इस तुलना में माध्य और बहुलक के बीच गणितीय अंतर को समझाया गया है, जो डेटा सेट का वर्णन करने के लिए उपयोग की जाने वाली केंद्रीय प्रवृत्ति के दो मुख्य माप हैं। इसमें बताया गया है कि इन्हें कैसे गणना किया जाता है, ये विभिन्न प्रकार के डेटा पर कैसे प्रतिक्रिया करते हैं, और विश्लेषण में इनका उपयोग कब सबसे अधिक उपयोगी होता है।
सभी संख्याओं को जोड़कर और उनकी गिनती से भाग देकर प्राप्त की गई अंकगणितीय औसत।
डेटासेट में सबसे अधिक बार आने वाला मान, यदि कोई हो।
| विशेषता | मीन | मोड |
|---|---|---|
| परिभाषा | संख्यात्मक औसत | सबसे अधिक बार आने वाला मान |
| गणना विधि | जोड़ें फिर गिनती से भाग दें | मूल्यों की आवृत्ति गिनें |
| डेटा मानों पर निर्भरता | सभी मानों का उपयोग करता है | केवल आवृत्ति गणना का उपयोग करता है |
| बाहरी मानों का प्रभाव | अत्यधिक संवेदनशील | बाहरी मानों से अप्रभावित |
| श्रेणीबद्ध डेटा पर लागू होता है | नहीं | हाँ |
| अद्वितीयता | हमेशा एक मतलबी | कई मोड हो सकते हैं या कोई नहीं |
| सामान्य उदाहरण उपयोग | औसत परीक्षा अंक | सबसे आम श्रेणी |
सभी मानों को जोड़कर डेटासेट में मौजूद मानों की संख्या से भाग देने पर माध्य प्राप्त होता है, जिससे संख्यात्मक औसत मिलता है। वहीं, बहुलक वह एकल मान होता है जो सबसे अधिक बार आता है, जो परिमाण के बजाय आवृत्ति को दर्शाता है।
डेटासेट में हर मान का प्रतिबिंब माध्य में होता है, इसलिए असामान्य रूप से ऊँचे या निचले अंक इसे काफी हद तक बदल सकते हैं। बहुलक केवल इस बात पर निर्भर करता है कि कोई मान कितनी बार आता है, जिससे यह अत्यधिक या दुर्लभ मानों के प्रभावों से प्रतिरोधी होता है।
माध्य आमतौर पर मात्रात्मक डेटा पर लागू किया जाता है जहाँ वास्तविक संख्यात्मक औसत सार्थक होते हैं, जैसे कि ऊँचाई या परीक्षा के अंक। बहुलक का उपयोग संख्यात्मक और श्रेणीगत दोनों प्रकार के डेटा के लिए किया जा सकता है, जैसे सर्वेक्षण के उत्तर या सबसे सामान्य परिणाम।
प्रत्येक डेटासेट का ठीक एक माध्य होता है, चाहे वह मान डेटासेट का हिस्सा न हो। बहुलक कई रूपों में आ सकते हैं: एक डेटासेट का कोई बहुलक नहीं हो सकता अगर कोई मान दोहराया न जाए, एकल बहुलक हो सकता है, या कई बहुलक हो सकते हैं अगर कई मानों की आवृत्ति सबसे अधिक हो।
माध्य और बहुलक हमेशा एक ही केंद्र मान देते हैं।
माध्य और बहुलक केवल अत्यधिक सममित या एकसमान डेटासेट में ही मेल खाते हैं; कई वास्तविक डेटासेट में, सबसे अधिक बार आने वाला मान संख्यात्मक औसत से भिन्न होता है।
मोड महत्वपूर्ण डेटा को नज़रअंदाज़ करता है क्योंकि यह केवल आवृत्ति की गिनती करता है।
मोड सबसे सामान्य परिणाम को उजागर करता है और इसका उद्देश्य औसत मान को दर्शाना नहीं है; यह संख्यात्मक औसत के बजाय आवृत्ति विश्लेषण के लिए मूल्यवान है।
प्रत्येक डेटासेट का एक बहुलक होना चाहिए।
कुछ डेटासेट में कोई बहुलक नहीं होता यदि कोई मान दूसरों से अधिक बार दोहराया नहीं जाता, इसका मतलब है कि उस स्थिति में केंद्रीय प्रवृत्ति को उजागर करने के लिए आवृत्ति उपयोगी नहीं होती।
औसत हमेशा सामान्य मान का सबसे अच्छा माप होता है।
चरम मानों वाले विषम आँकड़ों के लिए माध्य भ्रामक हो सकता है, जहाँ बहुलक या माध्यिका एक बेहतर विशिष्ट मान का संकेत दे सकते हैं।
जब आपको संख्यात्मक डेटा में सभी मानों को दर्शाने वाला एक औसत चाहिए हो और बाहरी मान समस्या न हों, तो माध्य चुनें। जब आप डेटासेट में सबसे सामान्य मान की पहचान करना चाहते हों, विशेष रूप से श्रेणीबद्ध या आवृत्ति-उन्मुख डेटा के साथ, तो बहुलक का उपयोग करें।
असल में, अरिथमेटिक और जियोमेट्रिक सीक्वेंस नंबरों की लिस्ट को बढ़ाने या घटाने के दो अलग-अलग तरीके हैं। एक अरिथमेटिक सीक्वेंस जोड़ने या घटाने से एक जैसी, सीधी रफ़्तार से बदलता है, जबकि एक जियोमेट्रिक सीक्वेंस गुणा या भाग से तेज़ी से बढ़ता या घटता है।
पैटर्न को समझना एक खास मैथमेटिकल स्किल है, लेकिन आप नंबर या शेप में से क्या इस्तेमाल करते हैं, इस पर निर्भर करते हुए तरीका काफी बदल जाता है। जहाँ अरिथमेटिक प्रोग्रेशन लगातार आने वाले टर्म के बीच एक फिक्स्ड, बिना बदलने वाले न्यूमेरिकल अंतर पर निर्भर करते हैं, वहीं विज़ुअल सीक्वेंस बदलते ज्योमेट्रिक प्रॉपर्टी, रंग या अरेंजमेंट का इस्तेमाल करते हैं। दोनों को समझने से एब्स्ट्रैक्ट अलजेब्रिक फ़ॉर्मूला और आसान स्पेशल रीजनिंग के बीच के अंतर को कम करने में मदद मिलती है।
अरिथमेटिक मीन हर डेटा पॉइंट को फ़ाइनल एवरेज में बराबर योगदान देने वाला मानता है, जबकि वेटेड मीन अलग-अलग वैल्यू को खास लेवल का महत्व देता है। इस अंतर को समझना सिंपल क्लास एवरेज कैलकुलेट करने से लेकर कॉम्प्लेक्स फ़ाइनेंशियल पोर्टफ़ोलियो तय करने तक, हर चीज़ के लिए ज़रूरी है, जहाँ कुछ एसेट दूसरों की तुलना में ज़्यादा ज़रूरी होते हैं।
जहां लैटिट्यूड-लॉन्गीट्यूड सिस्टम, पृथ्वी के इक्वेटर और प्राइम मेरिडियन से जुड़े दो परपेंडिकुलर एंगुलर मेज़रमेंट का इस्तेमाल करके थ्री-डाइमेंशनल स्फेरिकल सरफेस पर लोकेशन मैप करते हैं, वहीं पोलर कोऑर्डिनेट सिस्टम एक सेंट्रल स्टार्टिंग रे से मापे गए सिंगल एंगल के साथ एक स्ट्रेट-लाइन रेडियल डिस्टेंस का इस्तेमाल करके एक फ्लैट टू-डाइमेंशनल प्लेन पर पोजीशन बताते हैं।
यह तुलना अभाज्य और संयुक्त संख्याओं की परिभाषाओं, गुणों, उदाहरणों और अंतरों को स्पष्ट करती है, जो प्राकृतिक संख्याओं की दो मूलभूत श्रेणियां हैं। यह बताता है कि उन्हें कैसे पहचाना जाता है, वे गुणनखंडन में कैसे व्यवहार करते हैं, और बुनियादी संख्या सिद्धांत में उन्हें पहचानने का महत्व क्यों है।
