်မြင့်မားသော model များသည် training data ထဲရှိ noise များကိုပါ memorize လုပ်သွားနိုင်ပြီး overfitting ဖြစ်စေနိုင်သည်။ တစ်ဖက်တွင် bias အလွန်မြင့်မားပါက actual trend ကို မဖမ်းနိုင်သော underfitting ဖြစ်နိုင်သည်။

Variance ကို တွက်ချက်ရာတွင် data point တစ်ခုချင်းစီနှင့် mean အကြားရှိ difference ကို ရှာပြီး၊ negative value များပျောက်စေရန် square တင်ကာ ထို squared differences များ၏ average ကို တွက်ယူရသည်။ Population variance အတွက် formula ကို အောက်ပါအတိုင်း ဖော်ပြနိုင်သည်

Population variance (σ2)

σ2=N∑(x−μ)2​​

σ2 = Variance
Σ = Sum of
x = Data point
μ = Mean (average)
N = Total number of data points

ဤတွင် σ သည် variance ဖြစ်ပြီး၊ Σ သည် summation ကို ကိုယ်စားပြုသည်။ x သည် data point တစ်ခုချင်းစီကို ဖော်ပြပြီး၊ μ သည် data အားလုံး၏ mean ဖြစ်သည်။ N သည် total number of data points ကို ဆိုလိုသည်။ Sample variance ကို တွက်ရာတွင်တော့ bias correction အတွက် denominator ကို N မဟုတ်ဘဲ N−1 ဖြင့် ပိုင်းခြားရသည်။

Variance နှင့် standard deviation တို့သည် အလွန်နီးစပ်သော concepts များဖြစ်သည်။ Variance သည် squared difference ၏ average ကို ဖော်ပြသော်လည်း squared unit ဖြစ်နေသောကြောင့် real-world interpretation ပြုလုပ်ရန် ခက်ခဲနိုင်သည်။ ထို့ကြောင့် variance ၏ square root ကို ယူခြင်းအားဖြင့် standard deviation ကို ရရှိနိုင်ပြီး၊ original data unit ဖြင့် variability ကို နားလည်နိုင်သည်။

Sample Variance (s2)

s2=n−1∑(x−xˉ)2​

s2= Sample variance
xˉ= Sample mean
n = Sample size

Standard deviation (SD)

SD= square root (Variance)
​
SD= square root (σ2)
​

အကျဉ်းချုပ်အားဖြင့် variance သည် dataset တစ်ခုအတွင်း data များ၏ ပျံ့နှံ့မှုကို ဖော်ပြပေးသော အရေးကြီးသော statistical measurement တစ်ခုဖြစ်ပြီး data consistency, financial risk, machine learning model performance နှင့် scientific analysis များတွင် အဓိကအသုံးပြုသော concept တစ်ခုဖြစ်သည်။

17.5.2026





Reference - https://mathmonks.com/variance

17/05/2026

New Student Online Meeting: Introduction to SPSS Analysis

12/05/2026

Standard deviation (SD) & standard error (SE or SEM)

Standard deviation (SD) နှင့် standard error (SE သို့မဟုတ် SEM) တို့သည် statistics တွင် အလွန်အသုံးများသော measurement နှစ်မျိုးဖြစ်ပြီး၊ နှစ်ခုစလုံးသည် variability ကို ဆက်စပ်ဖော်ပြသော်လည်း အဓိပ္ပါယ်နှင့် အသုံးပြုရည်ရွယ်ချက်မှာ မတူညီကြပါ။

အဓိကအားဖြင့် SD သည် dataset အတွင်းရှိ data point များ၏ ပျံ့နှံ့မှုကို ဖော်ပြပေးသော်လည်း၊

SE သည် sample mean က population mean ကို မည်မျှတိကျစွာ ကိုယ်စားပြုနိုင်သလဲကို ဖော်ပြပေးသည်။

Standard deviation (SD) သည် individual data point များသည် sample mean ပတ်ဝန်းကျင်တွင် မည်မျှကွာဝေးစွာ ပျံ့နှံ့နေသလဲကို တိုင်းတာပေးသော measure ဖြစ်သည်။

SD တန်ဖိုးကြီးလေလေ data များသည် mean မှ ပိုမိုကွာဝေးပြီး variability ပိုများနေသည်ကို ဆိုလိုသည်။ SD တန်ဖိုးသေးလေလေ data များသည် mean အနီးတွင် စုပုံနေပြီး variability နည်းသည်ကို ဖော်ပြသည်။

ထို့ကြောင့် SD ကို dataset ၏ spread သို့မဟုတ် dispersion ကို ဖော်ပြရန် အသုံးပြုကြသည်။

ဥပမာအားဖြင့် ကျောင်းသား ၁၀ ယောက်၏ exam score များကို လေ့လာရာတွင် mean score တူညီသော်လည်း student score များက အလွန်ကွာခြားနေပါက SD မြင့်မားမည်ဖြစ်ပြီး၊ score များက mean အနီးတွင် စုပုံနေပါက SD နည်းမည်ဖြစ်သည်။

Standard error (SE) ကတော့ sample mean ၏ precision ကို ဖော်ပြသော measure ဖြစ်သည်။ ဆိုလိုသည်မှာ sample mean သည် true population mean နှင့် မည်မျှကွာခြားနိုင်သလဲကို ခန့်မှန်းပေးခြင်းဖြစ်သည်။

SE သည် dataset အတွင်း individual data variability ကို မတိုင်းတာဘဲ sample mean ၏ reliability ကို အဓိကဖော်ပြသည်။ SE နည်းလေလေ sample mean သည် population mean ကို ပိုမိုတိကျစွာ ကိုယ်စားပြုနိုင်သည်ဟု ယူဆနိုင်သည်။
SE ကို အောက်ပါ formula ဖြင့် တွက်ချက်နိုင်သည်

SE ကို အောက်ပါ formula ဖြင့် တွက်ချက်နိုင်သည်

SE = SD / square root n
ဤတွင် SD သည် standard deviation ဖြစ်ပြီး n သည် sample size ဖြစ်သည်။ Formula အရ sample size တိုးလာလေလေ denominator ဖြစ်သော square root n ကြီးလာသောကြောင့် SE တန်ဖိုး လျော့နည်းသွားသည်။ ထို့ကြောင့် sample size ကြီးလာခြင်းသည် mean estimate ကို ပိုမိုတိကျစေသည်ဟု နားလည်နိုင်သည်။

SD နှင့် SE တို့အကြား အရေးကြီးသော ကွာခြားချက်မှာ SD သည် sample အတွင်းရှိ data variability ကို ဖော်ပြသော်လည်း
SE သည် sample mean estimate ၏ accuracy ကို ဖော်ပြခြင်းဖြစ်သည်။
SD သည် sample size တိုးလာသော်လည်း အများအားဖြင့် တည်ငြိမ်နေတတ်သော်လည်း SE သည် sample size ကြီးလာသည်နှင့်အမျှ လျော့နည်းသွားသည်။

သုတေသနနှင့် scientific graph များတွင် SD ကို data spread ကို ဖော်ပြရန် အသုံးပြုကြပြီး၊ SE ကို mean estimate အပေါ် confidence သို့မဟုတ် precision ကို ပြသရန် error bar များအဖြစ် အသုံးပြုကြသည်။ ထို့ကြောင့် SD သည် “data variability” ကို ဖော်ပြပြီး SE သည် “mean estimate reliability” ကို ဖော်ပြသော statistical concept တစ်ခုဖြစ်သည်။

Yu
12.5.2026