ಗುಂಪು ದತ್ತಾಂಶದ ಸರಾಸರಿ ಸರಾಸರಿ

ಗುಂಪು ದತ್ತಾಂಶದ ಸರಾಸರಿ: ಪರಿಕಲ್ಪನೆ, ಲೆಕ್ಕಾಚಾರ ಮತ್ತು ಅನ್ವಯ

ಪೆಂಡಾಹುಲುವಾನ್

ಸರಾಸರಿ, ಅಥವಾ ನಾವು ಸಾಮಾನ್ಯವಾಗಿ ಸರಾಸರಿ ಎಂದು ಕರೆಯುವದು, ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ಕೇಂದ್ರ ಪ್ರವೃತ್ತಿಯ ಸಾಮಾನ್ಯವಾಗಿ ಬಳಸುವ ಅಳತೆಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಗುಂಪುಗೊಳಿಸಿದ ದತ್ತಾಂಶದಲ್ಲಿ, ಸರಾಸರಿಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು ಪ್ರತ್ಯೇಕ ದತ್ತಾಂಶ ಬಿಂದುಗಳ ಸರಾಸರಿಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವಷ್ಟು ಸರಳವಲ್ಲ ಏಕೆಂದರೆ ಅದು ಡೇಟಾವನ್ನು ನಿರ್ದಿಷ್ಟ ವರ್ಗಗಳು ಅಥವಾ ವರ್ಗಗಳಾಗಿ ಗುಂಪು ಮಾಡುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಈ ಲೇಖನವು ಗುಂಪುಗೊಳಿಸಿದ ದತ್ತಾಂಶದಲ್ಲಿನ ಸರಾಸರಿಯ ಪರಿಕಲ್ಪನೆ, ಅದನ್ನು ಹೇಗೆ ಲೆಕ್ಕ ಹಾಕುವುದು ಮತ್ತು ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿ ಅದರ ಪ್ರಾಮುಖ್ಯತೆಯನ್ನು ಆಳವಾಗಿ ಪರಿಶೀಲಿಸುತ್ತದೆ.

ಗುಂಪು ದತ್ತಾಂಶದ ಸರಾಸರಿ ಪರಿಕಲ್ಪನೆ

ಗುಂಪು ಮಾಡಿದ ದತ್ತಾಂಶವು ನಿರ್ದಿಷ್ಟ ಮಧ್ಯಂತರಗಳು ಅಥವಾ ವರ್ಗಗಳಾಗಿ ವರ್ಗೀಕರಿಸಲ್ಪಟ್ಟ ದತ್ತಾಂಶವಾಗಿದೆ. ಡೇಟಾವನ್ನು ನೇರವಾಗಿ ಪ್ರತ್ಯೇಕ ದತ್ತಾಂಶ ಸೆಟ್‌ಗಳಾಗಿ ಒಟ್ಟುಗೂಡಿಸುವುದು ಮತ್ತು ವಿಭಜಿಸುವುದು ಸಾಮಾನ್ಯವಾಗಿ ಅಪ್ರಾಯೋಗಿಕವಾಗಿದೆ, ಆದ್ದರಿಂದ ದತ್ತಾಂಶವನ್ನು ನಿರ್ದಿಷ್ಟ ಗುಂಪುಗಳಾಗಿ ಸಂಘಟಿಸಲಾಗುತ್ತದೆ. ಗುಂಪು ಮಾಡಿದ ದತ್ತಾಂಶದ ಸರಾಸರಿಯನ್ನು ನಿರ್ದಿಷ್ಟ ವರ್ಗ ಮಧ್ಯಂತರಗಳಾಗಿ ಗುಂಪು ಮಾಡಿದ ದತ್ತಾಂಶದ ಸರಾಸರಿ ಮೌಲ್ಯ ಎಂದು ವ್ಯಾಖ್ಯಾನಿಸಲಾಗಿದೆ. ಇದು ಹೆಚ್ಚು ಸಂಕ್ಷಿಪ್ತ ದತ್ತಾಂಶ ವಿತರಣೆಗೆ ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯನ್ನು ಸರಳಗೊಳಿಸುತ್ತದೆ.

ಗುಂಪು ದತ್ತಾಂಶದ ಸರಾಸರಿ ಲೆಕ್ಕಾಚಾರ

ಗುಂಪು ಮಾಡಿದ ದತ್ತಾಂಶದ ಸರಾಸರಿಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು, ಈ ಕೆಳಗಿನ ಹಂತಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಬೇಕಾಗುತ್ತದೆ:

1. ವರ್ಗದ ಮಧ್ಯಬಿಂದುವನ್ನು ನಿರ್ಧರಿಸುವುದು:
ವರ್ಗ ಮಧ್ಯಬಿಂದುವು ಮಧ್ಯಂತರ ವರ್ಗದ ಮಧ್ಯದಲ್ಲಿರುವ ಮೌಲ್ಯವಾಗಿದ್ದು ಇದನ್ನು ಸೂತ್ರವನ್ನು ಬಳಸಿಕೊಂಡು ಲೆಕ್ಕಹಾಕಬಹುದು:
\[
\text{ವರ್ಗ ಮಧ್ಯಬಿಂದು} = \frac{\text{ವರ್ಗ ಕೆಳ ಮಿತಿ} + \text{ವರ್ಗ ಮೇಲಿನ ಮಿತಿ}}{2}
\]

2. ಆವರ್ತನದೊಂದಿಗೆ ಮಧ್ಯಬಿಂದು ಉತ್ಪನ್ನದ ಮೌಲ್ಯವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವುದು (fx):
ಪ್ರತಿಯೊಂದು ವರ್ಗದಲ್ಲಿ, ನಾವು ವರ್ಗದ ಮಧ್ಯಬಿಂದುವನ್ನು ಅದರ ಆವರ್ತನದಿಂದ ಗುಣಿಸುತ್ತೇವೆ.

3. ಮಧ್ಯಬಿಂದು ಮತ್ತು ಆವರ್ತನದ (Σfx) ಗುಣಲಬ್ಧವನ್ನು ಸೇರಿಸುವುದು:
ಎಲ್ಲಾ ವರ್ಗಗಳಿಂದ ಎಲ್ಲಾ fx ಮೌಲ್ಯಗಳನ್ನು ಒಟ್ಟುಗೂಡಿಸುವುದು.

4. ಆವರ್ತನವನ್ನು ಸೇರಿಸುವುದು (Σf):
ಎಲ್ಲಾ ವರ್ಗಗಳ ಎಲ್ಲಾ ಆವರ್ತನಗಳನ್ನು ಸೇರಿಸಿ.

5. ಸರಾಸರಿ ಲೆಕ್ಕಾಚಾರ:
ಮಧ್ಯಬಿಂದುಗಳು ಮತ್ತು ಆವರ್ತನಗಳ ಉತ್ಪನ್ನಗಳ ಮೊತ್ತವನ್ನು ಆವರ್ತನಗಳ ಸಂಖ್ಯೆಯಿಂದ ಭಾಗಿಸುವ ಮೂಲಕ ಸರಾಸರಿಯನ್ನು ಲೆಕ್ಕಹಾಕಲಾಗುತ್ತದೆ.
\[
\ಪಠ್ಯ{ಸರಾಸರಿ} = \frac{\ಸಿಗ್ಮಾ fx}{\ಸಿಗ್ಮಾ f}
\]

ಗುಂಪು ದತ್ತಾಂಶದಲ್ಲಿನ ಸರಾಸರಿ ಲೆಕ್ಕಾಚಾರವನ್ನು ಚೆನ್ನಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಒಂದು ಮಾದರಿ ಕೋಷ್ಟಕ ಇಲ್ಲಿದೆ:

| ವರ್ಗ | ಆವರ್ತನ (f) | ಮಧ್ಯಬಿಂದು (x) | fx |
|————-|—————-|——————|——–|
| 0-10 | 5 | 5 | 25 |
| 10-20 | 8 | 15 | 120 |
| ೨೦-೩೦ | ೧೨ | ೨೫ | ೩೦೦ |
| 30-40 | 7 | 35 | 245 |
| 40-50 | 3 | 45 | 135 |
| ಒಟ್ಟು | 35 | – | 825 |

ಕೋಷ್ಟಕದಿಂದ, ನಾವು ಈ ಕೆಳಗಿನ ಲೆಕ್ಕಾಚಾರಗಳನ್ನು ನೋಡಬಹುದು:
– Σfx = 825
– Σf = 35

ನಂತರ, ಸರಾಸರಿ = Σfx / Σf = 825 / 35 ≈ 23.57

ಗುಂಪು ದತ್ತಾಂಶದ ಸರಾಸರಿ ಸರಾಸರಿಯ ಪ್ರಾಮುಖ್ಯತೆ

ಗುಂಪು ದತ್ತಾಂಶದಲ್ಲಿನ ಸರಾಸರಿಯು ಅನೇಕ ಗಮನಾರ್ಹ ಪ್ರಯೋಜನಗಳನ್ನು ನೀಡುತ್ತದೆ, ವಿಶೇಷವಾಗಿ ಶೈಕ್ಷಣಿಕ ಮತ್ತು ಕೈಗಾರಿಕಾ ಸೆಟ್ಟಿಂಗ್‌ಗಳಲ್ಲಿ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ವ್ಯಾಖ್ಯಾನದಲ್ಲಿ. ಅದರ ಕೆಲವು ಪ್ರಾಮುಖ್ಯತೆಗಳು ಇಲ್ಲಿವೆ:

1. ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಸರಳಗೊಳಿಸುವುದು:
ದೊಡ್ಡ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಹೆಚ್ಚು ಪ್ರಾಯೋಗಿಕ ಮತ್ತು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸುಲಭವಾಗುವಂತೆ ಮಾಡುತ್ತದೆ.

2. ಪ್ರವೃತ್ತಿಗಳು ಮತ್ತು ಮಾದರಿಗಳನ್ನು ಗುರುತಿಸುವುದು:
ಗುಂಪು ಮಾಡಿದ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿನ ಸಾಮಾನ್ಯ ಪ್ರವೃತ್ತಿಗಳನ್ನು ಗುರುತಿಸಲು ಸರಾಸರಿ ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಡೇಟಾದ ಸ್ಥಳೀಕರಣದ ಕೇಂದ್ರೀಕೃತ ನೋಟವನ್ನು ಒದಗಿಸುತ್ತದೆ.

3. ತುಲನಾತ್ಮಕ ಸಾಮಗ್ರಿಗಳು:
ಗುಂಪುಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸಗಳ ಆಳವಾದ ವಿಶ್ಲೇಷಣೆಗಾಗಿ ವಿಭಿನ್ನ ಡೇಟಾಸೆಟ್‌ಗಳಿಂದ ಪಡೆದ ವಿಧಾನಗಳನ್ನು ಹೋಲಿಸಬಹುದು.

4. ಯೋಜನೆ ಮತ್ತು ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಸುಗಮಗೊಳಿಸಿ:
ಅರ್ಥಶಾಸ್ತ್ರ ಅಥವಾ ವ್ಯವಹಾರದಲ್ಲಿ, ಕಾರ್ಯತಂತ್ರದ ಯೋಜನೆ ಮತ್ತು ದತ್ತಾಂಶ ಆಧಾರಿತ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯಲ್ಲಿ ಸರಾಸರಿಯು ಪ್ರಮುಖ ಸೂಚಕವಾಗಿರಬಹುದು.

ಸರಾಸರಿ ಗುಂಪು ದತ್ತಾಂಶದ ಉದಾಹರಣೆ ಅನ್ವಯ

ಶಿಕ್ಷಣ ಜಗತ್ತಿನಲ್ಲಿ

ಶಿಕ್ಷಣದಲ್ಲಿ, ಪರೀಕ್ಷೆಯ ಸಮಯದಲ್ಲಿ ವಿದ್ಯಾರ್ಥಿಗಳ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನಿರ್ಣಯಿಸಲು ಸರಾಸರಿಯನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಒಂದು ಪ್ರದೇಶದಲ್ಲಿ ರಾಷ್ಟ್ರೀಯ ಪರೀಕ್ಷೆಯ ಫಲಿತಾಂಶಗಳನ್ನು ಗ್ರೇಡ್ ಗುಂಪುಗಳಾಗಿ (0-20, 21-40, 41-60, 61-80, 81-100) ಸಂಘಟಿಸಿದರೆ, ವಿದ್ಯಾರ್ಥಿಗಳ ಅಂಕಗಳ ಸರಾಸರಿಯನ್ನು ಪರೀಕ್ಷಿಸಲಾಗುತ್ತಿರುವ ವಿಷಯದ ಬಗ್ಗೆ ಅವರ ತಿಳುವಳಿಕೆಯ ಮಟ್ಟವನ್ನು ನಿರ್ಣಯಿಸಲು ಬಳಸಬಹುದು.

ಸಂಶೋಧನೆ ಮತ್ತು ಸಮೀಕ್ಷೆಯಲ್ಲಿ

ಸಂಶೋಧಕರು ಹೆಚ್ಚಾಗಿ ಪ್ರತಿಕ್ರಿಯಿಸುವವರಿಂದ ಸಂಗ್ರಹಿಸಿದ ಡೇಟಾವನ್ನು ವಿಶ್ಲೇಷಿಸಲು ವಿಧಾನಗಳನ್ನು ಬಳಸುತ್ತಾರೆ. ಉದಾಹರಣೆಗೆ, ಆರೋಗ್ಯ ಸೇವೆಗಳ ತೃಪ್ತಿಯ ಕುರಿತಾದ ಸಮೀಕ್ಷೆಯಲ್ಲಿ, ಪ್ರತಿಕ್ರಿಯಿಸುವವರನ್ನು ವಯಸ್ಸಿನ ವ್ಯಾಪ್ತಿಯಿಂದ (20-30 ವರ್ಷಗಳು, 31-40 ವರ್ಷಗಳು, ಇತ್ಯಾದಿ) ವರ್ಗೀಕರಿಸಬಹುದು ಮತ್ತು ಪ್ರತಿ ಗುಂಪಿನ ಸರಾಸರಿ ತೃಪ್ತಿಯನ್ನು ಆರೋಗ್ಯ ಸೇವೆಗಳ ತೃಪ್ತಿಯು ವಯಸ್ಸಿನೊಂದಿಗೆ ಹೇಗೆ ಬದಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಬಳಸಬಹುದು.

ಕೈಗಾರಿಕೆ ಮತ್ತು ವ್ಯವಹಾರದಲ್ಲಿ

ಕೈಗಾರಿಕಾ ಮತ್ತು ವ್ಯವಹಾರ ವಲಯಗಳಲ್ಲಿ, ಉತ್ಪಾದಕತೆಯನ್ನು ಅಳೆಯುವುದು, ಉತ್ಪಾದನಾ ವೆಚ್ಚಗಳನ್ನು ವಿಶ್ಲೇಷಿಸುವುದು ಮತ್ತು ಗ್ರಾಹಕರ ತೃಪ್ತಿಯನ್ನು ಅಳೆಯುವಂತಹ ವಿವಿಧ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಸರಾಸರಿಯನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಕಂಪನಿ ನಿರ್ವಹಣೆಯು ಉತ್ಪಾದಿಸುವ ದೋಷಯುಕ್ತ ಉತ್ಪನ್ನಗಳ ಸಂಖ್ಯೆಯನ್ನು ಹಲವಾರು ಮಧ್ಯಂತರಗಳಾಗಿ ಗುಂಪು ಮಾಡಬಹುದು. ನಂತರ ದೋಷಯುಕ್ತ ಉತ್ಪನ್ನಗಳ ಸರಾಸರಿ ಸಂಖ್ಯೆಯನ್ನು ಒಟ್ಟಾರೆ ಉತ್ಪಾದನಾ ಗುಣಮಟ್ಟವನ್ನು ನಿರ್ಣಯಿಸಲು ಮತ್ತು ಅಗತ್ಯ ಸುಧಾರಣಾ ಕ್ರಮಗಳನ್ನು ನಿರ್ಧರಿಸಲು ಬಳಸಬಹುದು.

ಅರ್ಥಶಾಸ್ತ್ರದಲ್ಲಿ

ಅರ್ಥಶಾಸ್ತ್ರದಲ್ಲಿ, ಆದಾಯ ಅಥವಾ ವೆಚ್ಚಗಳ ವಿತರಣೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸರಾಸರಿಯನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಮನೆಯ ಆದಾಯ ಅಥವಾ ವೆಚ್ಚಗಳನ್ನು ನಿರ್ದಿಷ್ಟ ಮಧ್ಯಂತರಗಳಾಗಿ ವರ್ಗೀಕರಿಸಬಹುದು ಮತ್ತು ಪ್ರತಿ ಗುಂಪಿನ ಸರಾಸರಿಯು ಅಧ್ಯಯನ ಮಾಡಲಾಗುತ್ತಿರುವ ಜನಸಂಖ್ಯೆಯ ಸಾಮಾನ್ಯ ಆರ್ಥಿಕ ಸ್ಥಿತಿಯ ಸ್ನ್ಯಾಪ್‌ಶಾಟ್ ಅನ್ನು ಒದಗಿಸುತ್ತದೆ.

ಗುಂಪು ದತ್ತಾಂಶದ ಸರಾಸರಿ ಸರಾಸರಿಯ ಮಿತಿಗಳು

ಸರಾಸರಿ ಬಹಳ ಉಪಯುಕ್ತ ಅಳತೆಯಾಗಿದ್ದರೂ, ಅದಕ್ಕೆ ಕೆಲವು ಮಿತಿಗಳಿವೆ:

1. ಡೇಟಾ ವಿತರಣೆಯನ್ನು ತೋರಿಸುವುದಿಲ್ಲ:
ಸರಾಸರಿಯು ಗುಂಪಿನೊಳಗಿನ ದತ್ತಾಂಶದ ವಿತರಣೆ ಅಥವಾ ವ್ಯತ್ಯಾಸದ ಬಗ್ಗೆ ಮಾಹಿತಿಯನ್ನು ಒದಗಿಸುವುದಿಲ್ಲ. ಅತಿ ದೊಡ್ಡ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಹೊಂದಿರುವ ದತ್ತಾಂಶ ಸಮೂಹವು ಸಣ್ಣ ವ್ಯತ್ಯಾಸಗಳನ್ನು ಹೊಂದಿರುವ ದತ್ತಾಂಶ ಸಮೂಹದಂತೆಯೇ ಅದೇ ಸರಾಸರಿಯನ್ನು ಹೊಂದಿರಬಹುದು.

2. ವಿಪರೀತ ಮೌಲ್ಯಗಳಿಂದ ಪ್ರಭಾವಿತ:
ಒಂದು ವರ್ಗದೊಳಗಿನ ತೀವ್ರ ಮೌಲ್ಯಗಳು ಸರಾಸರಿಯ ಮೇಲೆ ಗಮನಾರ್ಹವಾಗಿ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ. ಇದು ಸಾಮಾನ್ಯವಾಗಿ ಸರಾಸರಿಯನ್ನು ವಿಶಾಲ ಪ್ರಸರಣವನ್ನು ಹೊಂದಿರುವ ಡೇಟಾಸೆಟ್‌ಗಳ ಕಡಿಮೆ ಪ್ರತಿನಿಧಿಯನ್ನಾಗಿ ಮಾಡುತ್ತದೆ.

3. ವೈಯಕ್ತಿಕ ವಿವರಗಳ ನಷ್ಟ:
ಕ್ಲಸ್ಟರಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯಲ್ಲಿ, ವೈಯಕ್ತಿಕ ದತ್ತಾಂಶದಿಂದ ವಿವರವಾದ ಮಾಹಿತಿಯು ಹೆಚ್ಚಾಗಿ ಕಳೆದುಹೋಗುತ್ತದೆ, ಇದು ಸೂಕ್ಷ್ಮ ಮಟ್ಟದಲ್ಲಿ ನಿರ್ದಿಷ್ಟ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಅಸ್ಪಷ್ಟಗೊಳಿಸುತ್ತದೆ.

ತೀರ್ಮಾನ

ಗುಂಪು ಮಾಡಿದ ದತ್ತಾಂಶದ ಸರಾಸರಿಯು ಅಂಕಿಅಂಶಗಳಲ್ಲಿ ಬಹಳ ಉಪಯುಕ್ತವಾದ ವಿಶ್ಲೇಷಣಾತ್ಮಕ ಸಾಧನವಾಗಿದೆ ಮತ್ತು ಶಿಕ್ಷಣ, ಕೈಗಾರಿಕೆ, ಸಂಶೋಧನೆ ಮತ್ತು ಅರ್ಥಶಾಸ್ತ್ರದಂತಹ ವಿವಿಧ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ವ್ಯಾಪಕವಾದ ಅನ್ವಯಿಕೆಗಳನ್ನು ಹೊಂದಿದೆ. ಗುಂಪು ಮಾಡಿದ ದತ್ತಾಂಶದ ಸರಾಸರಿ ಮತ್ತು ಅದರ ಅನುಕೂಲಗಳು ಮತ್ತು ಮಿತಿಗಳನ್ನು ಹೇಗೆ ಲೆಕ್ಕ ಹಾಕುವುದು ಎಂಬುದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು ಮುಖ್ಯವಾಗಿದೆ. ಇದು ಹೆಚ್ಚು ನಿಖರವಾದ ಮತ್ತು ವಿವರಣಾತ್ಮಕ ದತ್ತಾಂಶ ವಿಶ್ಲೇಷಣೆಗೆ ಅವಕಾಶ ನೀಡುತ್ತದೆ, ಉತ್ತಮ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಿಕೆಯನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ.

ಸರಾಸರಿಯನ್ನು ಸೂಕ್ತವಾಗಿ ಆರಿಸಿಕೊಂಡು ಬಳಸುವ ಮೂಲಕ, ಅದರ ಕೆಲವು ಮಿತಿಗಳನ್ನು ಗಮನದಲ್ಲಿಟ್ಟುಕೊಂಡು, ನಾವು ವಿವಿಧ ಅನ್ವಯಿಕ ಸಂದರ್ಭಗಳಲ್ಲಿ ಅದರ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ಬಳಸಿಕೊಳ್ಳಬಹುದು. ದತ್ತಾಂಶ ಗುಂಪಿನ ಸರಾಸರಿ ಕೇಂದ್ರೀಕರಣವನ್ನು ಸುಗಮಗೊಳಿಸುವುದಲ್ಲದೆ, ನಮ್ಮ ದತ್ತಾಂಶದ ದೊಡ್ಡ ಚಿತ್ರವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಸಹಾಯ ಮಾಡುತ್ತದೆ.