গাণিতিক গড় প্রতিটি ডেটা পয়েন্টকে চূড়ান্ত গড়ের সমান অবদানকারী হিসেবে বিবেচনা করে, যখন ওজনযুক্ত গড় বিভিন্ন মানের উপর নির্দিষ্ট মাত্রার গুরুত্ব নির্ধারণ করে। এই পার্থক্য বোঝা সহজ শ্রেণীর গড় গণনা থেকে শুরু করে জটিল আর্থিক পোর্টফোলিও নির্ধারণ পর্যন্ত সবকিছুর জন্য অত্যন্ত গুরুত্বপূর্ণ যেখানে কিছু সম্পদ অন্যদের তুলনায় বেশি তাৎপর্যপূর্ণ।
সমস্ত মান যোগ করে এবং মোট গণনা দিয়ে ভাগ করে গণনা করা আদর্শ গড়।
একটি গড় যেখানে নির্ধারিত ওজনের উপর ভিত্তি করে কিছু মান চূড়ান্ত ফলাফলে অন্যদের তুলনায় বেশি অবদান রাখে।
| বৈশিষ্ট্য | পাটিগণিতের গড় | ওজনযুক্ত গড় |
|---|---|---|
| গুরুত্বের স্তর | সকল মান সমান | ডেটা পয়েন্ট প্রতি পরিবর্তিত হয় |
| গাণিতিক সূত্র | $\যোগ x / n$ | $\সমষ্টি (x \cdot w) / \সমষ্টি w$ |
| হর | আইটেমের সংখ্যা | ওজনের যোগফল |
| সেরা ব্যবহারের ক্ষেত্রে | ধারাবাহিক ডেটাসেট | গ্রেডিং, ফিন্যান্স, অর্থনীতি |
| স্কেলের প্রতি সংবেদনশীলতা | সমানভাবে সংবেদনশীল | ওজনের আকার দ্বারা নির্ধারিত |
| সম্পর্ক | সরল/সমতল গড় | আনুপাতিক/সমন্বিত গড় |
গাণিতিক গড়ের ক্ষেত্রে, যদি আপনার পাঁচটি পরীক্ষার স্কোর থাকে, তাহলে প্রতিটি আপনার চূড়ান্ত গ্রেডের ঠিক ২০% হবে। তবে, একটি ওজনযুক্ত গড়ের ক্ষেত্রে, একটি চূড়ান্ত পরীক্ষার ওজন ৪০% নির্ধারণ করা যেতে পারে যেখানে একটি ছোট কুইজ কেবল ৫% গণনা করে। এটি নিশ্চিত করে যে বড় কাজগুলিতে আপনার পারফরম্যান্স ছোট কাজের তুলনায় ফলাফলের উপর বেশি প্রভাব ফেলে।
গাণিতিক গড় বের করার জন্য, আপনাকে কেবল তাদের যোগ করে ভাগ করতে হবে। ওজনযুক্ত গড়ের জন্য, প্রক্রিয়াটি আরও কিছুটা জড়িত: আপনি প্রতিটি মানকে তার ওজন দিয়ে গুণ করুন, সেই ফলাফলগুলিকে একসাথে যোগ করুন এবং তারপর ব্যবহৃত সমস্ত ওজনের মোট পরিমাণ দিয়ে ভাগ করুন। যদি ওজনগুলি শতকরা হয় যা 100% পর্যন্ত যোগ করে, তাহলে ভাগের ধাপটি মূলত 1 দিয়ে ভাগ করা।
অর্থনীতিবিদরা ভোক্তা মূল্য সূচক (CPI) এর মাধ্যমে মুদ্রাস্ফীতি ট্র্যাক করার জন্য ওজনযুক্ত উপায় ব্যবহার করেন। তারা কেবল একটি দোকানের প্রতিটি জিনিসের গড় মূল্য নির্ধারণ করেন না; তারা ভাড়া বা পেট্রোলের মতো প্রয়োজনীয় জিনিসপত্রের উপর বেশি গুরুত্ব দেন এবং গয়নার মতো বিলাসবহুল জিনিসপত্রের উপর কম গুরুত্ব দেন। এটি একটি সাধারণ গড়ের তুলনায় একটি সাধারণ পরিবারের প্রকৃত ব্যয়ের অভ্যাসকে আরও সঠিকভাবে প্রতিফলিত করে।
গাণিতিক গড়কে সহজেই একটি চরম মান দ্বারা 'মিথ্যা' বলা যেতে পারে। যদি বহির্গত মান কম তাৎপর্যপূর্ণ বলে জানা যায়, তাহলে এটি হ্রাস করার জন্য একটি ওজনযুক্ত গড় ব্যবহার করা যেতে পারে। চরম বা কম নির্ভরযোগ্য ডেটা পয়েন্টগুলিতে কম ওজন নির্ধারণ করে, ফলে প্রাপ্ত গড় ডেটাসেটের 'সাধারণ' কেন্দ্রের কাছাকাছি থাকে।
একটি ওজনযুক্ত গড় সর্বদা একটি গাণিতিক গড়ের চেয়ে বেশি 'সঠিক'।
অগত্যা নয়। যদি আপনি ইচ্ছামত বা ভুল ওজন ব্যবহার করেন, তাহলে ফলাফল পক্ষপাতদুষ্ট হবে। শুধুমাত্র তখনই এটি ব্যবহার করুন যখন একটি ডেটা পয়েন্টকে আরও গুরুত্বপূর্ণ করার বাস্তব কারণ থাকে।
একটি ওজনযুক্ত গড়ের হর হল আইটেমের সংখ্যা।
এটি সবচেয়ে সাধারণ গণনার ত্রুটি। হরটি আপনার ব্যবহৃত সমস্ত ওজনের যোগফল হতে হবে, অন্যথায় ফলাফলটি ভুলভাবে স্কেল করা হবে।
ওজনযুক্ত গড় শুধুমাত্র গ্রেডের জন্য।
এগুলো সর্বত্র ব্যবহৃত হয়! ডাও জোন্স ইন্ডাস্ট্রিয়াল গড় থেকে শুরু করে বিভিন্ন সেন্সর অবস্থানের উপর ভিত্তি করে একটি ঘরের গড় তাপমাত্রা গণনা করা পর্যন্ত।
যদি সমস্ত ওজন একই হয়, তাহলে ওজনযুক্ত গড় ভিন্ন হবে।
যদি প্রতিটি ওজন সমান হয় (যেমন, সবগুলোই ১), তাহলে গণিত পুরোপুরিভাবে গাণিতিক গড়ের দিকে সরলীকরণ করা হবে। তারা মূলত একই সিস্টেম।
সরল তথ্যের জন্য গাণিতিক গড় ব্যবহার করুন যেখানে প্রতিটি এন্ট্রি পরিমাপের একটি অভিন্ন একক উপস্থাপন করে। যখন নির্দিষ্ট কিছু বিষয় - যেমন ক্রেডিট ঘন্টা, জনসংখ্যার আকার, বা আর্থিক বিনিয়োগ - কিছু ডেটা পয়েন্টকে অন্যদের তুলনায় বেশি অর্থবহ করে তোলে তখন ওজনযুক্ত গড় বেছে নিন।
যদিও উভয় পদই দুটি সেটের মধ্যে উপাদানগুলিকে কীভাবে ম্যাপ করা হয় তা বর্ণনা করে, তারা সমীকরণের বিভিন্ন দিককে সম্বোধন করে। এক-থেকে-এক (ইনজেক্টিভ) ফাংশনগুলি ইনপুটগুলির স্বতন্ত্রতার উপর ফোকাস করে, নিশ্চিত করে যে কোনও দুটি পথ একই গন্তব্যে নিয়ে যায় না, অন্যদিকে (অনুমানিক) ফাংশনগুলি নিশ্চিত করে যে প্রতিটি সম্ভাব্য গন্তব্যে আসলে পৌঁছানো হয়েছে।
অভিসারী এবং বিমুখ ধারার মধ্যে পার্থক্য নির্ধারণ করে যে অসীম সংখ্যার যোগফল একটি নির্দিষ্ট, সসীম মানে স্থির হয় নাকি অসীমের দিকে ঘুরে বেড়ায়। যদিও একটি অভিসারী ধারা ক্রমশ তার পদগুলিকে 'সঙ্কুচিত' করে যতক্ষণ না তাদের মোট সংখ্যা একটি স্থির সীমায় পৌঁছায়, একটি বিমুখ ধারা স্থিতিশীল হতে ব্যর্থ হয়, হয় আবদ্ধ না হয়ে বৃদ্ধি পায় অথবা চিরতরে দোদুল্যমান হয়।
যদিও উভয় সিস্টেমই দ্বি-মাত্রিক সমতলে অবস্থান চিহ্নিত করার প্রাথমিক উদ্দেশ্য পূরণ করে, তারা বিভিন্ন জ্যামিতিক দর্শন থেকে কাজটি সম্পন্ন করে। কার্টেসিয়ান স্থানাঙ্কগুলি অনুভূমিক এবং উল্লম্ব দূরত্বের একটি কঠোর গ্রিডের উপর নির্ভর করে, যেখানে পোলার স্থানাঙ্কগুলি একটি কেন্দ্রীয় স্থির বিন্দু থেকে সরাসরি দূরত্ব এবং কোণের উপর ফোকাস করে।
কোণ এবং ঢাল উভয়ই একটি রেখার 'খাড়াতা' পরিমাপ করে, কিন্তু তারা ভিন্ন গাণিতিক ভাষা ব্যবহার করে। একটি কোণ দুটি ছেদকারী রেখার মধ্যে বৃত্তাকার ঘূর্ণনকে ডিগ্রি বা রেডিয়ানে পরিমাপ করে, অন্যদিকে ঢাল অনুভূমিক 'রান'-এর সাপেক্ষে উল্লম্ব 'উত্থান'কে সংখ্যাসূচক অনুপাত হিসাবে পরিমাপ করে।
গড় এবং প্রচুরকের মধ্যে গাণিতিক পার্থক্য ব্যাখ্যা করা হয়েছে এই তুলনায়, যা ডেটা সেট বর্ণনা করার জন্য ব্যবহৃত কেন্দ্রীয় প্রবণতার দুটি মূল পরিমাপ। এটি কীভাবে এগুলো গণনা করা হয়, বিভিন্ন ধরনের ডেটার প্রতি এগুলোর প্রতিক্রিয়া কেমন, এবং বিশ্লেষণে কোনটি সবচেয়ে কার্যকর তা নিয়ে আলোচনা করে।
