अंकगणित सरासरी प्रत्येक डेटा पॉइंटला अंतिम सरासरीमध्ये समान योगदानकर्ता मानते, तर भारित सरासरी वेगवेगळ्या मूल्यांना विशिष्ट पातळीचे महत्त्व देते. साध्या वर्ग सरासरीची गणना करण्यापासून ते जटिल आर्थिक पोर्टफोलिओ निश्चित करण्यापर्यंत जिथे काही मालमत्ता इतरांपेक्षा अधिक महत्त्वाच्या असतात अशा प्रत्येक गोष्टीसाठी हा फरक समजून घेणे महत्त्वाचे आहे.
सर्व मूल्यांची बेरीज करून आणि एकूण संख्येने भागून मोजलेली मानक सरासरी.
अशी सरासरी जिथे काही मूल्ये नियुक्त केलेल्या वजनांवर आधारित इतरांपेक्षा अंतिम निकालात जास्त योगदान देतात.
| वैशिष्ट्ये | अंकगणित सरासरी | भारित सरासरी |
|---|---|---|
| महत्त्व पातळी | सर्व मूल्ये समान आहेत. | डेटा पॉइंटनुसार बदलते |
| गणितीय सूत्र | $\बेरीज x / n$ | $\बेरीज (x \cdot w) / \बेरीज w$ |
| भाजक | वस्तूंची संख्या | वजनांची बेरीज |
| सर्वोत्तम वापर केस | सुसंगत डेटासेट | ग्रेडिंग, वित्त, अर्थशास्त्र |
| स्केलची संवेदनशीलता | एकसारखे संवेदनशील | वजनाच्या आकारानुसार निश्चित केले जाते |
| नाते | साधे/सपाट सरासरी | प्रमाणबद्ध/समायोजित सरासरी |
अंकगणित सरासरीमध्ये, जर तुमचे पाच परीक्षेतील गुण असतील, तर प्रत्येकी गुण तुमच्या अंतिम ग्रेडच्या अगदी २०% असतात. तथापि, भारित सरासरीमध्ये, अंतिम परीक्षेला ४०% भार दिला जाऊ शकतो तर लहान क्विझ फक्त ५% मोजली जाते. हे सुनिश्चित करते की मोठ्या कामांवरील तुमच्या कामगिरीचा किरकोळ कामांपेक्षा निकालावर जास्त परिणाम होतो.
अंकगणित सरासरी शोधण्यासाठी, तुम्ही फक्त त्यांना जोडा आणि भागाकार करा. भारित सरासरीसाठी, प्रक्रिया थोडी अधिक गुंतागुंतीची आहे: तुम्ही प्रत्येक मूल्याला त्याच्या वजनाने गुणाकार करा, ते निकाल एकत्र करा आणि नंतर वापरलेल्या सर्व वजनांच्या एकूण संख्येने भागाकार करा. जर वजने टक्केवारी असतील जी १००% पर्यंत बेरीज करतात, तर भागाकार पायरी म्हणजे फक्त १ ने भागणे.
अर्थशास्त्रज्ञ ग्राहक किंमत निर्देशांक (CPI) द्वारे महागाईचा मागोवा घेण्यासाठी भारित माध्यमांचा वापर करतात. ते केवळ दुकानातील प्रत्येक वस्तूची सरासरी किंमत मोजत नाहीत; ते भाडे किंवा पेट्रोलसारख्या आवश्यक वस्तूंना जास्त महत्त्व देतात आणि दागिन्यांसारख्या लक्झरी वस्तूंना कमी महत्त्व देतात. हे एका सामान्य कुटुंबाच्या प्रत्यक्ष खर्चाच्या सवयी साध्या सरासरीपेक्षा अधिक अचूकपणे प्रतिबिंबित करते.
अंकगणितीय सरासरी एका टोकाच्या मूल्याने सहजपणे 'खोटे' बोलता येते. जर बाह्य मूल्य कमी महत्त्वाचे असल्याचे ज्ञात असेल तर ते कमी करण्यासाठी भारित सरासरीचा वापर केला जाऊ शकतो. टोकाच्या किंवा कमी विश्वासार्ह डेटा पॉइंट्सना कमी वजन देऊन, परिणामी सरासरी डेटासेटच्या 'सामान्य' केंद्राच्या जवळ राहते.
भारित सरासरी नेहमीच अंकगणित सरासरीपेक्षा जास्त 'बरोबर' असते.
आवश्यक नाही. जर तुम्ही अनियंत्रित किंवा चुकीचे वजन वापरले तर निकाल पक्षपाती असेल. जेव्हा एखादा डेटा पॉइंट अधिक महत्त्वाचा असण्याचे तथ्यात्मक कारण असेल तेव्हाच ते वापरा.
भारित सरासरीचा भाजक म्हणजे वस्तूंची संख्या.
ही सर्वात सामान्य गणना त्रुटी आहे. भाजक हा तुम्ही वापरलेल्या सर्व वजनांची बेरीज असावा, अन्यथा निकाल चुकीच्या पद्धतीने मोजला जाईल.
भारित सरासरी फक्त ग्रेडसाठी आहेत.
ते सर्वत्र वापरले जातात! डाऊ जोन्स इंडस्ट्रियल सरासरीपासून ते वेगवेगळ्या सेन्सर स्थानांवर आधारित खोलीचे सरासरी तापमान मोजण्यापर्यंत.
जर सर्व वजने समान असतील तर भारित सरासरी वेगळी असते.
जर प्रत्येक वजन समान असेल (उदा., सर्व १ आहेत), तर गणित पूर्णपणे अंकगणित सरासरीमध्ये परत येते. ते मूलतः समान प्रणाली आहेत.
सरळ डेटासाठी अंकगणितीय सरासरी वापरा जिथे प्रत्येक नोंद मोजमापाचे एकसारखे एकक दर्शवते. जेव्हा काही घटक - जसे की क्रेडिट तास, लोकसंख्येचा आकार किंवा आर्थिक गुंतवणूक - काही डेटा पॉइंट्स इतरांपेक्षा अधिक अर्थपूर्ण बनवतात तेव्हा भारित सरासरी निवडा.
त्यांच्या गाभ्यामध्ये, अंकगणित आणि भूमितीय क्रम हे संख्यांची यादी वाढवण्याचे किंवा कमी करण्याचे दोन वेगवेगळे मार्ग आहेत. अंकगणित क्रम बेरीज किंवा वजाबाकीद्वारे स्थिर, रेषीय वेगाने बदलतो, तर भौमितिक क्रम गुणाकार किंवा भागाकाराद्वारे घातांकीय गतीने वाढतो किंवा कमी होतो.
नमुने ओळखणे हे एक मूलभूत गणितीय कौशल्य आहे, परंतु तुम्ही संख्या हाताळता की आकार, यावर अवलंबून त्याची पद्धत लक्षणीयरीत्या बदलते. अंकगणितीय श्रेण्या सलग पदांमधील एका निश्चित, अपरिवर्तनीय संख्यात्मक फरकावर अवलंबून असतात, तर दृश्य अनुक्रमांमध्ये बदलणारे भौमितिक गुणधर्म, रंग किंवा मांडणी यांचा उपयोग केला जातो. या दोन्ही गोष्टी समजून घेतल्याने अमूर्त बीजगणितीय सूत्रे आणि सहज अवकाशीय तर्क यांच्यातील दरी सांधण्यास मदत होते.
क्रम विश्लेषण हे मांडणीचे प्रमाण ठरवण्यासाठी आणि क्रमबद्ध डेटामधून अचूक मापदंड काढण्यासाठी अल्गोरिथमिक, गणितीय आणि सांख्यिकीय सूत्रांवर अवलंबून असते, तर पॅटर्न व्हिज्युअलायझेशन या जटिल डेटा प्रवाहांचे सहज समजणाऱ्या अवकाशीय मांडणीमध्ये रूपांतर करते, ज्यामुळे लक्ष संख्यात्मक गणनेवरून जलद मानवी पॅटर्न ओळखण्याकडे वळते.
अमूर्त संख्या परिमाणांना औपचारिक नियम आणि बीजगणितीय समीकरणांद्वारे नियंत्रित शुद्ध सांकेतिक तर्कशास्त्र म्हणून मानतात, तर भूमितीय अर्थ त्याच मूल्यांना मूर्त आकार, रेषा आणि अवकाशीय मितींमध्ये रूपांतरित करतात. एकत्रितपणे, हे दोन दृष्टिकोन गणितामध्ये एक दुहेरी भाषा तयार करतात, जी निरस सांकेतिक कार्यक्षमता आणि सहज दृश्य आकलन यांच्यात संतुलन साधते.
जरी अल्गोरिथमिक निर्मिती ठरलेल्या नियमांवर आधारित गणितीय संरचना, सिद्धता आणि कच्चा डेटा वेगाने तयार करण्यासाठी प्रचंड संगणकीय शक्तीचा वापर करते, तरी मानवी अन्वयार्थ त्या निष्पत्ती समजून घेण्यासाठी आवश्यक असलेले अंतर्ज्ञान, संदर्भात्मक अर्थ आणि वैचारिक चौकट प्रदान करतो, जे आधुनिक गणितातील एक गहन सहजीवन अधोरेखित करते.
