ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਵਿੱਚ ਮੱਧਮਾਨ, ਮੱਧਮਾਨ ਅਤੇ ਮੋਡ ਵਿੱਚ ਅੰਤਰ

ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਵਿੱਚ ਮੱਧਮਾਨ, ਮੱਧਮਾਨ ਅਤੇ ਮੋਡ ਵਿੱਚ ਅੰਤਰ

ਵਰਣਨਾਤਮਕ ਅੰਕੜਿਆਂ ਵਿੱਚ, ਮੁੱਖ ਟੀਚਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਆਸਾਨ ਸਮਝ ਲਈ ਡੇਟਾ ਦਾ ਸਾਰ ਦੇਣਾ ਹੈ। ਵੱਡਾ, ਵਿਭਿੰਨ, ਅਤੇ ਕਈ ਵਾਰ "ਗੜਬੜ" ਡੇਟਾ ਵਧੇਰੇ ਜਾਣਕਾਰੀ ਭਰਪੂਰ ਹੋਵੇਗਾ ਜਦੋਂ ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦੇ ਮਾਪਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦੇ ਤਿੰਨ ਸਭ ਤੋਂ ਵੱਧ ਵਰਤੇ ਜਾਣ ਵਾਲੇ ਮਾਪ ਮੱਧਮਾਨ, ਮੱਧਮਾਨ ਅਤੇ ਮੋਡ ਹਨ। ਜਦੋਂ ਕਿ ਤਿੰਨੋਂ ਇੱਕ ਡੇਟਾ ਸੈੱਟ ਦੇ "ਪ੍ਰਤੀਨਿਧੀ ਮੁੱਲ" ਨੂੰ ਦਰਸਾਉਣ ਦਾ ਉਦੇਸ਼ ਰੱਖਦੇ ਹਨ, ਉਹਨਾਂ ਦੇ ਸੰਚਾਲਨ ਦੇ ਢੰਗ, ਬਾਹਰਲੇ ਲੋਕਾਂ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ, ਅਤੇ ਢੁਕਵੀਂ ਵਰਤੋਂ ਦੀਆਂ ਸਥਿਤੀਆਂ ਮਹੱਤਵਪੂਰਨ ਤੌਰ 'ਤੇ ਵੱਖ-ਵੱਖ ਹੁੰਦੀਆਂ ਹਨ।

ਇਹ ਲੇਖ ਅਰਥ, ਗਣਨਾ ਕਿਵੇਂ ਕਰਨੀ ਹੈ, ਫਾਇਦੇ ਅਤੇ ਨੁਕਸਾਨ, ਅਤੇ ਮੱਧਮਾਨ, ਮੱਧਮਾਨ ਅਤੇ ਮੋਡ ਦੇ ਉਪਯੋਗ ਦੀਆਂ ਉਦਾਹਰਣਾਂ ਬਾਰੇ ਚਰਚਾ ਕਰਦਾ ਹੈ ਤਾਂ ਜੋ ਤੁਸੀਂ ਵਿਸ਼ਲੇਸ਼ਣ ਕੀਤੇ ਜਾ ਰਹੇ ਡੇਟਾ ਲਈ ਸਭ ਤੋਂ ਢੁਕਵਾਂ ਮਾਪ ਚੁਣ ਸਕੋ।

1. ਔਸਤ (ਔਸਤ): ਪਰਿਭਾਸ਼ਾ ਅਤੇ ਗਣਨਾ ਕਿਵੇਂ ਕਰੀਏ

ਔਸਤ ਸਾਰੇ ਡੇਟਾ ਮੁੱਲਾਂ ਦਾ ਜੋੜ ਹੁੰਦਾ ਹੈ ਜਿਸਨੂੰ ਡੇਟਾ ਬਿੰਦੂਆਂ ਦੀ ਸੰਖਿਆ ਨਾਲ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ। ਅਕਸਰ "ਔਸਤ" ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ, ਔਸਤ ਰੋਜ਼ਾਨਾ ਜੀਵਨ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਸਾਰੇ ਮੁੱਲਾਂ ਨੂੰ ਅਨੁਪਾਤਕ ਤੌਰ 'ਤੇ ਵਿਚਾਰ ਕੇ ਡੇਟਾ ਦੇ ਕੇਂਦਰ ਦਾ ਇੱਕ ਸਨੈਪਸ਼ਾਟ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

ਔਸਤ ਫਾਰਮੂਲਾ:

\[
\ਬਾਰ{x} = \frac{\ਜੋੜ x_i}{n}
\]

ਜਾਣਕਾਰੀ:
– \(\sum x_i\) = ਸਾਰੇ ਡੇਟਾ ਮੁੱਲਾਂ ਦਾ ਜੋੜ
– \(n\) = ਡੇਟਾ ਦੀ ਗਿਣਤੀ

ਰੂਪ:
ਮੰਨ ਲਓ ਕਿ ਪੰਜ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਪ੍ਰੀਖਿਆ ਅੰਕ ਹਨ: 70, 75, 80, 85, 90
ਔਸਤ = (70 + 75 + 80 + 85 + 90) / 5 = 400 / 5 = 80

ਔਸਤ ਫਾਇਦੇ
1. ਸਾਰੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰੋ ਤਾਂ ਜੋ ਵਰਤੀ ਗਈ ਜਾਣਕਾਰੀ ਪੂਰੀ ਹੋਵੇ।
2. ਗਣਨਾ ਕਰਨ ਵਿੱਚ ਆਸਾਨ ਅਤੇ ਉੱਨਤ ਵਿਸ਼ਲੇਸ਼ਣ (ਜਿਵੇਂ ਕਿ ਪਰਿਵਰਤਨ, ਮਿਆਰੀ ਭਟਕਣਾ) ਵਿੱਚ ਵਿਆਪਕ ਤੌਰ 'ਤੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
3. ਸੰਖਿਆਤਮਕ ਡੇਟਾ ਅਤੇ ਮੁਕਾਬਲਤਨ ਸਮਮਿਤੀ ਵੰਡ ਲਈ ਢੁਕਵਾਂ।

ਔਸਤ ਘਾਟ
1. ਆਊਟਲੀਅਰਾਂ ਪ੍ਰਤੀ ਬਹੁਤ ਸੰਵੇਦਨਸ਼ੀਲ। ਇੱਕ ਅਤਿਅੰਤ ਮੁੱਲ ਔਸਤ ਨੂੰ ਜ਼ਿਆਦਾਤਰ ਡੇਟਾ ਤੋਂ ਬਹੁਤ ਦੂਰ ਖਿੱਚ ਸਕਦਾ ਹੈ।
2. ਜੇਕਰ ਡੇਟਾ ਵੰਡ ਅਸਥਿਰ ਹੈ ਤਾਂ ਹਮੇਸ਼ਾਂ "ਆਮ ਮੁੱਲਾਂ" ਨੂੰ ਨਹੀਂ ਦਰਸਾਉਂਦਾ।

ਬਾਹਰੀ ਪ੍ਰਭਾਵਾਂ ਦੀਆਂ ਉਦਾਹਰਣਾਂ:
ਆਮਦਨੀ ਡੇਟਾ (ਮਿਲੀਅਨ ਰੁਪਏ): 3, 3, 4, 4, 5, 50
ਔਸਤ = (3+3+4+4+5+50)/6 = 69/6 = 11,5
ਜਦੋਂ ਕਿ ਜ਼ਿਆਦਾਤਰ ਆਮਦਨ 3-5 ਮਿਲੀਅਨ ਦੇ ਵਿਚਕਾਰ ਹੈ, ਪਰ ਔਸਤ ਘੱਟ ਪ੍ਰਤੀਨਿਧੀ ਹੈ।

2. ਮੱਧਮਾਨ (ਮੱਧਮ ਮੁੱਲ): ਪਰਿਭਾਸ਼ਾ ਅਤੇ ਗਣਨਾ ਕਿਵੇਂ ਕਰੀਏ

ਮੱਧਮਾਨ ਉਹ ਮੁੱਲ ਹੁੰਦਾ ਹੈ ਜੋ ਵਿਚਕਾਰ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਡੇਟਾ ਨੂੰ ਸਭ ਤੋਂ ਛੋਟੇ ਤੋਂ ਵੱਡੇ ਤੱਕ ਕ੍ਰਮਬੱਧ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਮੱਧਮਾਨ ਸਮੁੱਚੀ ਵਿਸ਼ਾਲਤਾ ਦੀ ਬਜਾਏ ਸਥਿਤੀ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਇਹ ਬਾਹਰਲੇ ਲੋਕਾਂ ਪ੍ਰਤੀ ਵਧੇਰੇ ਰੋਧਕ ਹੁੰਦਾ ਹੈ।

ਮੱਧਮਾਨ ਕਿਵੇਂ ਨਿਰਧਾਰਤ ਕਰਨਾ ਹੈ:
1. ਡੇਟਾ ਨੂੰ ਕ੍ਰਮਬੱਧ ਕਰੋ।
2. ਜੇਕਰ ਡੇਟਾ ਦੀ ਸੰਖਿਆ ਅਜੀਬ ਹੈ, ਤਾਂ ਮੱਧਮਾਨ ਵਿਚਕਾਰਲੀ ਸਥਿਤੀ ਵਿੱਚ ਮੁੱਲ ਹੈ।
3. ਜੇਕਰ ਡੇਟਾ ਦੀ ਸੰਖਿਆ ਬਰਾਬਰ ਹੈ, ਤਾਂ ਮੱਧਮਾਨ ਦੋ ਵਿਚਕਾਰਲੇ ਮੁੱਲਾਂ ਦਾ ਔਸਤ ਹੈ।

ਉਦਾਹਰਨ (ਅਜੀਬ):
ਡਾਟਾ: 2, 3, 5, 7, 9
ਮੱਧਮਾਨ = ਵਿਚਕਾਰਲਾ ਮੁੱਲ = 5

ਉਦਾਹਰਣ (ਵੀ):
ਡਾਟਾ: 10, 20, 30, 40
ਮੱਧਮਾਨ = (20 + 30) / 2 = 25

ਔਸਤ ਫਾਇਦੇ
1. ਬਾਹਰੀ ਅਤੇ ਅਤਿਅੰਤ ਮੁੱਲਾਂ ਪ੍ਰਤੀ ਰੋਧਕ।
2. ਆਮਦਨ, ਘਰ ਦੀਆਂ ਕੀਮਤਾਂ, ਜਾਂ ਉਡੀਕ ਸਮੇਂ ਵਰਗੇ ਅਸਥਿਰ ਡੇਟਾ ਲਈ ਢੁਕਵਾਂ।
3. ਆਰਡੀਨਲ ਡੇਟਾ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਸੰਤੁਸ਼ਟੀ ਰੇਟਿੰਗ: ਬਹੁਤ ਸੰਤੁਸ਼ਟ, ਸੰਤੁਸ਼ਟ, ਨਿਰਪੱਖ, ਅਸੰਤੁਸ਼ਟ)।

ਮੱਧਮ ਕਮੀਆਂ
1. ਆਪਣੀਆਂ ਗਣਨਾਵਾਂ ਵਿੱਚ ਸਾਰੇ ਡੇਟਾ ਮੁੱਲਾਂ ਦੀ ਵਰਤੋਂ ਨਹੀਂ ਕਰਦਾ (ਵਧੇਰੇ "ਸਥਿਤੀ-ਅਧਾਰਤ")।
2. ਔਸਤ ਗੁਣਾਂ ਦੀ ਲੋੜ ਵਾਲੇ ਉੱਨਤ ਗਣਿਤਿਕ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਘੱਟ ਢੁਕਵਾਂ।

ਜੇਕਰ ਅਸੀਂ ਆਮਦਨ ਦੀ ਉਦਾਹਰਣ 'ਤੇ ਵਾਪਸ ਜਾਂਦੇ ਹਾਂ: 3, 3, 4, 4, 5, 50
ਡੇਟਾ ਨੂੰ ਕ੍ਰਮਬੱਧ ਕੀਤਾ ਗਿਆ ਹੈ, 6 ਡੇਟਾ ਲਈ ਮੱਧਮਾਨ ਤੀਜੇ ਅਤੇ ਚੌਥੇ ਮੁੱਲਾਂ ਦੀ ਔਸਤ ਹੈ: (4 + 4) / 2 = 4
ਇਹ ਮੱਧਮਾਨ ਬਹੁਗਿਣਤੀ ਸਥਿਤੀਆਂ ਦਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਪ੍ਰਤੀਨਿਧ ਹੈ।

3. ਮੋਡ (ਜ਼ਿਆਦਾਤਰ ਮੁੱਲ): ਪਰਿਭਾਸ਼ਾ ਅਤੇ ਕਿਵੇਂ ਨਿਰਧਾਰਤ ਕਰਨਾ ਹੈ

ਮੋਡ ਉਹ ਮੁੱਲ ਹੈ ਜੋ ਕਿਸੇ ਡੇਟਾ ਸੈੱਟ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਡੇਟਾ ਵਿੱਚ ਇਹ ਹੋ ਸਕਦੇ ਹਨ:
- ਇੱਕ ਮੋਡ (ਯੂਨੀਮੋਡਲ): ਇੱਕ ਮੁੱਲ ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ
- ਦੋ ਮੋਡ (ਬਾਈਮੋਡਲ): ਦੋ ਮੁੱਲ ਅਕਸਰ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ
- ਕਈ ਮੋਡ (ਮਲਟੀਮੋਡਲ)
- ਕੋਈ ਮੋਡ ਨਹੀਂ: ਜੇਕਰ ਸਾਰੇ ਮੁੱਲ ਇੱਕੋ ਬਾਰੰਬਾਰਤਾ ਨਾਲ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ

ਰੂਪ:
ਡਾਟਾ: 2, 3, 3, 4, 5
ਮੋਡ = 3 (ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ)

ਬਾਈਮੋਡਲ ਉਦਾਹਰਣ:
ਡਾਟਾ: 1, 2, 2, 3, 3, 4
ਮੋਡ = 2 ਅਤੇ 3

ਮੋਡ ਦੇ ਫਾਇਦੇ
1. ਕੇਂਦਰੀ ਪ੍ਰਵਿਰਤੀ ਦਾ ਇੱਕੋ ਇੱਕ ਮਾਪ ਜੋ ਨਾਮਾਤਰ ਡੇਟਾ (ਜਿਵੇਂ ਕਿ ਮਨਪਸੰਦ ਰੰਗ, ਸਭ ਤੋਂ ਪਸੰਦੀਦਾ ਬ੍ਰਾਂਡ) ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।
2. ਸਮਝਣ ਵਿੱਚ ਆਸਾਨ ਕਿਉਂਕਿ ਇਹ ਤੁਰੰਤ ਸਭ ਤੋਂ ਪ੍ਰਮੁੱਖ ਸ਼੍ਰੇਣੀ/ਮੁੱਲ ਦਿਖਾਉਂਦਾ ਹੈ।
3. ਆਊਟਲੀਅਰਾਂ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਨਹੀਂ ਹੁੰਦਾ ਇਸ ਅਰਥ ਵਿੱਚ ਕਿ ਅਤਿਅੰਤ ਮੁੱਲ ਸਭ ਤੋਂ ਵੱਧ ਵਾਰ ਆਉਣ ਵਾਲੇ ਮੁੱਲਾਂ ਦੀ ਬਾਰੰਬਾਰਤਾ ਨੂੰ ਨਹੀਂ ਬਦਲਦੇ।

ਮੋਡ ਦੀ ਘਾਟ
1. ਕਈ ਵਾਰ ਇਹ ਵਿਲੱਖਣ ਨਹੀਂ ਹੁੰਦਾ (ਇੱਕ ਤੋਂ ਵੱਧ ਹੋ ਸਕਦਾ ਹੈ) ਜਾਂ ਮੌਜੂਦ ਵੀ ਨਹੀਂ ਹੁੰਦਾ।
2. ਘੱਟ ਸਥਿਰ ਹੋ ਸਕਦਾ ਹੈ; ਡੇਟਾ ਵਿੱਚ ਛੋਟੀਆਂ ਤਬਦੀਲੀਆਂ ਮੋਡ ਨੂੰ ਬਦਲ ਸਕਦੀਆਂ ਹਨ।
3. ਹਮੇਸ਼ਾ ਡੇਟਾ ਦੇ "ਕੇਂਦਰ" ਨੂੰ ਗਣਿਤਿਕ ਤੌਰ 'ਤੇ ਨਹੀਂ ਦਰਸਾਉਂਦਾ।

4. ਮੱਧਮਾਨ, ਮੱਧਮਾਨ ਅਤੇ ਮੋਡ ਵਿਚਕਾਰ ਮੁੱਖ ਅੰਤਰ

ਸੰਖੇਪ ਵਿੱਚ, ਤਿੰਨਾਂ ਵਿੱਚ ਅੰਤਰ ਗਣਨਾ ਵਿਧੀ, ਆਊਟਲੀਅਰਾਂ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ, ਅਤੇ ਢੁਕਵੇਂ ਡੇਟਾ ਕਿਸਮਾਂ ਤੋਂ ਦੇਖੇ ਜਾ ਸਕਦੇ ਹਨ:

1. ਮੱਧਮਾਨ ਸਾਰੇ ਮੁੱਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਸਮਮਿਤੀ ਸੰਖਿਆਤਮਕ ਡੇਟਾ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ, ਪਰ ਆਊਟਲੀਅਰਾਂ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ।
2. ਸਥਿਤੀ ਦੇ ਆਧਾਰ 'ਤੇ ਮੱਧਮਾਨ, ਤਿਰਛੇ ਡੇਟਾ ਲਈ ਢੁਕਵਾਂ, ਆਊਟਲੀਅਰਾਂ ਦੇ ਵਿਰੁੱਧ ਵਧੇਰੇ ਮਜ਼ਬੂਤ।
3. ਬਾਰੰਬਾਰਤਾ 'ਤੇ ਅਧਾਰਤ ਮੋਡ, ਸ਼੍ਰੇਣੀਬੱਧ/ਨਾਮਜ਼ਦ ਡੇਟਾ ਲਈ ਅਤੇ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਮੁੱਲ ਦੇਖਣ ਲਈ ਢੁਕਵਾਂ।

ਬਹੁਤ ਸਾਰੀਆਂ ਅੰਕੜਾ ਕਿਤਾਬਾਂ ਵਿੱਚ, ਤਿੰਨ ਵੰਡਾਂ ਵਿਚਕਾਰ ਇੱਕ ਆਮ ਸਬੰਧ ਹੈ:
- ਸਮਮਿਤੀ ਵੰਡ: ਔਸਤ ≈ ਮੱਧਮਾਨ ≈ ਮੋਡ
– ਵੰਡ ਸੱਜੇ ਪਾਸੇ ਤਿਰਛੀ (ਸੱਜੇ ਪਾਸੇ ਤਿਰਛੀ): ਔਸਤ > ਮੱਧਮਾਨ > ਮੋਡ
– Distribusi miring ke kiri (skewed left) : mean < median < modus Namun ini adalah kecenderungan, bukan aturan mutlak. 5. Kapan Menggunakan Mean, Median, atau Modus? Memilih ukuran pemusatan yang tepat bergantung pada karakter data dan tujuan analisis. Gunakan Mean jika: - Data berbentuk numerik (interval/rasio). - Distribusi relatif simetris. - Tidak ada outlier ekstrem atau outlier sudah ditangani. - Anda membutuhkan dasar untuk perhitungan statistik lainnya. Contoh situasi: rata-rata nilai ujian kelas dengan sebaran nilai wajar. Gunakan Median jika: - Data numerik tetapi terdapat outlier atau distribusinya miring. - Anda ingin nilai “tipikal” yang lebih stabil. - Data bersifat ordinal. Contoh situasi: median gaji karyawan, median harga rumah, median waktu tempuh perjalanan. Gunakan Modus jika: - Data bersifat nominal atau kategorik. - Anda ingin mengetahui pilihan yang paling umum. Contoh situasi: ukuran baju yang paling banyak dibeli (S/M/L), metode pembayaran paling sering dipakai, atau jenis produk terlaris. Kesimpulan Mean, median, dan modus adalah tiga ukuran pemusatan data yang sangat penting dalam statistika deskriptif. Mean memberikan rata-rata dengan mempertimbangkan semua nilai, namun rentan terhadap outlier. Median menunjukkan nilai tengah yang lebih tahan terhadap nilai ekstrem dan cocok untuk data yang skewed. Modus menyoroti nilai atau kategori yang paling sering muncul dan sangat berguna untuk data kategorik. Dengan memahami perbedaan dan konteks penggunaannya, Anda dapat memilih ukuran pemusatan yang paling tepat agar kesimpulan dari data menjadi lebih akurat dan mudah dipahami. Jika data Anda memiliki outlier besar, median sering lebih representatif; jika data bersifat kategorik, modus adalah pilihan utama; dan jika data simetris dan “bersih,” mean bisa menjadi ringkasan yang paling informatif.