केन्द्रीय प्रवृत्तिको मापन
केन्द्रीय प्रवृत्तिको मापन तथ्याङ्कमा सबैभन्दा आधारभूत र महत्त्वपूर्ण अवधारणाहरू मध्ये एक हो। यसको उद्देश्य सरल छ: डेटाको केन्द्रलाई "प्रतिनिधित्व" गर्ने एकल मानमा डेटाको सेटलाई संक्षेपमा प्रस्तुत गर्नु। अर्को शब्दमा, केन्द्रीय प्रवृत्तिले हामीलाई "विशिष्ट मान के हो?", "यो डेटा कुन संख्यामा पर्छ?", वा "अनुमानित औसत के हो?" जस्ता प्रश्नहरूको जवाफ दिन मद्दत गर्दछ। यो अवधारणा अनुसन्धान, शैक्षिक मूल्याङ्कन, व्यापार विश्लेषण, स्वास्थ्य सेवा, र दैनिक निर्णय लिने कार्यमा पनि व्यापक रूपमा प्रयोग गरिन्छ।
सामान्यतया, केन्द्रीय प्रवृत्तिका तीनवटा सबैभन्दा धेरै प्रयोग हुने मापनहरू छन्: मध्य (औसत), मध्य (मध्य मान), र मोड (धेरै पटक हुने मान)। प्रत्येकको आफ्नै गणना विधि, फाइदाहरू र सीमितताहरू हुन्छन्। प्रत्येक मापन कहिले प्रयोग गर्ने भनेर बुझ्नाले तपाईंको विश्लेषणलाई अझ सटीक र कम भ्रामक बनाउन मद्दत गर्नेछ।
१. औसत (औसत)
मध्यक केन्द्रीय प्रवृत्तिको सबैभन्दा लोकप्रिय मापन हो। यो सबै डेटा मानहरू थपेर र त्यसपछि डेटा बिन्दुहरूको संख्याले भाग गरेर प्राप्त गरिन्छ। गणितीय रूपमा, एकल डेटा बिन्दुको लागि:
\[
\bar{x} = \frac{\योगफल x}{n}
\]
जानकारी:
– \(\bar{x}\) = माध्य
– \(\योगफल x\) = सबै डेटा मानहरूको योगफल
– \(n\) = डेटाको मात्रा
उदाहरण: मानौं पाँच जना विद्यार्थीहरूको परीक्षाको अङ्क ७०, ८०, ८५, ९०, ७५ छ। औसत यो हो:
\[
\bar{x} = \frac{७०+८०+८५+९०+७५}{५} = \frac{४००}{५} = ८०
\]
त्यसैले, औसत स्कोर ८० हो।
औसत अतिरिक्त
१. पूर्ण सिंहावलोकन प्रदान गर्न सबै डेटा प्रयोग गर्नुहोस्।
२. गणना गर्न र बुझ्न सजिलो।
३. भिन्नता, मानक विचलन, प्रतिगमन, र यस्तै अन्य उन्नत विश्लेषणहरूमा व्यापक रूपमा प्रयोग गरिन्छ।
औसत सीमाहरू
औसत चरम मानहरू (आउटलियर्स) प्रति धेरै संवेदनशील हुन्छ। उदाहरणका लागि, यदि एउटा डेटा बिन्दु धेरै ठूलो वा धेरै सानो छ भने, औसत "विशिष्ट" मानबाट उल्लेखनीय रूपमा परिवर्तन हुन सक्छ। उदाहरणका लागि, तीन जनाको आय डेटालाई विचार गर्नुहोस्: ३० लाख, ३५ लाख, र ५० लाख। औसत उच्च छ, यद्यपि धेरैजसो मानिसहरूले लगभग ३-३.५ मिलियन कमाउँछन्।
त्यसकारण, डेटा तुलनात्मक रूपमा सममित हुँदा र बलियो आउटलियरहरू नभएको बेला माध्य प्रयोगको लागि उपयुक्त हुन्छ।
२. मध्य (मध्य मान)
डेटालाई सबैभन्दा सानोबाट ठूलोमा क्रमबद्ध गरेपछिको मध्य मान मध्य मान हो। यदि डेटा बिन्दुहरूको संख्या बिजोर छ भने, मध्य मान मध्य मान हो। यदि डेटा बिन्दुहरूको संख्या सम छ भने, मध्य दुई मध्य मानहरूको औसत हो।
उदाहरण (विजोर): डेटा: २, ३, ५, ७, ९। मध्य = ५।
उदाहरण (सम): डेटा: २, ३, ५, ७। मध्य = (३ + ५) / २ = ४।
मध्य फाइदाहरू
१. आउटलियर्सबाट धेरै प्रभावित हुँदैन, त्यसैले यो छेउमा "स्ट्राइकिङ" हुने डेटाको लागि बढी स्थिर हुन्छ।
२. असमान वितरण भएको डेटाको लागि उपयुक्त, उदाहरणका लागि आय डेटा, घरको मूल्य, वा अस्पताल बसाइको अवधि।
मध्य सीमाहरू
मध्यकले डेटा मानहरूको बारेमा सबै जानकारी प्रत्यक्ष रूपमा प्रयोग गर्दैन। यो केवल क्रम र स्थितिमा निर्भर गर्दछ, डेटा बीचको भिन्नताको परिमाणमा होइन। यदि हामीले सबै मानहरूलाई पूर्ण रूपमा विचार गर्न आवश्यक छ भने, उदाहरणका लागि, केही उन्नत सांख्यिकीय गणनाहरूको लागि यसले मध्यकलाई कम जानकारीमूलक बनाउँछ।
३. मोड (सबैभन्दा धेरै देखिने मान)
मोड भनेको डेटा सेटमा सबैभन्दा धेरै देखिने मान हो। यो सबैभन्दा "लोकप्रिय" वा प्रायः देखा पर्ने मानहरू पहिचान गर्न धेरै उपयोगी छ।
उदाहरण: डेटा: १, २, २, ३, ४। मोड = २।
केहि अवस्थामा, डेटामा निम्न हुन सक्छ:
- एउटा मोड (युनिमोडल): एउटा मात्र मान प्रायः देखा पर्दछ।
- दुई मोडहरू (द्विमोडल): एउटै उच्चतम आवृत्ति भएका दुई मानहरू छन्।
- बहु मोडहरू (बहुमोडल): दुई भन्दा बढी मानहरू जुन प्रायः देखा पर्दछ।
- कुनै मोड छैन: यदि सबै मानहरू एउटै फ्रिक्वेन्सीमा देखा पर्छन् भने।
मोडका फाइदाहरू
१. वर्गीकृत डेटामा प्रयोग गर्न सकिन्छ (जस्तै मनपर्ने रङ, सबैभन्दा धेरै बिक्री हुने उत्पादन प्रकार), जबकि माध्य र माध्य सधैं कोटीहरूको लागि सान्दर्भिक हुँदैनन्।
२. विशेष गरी फ्रिक्वेन्सी वितरणमा फेला पार्न सजिलो।
३. "धेरैजसो विकल्पहरू" वा "सबैभन्दा सामान्य घटनाहरू" बारे व्यावहारिक जानकारी प्रदान गर्नुहोस्।
मोड सीमाहरू
यो मोड अद्वितीय वा अस्तित्वहीन पनि नहुन सक्छ। यसबाहेक, यसले डेटाको समग्र वितरणलाई ध्यानमा राख्दैन। दुई फरक डेटा सेटहरूमा एउटै मोड हुन सक्छ, तर तिनीहरूको वितरण विशेषताहरू धेरै फरक हुन्छन्।
४. समूहीकृत डेटामा केन्द्रीय प्रवृत्ति
अभ्यासमा, डेटा प्रायः फ्रिक्वेन्सी वितरण तालिका (समूहबद्ध डेटा) को रूपमा प्रस्तुत गरिन्छ। केन्द्रीय प्रवृत्ति गणना गर्न सम्भव छ, तर थप चरणहरू आवश्यक पर्दछ।
- समूहीकृत डेटाको माध्य वर्ग मध्यबिन्दु (मध्य-अन्तराल मान) लाई यसको आवृत्तिले गुणन गरेर, त्यसपछि कुल आवृत्तिले भाग गरेर गणना गरिन्छ।
- समूहबद्ध डेटाको मध्यकको लागि मध्यक वर्ग निर्धारण गर्न आवश्यक छ, अर्थात् डेटाको मध्य स्थान समावेश गर्ने वर्ग।
- समूहीकृत डेटाको मोड उच्चतम आवृत्ति (मोड वर्ग) भएको वर्गको आधारमा निर्धारण गरिन्छ, त्यसपछि अनुमान समूहीकृत मोड सूत्र प्रयोग गरेर गणना गर्न सकिन्छ।
समूहीकृत डेटा दृष्टिकोण उपयोगी हुन्छ जब डेटा यति ठूलो हुन्छ कि यसलाई अन्तरालहरूमा सरलीकृत गर्न सकिन्छ।
५. केन्द्रीय प्रवृत्तिको सही मापन छनौट गर्ने
सबै परिस्थितिहरूको लागि केन्द्रीय प्रवृत्तिको कुनै "उत्तम" मापन छैन। छनोट डेटाको उद्देश्य र प्रकृतिमा निर्भर गर्दछ।
१. यदि डेटा संख्यात्मक छ र धेरै आउटलियरहरू छैनन् भने, र वितरण तुलनात्मक रूपमा सममित छ भने माध्य प्रयोग गर्नुहोस्।
२. यदि डेटामा बलियो आउटलायरहरू छन् वा वितरण असमान छ भने, उदाहरणका लागि सम्पत्ति, आय, वा मूल्य डेटा, मध्यक प्रयोग गर्नुहोस्।
३. यदि तपाईं धेरै पटक देखिने मान जान्न चाहनुहुन्छ वा डेटा वर्गीकृत छ भने मोड प्रयोग गर्नुहोस्।
उदाहरणका लागि, "औसत तलब" रिपोर्टमा, औसतले सामान्य सिंहावलोकन प्रदान गर्न सक्छ, तर औसतलाई प्रायः धेरैजसो कामदारहरूको अवस्थाको प्रतिनिधि मानिन्छ किनभने यो केही धेरै उच्च कमाउनेहरूबाट कम प्रभावित हुन्छ।
७. केसिम्पुलन
केन्द्रीय प्रवृत्तिको मापन डेटा संक्षेपीकरण र बुझ्नको लागि महत्त्वपूर्ण उपकरणहरू हुन्। माध्यले सबै डेटा मानहरू प्रयोग गरेर औसत प्रदान गर्दछ, तर बाहिरीहरू प्रति संवेदनशील हुन्छ। माध्यले एक मध्यम मान प्रदान गर्दछ जुन चरम मानहरूको लागि बढी प्रतिरोधी हुन्छ, जसले गर्दा यो असममित डेटाको लागि उपयुक्त हुन्छ। मोडले सबैभन्दा बारम्बार हुने मानलाई संकेत गर्दछ र वर्गीकृत डेटा वा सामान्य प्रवृत्तिहरू पहिचान गर्न विशेष गरी उपयोगी छ।
राम्रो सांख्यिकीय विश्लेषणमा, यी तीन मापनहरू प्रायः सँगै प्रयोग गरिन्छ। मध्य, मध्य र मोडको तुलना गरेर, हामी डेटाको विशेषताहरूको थप पूर्ण तस्वीर प्राप्त गर्न सक्छौं - चाहे यो सममित होस्, बाहिरीहरू छन् कि छैनन्, र कुन मानहरू प्रायः देखा पर्छन्। यो बुझाइले अन्ततः हामीलाई थप सूचित, डेटा-संचालित निर्णयहरू गर्न मद्दत गर्दछ।
यदि तपाईं चाहनुहुन्छ भने, लेखलाई अझ लागू गर्न म पूर्ण उदाहरण प्रश्नहरू (एकल र समूहीकृत डेटा), अभ्यासहरू, र चरण-दर-चरण छलफलहरू थप्न सक्छु।
