তাত্ত্বিক উন্নতি ছাড়াও যদি কম্পিউটার বিজ্ঞানের ডোমেনে এই অ্যালগরিদমের কোনও ব্যবহারিক অ্যাপ্লিকেশন থাকে
এই অ্যালগরিদমের প্রয়োগটি তুচ্ছ - আপনি যখনই কোনও ডেটার সেট (অন্য কথায় অ্যারে) এর একটি মিডিয়ান গণনা করতে চান আপনি এটি ব্যবহার করেন । এই ডেটা বিভিন্ন ডোমেন থেকে আসতে পারে: জ্যোতির্বিদ্যার পর্যবেক্ষণ, সামাজিক বিজ্ঞান, জৈবিক ডেটা ইত্যাদি etc.
যাইহোক, এটি কখন মিডিয়াকে মানে (বা মোড) পছন্দ করবেন তা উল্লেখযোগ্য। মূলত, বর্ণনামূলক পরিসংখ্যানগুলিতে, যখন আমাদের ডেটাগুলি পুরোপুরি স্বাভাবিক বিতরণ করা হয় তখন গড়, মোড এবং মিডিয়ান সমান হয়, অর্থাত তারা একত্রিত হয়। অন্যদিকে, যখন আমাদের ডেটা স্কিউ করা হয়, অর্থাত্ আমাদের ডেটাগুলির জন্য ফ্রিকোয়েন্সি বিতরণ (বাম / ডান) স্কিউ করা হয়, তখন গড়টি সর্বোত্তম কেন্দ্রীয় অবস্থান সরবরাহ করতে ব্যর্থ হয় কারণ skewness এটিকে আদর্শ মান থেকে বাম বা ডানে টেনে নিয়ে যায় is , যদিও মিডিয়ান স্কিউড ডেটা দ্বারা ততটা দৃ influenced়ভাবে প্রভাবিত হয় না এবং এইভাবে একটি আদর্শ মানের দিকে ইঙ্গিত করে এই অবস্থানটি সর্বোত্তমভাবে ধরে রাখে। আপনি স্কিউড ডেটা নিয়ে কাজ করার সময় কোনও মিডিয়ানের গণনা করা ভাল।
এছাড়াও, মেশিন লার্নিং হ'ল যেখানে পরিসংখ্যানগত পদ্ধতিগুলি প্রচুরভাবে ব্যবহৃত হয়, উদাহরণস্বরূপ মিডিয়ান ক্লাস্টারিংk ।