平均数、变异数的优缺点
数据资料具有集中性和离散性两个特点。集中性就像是大家向我靠拢，向我开炮。离散性自然是要远离中心这个雷区了。使用平均数作为集中性的度量，对离散性用变异数作为度量。
平均数一般分为算术平均数、中位数、众数和几何平均数。它们中以算术平均数最为常见，使用最为广泛，所以经常将算术平均数简称为平均数。但是假若数据中有极端值（极大或者极小）出现，那么算术平均数会受其影响的。当中位数和众数不易受到极端值的影响，但是都存在着数据利用不完全这一弊端。除此之外，众数还可能存在着多个众数或者无众数的情况。（样本数据中出现次数最多的样本值不唯一，或者所有样本值都只出现一次。）几何平均数由于其自身计算较为复杂，应用不是十分广泛，但大家要知道算术平均数大于等于其几何平均数这一性质。
对于变异数一般分为极差（也称全距）、四分位极差、方差、标准差和变异系数等。极差和四分卫极差都是一样的通病：利用数据不完全。除此之外，极差由于利用了数据中的极端值，只能粗略的估计数据波动范围。有很大的局限性。使用方差用来度量离散性最直接的缺点就是单位的不统一。标准差解决了上述问题，但是假若遇到需要比较的两个数据单位不一致时，譬如想比较身高和体重的离散性。即使标准差算出都是1，也不能说明身高和体重的离散性是一致的，因为1kg和1cm我们不能说是相等的。抑或遇到平均数大小不同，数量级不同时，譬如A是面粉，B是方便面，即使我们算出它们的标准差都是50g，但也不能说明面粉和方便面的离散程度是一致的。因为50g对于面粉来讲是小case，但是对于方便面，这可是大问题。所以到了变异系数的出场，不带单位的家伙，可以尽情蹂躏！
One Trackback