یہ موازنہ اوسط اور میڈین کے شماریاتی تصورات کی وضاحت کرتا ہے، یہ بتاتا ہے کہ مرکزی رجحان کی ہر پیمائش کیسے شمار کی جاتی ہے، مختلف ڈیٹا سیٹس کے ساتھ ان کا رویہ کیسا ہوتا ہے، اور ڈیٹا کی تقسیم اور بیرونی اقدار کی موجودگی کے لحاظ سے کب ایک دوسری سے زیادہ معلوماتی ہو سکتی ہے۔
اعدادی اقدار کو جمع کر کے ان کی تعداد سے تقسیم کر کے حاصل ہونے والا حسابی اوسط۔
ترتیب شدہ ڈیٹاسیٹ میں نچلے اور بالائی نصف حصوں کو الگ کرنے والی مرکزی قدر۔
| خصوصیت | مطلب | میڈین |
|---|---|---|
| تعریف | تمام اقدار کا حسابی اوسط | ترتیب شدہ فہرست کا درمیانی قدر |
| حساب کا طریقہ | مقداروں کا مجموعہ ÷ گنتی | قدروں کو ترتیب دیں اور درمیانی نقطہ منتخب کریں |
| آؤٹ لائر حساسیت | انتہائی حساس | آؤٹ لائرز کے خلاف مزاحم |
| بہترین ہم آہنگی کے لیے | ہاں | کم اہمیت رکھنے والا |
| بہترین ترچھے ڈیٹا کے لیے | کم نمائندگی والا | زیادہ نمائندہ |
| آرڈر کرنے کی ضرورت ہے | نہیں | ہاں |
| عام مثال استعمال | اوسط ٹیسٹ سکور | میڈین گھریلو آمدنی |
اعداد کے مجموعے میں تمام اعداد کو جمع کر کے ان کی تعداد سے تقسیم کرنے سے اوسط حاصل ہوتی ہے، جو ایک مرکزی عددی اوسط دیتی ہے۔ اس کے برعکس، وسطانیہ کا تعین اعداد کو کم سے زیادہ ترتیب دے کر کیا جاتا ہے اور درمیانی قدر کو منتخب کیا جاتا ہے، یا اگر اعداد کی کل تعداد جفت ہو تو دو درمیانی اعداد کی اوسط لی جاتی ہے۔
میانہ تمام اقدار کو یکساں طور پر شامل کرتا ہے اس لیے انتہائی زیادہ یا کم اقدار اس کے نتیجے میں بہت زیادہ اثر انداز ہوتی ہیں، جس سے ترچھی ڈیٹا میں عام قدر کی غلط نمائندگی ہو سکتی ہے۔ میڈین اقدار کی مقدار سے قطع نظر ان کے ترتیب کو مدنظر رکھتا ہے، جس کی وجہ سے یہ انتہائی اقدار سے کم متاثر ہوتا ہے اور ترچھی تقسیم میں اکثر زیادہ معلوماتی ہوتا ہے۔
متوازن ڈیٹاسیٹس میں جن میں انتہائی قدریں نہ ہوں، اوسط اور میڈین اکثر قریب قریب ہوتے ہیں اور دونوں ڈیٹاسیٹ کے مرکز کو اچھی طرح بیان کرتے ہیں۔ تاہم، ایسی تقسیمات میں جہاں ایک طرف لمبی دم ہو، اوسط دم کی طرف منتقل ہو جاتی ہے جبکہ میڈین اس مقام پر برقرار رہتی ہے جہاں آدھا ڈیٹا اوپر اور آدھا نیچے ہوتا ہے، جو ایک مختلف نقطہ نظر پیش کرتا ہے۔
میانگین کا حساب لگانا سیدھا ہے اور ترتیب دیے بغیر کیا جا سکتا ہے، جو سادہ فہرستوں یا حقیقی وقت کے حساب کے لیے تیز ہو سکتا ہے۔ میڈین کے لیے پہلے اقدار کو ترتیب دینا پڑتا ہے، جو بہت بڑی فہرستوں کے لیے حساب میں اضافی بوجھ ڈال سکتا ہے لیکن ایک ایسا وسطی قدر دیتا ہے جو غیر معمولی قدروں کی شدت سے متاثر نہیں ہوتا۔
میانہ اور وسطانی ہمیشہ ایک جیسا نتیجہ دیتے ہیں۔
میانہ اور وسط صرف اس وقت ایک جیسے ہوتے ہیں جب ڈیٹا تقریباً متوازن ہو اور انتہائی قدریں نہ ہوں؛ جب ڈیٹا جھکا ہوا یا غیر یکساں ہو تو ان میں نمایاں فرق ہو سکتا ہے۔
میانگین ہمیشہ بہترین اوسط پیمائش ہوتی ہے۔
میانگین ایک روایتی اوسط ہے لیکن ترچھے ڈیٹا یا آؤٹ لائرز کی صورت میں گمراہ کن ہو سکتی ہے، جہاں میڈین عام طور پر ڈیٹاسیٹ کی عام قدر کو بہتر طور پر ظاہر کرتا ہے۔
میڈین اہم ڈیٹا کو نظر انداز کرتا ہے۔
میڈین ڈیٹا کو نظر انداز نہیں کرتا؛ یہ مرکزی پوزیشن پر توجہ دیتا ہے اور جان بوجھ کر آؤٹ لائرز کے اثر کو کم کرتا ہے تاکہ ایک مضبوط مرکزی قدر فراہم کرے۔
میڈین جفت تعداد والے ڈیٹاسیٹس کے ساتھ کام نہیں کرتا۔
جفت نمبر والے ڈیٹا سیٹس کے لیے میڈین کا حساب دو مرکزی اقدار کے اوسط کے طور پر لگایا جاتا ہے جو ترتیب دینے کے بعد ہوتا ہے، اس لیے یہ اب بھی ایک مرکز نقطہ کی وضاحت کرتا ہے۔
جب آپ کا ڈیٹا تقریباً ہموار ہو اور غیر معمولی قدریں کم ہوں تو اوسط کا استعمال کریں، کیونکہ یہ ایک روایتی اوسط فراہم کرتا ہے۔ جب آپ کا ڈیٹاسیٹ جھکا ہوا ہو یا اس میں انتہائی قدریں ہوں تو میڈین کا انتخاب کریں، کیونکہ یہ ایک مرکزی قدر دیتا ہے جو عام اندراج کی بہتر عکاسی کرتی ہے۔
جبکہ اسکیلرز اور ویکٹر دونوں ہمارے اردگرد کی دنیا کی مقدار درست کرتے ہیں، بنیادی فرق ان کی پیچیدگی میں ہے۔ اسکیلر طول و عرض کی ایک سادہ پیمائش ہے، جب کہ ایک ویکٹر اس سائز کو ایک مخصوص سمت کے ساتھ جوڑتا ہے، جو اسے جسمانی خلا میں حرکت اور قوت کو بیان کرنے کے لیے ضروری بناتا ہے۔
جبکہ حقیقی اعداد ان تمام اقدار کو گھیرے ہوئے ہیں جنہیں ہم عام طور پر طبعی دنیا کی پیمائش کے لیے استعمال کرتے ہیں—پورے عدد سے لے کر لامحدود اعشاریہ تک—پیچیدہ اعداد خیالی اکائی $i$ کو متعارف کروا کر اس افق کو بڑھاتے ہیں۔ یہ اضافہ ریاضی دانوں کو ان مساواتوں کو حل کرنے کی اجازت دیتا ہے جن کا کوئی حقیقی حل نہیں ہے، جس سے ایک دو جہتی نمبر کا نظام تشکیل پاتا ہے جو جدید طبیعیات اور انجینئرنگ کے لیے ضروری ہے۔
جب کہ الجبرا عمل کے تجریدی اصولوں اور نامعلوم کو حل کرنے کے لیے علامتوں کی ہیرا پھیری پر توجہ مرکوز کرتا ہے، جیومیٹری خلا کی طبعی خصوصیات کو دریافت کرتی ہے، بشمول سائز، شکل، اور اعداد و شمار کی رشتہ دار پوزیشن۔ ایک ساتھ مل کر، وہ ریاضی کی بنیاد بناتے ہیں، منطقی تعلقات کو بصری ڈھانچے میں ترجمہ کرتے ہیں۔
امکان اور اعدادوشمار ایک ہی ریاضی کے سکے کے دو رخ ہیں، جو مخالف سمتوں سے آنے والی غیر یقینی صورتحال سے نمٹتے ہیں۔ اگرچہ امکان معلوم ماڈلز کی بنیاد پر مستقبل کے نتائج کے امکان کی پیشین گوئی کرتا ہے، اعداد و شمار ان ماڈلز کی تعمیر یا تصدیق کے لیے ماضی کے ڈیٹا کا تجزیہ کرتے ہیں، بنیادی سچائی کو تلاش کرنے کے لیے مشاہدات سے پیچھے ہٹ کر مؤثر طریقے سے کام کرتے ہیں۔
اگرچہ اکثر آرام دہ گفتگو میں ایک دوسرے کے ساتھ استعمال کیا جاتا ہے، امکان اور مشکلات واقعہ کے امکان کو ظاہر کرنے کے دو مختلف طریقوں کی نمائندگی کرتے ہیں۔ امکان سازگار نتائج کی تعداد کا موازنہ امکانات کی کل تعداد سے کرتا ہے، جب کہ مشکلات موافق نتائج کی تعداد کا موازنہ براہ راست غیر موافق نتائج کی تعداد سے کرتی ہیں۔
