പരിണാമ പഠനങ്ങളിൽ ഒരു പ്രതിനിധി മൂല്യം നിശ്ചയിക്കുന്നത് ന്യായമാണോ?

ഈ ബ്ലോഗ് പോസ്റ്റിൽ, പരിണാമ പഠനങ്ങളിൽ പ്രതിനിധി മൂല്യങ്ങൾ സജ്ജീകരിക്കുന്നതിന്റെ സാധുത ഞങ്ങൾ പര്യവേക്ഷണം ചെയ്യുന്നു. ശരാശരി, ശരാശരി, ഏറ്റവും ചെറിയ മൂല്യങ്ങൾക്ക് പരിണാമത്തെ കൃത്യമായി പ്രതിഫലിപ്പിക്കാൻ കഴിയുമോ എന്ന് ഞങ്ങൾ വിശകലനം ചെയ്യുന്നു.

പണ്ഡിതന്മാർ ഗവേഷണം നടത്തുമ്പോൾ, ഡാറ്റ വിശകലനം ചെയ്യുന്ന പ്രക്രിയ അത്യാവശ്യമാണ്. ഈ ഡാറ്റ പരിണാമത്തെക്കുറിച്ചുള്ള പരീക്ഷണങ്ങളുടെ ഫലമാകാം, അല്ലെങ്കിൽ അത് സ്റ്റാറ്റിസ്റ്റിക്കൽ ഡാറ്റയാകാം. പരിണാമ പഠനങ്ങൾക്കും ഇത് ബാധകമാണ്. പരിണാമത്തെക്കുറിച്ചുള്ള പരീക്ഷണങ്ങൾ നടത്താൻ വളരെയധികം സമയമെടുക്കുന്നതിനാൽ, ഇന്നുവരെയുള്ള പരിണാമ പ്രക്രിയയുടെ സ്ഥിതിവിവരക്കണക്കുകൾ ഫോസിലുകളെയും അവയിൽ നിന്ന് പരിണമിച്ച ജീവികളെയും അടിസ്ഥാനമാക്കിയുള്ളതാണ്. പരിണാമ ഡാറ്റ ഒരു സാധാരണ വിതരണമായി ആദർശപരമായി രൂപപ്പെടുത്തിയിട്ടുണ്ടെങ്കിൽ, അത് പഠിക്കുന്നത് ഒരു മികച്ച കാര്യമായിരിക്കും. എന്നാൽ യാഥാർത്ഥ്യം അത്ര ലളിതമല്ല. പരിണാമം വളരെ പ്രവചനാതീതമായിരുന്നു, ഇപ്പോഴും തുടരുന്നു. ഫുൾ ഹൗസിന്റെ രചയിതാവായ സ്റ്റീഫൻ ജെയ് ഗൗൾഡ് വാദിക്കുന്നത്, പരിണാമത്തെ കുറിച്ച് പഠിക്കുമ്പോൾ, ഒരു പ്രത്യേക ഡാറ്റാ പോയിന്റിലെ മാറ്റത്തിന്റെ പ്രവണതയല്ല, സിസ്റ്റത്തിലെ മൊത്തത്തിലുള്ള വ്യതിയാനത്തിന്റെ വികാസവും സങ്കോചവുമാണ് നമ്മൾ നോക്കേണ്ടതെന്ന്. മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ഒരു പ്രത്യേക മൂല്യത്തിലെ മാറ്റമല്ല, മൊത്തത്തിൽ നോക്കണം. പരിണാമം പ്രവണതയില്ലാത്തതും ക്രമരഹിതവുമാണെന്ന ഗൗൾഡിന്റെ വാദത്തോട് ഞാൻ പെട്ടെന്ന് യോജിക്കുന്നില്ലെങ്കിലും, ഒരു സാമ്പിളും പരിണാമത്തെ പ്രതിനിധീകരിക്കുന്നില്ലെന്നും സിസ്റ്റത്തെ മൊത്തത്തിൽ നോക്കണമെന്നും ഞാൻ ശക്തമായി സമ്മതിക്കുന്നു. അതിനാൽ, ഗൗൾഡിനോട് ഞാൻ യോജിക്കുന്നു.
ഗവേഷണം നടത്തുമ്പോൾ, ഞങ്ങളുടെ ഡാറ്റയുടെ പ്രാതിനിധ്യ മൂല്യങ്ങൾ നിർണ്ണയിക്കാൻ ഞങ്ങൾ താൽപ്പര്യപ്പെടുന്നു. ശരാശരി, മീഡിയൻ, ഏറ്റവും ചെറിയ മൂല്യങ്ങൾ പോലെയുള്ള പ്രാതിനിധ്യ മൂല്യങ്ങൾ മൊത്തത്തിലുള്ള ഡാറ്റയെ പ്രതിനിധീകരിക്കുന്നുവെന്ന് കരുതാൻ ഞങ്ങൾ ആഗ്രഹിക്കുന്നു. എന്നിരുന്നാലും, പരിണാമ പഠനങ്ങളിൽ, ഒരു പ്രാതിനിധ്യ മൂല്യം തിരഞ്ഞെടുക്കുന്നതിൽ നാം മാരകമായ തെറ്റ് വരുത്തരുത്. പരിണാമ പ്രവണതയെ ഏറ്റവും അടുത്ത് കണക്കാക്കുന്ന ഒരു വ്യക്തി അല്ലെങ്കിൽ ജീവിവർഗമാണ് പരിണാമ പ്രതിനിധി. പരിണാമ പഠനങ്ങളിൽ നിങ്ങൾ ഒരു പ്രതിനിധി മൂല്യം തിരഞ്ഞെടുക്കാൻ പാടില്ലാത്തത് എന്തുകൊണ്ടെന്ന് ഇനിപ്പറയുന്നതിൽ ഞാൻ വിശദീകരിക്കും.
ആദ്യം, ഏറ്റവും സാധാരണയായി ഉപയോഗിക്കുന്ന പ്രതിനിധി മൂല്യം നോക്കാം: ശരാശരി. ശരാശരിയുടെ വിശാലമായ നിർവചനത്തിൽ മീഡിയനും ഏറ്റവും ചെറിയ മൂല്യവും ഉൾപ്പെടുമ്പോൾ, ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ പോപ്പുലേഷന്റെ സവിശേഷതകൾ ഒരു സംഖ്യയിൽ വിവരിക്കാൻ ശരാശരിയുടെ ഇടുങ്ങിയ നിർവചനം ഞങ്ങൾ ഉപയോഗിക്കും. ഗണിത ശരാശരി, ജ്യാമിതീയ ശരാശരി, ഹാർമോണിക് ശരാശരി എന്നിവ ഉൾപ്പെടെ നിരവധി തരം ശരാശരികളുണ്ട്, പക്ഷേ ഞങ്ങൾ സാധാരണയായി ഗണിത ശരാശരി ഉപയോഗിക്കും. ഗണിത ശരാശരിയുടെ പ്രയോജനം എല്ലാ ഡാറ്റയും ശരാശരി മൂല്യം നിർണ്ണയിക്കുന്നതിൽ ഉൾപ്പെടുന്നു എന്നതാണ്. കേന്ദ്രീകൃത ഡാറ്റ മാത്രം ഉൾപ്പെടുന്ന മീഡിയനിൽ നിന്നോ ഏറ്റവും പതിവ് ഡാറ്റ മാത്രം ഉൾപ്പെടുന്ന ഏറ്റവും പതിവ് ഡാറ്റയിൽ നിന്നോ വ്യത്യസ്തമായി, ഡാറ്റ വലുപ്പത്തിന്റെ ക്രമത്തിൽ ക്രമീകരിക്കുമ്പോൾ, ഗണിത ശരാശരി പ്രതിനിധി മൂല്യം നിർണ്ണയിക്കുന്നതിൽ എല്ലാ ഡാറ്റയും ഉൾപ്പെടുന്നു, അതിനാൽ ശരാശരിയാണ് ഡാറ്റയുടെ ഏറ്റവും മികച്ച പ്രാതിനിധ്യം എന്ന് ഞങ്ങൾ കരുതുന്നു. ഞാൻ ഇതിനോട് ഭാഗികമായി യോജിക്കുന്നു. എന്നിരുന്നാലും, "എല്ലാ ഡാറ്റയും ഉൾപ്പെടുന്നു" എന്ന ശരാശരിയുടെ പ്രയോജനം പരിണാമ സിദ്ധാന്തത്തിൽ ഒരു പ്രതിനിധി മൂല്യമായി ഉപയോഗിക്കുന്നതിന് ഒരു മാരകമായ പ്രശ്നമാകാം.
ഉദാഹരണത്തിന്, ഹാർവാർഡ് യൂണിവേഴ്സിറ്റിയിലെ വിദ്യാർത്ഥികളുടെ GPA യ്ക്ക് ഒരു പ്രാതിനിധ്യ മൂല്യം ലഭിക്കാൻ ആഗ്രഹിക്കുന്ന സാഹചര്യം പരിഗണിക്കുക. ഈ സാഹചര്യത്തിൽ, 100 വിദ്യാർത്ഥികളുടെ ഒരു റാൻഡം സാമ്പിൾ എടുത്ത് അവരുടെ ശരാശരി മൂല്യം പ്രതിനിധി മൂല്യമായി ഉപയോഗിക്കുന്നത് നന്നായിരിക്കും. എന്നാൽ ലോകമെമ്പാടുമുള്ള ആളുകളുടെ, ഏകദേശം 100,000 ആളുകളുടെ വരുമാനത്തിന്റെ ഒരു പ്രാതിനിധ്യ സാമ്പിൾ നിങ്ങൾക്ക് ലഭിക്കണമെന്ന് കരുതുക. നിങ്ങൾക്ക് ഇപ്പോഴും ശരാശരിയെ ഒരു പ്രാതിനിധ്യ മൂല്യമായി ഉപയോഗിക്കാമോ? ആ 100,000 ൽ ഒരാളെ ഉൾപ്പെടുത്തിയാൽ, ഉദാഹരണത്തിന് ബിൽ ഗേറ്റ്സ്, അദ്ദേഹത്തിന്റെ വരുമാനം 100,000 ത്തിന്റെ ശരാശരി വരുമാനത്തിൽ ഏകദേശം $10,000 വർദ്ധിപ്പിക്കും. സ്ഥിതിവിവരക്കണക്കുകളിൽ, അങ്ങേയറ്റത്തെ വ്യതിയാനം അതിനെ വളരെയധികം ബാധിക്കുമ്പോൾ ഗണിത ശരാശരി ഡാറ്റയെ പ്രതിനിധീകരിക്കുന്നില്ല. GPA യ്ക്ക് ഒരു പ്രാതിനിധ്യ മൂല്യം നേടാൻ ശ്രമിക്കുമ്പോൾ ഇത് ഒരു പ്രശ്നമല്ല, കാരണം GPA 0 നും 4.3 നും ഇടയിലുള്ള ഒരു ശ്രേണിയിലേക്ക് പരിമിതപ്പെടുത്തിയിരിക്കുന്നു. മറുവശത്ത്, വരുമാനം 0 ൽ ആരംഭിക്കുന്നു, പക്ഷേ ഉയർന്ന പരിധിയില്ല. ഇതിനർത്ഥം, ഡാറ്റയ്ക്ക് പരിമിതവും പ്രവചിക്കാവുന്നതുമായ മൂല്യം ഉള്ള സാഹചര്യങ്ങളിൽ ശരാശരിയെ ഒരു പ്രതിനിധി മൂല്യമായി ഉപയോഗിക്കുന്നത് എളുപ്പമാണെങ്കിലും, മറ്റ് സാഹചര്യങ്ങളിൽ ഇത് പ്രശ്‌നകരമാകാം എന്നാണ്.
പരിണാമ പഠനങ്ങളിലെ സാഹചര്യം പരിഗണിക്കുക. ലോകമെമ്പാടുമുള്ള ആളുകളുടെ വരുമാനത്തേക്കാൾ ജീവികളുടെ പരിണാമം പ്രവചനാതീതമാണ്, പരിണാമത്തെ ഏതെങ്കിലും പരിധിയിലേക്ക് പരിമിതപ്പെടുത്താൻ കഴിയില്ല. അപ്പോൾ, പരിണാമ പഠനങ്ങളിൽ ശരാശരിയെ ഒരു പ്രതിനിധി മൂല്യമായി ഉപയോഗിക്കുന്നത് അർത്ഥവത്താണോ? എനിക്ക് അങ്ങനെ തോന്നുന്നില്ല. പരിണാമ ഡാറ്റയിൽ, പ്രതിനിധി മൂല്യം അങ്ങേയറ്റത്തെ ഡാറ്റയാൽ വളച്ചൊടിക്കപ്പെടാൻ സാധ്യതയുണ്ട്, കൂടാതെ അത്തരം വളച്ചൊടിച്ച പ്രതിനിധി മൂല്യങ്ങളിൽ പരിണാമ പഠനങ്ങളെ അടിസ്ഥാനമാക്കുന്നത് അനുചിതമാണ്. കൂടുതൽ വ്യതിയാനങ്ങൾ ബാധിക്കുമ്പോൾ ശരാശരികൾ പ്രതിനിധികളായി അർത്ഥവത്താണ്. ഉദാഹരണത്തിന്, മെസോസോയിക് ക്രിറ്റേഷ്യസ് കാലഘട്ടത്തിന്റെ പ്രതിനിധികളായി ദിനോസറുകളെ പലപ്പോഴും പരാമർശിക്കാറുണ്ട്, എന്നാൽ ജനസംഖ്യയിലോ ജീവിവർഗങ്ങളിലോ കശേരുക്കൾ അകശേരുക്കളേക്കാൾ കൂടുതലായ ഒരു കാലം ഭൂമിയുടെ ചരിത്രത്തിൽ ഒരിക്കലും ഉണ്ടായിട്ടില്ല. പരിണാമം പൊതുവെ എങ്ങനെയുണ്ടെന്ന് നമ്മൾ കരുതുന്നത് യഥാർത്ഥത്തിൽ പ്രത്യേക കേസുകളുടെ ഫലമാണ്.
രണ്ടാമതായി, മീഡിയൻ നോക്കാം. വലുപ്പത്തിന്റെ ക്രമത്തിൽ ക്രമീകരിക്കുമ്പോൾ ഡാറ്റയുടെ മധ്യഭാഗത്ത് സ്ഥിതി ചെയ്യുന്ന മൂല്യമാണ് മീഡിയൻ. മീഡിയനെ അടിസ്ഥാനമാക്കി, ഡാറ്റയുടെ പകുതി മീഡിയനേക്കാൾ വലുതും പകുതി മീഡിയനേക്കാൾ ചെറുതുമാണ്. ഡാറ്റയിൽ തനിപ്പകർപ്പ് മൂല്യങ്ങൾ ഉണ്ടെങ്കിൽ മീഡിയൻ കണക്കാക്കുന്നത് സങ്കീർണ്ണമാണ്, ഈ സാഹചര്യത്തിൽ മീഡിയൻ ലഭിക്കുന്നതിന് 50% സഞ്ചിത ശതമാനമുള്ള പോയിന്റുകൾ കണക്കാക്കുന്ന ഒരു ഫോർമുല നിങ്ങൾക്ക് ഉപയോഗിക്കാം. പരിണാമ പഠനങ്ങൾക്ക് ശരാശരിയേക്കാൾ ഉചിതമായ പ്രതിനിധാനമായിരിക്കാം മീഡിയൻ, കാരണം ശരാശരിയേക്കാൾ എക്സ്ട്രീം ഡാറ്റയുടെ വ്യതിയാനത്തിന് ഇത് സാധ്യത കുറവാണ്. എന്നിരുന്നാലും, മീഡിയൻ ഉപയോഗിക്കുന്നതിലും പ്രശ്നങ്ങളുണ്ട്.
ഇത് വ്യക്തമാക്കുന്നതിന്, "മതിലുകൾ", "വാലുകൾ" എന്നീ ആശയങ്ങൾ പരിഗണിക്കുക. മതിലുകളാണ് പരിധി ബിന്ദുക്കൾ. ഒരു ഡാറ്റാ സെറ്റ് ഗ്രാഫ് ചെയ്യുമ്പോൾ, ഏതെങ്കിലും മൂല്യത്തിന്റെ ഇടതുവശത്ത് നിലനിൽക്കാൻ കഴിയാത്ത മൂല്യത്തെ ഇടത് മതിൽ എന്ന് വിളിക്കുന്നു. "വാൽ" എന്നത് മതിലിന്റെ വിപരീതമാണ്, അതായത് ഡാറ്റ ഇടത്തോട്ടോ വലത്തോട്ടോ അനന്തമായി നിലനിൽക്കും. എന്നിരുന്നാലും, അങ്ങേയറ്റത്തെ മൂല്യങ്ങൾ വളരെ അപൂർവമായതിനാൽ അവ ചെറുതും ചെറുതുമായ വാലുകളായി കാണപ്പെടുന്നു. ലോകമെമ്പാടുമുള്ള ആളുകളുടെ വരുമാനത്തെക്കുറിച്ചുള്ള മുകളിൽ പറഞ്ഞ പഠനത്തിന്റെ കാര്യത്തിൽ, പൂജ്യം ഇടത് മതിൽ ആണ്, കാരണം ആർക്കും പൂജ്യത്തിൽ കുറഞ്ഞ വരുമാനം ഇല്ല. മറുവശത്ത്, ഉയർന്ന പരിധിയില്ലാത്ത വരുമാനത്തിന് ഗ്രാഫ് ചെയ്യുമ്പോൾ വലത് വാൽ ഉണ്ടായിരിക്കും.
കുറച്ച് ആളുകളുടെ വരുമാനത്തെ പ്രതിനിധീകരിക്കാൻ മീഡിയൻ ഉപയോഗിക്കുന്നത് ഒരുപക്ഷേ നല്ലതാണ്. എന്നിരുന്നാലും, പരിണാമ സിദ്ധാന്തത്തിൻ്റെ പഠനത്തിൽ, പരിണാമത്തിൽ ഒരു പ്രവണത ഉണ്ടെന്ന് കരുതുകയും ഒരു പ്രതിനിധിയായി മീഡിയനെ തിരഞ്ഞെടുക്കുകയും ചെയ്യുന്നത് ശരിയാണോ? ഇല്ല, കാരണം ഒരു ജീവി വികസിക്കുകയും അതിൻ്റെ ഘടനയിൽ കൂടുതൽ സങ്കീർണ്ണമോ ലളിതമോ ആകുന്നതിനെ കുറിച്ച് ചിന്തിക്കുമ്പോൾ, ജീവൻ നിലനിർത്താൻ ആവശ്യമായ അടിസ്ഥാന ഘടനയേക്കാൾ ലളിതമാകാൻ അതിന് കഴിയില്ല, അത് ഡാറ്റയിൽ ഒരു "മതിൽ" സൃഷ്ടിക്കും. ഒരു ജീവിയുടെ ഘടനയുടെ സങ്കീർണ്ണതയായി നിങ്ങൾ x-അക്ഷം നോക്കുകയാണെങ്കിൽ, നിങ്ങൾക്ക് ഇടതുവശത്ത് മതിലുകളും വലതുവശത്ത് വാലുകളും ഉണ്ടായിരിക്കും. ഭിത്തികളും വാലുകളുമുള്ള ഡാറ്റ അനിവാര്യമായും സാധാരണയായി വിതരണം ചെയ്യുന്ന വക്രത്തിനു പകരം ഒരു വശത്തേക്ക് വളഞ്ഞ ഒരു വക്രത്തിന് കാരണമാകും. ഈ സമമിതി ഇല്ലാത്ത ഒരു വളവിൽ മീഡിയൻ ഒരു പ്രതിനിധിയായി ഉപയോഗിക്കുന്നത് അർത്ഥശൂന്യമാണ്.
ഒരു ചരിഞ്ഞ വക്രത്തിൽ, മീഡിയൻ ഗ്രാഫിൻ്റെ മധ്യഭാഗത്തല്ല, അല്ലെങ്കിൽ അത് ഏറ്റവും സാധാരണമായ മൂല്യവുമല്ല. ഈ പ്രാതിനിധ്യ ഗുണങ്ങളെ പരിണാമത്തിൻ്റെ പ്രതിനിധിയായി കാണിക്കാത്ത ഒരു മൂല്യം പരിഗണിക്കുന്നത് യുക്തിരഹിതമാണ്.
അവസാനമായി, ഏറ്റവും കുറഞ്ഞ ആവൃത്തി മൂല്യം നോക്കാം. ഒരു കൂട്ടം ഡാറ്റ ഒരു പ്രവണത കാണിക്കുന്നുവെങ്കിൽ, ഏറ്റവും കുറഞ്ഞ ആവൃത്തി മൂല്യം ഡാറ്റയുടെ നല്ല പ്രാതിനിധ്യമായി കണക്കാക്കാം. എന്നിരുന്നാലും, പരിണാമത്തെക്കുറിച്ചുള്ള പഠനത്തിൽ, അത് ഉചിതമല്ല. പരിണാമത്തിൽ ഒരു പ്രവണതയുണ്ടെന്ന് കരുതുക. പരിണാമത്തിൽ ഒരു പ്രവണതയുടെ നിലനിൽപ്പ് മിക്ക ജീവികൾക്കും സമാനമായ സ്വഭാവസവിശേഷതകൾ ഉണ്ടെന്നാണോ അർത്ഥമാക്കുന്നത്? ഞാൻ വിയോജിക്കുന്നു, കാരണം പരിണാമം വളരെക്കാലം സംഭവിക്കുന്ന ഒരു മന്ദഗതിയിലുള്ള പ്രക്രിയയാണ്, പരിണാമം സംഭവിക്കുന്നത് വളരെ ബുദ്ധിമുട്ടാണ്. അപ്പോൾ ഒരു പ്രവണതയോട് അടുത്തിരിക്കുന്ന നിരവധി ജീവികളുണ്ടോ, അതോ അല്ലാത്ത നിരവധി ജീവികളുണ്ടോ? നമ്മുടെ ലോകം എത്രത്തോളം പുരോഗമിച്ചുവെന്ന് അറിയാത്തിടത്തോളം നമുക്ക് അറിയില്ല. ഒരുപക്ഷേ ഏറ്റവും കുറഞ്ഞ പൊതുവിഭാഗം പ്രതിനിധീകരിക്കുന്നത് വിജയകരമായി പരിണമിച്ച് ഒരു പ്രവണതയിലേക്ക് കൂട്ടമായി ചേർന്ന ജീവിതമല്ല, മറിച്ച് ഇതുവരെ പരിണമിച്ചിട്ടില്ലാത്ത ജീവിതമാണ്.
ജീവിതം ആരംഭിച്ച് വളരെക്കാലമായതിനാൽ മിക്ക ജീവിതങ്ങളും പരിണമിക്കുന്നതിൽ വിജയിച്ചതായി ചിലർ വാദിച്ചേക്കാം. എന്നിരുന്നാലും, ഭൂമിയിലെ എല്ലാ ജീവജാലങ്ങളും ഒരേ സമയം നിലനിന്നിട്ടില്ല. അവർ അങ്ങനെ ചെയ്‌താലും, അതേ അവസ്ഥയിൽ അവ പരിണമിച്ചുവെന്ന് നമുക്ക് പറയാനാവില്ല. ഒരേ സ്പീഷീസ് വ്യത്യസ്ത പരിതസ്ഥിതികളിൽ പരിണമിച്ച നിരവധി കേസുകളുണ്ട്. അതിനാൽ, ഇതെല്ലാം കണക്കിലെടുക്കുമ്പോൾ, പരിണാമത്തിൻ്റെ പ്രതിനിധിയായി നമുക്ക് മിനിമം മൂല്യം പരിഗണിക്കാമോ? ഞാൻ അങ്ങനെ വിചാരിക്കുന്നില്ല, കാരണം അല്ലാത്തവയെക്കാൾ ഒരു നിശ്ചിത പ്രവണതയോട് അടുത്ത് നിൽക്കുന്ന ജീവികൾ വളരെ കൂടുതലാണ്, അതിനാൽ പരിണാമത്തിൽ ഒരു പ്രവണതയുണ്ടെങ്കിൽ, ഒരു പ്രതിനിധി എന്ന നിലയിൽ മിനിമം മൂല്യം നിശ്ചയിക്കുന്നത് അനുചിതമാണ്.
പരിണാമ പഠനങ്ങൾക്കുള്ള പ്രാതിനിധ്യ മൂല്യങ്ങളായി ശരാശരി, ഇടത്തരം, ഏറ്റവും ചെറിയ മൂല്യങ്ങൾ ഉപയോഗിക്കാത്തത് എന്തുകൊണ്ടാണെന്ന് ഞങ്ങൾ ഇതുവരെ ചർച്ച ചെയ്തു. പരിണാമ ഡാറ്റ നമ്മൾ ഉപയോഗിച്ചതിൽ നിന്ന് വളരെ വ്യത്യസ്തമാണ്. പരിണാമത്തെ പ്രതിനിധീകരിക്കുന്ന ഒരൊറ്റ ഡാറ്റാ പോയിൻ്റും ഇല്ല, പരിണാമ പ്രക്രിയകളിൽ ഒരൊറ്റ പ്രവണത നിർണ്ണയിക്കാൻ ശ്രമിക്കുന്നത് അർത്ഥശൂന്യമാണ്. തൽഫലമായി, പരിണാമത്തിന് ഒരു പ്രാതിനിധ്യ മൂല്യം സജ്ജമാക്കുക അസാധ്യമാണ്. പരിണാമ പഠനം ഒരൊറ്റ പ്രതിനിധിയിലൂടെ പഠിക്കാവുന്ന ഒന്നല്ല.