统计学第1天

描述性统计

统计数据类型分类

按计量尺度划分

分类数据

能归于某一类别的非数字数据，数据是对事进行分类的结果，结果表现为类别，用文字来描述。

例如：人口按照性别（男、女），企业按照所处行业（医药、家电、纺织品等）。

顺序数据

能归于某一有序类别的非数字数据，顺序数据虽然有类别，但是这些类别是有序的。

例如：将产品分为（一等品、二等品、三等品、次品），学习成绩分为（优秀、良好、及格、不及格）。

数值型数据

具体的数值，生活中处理的大部分都是数值型数据

例如：年龄、体重（KG），身高（CM）

按收集方法划分

观测数据

通过调查或观测获得的数据

实验数据

通过实验获得的数据，例如新药（实验过程中的各项数据）、新农作物（实验数据）

按时间状态划分

截面数据

相同或者近似相同的时间节点上不同空间收集得到的数据，用于描述现象在某一时刻的变化。（时间相同、维度不同）

例如：2020年某汽车品牌在全国不同地区的销售量

时间序列数据

不同时间收集到的数据，用于描述现象随时间变化的变化情况（时间不同，维度相同）。

例如：2018-2024年某汽车在某地区每个月的销量情况。

总体和样本

总体

研究的全部个体（数据）的集合。

例如：多个企业构成的集合，多个居民构成的集合

样本

从总体中抽取一部分元素的集合，构成样本的数目称为样本量

抽样目的是根据样本提供的信息推断出总体的特征。

比如：从一个流水线上抽取一百件商品，通过这一百件商品的合格率来推断，这批商品的合格率

参数

用来描述总体的概括性数字度量，总体的某些特征值。

例如：总体平均数、总体方差、总体标准差、总体比例等。

统计量

用来描述样本的概括性数字度量，样本的某些特征值。

例如：样本平均数、样本标准差、样本比例等。

总体、样本、参数、统计量对比

变量

定义

数值会发生变化的量，特点是从一次观察到下一次观察结果呈现出差别（变化）。变量的具体取值称为变量值。

分类

分类变量

事务类别的一个名称，取值是分类数据。（例如：性别、对错）

顺序变量

事务有序类别的一个名称，取值是顺序数据。（例如：产品等级分为‘一等品’、‘二等品’、‘三等品’、‘残次品’）

数字型变量

事务数字特征的一个名称，取值是数值型数据。（例如：商品销售额、销量、单价）

集中趋势分析

1. 一组数据向其中心值靠拢的倾向和程度
2. 测试集中趋势就是寻找数据水平的代表值或中心值
3. 不同类型的数据用不同的集中趋势测量值
4. 低层次数据的测度值适用于高层次的测量数据，但高层数据的测度值并不适用于低层次的测量数据

众数和中位数

众数

性质

1. 一组数据中出现最多的变量值
2. 适用于数据量较多时使用
3. 不受极端值的影响
4. 一组数据可能没有众数或有几个众数
5. 主要用于分类数据，也可用于顺序数据和数值型数据

案例

使用M来表示

Excel函数

Mode（）

中位数

性质

1. 排序处于中间位置上的值（偶数为中间两个值的平均值）
2. ※不受极端值的影响
3. 主要用于顺序数据，也可用于数值型数据，但不能用于分类数据
4. 各变量值与中位数的离差（差值）绝对值之和最小

案例

Excel函数

median()

平均数（均值）

1. 集中趋势的最常用测量值
2. 一组数据的均衡点所在
3. 体现了数据的必然特征
4. 易受极端值的影响
5. 有简单平均数和加权平均数之分
6. 根据总计数据计算的称为平均数，记为μ；根据样本计算的称为样本平均数，记为x-bar

总体平均数是一个定值，样本平均数会随着样本的不同而变化

算术平均数

Excel函数

average()

加权平均数

算数平均数默认每个数的权重都是相等的，加权平均数给每个数据赋予权值

Excel函数

sumproduct(平均值列：权数列)/sum(权数列)

几何平均值

N个变量的N次方

Excel函数

geomean()

四分位数

性质

1. 排序后处于25%和75%位置上的值
2. 不受极端值的影响

Excel函数

quartile(范围，1/2/3)

1代表上四分位（75%）

2代表中位数（50%）

3代表下四分位（25%）

 

众数、中位数、平均数区别

离散程度分析

离散趋势

1. 数据分布的另一个重要特征
2. 反应各变量远离其中心值的程度（离散程度）
3. 从另一个侧面说明了集中趋势测度值的代表程度
4. 不同类型的数据有不同的离散程度测度值

分类数据：异众比率

非众数组的频率占总频数的比例

顺序数据：四分位差

对顺序数据离散程度的测度，也称为内距或四分间距，为上四分位数与下四分位数之差，反应中间50%数据的离散程度；不受极值的影响，用于衡量中位数的代表性

数据型数据：方差、标准差（开根号）

数据离散程度的最常用测度值，反应了各变量值与均值的平均差异，根据总体数据计算的，称为总体方差（标准差），根据样本计算的称为样本方差。

性质

数据离散程度的最常用的测量值，反映了各变量与均值的平均差异，根据总体计算的称为总体方差（标准差），根据样本计算的称为样本方差（标准差）。

分组和未分组区别

未分组就是正常算所有元素与平均数之差的平方再处于元素个数

分组就是每组是一个单位（比如10-20组之间平均数是15，元素个数5，就是在这个组之内求一下标准差，然后乘5（频数）然后和各组累加最后再除总元素个数）

相对位置的度量：标准分数

性质

对某一个值在一组数据中相对位置的度量，可以判断一组数据是否有离群点，对于变量的标准化处理，计算公式“标准分数=（样本值-样本均值）/标准差”说的就是某个数与平均数相差多少个标准差

相对离散程度：离散系数

性质

标准差与其相应的均值之比，对数据相对离散程度的测量，消除了数据水平高低和计量单位的影响，用于对不同组别数据离散程度的比较，计算公式“离散系数=标准差/均值”越大说明离散程度大

S代表标准差（标准差越小说明离散程度越集中（不准确））数据量级不同，因此引入了离散系数

偏态

平均数大于中位数，正偏态（右偏）

平均数小于中位数，负偏态（左偏）

性质

1、数据分布偏斜程度的度量

• 偏态系数=0为对称分布
• 偏态系数>0为右偏分布
• 偏态系数<0为左偏分布
• 偏态系数>1或<-1，被称为高度偏态分布；偏态系数在0.5~1之间称为中等偏态分布；偏态系数越接近0，偏斜程度就越低

2、偏态系数是已经去量纲（除以标准差）的参数

案例

Excel函数

峰态

性质

1、数据分布扁平程度的测量

• 峰态系数=0扁平峰度适中
• 峰态系数<0为扁平分布
• 峰态系数>0为尖峰分布

2、峰态系数是已经去除量纲后的参数（除以标准差）

案例

Excel函数