Kalkulador ng Average – Mean, Median, Mode at Range

Ano ang Isang Average (Mean)?

Ang aritmetikong mean ay ang pinaka-karaniwang sukatan ng sentral na tendensya. Ito ay kinakalkula sa pamamagitan ng pagsasama ng lahat ng mga halaga at paghahati sa bilang:

Mean = (x₁ + x₂ +... + xₙ) / n

Halimbawa: Hanapin ang average ng 8, 12, 7, 15, 3:

• Sum: 8 + 12 + 7 + 15 + 3 = 45
• Count: 5
• Mean: 45 / 5 = 9

Ang mean ay sensitibo sa mga ekstremong halaga (outliers). Kung ang isang halaga sa itaas na set ay 100 sa halip na 15: Mean = (8 + 12 + 7 + 100 + 3) / 5 = 26. Ang 26 na ito ay hindi maayos na kumakatawan sa alinman sa mga aktuwal na halaga — ang median ay mas magiging impormatibo sa kasong ito.

Ang aming calculator ay nagkakalkulo din ng median, mode, range, variance, at standard deviation — isang kumpletong buod ng istatistika ng iyong data set.

Mean kumpara sa Median kumpara sa Mode: Alin ang Gagawin?

Ang tatlong sukatan ng sentral na tendensya na ito ay bawat isa ay naglalarawan ng "tipikal" na halaga nang iba:

Klasikong halimbawa — kita sa US: Noong 2023, ang median household income sa US ay ~$74,000, habang ang mean household income ay ~$105,000. Ang mean ay hinila pataas ng mga super-mayayaman. Ang median ay mas maayos na kumakatawan sa tipikal na sambahayan.

Kapag ang mode ang pinaka-kapaki-pakinabang: Mga laki ng sapatos (kailangan ng tindahan na mag-stock ng pinaka-karaniwang laki), mga tugon sa survey ("karamihan sa mga tao ay pumili ng opsyon B"), o anumang categorical data.

Sa isang perpektong symmetric na distribusyon (tulad ng isang bell curve), mean = median = mode. Ang mas malayo ang mga ito na magkahiwalay, mas skewed at asimetric ang iyong data.

Weighted Average: Kapag Hindi Lahat ng Mga Halaga ay Pantay

Ang weighted average ay nagbibigay ng iba't ibang kahalagahan sa iba't ibang mga halaga batay sa itinakdang mga timbang:

Weighted Average = Σ(value × weight) / Σ(weights)

Halimbawa ng pagkalkula ng GPA:

Weighted GPA = 40.7 / 11 = 3.70

Simpleng (hindi-weighted) average ng 4 na grado: (3.7 + 3.3 + 4.0 + 4.0) / 4 = 3.75 — iba dahil ang mas mabigat na Physics course ay humuhulog nito kapag weighted.

Iba pang mga aplikasyon ng weighted average: mga bumalik sa pamumuhunan (weighted ayon sa halaga ng dolyar), mga marka sa pagsusulit ng mag-aaral (pagsusulit na 60%, takdang-aralin 40%), mga istatistika sa palakasan, at mga kalkulasyon ng consumer price index.

Range, Variance, at Standard Deviation

Ang pag-alam sa sentro ng iyong data ay hindi sapat — kailangan mo ring maunawaan ang kalat nito:

• Range: Maximum − minimum. Simple ngunit apektado ng mga outliers. Data set {2, 5, 5, 6, 100}: Range = 98, bagaman 98% ng mga halaga ay nasa pagitan ng 2 at 6.
• Variance: Average ng mga squared deviations mula sa mean. Sumasakop sa kung gaano kalala ang pagkalat ng data, ngunit sa mga squared units (mas mahirap direktang i-interpret).
• Standard Deviation (σ o SD): Square root ng variance. Sa parehong mga yunit tulad ng iyong data — ang pinaka-kapaki-pakinabang na sukatan ng pagkalat.

Pagkalkula ng standard deviation hakbang-hakbang (data: 4, 7, 13, 16):

1. Mean = (4 + 7 + 13 + 16) / 4 = 10
2. Deviations mula sa mean: −6, −3, +3, +6
3. Squared deviations: 36, 9, 9, 36
4. Variance = (36 + 9 + 9 + 36) / 4 = 22.5 (population) o / 3 = 30 (sample)
5. Standard deviation = √22.5 = 4.74 (population)

Ang 68-95-99.7 na patakaran para sa normal na distribusyon: 68% ng data ay nasa loob ng 1 SD, 95% sa loob ng 2 SD, 99.7% sa loob ng 3 SD ng mean.

Geometric Mean kumpara sa Arithmetic Mean para sa Mga Rate ng Paglago

Para sa paghahambing ng mga rate ng paglago o compound returns, ang geometric mean ay mas angkop kaysa sa arithmetic mean:

Geometric Mean = (x₁ × x₂ ×... × xₙ)^(1/n)

Halimbawa — mga bumalik sa pamumuhunan: Ang iyong portfolio ay bumalik ng +50% sa taong 1 at −50% sa taong 2.

• Arithmetic mean: (50% + (−50%)) / 2 = 0% average na bumalik
• Aktwal na resulta: $10,000 → $15,000 → $7,500 — nawala ka ng 25% ng iyong pera!
• Geometric mean: √(1.50 × 0.50) − 1 = √0.75 − 1 = −13.4% bawat taon

Ang geometric mean ay nagpapakita ng totoong compound annual growth rate (CAGR). Laging gamitin ang geometric mean para sa mga bumalik sa pamumuhunan, mga rate ng paglago ng populasyon, at anumang sitwasyon ng pagpaparami. Ang arithmetic mean ay magpapalaki ng pagganap kapag ang mga bumalik ay mababaw.

Pormula ng CAGR: CAGR = (End Value / Start Value)^(1/years) − 1

Halimbawa: Ang $10,000 ay tumataas hanggang $17,500 sa loob ng 5 taon: CAGR = (17,500/10,000)^(1/5) − 1 = 1.75^0.2 − 1 = 11.84% bawat taon.

Praktikalang Pagkalkula ng Average sa Pang-araw-araw na Buhay

Ang mga average ay palagiang lumabas sa pang-araw-araw na mga desisyon:

Ang halimbawa ng suweldo ay nagpapakita kung bakit mas kapaki-pakinabang ang median. Kapag sinusuri ang data ng suweldo sa merkado, tanungin kung tiningnan mo ang mean o median — ang pagkakaiba ay maaaring $10,000–$30,000 sa praktis.

Harmonic Mean: Ang Tamang Average para sa Mga Rate at Ratio

Ang harmonic mean ay ang pinaka hindi kilala sa tatlong Pythagorean mean (arithmetic, geometric, harmonic), ngunit ito ang tamang pagpipilian kapag nag-aaverage ng mga rate, bilis, o ratio kung saan nag-iiba ang denominator:

Harmonic Mean = n / (1/x₁ + 1/x₂ +... + 1/xₙ)

Klasikong halimbawa — average na bilis: Nagmamaneho ka papuntang trabaho sa 60 km/h at bumalik sa 40 km/h. Ano ang iyong average na bilis para sa pag-ikot na paglalakbay?

• Arithmetic mean: (60 + 40) / 2 = 50 km/h — MALI
• Harmonic mean: 2 / (1/60 + 1/40) = 2 / (0.0167 + 0.025) = 2 / 0.0417 = 48 km/h — tama!

Bakit mali ang arithmetic mean? Dahil gumugol ka ng mas maraming oras sa mas mabagal na bilis. Kung ang paglalakbay ay 120 km sa bawat direksyon: ang pagpunta ay tumatagal ng 2 oras (120/60) at ang pagbabalik ay tumatagal ng 3 oras (120/40). Kabuuan: 240 km sa 5 oras = 48 km/h.

Ang harmonic mean ay palaging ≤ sa arithmetic mean, at tumataas ang puwang habang lalo na magkakaiba ang mga halaga. Kabilang sa iba pang gamit ang pag-aaverage ng mga ratio ng presyo-sa-kita sa pananalapi at pag-aaverage ng kahusayan ng gasolina sa iba't ibang sasakyan sa isang fleet.

Mga Average sa Data Science at Running Analytics

Ang mga modernong platform ng running analytics ay naglalabas ng napakalaking halaga ng data, at mahalaga ang pag-unawa kung aling average ang ilapat para sa makabuluhang pagsusuri:

Trimmed mean (truncated mean): Isang kapaki-pakinabang na hybrid na inaalis ang tuktok at ilalim na X% ng mga halaga bago itinuturing ang arithmetic mean. Ang isang 10% na trimmed mean ay inaalis ang pinakamataas na 10% at pinakamababang 10%, pagkatapos ay inaaverage ang natitirang bahagi. Karaniwang ginagamito ito sa mga sistema ng pagskor (tinatanggal ng Olympic figure skating ang pinakamataas at pinakamababang mga puntos ng hurado) at sa pagsusuri ng data ng takbo kung saan ang mga error ng GPS ay maaaring lumikha ng mga extreme na outlier na halaga.

Moving average: Sa pagsusuri ng pagsasanay sa pagtakbo, ang 7-araw o 30-araw na moving average ng pang-araw-araw na lakad ay nagpapatahimik sa araw-araw na pagkakaiba-iba at nagpapakita ng mga trend. Maaaring mag-fluctuate ang iyong training load sa pagitan ng 0 at 20 km sa mga indibidwal na araw, ngunit ang 7-araw na moving average ay nagpapakita ng isang tuluy-tuloy na pagtaas na trend mula 40 hanggang 55 km/linggo — mas kaakit-akit para sa pagsubaybay sa pag-unlad ng fitness at peligro ng pinsala.

Kapag sinusuri ang iyong data sa pagtakbo, tanungin lagi: anong tanong ang sinusubukan kong sagutin? Ang tamang average ay nakasalalay lamang sa tanong. "Ano ang aking tipikal na lingguhang lakad?" (arithmetic mean). "Sa anong bilis ako talagang tumakbo ng pinakamahabang distansya?" (weighted mean). "Nagpapabuti ba ako taon-taon?" (geometric mean ng mga porsyento ng pagpapabuti).