ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦਾ ਮਾਪ

ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦਾ ਮਾਪ

ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦਾ ਮਾਪ ਅੰਕੜਿਆਂ ਵਿੱਚ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਅਤੇ ਮਹੱਤਵਪੂਰਨ ਸੰਕਲਪਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਇਸਦਾ ਉਦੇਸ਼ ਸਰਲ ਹੈ: ਡੇਟਾ ਦੇ ਇੱਕ ਸਮੂਹ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਮੁੱਲ ਵਿੱਚ ਸੰਖੇਪ ਕਰਨਾ ਜੋ ਡੇਟਾ ਦੇ ਕੇਂਦਰ ਨੂੰ "ਪ੍ਰਤੀਨਿਧਤਾ" ਕਰਦਾ ਹੈ। ਦੂਜੇ ਸ਼ਬਦਾਂ ਵਿੱਚ, ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਸਾਨੂੰ ਅਜਿਹੇ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਵਿੱਚ ਮਦਦ ਕਰਦੀ ਹੈ: "ਆਮ ਮੁੱਲ ਕੀ ਹੈ?", "ਇਹ ਡੇਟਾ ਕਿਸ ਸੰਖਿਆ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਡਿੱਗਦਾ ਹੈ?", ਜਾਂ "ਲਗਭਗ ਔਸਤ ਕੀ ਹੈ?" ਇਹ ਸੰਕਲਪ ਖੋਜ, ਵਿਦਿਅਕ ਮੁਲਾਂਕਣ, ਕਾਰੋਬਾਰੀ ਵਿਸ਼ਲੇਸ਼ਣ, ਸਿਹਤ ਸੰਭਾਲ, ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਰੋਜ਼ਾਨਾ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਵੀ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।

ਆਮ ਤੌਰ 'ਤੇ, ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦੇ ਤਿੰਨ ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਮਾਪ ਹਨ: ਔਸਤ (ਔਸਤ), ਮੱਧਮਾਨ (ਮੱਧਮ ਮੁੱਲ), ਅਤੇ ਮੋਡ (ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਹੋਣ ਵਾਲਾ ਮੁੱਲ)। ਹਰੇਕ ਦੀ ਆਪਣੀ ਗਣਨਾ ਵਿਧੀ, ਫਾਇਦੇ ਅਤੇ ਸੀਮਾਵਾਂ ਹਨ। ਹਰੇਕ ਮਾਪ ਦੀ ਵਰਤੋਂ ਕਦੋਂ ਕਰਨੀ ਹੈ ਇਹ ਸਮਝਣਾ ਤੁਹਾਡੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਵਧੇਰੇ ਸਹੀ ਅਤੇ ਘੱਟ ਗੁੰਮਰਾਹਕੁੰਨ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰੇਗਾ।

1. ਔਸਤ (ਔਸਤ)

ਮੱਧਮਾਨ ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦਾ ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਮਾਪ ਹੈ। ਇਹ ਸਾਰੇ ਡੇਟਾ ਮੁੱਲਾਂ ਨੂੰ ਜੋੜ ਕੇ ਅਤੇ ਫਿਰ ਡੇਟਾ ਬਿੰਦੂਆਂ ਦੀ ਸੰਖਿਆ ਨਾਲ ਵੰਡ ਕੇ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਗਣਿਤਿਕ ਤੌਰ 'ਤੇ, ਇੱਕ ਸਿੰਗਲ ਡੇਟਾ ਬਿੰਦੂ ਲਈ:

\[
\bar{x} = \frac{\ਜੋੜ x}{n}
\]

ਜਾਣਕਾਰੀ:
– \(\bar{x}\) = ਔਸਤ
– \(\sum x\) = ਸਾਰੇ ਡੇਟਾ ਮੁੱਲਾਂ ਦਾ ਜੋੜ
– \(n\) = ਡੇਟਾ ਦੀ ਮਾਤਰਾ

ਉਦਾਹਰਣ: ਮੰਨ ਲਓ ਕਿ ਪੰਜ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਪ੍ਰੀਖਿਆ ਅੰਕ 70, 80, 85, 90, 75 ਹਨ। ਔਸਤ ਇਹ ਹੈ:

\[
\bar{x} = \frac{70+80+85+90+75}{5} = \frac{400}{5} = 80
\]

ਇਸ ਲਈ, ਔਸਤ ਸਕੋਰ 80 ਹੈ।

ਔਸਤ ਵਾਧੂ
1. ਇੱਕ ਸੰਪੂਰਨ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਸਾਰੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰੋ।
2. ਗਣਨਾ ਕਰਨਾ ਅਤੇ ਸਮਝਣਾ ਆਸਾਨ।
3. ਵਿਭਿੰਨਤਾ, ਮਿਆਰੀ ਵਿਵਹਾਰ, ਰਿਗਰੈਸ਼ਨ, ਅਤੇ ਇਸ ਤਰ੍ਹਾਂ ਦੇ ਉੱਨਤ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।

ਔਸਤ ਸੀਮਾਵਾਂ
ਔਸਤ ਅਤਿਅੰਤ ਮੁੱਲਾਂ (ਆਊਟਲੀਅਰ) ਪ੍ਰਤੀ ਬਹੁਤ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਇੱਕ ਡੇਟਾ ਬਿੰਦੂ ਬਹੁਤ ਵੱਡਾ ਜਾਂ ਬਹੁਤ ਛੋਟਾ ਹੈ, ਤਾਂ ਔਸਤ "ਆਮ" ਮੁੱਲ ਤੋਂ ਕਾਫ਼ੀ ਬਦਲ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਤਿੰਨ ਲੋਕਾਂ ਲਈ ਆਮਦਨ ਡੇਟਾ 'ਤੇ ਵਿਚਾਰ ਕਰੋ: 3 ਮਿਲੀਅਨ, 3,5 ਮਿਲੀਅਨ, ਅਤੇ 50 ਮਿਲੀਅਨ। ਔਸਤ ਉੱਚ ਹੈ, ਭਾਵੇਂ ਜ਼ਿਆਦਾਤਰ ਲੋਕ ਲਗਭਗ 3-3,5 ਮਿਲੀਅਨ ਕਮਾਉਂਦੇ ਹਨ।

ਇਸ ਲਈ, ਮੱਧਮਾਨ ਵਰਤੋਂ ਲਈ ਢੁਕਵਾਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਡੇਟਾ ਮੁਕਾਬਲਤਨ ਸਮਮਿਤੀ ਹੁੰਦਾ ਹੈ ਅਤੇ ਇਸਦੇ ਮਜ਼ਬੂਤ ​​ਆਊਟਲੀਅਰ ਨਹੀਂ ਹੁੰਦੇ।

2. ਮੱਧਮ (ਮੱਧਮ ਮੁੱਲ)

ਡੇਟਾ ਨੂੰ ਸਭ ਤੋਂ ਛੋਟੇ ਤੋਂ ਵੱਡੇ ਵਿੱਚ ਕ੍ਰਮਬੱਧ ਕਰਨ ਤੋਂ ਬਾਅਦ ਮੱਧਮਾਨ ਮੱਧ ਮੁੱਲ ਹੁੰਦਾ ਹੈ। ਜੇਕਰ ਡੇਟਾ ਬਿੰਦੂਆਂ ਦੀ ਸੰਖਿਆ ਅਜੀਬ ਹੈ, ਤਾਂ ਮੱਧਮਾਨ ਮੱਧ ਮੁੱਲ ਹੁੰਦਾ ਹੈ। ਜੇਕਰ ਡੇਟਾ ਬਿੰਦੂਆਂ ਦੀ ਸੰਖਿਆ ਬਰਾਬਰ ਹੈ, ਤਾਂ ਮੱਧਮਾਨ ਦੋ ਵਿਚਕਾਰਲੇ ਮੁੱਲਾਂ ਦਾ ਔਸਤ ਹੁੰਦਾ ਹੈ।

ਉਦਾਹਰਨ (ਅਜੀਬ): ਡੇਟਾ: 2, 3, 5, 7, 9। ਮੱਧਮਾਨ = 5।

ਉਦਾਹਰਨ (ਸਮ): ਡੇਟਾ: 2, 3, 5, 7. ਮੱਧਮਾਨ = (3 + 5) / 2 = 4।

ਦਰਮਿਆਨੇ ਫਾਇਦੇ
1. ਆਊਟਲੀਅਰਾਂ ਤੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਪ੍ਰਭਾਵਿਤ ਨਹੀਂ ਹੁੰਦਾ, ਇਸ ਲਈ ਇਹ ਉਹਨਾਂ ਡੇਟਾ ਲਈ ਵਧੇਰੇ ਸਥਿਰ ਹੁੰਦਾ ਹੈ ਜੋ ਸਿਰਿਆਂ 'ਤੇ "ਹੜਕਾਉਣ ਵਾਲਾ" ਹੁੰਦਾ ਹੈ।
2. ਅਸਮਾਨ ਵੰਡ ਵਾਲੇ ਡੇਟਾ ਲਈ ਢੁਕਵਾਂ, ਉਦਾਹਰਨ ਲਈ ਆਮਦਨ ਡੇਟਾ, ਘਰ ਦੀਆਂ ਕੀਮਤਾਂ, ਜਾਂ ਹਸਪਤਾਲ ਵਿੱਚ ਰਹਿਣ ਦੀ ਲੰਬਾਈ।

ਦਰਮਿਆਨੀ ਸੀਮਾਵਾਂ
ਮੀਡੀਏਨ ਡੇਟਾ ਮੁੱਲਾਂ ਬਾਰੇ ਸਾਰੀ ਜਾਣਕਾਰੀ ਦੀ ਵਰਤੋਂ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਨਹੀਂ ਕਰਦਾ। ਇਹ ਸਿਰਫ਼ ਕ੍ਰਮ ਅਤੇ ਸਥਿਤੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ, ਡੇਟਾ ਦੇ ਵਿਚਕਾਰ ਅੰਤਰਾਂ ਦੀ ਮਾਤਰਾ 'ਤੇ ਨਹੀਂ। ਇਹ ਮੀਡੀਏਨ ਨੂੰ ਘੱਟ ਜਾਣਕਾਰੀ ਭਰਪੂਰ ਬਣਾਉਂਦਾ ਹੈ ਜੇਕਰ ਸਾਨੂੰ ਸਾਰੇ ਮੁੱਲਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵਿਚਾਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਉਦਾਹਰਨ ਲਈ, ਕੁਝ ਉੱਨਤ ਅੰਕੜਾ ਗਣਨਾਵਾਂ ਲਈ।

3. ਮੋਡ (ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਦਿਖਾਈ ਦੇਣ ਵਾਲਾ ਮੁੱਲ)

ਮੋਡ ਉਹ ਮੁੱਲ ਹੈ ਜੋ ਕਿਸੇ ਡੇਟਾ ਸੈੱਟ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਇਹ ਸਭ ਤੋਂ ਵੱਧ "ਪ੍ਰਸਿੱਧ" ਜਾਂ ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਆਉਣ ਵਾਲੇ ਮੁੱਲਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਬਹੁਤ ਉਪਯੋਗੀ ਹੈ।

ਉਦਾਹਰਨ: ਡੇਟਾ: 1, 2, 2, 3, 4. ਮੋਡ = 2।

ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਇੱਕ ਡੇਟਾ ਵਿੱਚ ਇਹ ਹੋ ਸਕਦੇ ਹਨ:
- ਇੱਕ ਮੋਡ (ਯੂਨੀਮੋਡਲ): ਸਿਰਫ਼ ਇੱਕ ਹੀ ਮੁੱਲ ਅਕਸਰ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ।
- ਦੋ ਮੋਡ (ਬਾਈਮੋਡਲ): ਇੱਕੋ ਉੱਚਤਮ ਬਾਰੰਬਾਰਤਾ ਵਾਲੇ ਦੋ ਮੁੱਲ ਹਨ।
- ਮਲਟੀਪਲ ਮੋਡ (ਮਲਟੀਮੋਡਲ): ਦੋ ਤੋਂ ਵੱਧ ਮੁੱਲ ਜੋ ਅਕਸਰ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ।
- ਕੋਈ ਮੋਡ ਨਹੀਂ: ਜੇਕਰ ਸਾਰੇ ਮੁੱਲ ਇੱਕੋ ਬਾਰੰਬਾਰਤਾ ਨਾਲ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ।

ਮੋਡ ਦੇ ਫਾਇਦੇ
1. ਸ਼੍ਰੇਣੀਬੱਧ ਡੇਟਾ (ਜਿਵੇਂ ਕਿ ਮਨਪਸੰਦ ਰੰਗ, ਸਭ ਤੋਂ ਵੱਧ ਵਿਕਣ ਵਾਲਾ ਉਤਪਾਦ ਕਿਸਮ) 'ਤੇ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਔਸਤ ਅਤੇ ਮੱਧਮਾਨ ਹਮੇਸ਼ਾ ਸ਼੍ਰੇਣੀਆਂ ਲਈ ਢੁਕਵੇਂ ਨਹੀਂ ਹੁੰਦੇ।
2. ਖਾਸ ਕਰਕੇ ਬਾਰੰਬਾਰਤਾ ਵੰਡ ਵਿੱਚ ਲੱਭਣਾ ਆਸਾਨ।
3. "ਜ਼ਿਆਦਾਤਰ ਚੋਣਾਂ" ਜਾਂ "ਸਭ ਤੋਂ ਆਮ ਘਟਨਾਵਾਂ" ਬਾਰੇ ਵਿਹਾਰਕ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰੋ।

ਮੋਡ ਸੀਮਾਵਾਂ
ਇਹ ਮੋਡ ਵਿਲੱਖਣ ਜਾਂ ਗੈਰ-ਮੌਜੂਦ ਵੀ ਨਹੀਂ ਹੋ ਸਕਦਾ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਡੇਟਾ ਦੀ ਸਮੁੱਚੀ ਵੰਡ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਨਹੀਂ ਰੱਖਦਾ। ਦੋ ਵੱਖ-ਵੱਖ ਡੇਟਾ ਸੈੱਟਾਂ ਵਿੱਚ ਇੱਕੋ ਮੋਡ ਹੋ ਸਕਦਾ ਹੈ, ਪਰ ਉਹਨਾਂ ਦੀਆਂ ਵੰਡ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਬਹੁਤ ਵੱਖਰੀਆਂ ਹਨ।

4. ਸਮੂਹਬੱਧ ਡੇਟਾ ਵਿੱਚ ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ

ਅਭਿਆਸ ਵਿੱਚ, ਡੇਟਾ ਅਕਸਰ ਇੱਕ ਬਾਰੰਬਾਰਤਾ ਵੰਡ ਸਾਰਣੀ (ਸਮੂਹਬੱਧ ਡੇਟਾ) ਦੇ ਰੂਪ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦੀ ਗਣਨਾ ਕਰਨਾ ਸੰਭਵ ਹੈ, ਪਰ ਵਾਧੂ ਕਦਮਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

- ਸਮੂਹਬੱਧ ਡੇਟਾ ਦੇ ਮੱਧਮਾਨ ਦੀ ਗਣਨਾ ਕਲਾਸ ਦੇ ਮੱਧ ਬਿੰਦੂ (ਮੱਧ-ਅੰਤਰਾਲ ਮੁੱਲ) ਨੂੰ ਇਸਦੀ ਬਾਰੰਬਾਰਤਾ ਨਾਲ ਗੁਣਾ ਕਰਕੇ, ਫਿਰ ਕੁੱਲ ਬਾਰੰਬਾਰਤਾ ਨਾਲ ਭਾਗ ਕਰਕੇ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।
- ਸਮੂਹਬੱਧ ਡੇਟਾ ਦੇ ਮੱਧਮਾਨ ਲਈ ਮੱਧ ਵਰਗ, ਅਰਥਾਤ ਉਹ ਵਰਗ ਜਿਸ ਵਿੱਚ ਡੇਟਾ ਦੀ ਵਿਚਕਾਰਲੀ ਸਥਿਤੀ ਹੁੰਦੀ ਹੈ, ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
- ਸਮੂਹਬੱਧ ਡੇਟਾ ਦਾ ਮੋਡ ਸਭ ਤੋਂ ਵੱਧ ਬਾਰੰਬਾਰਤਾ (ਮੋਡ ਕਲਾਸ) ਵਾਲੀ ਸ਼੍ਰੇਣੀ ਦੇ ਅਧਾਰ ਤੇ ਨਿਰਧਾਰਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਫਿਰ ਅਨੁਮਾਨ ਦੀ ਗਣਨਾ ਸਮੂਹਬੱਧ ਮੋਡ ਫਾਰਮੂਲੇ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।

ਸਮੂਹਿਕ ਡੇਟਾ ਪਹੁੰਚ ਉਦੋਂ ਲਾਭਦਾਇਕ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਡੇਟਾ ਇੰਨਾ ਵੱਡਾ ਹੁੰਦਾ ਹੈ ਕਿ ਇਸਨੂੰ ਅੰਤਰਾਲਾਂ ਵਿੱਚ ਸਰਲ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ।

5. ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦਾ ਸਹੀ ਮਾਪ ਚੁਣਨਾ

ਸਾਰੀਆਂ ਸਥਿਤੀਆਂ ਲਈ ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦਾ ਕੋਈ "ਸਭ ਤੋਂ ਵਧੀਆ" ਮਾਪ ਨਹੀਂ ਹੈ। ਚੋਣ ਡੇਟਾ ਦੇ ਉਦੇਸ਼ ਅਤੇ ਪ੍ਰਕਿਰਤੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ।

1. ਜੇਕਰ ਡੇਟਾ ਸੰਖਿਆਤਮਕ ਹੈ ਅਤੇ ਬਹੁਤ ਸਾਰੇ ਬਾਹਰੀ ਨਹੀਂ ਹਨ, ਅਤੇ ਵੰਡ ਮੁਕਾਬਲਤਨ ਸਮਮਿਤੀ ਹੈ ਤਾਂ ਔਸਤ ਦੀ ਵਰਤੋਂ ਕਰੋ।
2. ਜੇਕਰ ਡੇਟਾ ਵਿੱਚ ਮਜ਼ਬੂਤ ​​ਬਾਹਰੀ ਅੰਤਰ ਹਨ ਜਾਂ ਵੰਡ ਅਸੰਤੁਲਿਤ ਹੈ, ਉਦਾਹਰਨ ਲਈ ਦੌਲਤ, ਆਮਦਨ, ਜਾਂ ਕੀਮਤ ਡੇਟਾ, ਤਾਂ ਮੱਧਮਾਨ ਦੀ ਵਰਤੋਂ ਕਰੋ।
3. ਜੇਕਰ ਤੁਸੀਂ ਉਸ ਮੁੱਲ ਨੂੰ ਜਾਣਨਾ ਚਾਹੁੰਦੇ ਹੋ ਜੋ ਅਕਸਰ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ ਜਾਂ ਡੇਟਾ ਸ਼੍ਰੇਣੀਬੱਧ ਹੈ ਤਾਂ ਮੋਡ ਦੀ ਵਰਤੋਂ ਕਰੋ।

ਉਦਾਹਰਨ ਲਈ, ਇੱਕ "ਔਸਤ ਤਨਖਾਹ" ਰਿਪੋਰਟ ਵਿੱਚ, ਔਸਤ ਇੱਕ ਆਮ ਸੰਖੇਪ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਮੱਧਮਾਨ ਨੂੰ ਅਕਸਰ ਜ਼ਿਆਦਾਤਰ ਕਾਮਿਆਂ ਦੀਆਂ ਸਥਿਤੀਆਂ ਦਾ ਵਧੇਰੇ ਪ੍ਰਤੀਨਿਧ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਕੁਝ ਬਹੁਤ ਜ਼ਿਆਦਾ ਕਮਾਈ ਕਰਨ ਵਾਲਿਆਂ ਦੁਆਰਾ ਘੱਟ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦਾ ਹੈ।

6 ਕੇਸਿਮਪੁਲਨ

ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦੇ ਮਾਪ ਡੇਟਾ ਨੂੰ ਸੰਖੇਪ ਕਰਨ ਅਤੇ ਸਮਝਣ ਲਈ ਮਹੱਤਵਪੂਰਨ ਔਜ਼ਾਰ ਹਨ। ਮੱਧਮਾਨ ਸਾਰੇ ਡੇਟਾ ਮੁੱਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਔਸਤ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਪਰ ਆਊਟਲੀਅਰਾਂ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦਾ ਹੈ। ਮੱਧਮਾਨ ਇੱਕ ਮੱਧਮ ਮੁੱਲ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜੋ ਅਤਿਅੰਤ ਮੁੱਲਾਂ ਪ੍ਰਤੀ ਵਧੇਰੇ ਰੋਧਕ ਹੁੰਦਾ ਹੈ, ਇਸਨੂੰ ਅਸਮਿਤ ਡੇਟਾ ਲਈ ਢੁਕਵਾਂ ਬਣਾਉਂਦਾ ਹੈ। ਮੋਡ ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਹੋਣ ਵਾਲੇ ਮੁੱਲ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਅਤੇ ਖਾਸ ਤੌਰ 'ਤੇ ਸ਼੍ਰੇਣੀਬੱਧ ਡੇਟਾ ਲਈ ਜਾਂ ਆਮ ਰੁਝਾਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਲਈ ਉਪਯੋਗੀ ਹੁੰਦਾ ਹੈ।

ਚੰਗੇ ਅੰਕੜਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ, ਇਹ ਤਿੰਨ ਮਾਪ ਅਕਸਰ ਇਕੱਠੇ ਵਰਤੇ ਜਾਂਦੇ ਹਨ। ਮੱਧਮਾਨ, ਮੱਧਮਾਨ ਅਤੇ ਮੋਡ ਦੀ ਤੁਲਨਾ ਕਰਕੇ, ਅਸੀਂ ਡੇਟਾ ਦੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਇੱਕ ਪੂਰੀ ਤਸਵੀਰ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਾਂ - ਭਾਵੇਂ ਇਹ ਸਮਮਿਤੀ ਹੈ, ਕੀ ਬਾਹਰਲੇ ਹਨ, ਅਤੇ ਕਿਹੜੇ ਮੁੱਲ ਅਕਸਰ ਵਾਪਰਦੇ ਹਨ। ਇਹ ਸਮਝ ਅੰਤ ਵਿੱਚ ਸਾਨੂੰ ਵਧੇਰੇ ਸੂਚਿਤ, ਡੇਟਾ-ਅਧਾਰਤ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰਦੀ ਹੈ।

ਜੇ ਤੁਸੀਂ ਚਾਹੋ, ਤਾਂ ਮੈਂ ਲੇਖ ਨੂੰ ਹੋਰ ਵੀ ਢੁੱਕਵਾਂ ਬਣਾਉਣ ਲਈ ਪੂਰੇ ਉਦਾਹਰਣ ਪ੍ਰਸ਼ਨ (ਇਕੱਲੇ ਅਤੇ ਸਮੂਹਿਕ ਡੇਟਾ), ਅਭਿਆਸ, ਅਤੇ ਕਦਮ-ਦਰ-ਕਦਮ ਚਰਚਾਵਾਂ ਸ਼ਾਮਲ ਕਰ ਸਕਦਾ ਹਾਂ।