【MATLAB数据分析】02数据的中位数和分位数

引言

在【MATLAB数据分析】01数据的均值、变异度、偏度和峰度一文中我们介绍了均值、方差、标准差等数字特征，它们都是总体相应特征值的一种矩估计，更适合来自正态分布的数据的分析。但若总体的分布未知，或者数据严重偏态，有若干异常数据（极端值），则上述的分析方法不太合适，这时候可以利用本文介绍的中位数、分位数、三均值等数据特征计算。本文还给出了MATLAB计算的函数。、

---

---

设$n$个观测值构成行向量$\mathbf{x}$

$$\mathbf{x}=[x_1,x_2,\cdots ,x_n]$$

其中$n$是样本容量。它是来自某总体的样本，数值从小到大重新排列为：

$$x_{(1)},x_{(2)},\cdots ,x_{(n)}$$

这就是次序统计量，显然，最小次序统计量$x_{(1)}$与最大次序统计量$x_{(n)}$分别为：

$$x_{(1)}=\underset{1\le i\le n}{\min }{x}_{(i)},x_{(n)}=\underset{1\le i\le n}{\max }{x}_{(i)}$$

1 中位数

1.1 样本均值

中位数的计算公式为：

$$M=\{\begin{array}{cc}{x}_{(\frac{n+1}{2})},& n为奇数\\ \frac{1}{2}(x_{(\frac{n}{2})}+x_{(\frac{n+1}{2})}),& n为偶数\end{array}$$

中位数是描述数据中心位置的数字特征，大体上比中位数大或小的数据个数为整个数据个数的一半。对于对称分布的数据，均值与中位数较接近，对于偏态分布的数据，均值与中位数不同。中位数的另一显著特点是不受个别极端数据变化的影响，具有较好的稳定性。

1.2 MATLAB编程-中位数

计算中位数使用的是函数median

xmed=median(x);

也可以使用函数prctile,计算$1/2$分位数，第二个参数为50。

x50=prctile(x,50);

代码中x50和xmed都表示中位数，只是使用函数不同，书写不同以示区分。

2 分位数

2.1 上四分位数、下四分位数、四分位极差、三均值、上截断点、下截断点

对$0\le p<1$和容量为$n$的样本$x_1,x_2,\cdots ,x_n$，它的$p$分位数（又叫100$p$百分数）为：

$$M_p=\{\begin{array}{cc}{x}_{[np+1]},& np不是整数\\ \frac{1}{2}(x_{(np)}+x_{(np+1)}),& np是整数\end{array}$$

其中$[np]$表示$np$的整数部分，当$p=1$时，定义$M_1=x_{(n)}$。大体上整个样本的$100p$的观测值不超过$p$分位数。0.5分位数$M_{0.5}$（第50百分位数）就是中位数。实际应用中，0.75分位数和0.25分位数比较重要，分别记作上、下四分位数，记作：

$$Q_3=M_{0.75},Q_1=M_{0.25}$$

上、下四分位数之差称为四分位极差（或半极差），表示为：

$$R_1=Q_3-Q_1$$

它也是度量样本分散性的重要数字特征，尤其对于具有异常值的数据，它作为分散性的度量具有稳健性，因此它在稳健型数据分析中具有重要作用。

当样本$x_1,x_2,\cdots ,x_n$是来自正态总体$N(\mu ,{\sigma }^2)$时，其总体上、下四分位数为：

$$\begin{gathered} {\xi }_{0.75}=\mu +0.6745\sigma \\ {\xi }_{0.25}=\mu -0.6745\sigma \end{gathered}$$

故其总体四分位极差为：

$$r_1={\xi }_{0.75}-{\xi }_{0.25}=1.349\sigma$$

也即：

$$\sigma =\frac{r_1}{1.349}$$

当样本存在异常值时，标准差$s$缺乏稳健性。根据上面的讨论，可以得到总体标准差$s$的一个具有稳健性的估计：

$$\hat{\sigma }=\frac{R_1}{1.349}$$

它称为四分位标准差。对于任意观测数据$x_1,x_2,\cdots ,x_n$，$\hat{\sigma }$可以作为数据分散性的稳健度量。

我们知道，均值$\overline{x}$和中位数$M$都是描述数据集中位置的数字特征。计算$\overline{x}$时，用了样本$x_1,x_2,\cdots ,x_n$的全部信息，而$M$只是用了数据分布中的部分信息，因此在正常情况下，用$\overline{x}$比用$M$描述数据的集中位置更优，但当数据存在异常值，$\overline{x}$缺乏稳健性，这时可用三均值$\hat{M}$作为数据集中位置的数字特征。三均值$\hat{M}$的计算公式为：

$$\hat{M}=\frac{1}{4}{Q}_1+\frac{1}{2}M+\frac{1}{4}{Q}_3$$

在探索性数据分析中，有一种判断数据为异常值的简便方法。称$Q_1-1.5R_1$和$Q_3+1.5R_1$为数据的下、上截断点。大于上截断点的数据为特大值，小于下截断点的数据为特小值，两者都为异常值。

当总体为正态分布$N(\mu ,{\sigma }^2)$时，理论上、下截断点分别为：

$$\begin{gathered} {\xi }_{0.75}+1.5r_1=\mu +2.698\sigma \\ {\xi }_{0.25}-1.5r_1=\mu -2.698\sigma \end{gathered}$$

数据落在上、下截断点之外的概率为0.00698，即对于容量较大的样本，其异常值的概率约为0.00698，由模拟研究，对容量为$n$的正态样本，异常值的平均比率近似为0.00698+$\frac{0.4}{n}$。

2.2 MATLAB编程-上四分位数、下四分位数、四分位极差、三均值、上截断点、下截断点

计算上四分位数和下四分位数用的是函数prctile,函数的第二个参数分别为75和25。

x75=prctile(x,75);%上四分位数
x25=prctile(x,25);%下四分位数

计算四分位极差根据定义来，利用上面得到的上四分位数和下四分位数：

xr1=x75-x25;%四分位极差

计算三均值根据定义计算：

xhM=0.25*x25+0.5*x50+0.25*x75;%三均值

计算上截断点和下截断点根据定义计算:

xsj=x75+1.5*xr1;%上截断点
xij=x25-1.5*xr1;%下截断点

最后用一张图说明所有：

参考资料
[1]王岩，隋思涟. 试验设计与MATLA数据分析[M]. 第一版. 北京:清华大学出版社,2012:10-14