统计学基础1- 描述性统计

一. 统计学概述

统计学可以分为:

1. 描述统计学
   使用特定的数字或图表来体现数据的集中程度和离散程度。例: 每次考试的平均分，最高分，各个分段的人数等，也是属于描述性统计学的范围。

2. 推断统计学
   根据样本数据推断总体数据特征。例:产品质量检查，一般采用抽检，根据所抽样本的质量合格率作为总体合格率的一个估计。

统计学应用:
统计学的应用十分广泛，可以说，只要有数据，就有统计学的用武之地。目前比较热门的应用:经济学，医学，心理学等。

二. 集中趋势

例: 对于 1 2 3 4 5 ，你会使用哪个数字作为代表 ?
对于一组数据，如果只允许一个数字去代表这组数据，那么这个数字应该如何选择？ - 选择数据的中心，即反应数据集中趋势的统计量。

1. 均值：
   算数平均值，描述平均水平

2. 中位数:
   将数据按照大小排列后位于正中间的数描述，描述中等水平

3. 众数:
   数据中出现最多的数，描述一般水平

2.1 均值

计算公式:

例: 某次数学考试中，小组A与小组B的成员的成绩分别如下:
A: 70,85,62,98,92
B: 82,87,95,80,83
分别求出两组的平均分，并比较两组成绩。
组A： (70+85+62+98+92)/5 = 81.4
组B： (82+87+95+80+83)/5 = 85.4

组B的平均分比组A高，就是组B的总体成绩比组A高。

2.2 中位数

顾名思义，中位数就是将数据按大小顺序(从大到小或从小到大都可以)排列后处于中间位置的数。

例1: 58,32,46,92,73,88,23

1. 先排序 23,32,46,58,73,88,92
2. 找到处于中间位置数 58，有3个数比58大，有3个数比58小

例2:在例1的基础上， 多加一个数63，情况有何变化?

1. 先排序 23,32,46,58,63,73,88,92
2. 找到处于中间位置数 58 和 63 两个
3. 若处于中间位置的数据有两个（也就是数据的总数是偶数的时候），中位数为中间两个数的算术平均值: (58+63)/2 = 60.5
   原始数据中，有4个数比60.5 大，有4个数比60.5小

2.3 众数

众数是数据中出现次数最多的数(所占比例最大的数)
一组数据中，可能会存在多个众数，也可能不存在众数。

例:
1 2 2 3 3 中的众数是 2 和 3
1 2 3 4 5 中没有众数

众数不仅适用于数值型数据，对于非数值型数据也同样适用
{苹果，苹果，香蕉，橙，橙，橙，桃}这一组数据，没什么均值中位数可言，但是存在一个众数-橙。

2.4 均值、中位数、众数比较

	优点	缺点
均值	充分利用所有数据，适用性强	容易受到极端值影响
中位数	不受极端值影响	缺乏敏感性
众数	当数据具有明显的集中趋势时，代表性能好；不受极端值影响	缺乏唯一性:可能有一个，有两个，也可能一个都没有

例:
两个公司的员工及薪资构成如下:
A: 经理1名，月薪100000；高级员工，15名，月薪10000;普通员工20名，月薪7500;
B: 经理1名，月薪20000；高级员工，15名，月薪11000;普通员工20名，月薪9000;

请比较两家公司的薪资水平。若只考虑薪资，你会选择哪一家公司?

1. 均值:
   A (1000000 + 1510000 + 207500)/36 = 11111.1
   B (20000 + 2011000 + 159000)/36 = 10416.67

2. 中位数:
   A 7500
   B 11000

3. 众数:
   A 7500
   B 11000

若从均值去考虑，明显地A公司的平均月薪比B公司搞，但是A公司存在一个极端值，大大拉高了A公司的均值，这时只从均值考虑明显不太科学。
从中位数和众数来看，B公司的薪资水平比较高，若是一般的员工，选择B公司显得更加合理。

三. 离散程度与方差及标准差

3.1 离散程度的描述

比较下面两组数据:
A ---- 1 2 5 8 9
B ---- 3 4 5 6 7
两组数据的均值都是5，但是可以看出B组的数据与5更加接近。但是描述集中趋势的统计量不够，需要有描述数据的离散程度的统计量
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HRlSwhhq-1650854072437)(https://upload-images.jianshu.io/upload_images/2638478-ec827cc12ce3ca93.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240)]

极差: 最大值 - 最小值，简单地描述数据的范围大小
A: 9 - 1 = 8;
B: 7 - 4 = 3

同样的5个数，A的极差比B的极差要大，所以也比B的要分散

但是只用极差这个衡量离散程度也存在不足
如: A ---- 1 2 5 8 9 B ---- 1 4 5 6 9

3.2 方差

在统计学上，更常使用方差来描述数据的离散程度----数据离中心越远越离散

其中$X_i$表示数据集中第i个数据的值，μ表示数据集的均值

A---- 1 2 5 8 9
B---- 3 4 5 6 7

再对比数据A ---- 1 2 5 8 9 B----1 4 5 6 9的方差

样本方差和总体方差:

3.3 标准差

对于数据 1 2 5 8 9，前面求得这一组数据的方差是10。将10与原数据做比较，可以看出10比原数据都大，是否说明这一组数据十分离散呢??
但是方差与原数据的单位是不一样的，这样比较是无意义的。如果原数据的单位是m的话，那么方差的单位是$m^2$.

为了保持单位的一致性，我们引入一个新的统计量----标准差

标注差:$\sigma =\surd {\sigma }^2$,有效地避免了因单位平方而引起的度量问题

A---- 1 2 5 8 9
B---- 3 4 5 6 7

${\sigma }_A=\surd 10$
${\sigma }_B=\surd 2$

与方差一样，标准差的值越大，表示数据越分散

四. 图形化表示

某班40个学生某次数学测试成绩如下:
63,84,91,53,69,81,61,69,91,78,75,81,80,67,76,81,79,94,61,69,89,70,70,87,81,86,90,88,85,67,71,82,87,75,87,95,53,65,74,77

对于这一组数字，你能看出什么呢?
或许先算一算，均值是77.05，标准差是10.8414。
在对了这两个数字后，你对这组数字又有了怎样的认识，对于该班这次的数学检测成绩如何评价呢??

原始数据太杂乱无章，难以看出规律性;只依赖数字来描述集中趋势和离散程度，让人难以对数据产生直观地影响，这时需要用到图表!

4.1 直方图

4.2 箱线图

4.3 茎叶图

4.4 线图

4.5 柱形图

柱形图和直方图的对比：

4.6 饼图

参考:

1. http://www.dataguru.cn/article-4362-1.html