各种“平均数”
在这之前,请大家先要知道这里的“平均数”可不指代平常的概念,在统计学中,平均数可以帮我们把握一批数据的总体情况。
均值
均值,就是我们日常生活中经常用到的平均数,只需要将所有数字加起来除以数字个数即可。
如果用字母(抽象化)来表示均值:
μ = ∑ x n \mu = \frac{\sum x}{n} μ=n∑x
其中 μ \mu μ是均值的专用符号,读作“缪”。 Σ \Sigma Σ为求和符号,读作“西格玛”。x为每个数字,n为数字的个数。
对于有频数的情况,比如计算平均年龄,19岁的1个,20岁的3个,21岁的1个。
μ = ∑ f x ∑ f = 1 ∗ 19 + 3 ∗ 20 + 1 ∗ 21 5 = 20 \mu = \frac{\sum fx}{\sum f} = \frac{1*19+3*20+1*21}{5} = 20 μ=∑f∑fx=51∗19+3∗20+1∗21=20
f f f表示某个数字的频数。首先每个数字乘以其频数,然后将全部乘积相加,之后除以频数之和。
异常值
给出一个情境:如果有一个中年人想要进入一个由中年人组成的健身班,按照均值的计算,有3个班,平均年龄分别是17、25和38。如果选择第3个班级,看起来是合理的,但遗憾的是,它其实是这样的一个班级。
有两个祖师爷,分别是145岁和147岁,这会导致计算出来的均值在38岁,但实际上大部分人在20岁左右。
我们称最右边的值为异常值,因为大部分的学员年龄都在20岁左右,因为异常值的存在,导致平均值整体右偏到38岁,实际上根本没有人38岁。祖师爷的存在使得均值被抬高了。这种情况也叫数据偏斜了。
异常值:与其他数据格格不入的极高或极低的数值
偏斜数据:当异常值将数据向左或者向右“拉”时即产生偏斜数据
我们再看看这三张数据分布图,当异常值存在于右侧,平均值会被拉高;当异常值存在于左侧,平均值会被拉低;当数据呈对称心态,均值会位于中央。
中位数
当偏斜数据和异常值使均值产生误导时,我们可以采用其他方式表示典型值,比如中位数。中位数,通俗来说就是数字中位于最中间的数。
比如19 19 20 20 20 21 21 100 102的中位数是20。
下面给出求中位数的通俗办法:
- 把数字从小到大排列
- 如果有奇数个数字,n个数,中间数的位置为(n+1)/2
- 如果有偶数个数字,n个数,中间数的位置为(n+1)/2的两侧,将两个数字相加除以2,就是中位数了
在上面的案例中,中位数比均值更合适。均值有一个缺点就是:它可能会给出一个不存在于数据集中区的数值。不过不能完全否定均值,均值的优势通常远胜于中位数,均值对于抽样数据来说更稳定。
众数
再给出一个情境:有一位青年人想要参加游泳班,恰好有一个均值和中位数都为17岁的班级。但是事与愿违,这个班级的年龄分布情况是这样的:(这里的频数图1-2表示1岁是因为在现实生活中,1岁多 统称 为1岁)
1 1 1 2 2 2 2 3 3 | 31 31 32 32 32 32 33 33 33
可以算出来,这个班级的年龄均值和中位数都是17。又或者我们多加一个孩子(例如3岁)/家长(例如31岁),中位数的年龄就会偏向为孩子(例如3岁)/家长(例如31岁)。
这个时候均值和中位数都失灵了。这时候需要众数出场。
众数,是一批数字中最常见的数值,即频数最大的值。众数可以不止一个。并且如果数据看上去体现了多种趋势或多批数据,那么我们可以为每一批数据给出一个众数。如果一批数据有两个众数,则我们说这种数据是双峰数据。
在上面的情景中,有孩子和家长两批数据,不存在某一个能完全代表整个班级的年龄,相反,我们可以看出每一批年龄的众数。在孩子组,2岁频率最高,在家长组,32岁频率最高,它们就是众数。
而且,众数还有另外一个功能。那就是它能用于类别数据。事实上,众数是唯一能用于类别数据的平均数。
当众数很多时,比如2个1、3个2、3个3、3个4,这时候众数就比较没用了。
求众数三步法:
- 把数据中的不同类别或数值全部找出来
- 写出每个数值或类别的频数
- 挑出具有最高频数的一个或几个数值,得出众数
总结
以下是书上的总结:
书上还有一个脑筋急转弯的题目,大家可以先不看答案思考一下再看看自己想的对不对:
开头的小故事
本地一家公司的员工由于感到自己拿到的薪水不公道,出现了不满情绪。大部分员工周薪为500美元,少数经理高一些,而首席执行官每周搞回家49000美元。
- 工人说平均薪水是每周2500美元,自己只有500美元,要求加薪
- 经理说平均薪水是每周1万美元,自己只有4000美元,也要求加薪
- 首席执行官说平均薪水就是每周500美元,我没有亏待谁,快回去干活吧
看看其中的“平均数”:
- 工人用的是中位数,这使得首席执行官的薪水造成的影响达到最低程度(可能是自己和经理比较工资觉得不满,或者是首席执行官只有仅仅几个人,工人使用中位数使得自己更有可能加薪【比均值低】)。
- 经理们用了均值,首席执行官的高薪令数据向右偏斜,均值因此显得虚高。
- 而首席执行官用了众数,大部分工人薪水就这么高。
实际上,每个人群都在使用最有利于自己意愿的平均数。统计量能够提供信息,但也能造成误导。在这个例子中,最适合的平均数是中位数,因为数据中存在异常值。