统计学通过收集和分析数据得出数值结论,区分总体和样本,并利用集中趋势和离散程度的度量来描述数据分布。
统计学 是收集、整理、呈现数据,然后进行分析以基于数字而非印象得出结论的科学。课程首先区分 总体,即研究对象的全部个体,和 样本,即从中选取的一部分用以代表总体。区分它们的原因在于符号不同:总体方差 \(\sigma^2\) 和样本方差 \(S^2\)。
为了描述任何一组数据,我们需要同时使用两种类型的度量:一种确定 集中趋势,另一种确定 离散程度; 仅靠平均数不够,因为两组数据可能平均数相同,但数值的离散程度可能相差甚远。
| 度量 | 思想 | 是否受异常值影响? |
|---|---|---|
| 算术平均数 | 各值之和除以个数 | 是 |
| 中位数 | 排序后的中间值 | 否 |
| 众数 | 出现次数最多的值 | 否 |
这些度量揭示了数值偏离其中心的程度;数值越大,说明数据越分散:
数据: \(2, 4, 4, 6, 9\)。
数据 \(10, 12, 14, 16, 18\):和 \(70\) 所以 \(\bar{x} = 14\),中位数 \(14\),极差 \(18 - 10 = 8\)。然后加入离群值 \(90\)。
结果:离群值对平均数和极差影响很大,但对中位数影响甚微,这就是选择合适统计量的实用标准。
在本节中,我们将学习用于描述数据分布的基本统计量,无论这些数据代表整个总体还是其样本。这些统计量包括算术平均数、方差、标准差和四分位距(IQR)。每个统计量都有特定的公式,其使用取决于数据的性质(总体或样本),理解它们之间的区别对于避免统计分析中的常见错误至关重要。
以下是每个统计量的定义和数学公式,并说明了所使用的符号:
在计算样本方差时,我们使用 \( n-1 \) 作为分母,而不是 \( n \),以得到无偏估计量总体方差 \( \sigma^2 \)。如果使用 \( n \),则估计值会偏低于总体真实方差,尤其在样本容量较小时。这种修正称为贝塞尔校正它确保样本方差的期望值等于总体的实际方差。
已知:总体由以下数值组成:\( 2, 4, 6, 8 \)。
解:
结果:\( \mu = 5 \), \( \sigma^2 = 5 \), \( \sigma = \sqrt{5} \)
已知:一组样本值:\( 3, 5, 7 \)。
解答:
结果:\( \bar{x} = 5 \), \( S^2 = 4 \),且可知使用 \( n-1 \) 能得到总体方差的更大且更无偏的估计。
| 常见错误 | 纠正 |
|---|---|
| 在样本方差的分母中使用 \( n \) 而不是 \( n-1 \) | 计算样本方差时必须使用 \( n-1 \) 以获得总体方差的无偏估计。 |
| 混淆符号 \( \mu \) 和 \( \bar{x} \) | 符号 \( \mu \) 表示总体均值,而 \( \bar{x} \) 表示样本均值。两者在公式中不能互换。 |
| 将标准差计算为绝对值的平均值,而不是方差的平方根 | 标准差定义为 \( \sqrt{\text{方差}} \),而不是绝对值的平均值。必须严格遵循此定义。 |
| 将四分位距 IQR 视为 \( \frac{Q_3 + Q_1}{2} \) 或其他非减法运算 | 四分位距 IQR 明确定义为差值:\( Q_3 - Q_1 \)。任何其他运算(如相加或求平均)都是错误的。 |
数据集: \(3,7,5,13,20,23,39,23,40,23,14,12,56,23,29\)。
平均数: \(\frac{3+7+5+13+20+23+39+23+40+23+14+12+56+23+29}{15} = \frac{330}{15} = 22\)。
中位数: 排序后: \(3,5,7,12,13,14,20,23,23,23,23,29,39,40,56\)。第八个数(因为 \(n=15\) 为奇数)是 \(23\)。
众数: 出现次数最多的值是 \(23\)(出现 \(4\) 次)。
平均数=\(22\),中位数=\(23\),众数=\(23\)。
数据集: \(4,8,6,5,3\)。
平均数: \(\frac{4+8+6+5+3}{5} = \frac{26}{5} = 5.2\)。
离均差: \(4-5.2=-1.2\), \(8-5.2=2.8\), \(6-5.2=0.8\), \(5-5.2=-0.2\), \(3-5.2=-2.2\)。
偏差的平方: \((-1.2)^2=1.44\), \((2.8)^2=7.84\), \((0.8)^2=0.64\), \((-0.2)^2=0.04\), \((-2.2)^2=4.84\).
偏差平方和: \(1.44+7.84+0.64+0.04+4.84=14.8\).
方差: \(S^2=\frac{14.8}{5-1}=\frac{14.8}{4}=3.7\).
标准差: \(S=\sqrt{3.7}\approx1.92\).
数据集: \(1,3,3,6,7,8,9,11,12,15,18\).
个数 \(n=11\) (奇数)。
中位数 \(Q_2\): 排序后的第六个数(原数据已有序)是 \(8\)。
下四分位数 \(Q_1\): 下半部分的中位数(不包括中位数): \(1,3,3,6,7\) → 第三个数是 \(3\)。
上四分位数 \(Q_3\): 上半部分的中位数: \(9,11,12,15,18\) → 第三个数是 \(12\)。
四分位距: \(IQR=Q_3-Q_1=12-3=9\)。
加权平均数: \(85\times40\%+70\times30\%+90\times30\%\)。
计算: \(85\times0.4=34\), \(70\times0.3=21\), \(90\times0.3=27\)。
求和: \(34+21+27=82\)。
加权平均数: \(82\)。
数据集: \(5,7,8,9,10,11,12,13,15,42\)。
个数 \(n=10\)(偶数)。
平均数: \(\frac{5+7+8+9+10+11+12+13+15+42}{10}=\frac{132}{10}=13.2\)。
中位数:排序后第五个和第六个元素的平均值:\(10\) 和 \(11\) → \(\frac{10+11}{2}=10.5\)。
第一四分位数 \(Q_1\):下半部分(\(5,7,8,9,10\))的中位数 → \(8\)。
第三四分位数 \(Q_3\):上半部分(\(11,12,13,15,42\))的中位数 → \(13\)。
四分位距:\(IQR=Q_3-Q_1=13-8=5\)。
非异常值的下限:\(Q_1-1.5\timesIQR=8-1.5\times5=8-7.5=0.5\)。
非异常值的上限:\(Q_3+1.5\timesIQR=13+1.5\times5=13+7.5=20.5\)。
值 \(42\) 大于 \(20.5\),因此它是异常值。
上限:\(20.5\)。
算术平均值:所有值的和除以值的个数,记作 \(\bar{x}=\frac{\sum x_i}{n}\)。
中位数:将有序数据集分成两半相等的值;如果 \(n\) 为奇数,则它是第 \(\frac{n+1}{2}\) 个值;如果为偶数,则它是第 \(\frac{n}{2}\) 个值和第 \(\frac{n}{2}+1\) 个值的平均数。
众数:在数据集中出现次数最多的值;可能不存在众数,或存在多个众数。
方差:数据点与均值之差的平方的平均值;对于样本,其计算公式为 \(S^2=\frac{\sum (x_i-\bar{x})^2}{n-1}\)。
标准差:方差的平方根,\(S=\sqrt{S^2}\)。
四分位数:将有序数据集分成四等份;\(Q_1\) 是下半部分的中位数,\(Q_2\) 是中位数,\(Q_3\) 是上半部分的中位数。
四分位距:\(IQR=Q_3-Q_1\),衡量数据中间一半的离散程度。
异常值:落在区间 \([Q_1-1.5\times IQR,\; Q_3+1.5\times IQR]\) 之外的数据点。
加权平均数:\(\sum (x_i\times w_i)\),其中 \(w_i\) 为权重,其和为 \(1\)(或若使用百分比则为 \(100\%\))。
箱线图(Box Plot)是一种用于通过显示关键统计值来总结数值数据集分布的图形表示:最小值(min)、第一四分位数(Q₁)、第二四分位数或中位数(Q₂)、第三四分位数(Q₃)和最大值(max)。该图还显示了数据的离散程度以及对称性或偏斜情况,并有助于直观地识别异常值。
在箱线图中:
从附图中:
因此,我们可以计算:
解:逐步求解
答案:\( \text{min} = 80 \), \( Q₁ = 140 \), \( Q₂ = 190 \), \( Q₃ = 240 \), \( \text{max} = 300 \), \( \text{IQR} = 100 \), \( \text{Range} = 220 \)。
解:逐步求解
答案:分布向右偏斜(正偏斜),因为中位数更接近第一四分位数。
纠正:箱长等于四分位距 IQR = Q₃ - Q₁,而非全距。全距 = 最大值 - 最小值。
修正:中位数(Q₂)可能位于盒子内的任何位置,这取决于数据的偏斜程度;它不必位于中心。
修正:Q₁ 是盒子的左边缘,Q₃ 是盒子的右边缘;应依据坐标轴上的位置,而不仅仅是颜色。
本节我们研究集中趋势的度量(均值、中位数、众数)和离散程度的度量(总体方差和样本方差)。我们说明每个度量的定义、性质及其计算方法,并提供详细的逐步示例、常见错误的提醒以及考试技巧。
| 性质 | 均值 | 中位数 | 众数 |
|---|---|---|---|
| 定义 | \(\frac{\sum_{i=1}^{n} x_i}{n}\) | 将有序数据分成两半相等部分的值 | 在数据集中出现次数最多的值 |
| 受异常值影响 | 它受异常值的影响很大,因为每个值都对总和有贡献。 | 它不受异常值的影响,因为它仅取决于值在有序列表中的位置。 | 除非异常值出现的频率高于原始值,否则它不受异常值的影响。 |
| 针对个体数据的计算。 | 将所有值相加,然后除以值的个数。 | 将数据按升序排列;如果 \(n\) 为奇数,则中位数是位置 \(\frac{n+1}{2}\) 处的值;如果 \(n\) 为偶数,则中位数是位置 \(\frac{n}{2}\) 和 \(\frac{n}{2}+1\) 处的两个值的平均值。 | 统计每个值的出现次数;出现次数最多的值是众数;可能不存在众数,也可能存在多个众数。 |
例 1:计算单个数据集的平均数、中位数和众数。
解:逐步求解。
结果:平均值 \(=5.6\),中位数 \(=7\),众数 \(=7\)。
例2:计算含有异常值的偶数个数据的平均值、中位数和众数
解:逐步求解
结果:平均数 \(=30.2\)(受异常值 \(100\)影响),中位数 \(=14\)(不受影响),无众数。
纠正:在确定中间位置之前,必须将数据按升序或降序排列。
纠正:平均数的定义为 \(\frac{\sum x_i}{n}\);使用 \(n-1\) 专用于计算无偏样本方差。
纠正:可能存在多个众数(双峰或多峰集合),或者如果所有值的频率相等,则不存在众数。
| M | 总体 σ² | 样本 S² |
|---|---|---|
| 定义 | \(\sigma^2 = \frac{\sum_{i=1}^{N} (x_i - \mu)^2}{N}\) 其中 \(\mu\) 为总体均值 | \(S^2 = \frac{\sum_{i=1}^{n} (x_i - \bar{x})^2}{n-1}\) 其中 \(\bar{x}\) 为样本均值 |
| 分母 | \(N\) (总体大小) | \(n-1\) (样本大小减一) |
| 目的 | 衡量总体的真实方差 | 基于样本提供总体方差的无偏估计 |
示例 3:计算完整数据集(总体)的总体方差和样本方差
解:逐步求解
结果:总体均值\(\mu=7\),总体方差\(\sigma^2=5\)。
例4:计算从上述总体抽取的样本的样本方差
解:逐步求解
结果:样本均值 \(\bar{x} \approx 7.333\),样本方差 \(S^2 = \frac{28}{3} \approx 9.333\)。
更正:为了获得总体方差的无偏估计,应将偏差平方和除以 \(n-1\);使用 \(n\) 会得到向下偏差的估计。
更正:计算总体方差时,我们使用 \(\mu\)(总体的已知或计算均值);计算样本方差时,我们使用 \(\bar{x}\)(仅由样本计算得出)。
修正:样本方差是总体方差的随机估计;根据所选样本的不同,它可能大于或小于总体方差。
CSCA考试提示与关键思想
| 错误 | 纠正 |
|---|---|
| 样本方差中除以 \(n\) | \(S^2=\frac{\sum (x_i-\bar{x})^2}{n-1}\) |
| 将方差与标准差混淆 | \(S=\sqrt{S^2}\) |
| 计算中位数前忘记对数据进行排序 | 将数据按升序排列,然后选择对应的位次 |
| 将极差与 \(\text{IQR}\) 混淆 | \(\text{IQR}=Q_3-Q_1\) |
已知: \(12,15,18,20,22,25,30\). 平均数≈\(20.29\). 中位数=\(20\)。
已知: \(2,4,6,8,10\). 方差 \(S^2=10\). 标准差 \(S≈3.16\)。
已知: \(2,4,4,5,6,7,8,9,10,12\). 第一四分位数 \(Q_1=4\). 第二四分位数(中位数) \(Q_2=6.5\). 第三四分位数 \(Q_3=9\)。
频数表: \(5(2),6(4),7(6),8(5),9(3)\). 平均数=\(\frac{143}{20}=7.15\)。
已知: \(5,7,8,9,10,11,12,13,15,42\). 数值 \(42\) 是异常值,因为非异常值的上限是 \(20.5\)。
免费 · 三种语言 · 离线可用