Descriptive statistics

ยินดีต้อนรับสู่สถิติเชิงพรรณนา (Descriptive Statistics)!

สวัสดีครับ! ยินดีต้อนรับเข้าสู่บทเรียนที่นำไปใช้ได้จริงมากที่สุดบทหนึ่งในการเดินทางสายเศรษฐศาสตร์ธุรกิจของคุณ คุณเคยรู้สึกสับสนไหมเวลาเห็นตารางข้อมูลตัวเลขจำนวนมหาศาล? สถิติเชิงพรรณนา (Descriptive Statistics) คือพลังวิเศษที่จะช่วยคุณแก้ปัญหานี้ มันช่วยให้เราสามารถย่อข้อมูลกองโตให้เหลือเพียงตัวเลขไม่กี่ค่าที่มีความหมาย เปรียบเสมือนการเขียนสรุป "TL;DR" (สรุปใจความสำคัญ) ให้กับรายงานธุรกิจยาวๆ ไม่ว่าคุณกำลังตรวจสอบบัญชีลูกค้าหรือวิเคราะห์ราคาหุ้น เครื่องมือเหล่านี้จะเป็นเพื่อนที่ดีที่สุดของคุณเลยครับ

1. ทำความเข้าใจ "ค่ากลาง" (Measures of Central Tendency)

เวลาที่เราดูข้อมูล เรามักจะอยากรู้ว่าค่า "ปกติ" หรือค่าเฉลี่ยของข้อมูลนั้นเป็นเท่าไหร่ เราใช้เครื่องมือหลัก 3 อย่างในการหาคำตอบนี้ครับ:

ค่าเฉลี่ยเลขคณิต (Mean)

ค่าเฉลี่ย (Mean) คือผลรวมของค่าทั้งหมดหารด้วยจำนวนข้อมูล เปรียบได้กับการหารค่าอาหารเย็นแบ่งกันเท่าๆ กับเพื่อนครับ
สูตร: \( \bar{x} = \frac{\sum x}{n} \)
ตัวอย่าง: ถ้าบริษัท 5 แห่งมีกำไร 10, 20, 30, 40 และ 50 ดอลลาร์ ค่าเฉลี่ยจะเท่ากับ \( (10+20+30+40+50) / 5 = 30 \) ดอลลาร์
ระวังให้ดี! ค่าเฉลี่ยไวต่อ "ค่าผิดปกติ" (Outliers - ค่าที่สูงหรือต่ำเกินไป) มาก หากบริษัทหนึ่งทำกำไรได้ถึง 1,000,000 ดอลลาร์ ค่าเฉลี่ยจะพุ่งสูงขึ้นทันที แม้ว่าบริษัทอื่นจะยังคงทำกำไรได้เพียง 10 ดอลลาร์ก็ตาม

มัธยฐาน (Median)

มัธยฐาน (Median) คือค่าที่อยู่ตรงกลางเมื่อเราเรียงลำดับข้อมูลแล้ว
วิธีหาค่า:
1. เรียงลำดับข้อมูลจากน้อยไปมาก
2. ถ้าจำนวนข้อมูล (\( n \)) เป็น เลขคี่ ค่ามัธยฐานคือค่าที่อยู่ตรงกลางพอดี: \( \frac{n+1}{2} \)
3. ถ้า \( n \) เป็น เลขคู่ ให้หาค่าเฉลี่ยของตัวเลขสองตัวที่อยู่ตรงกลาง
การเปรียบเทียบ: ให้มองมัธยฐานเหมือนกับ "เส้นสีขาว" กลางถนนไฮเวย์ครับ รถครึ่งหนึ่งวิ่งอยู่ทางซ้าย อีกครึ่งหนึ่งวิ่งอยู่ทางขวา

ฐานนิยม (Mode)

ฐานนิยม (Mode) คือค่าที่ปรากฏบ่อยที่สุด ชุดข้อมูลหนึ่งอาจมีฐานนิยมได้หนึ่งค่า, มากกว่าหนึ่งค่า (Bimodal), หรือไม่มีฐานนิยมเลยก็ได้
เคล็ดลับ: ฐานนิยมเป็นเครื่องมือเดียวที่คุณสามารถใช้กับข้อมูลที่ไม่ใช่ตัวเลขได้ (เช่น "สีของรถที่ขายดีที่สุดคือสีอะไร?")

สรุปสั้นๆ: ควรเลือกใช้ตัวไหน?

- Mean (ค่าเฉลี่ย): เหมาะที่สุดสำหรับข้อมูลที่มีการกระจายตัวสมมาตรและไม่มีค่าสุดโต่งแปลกๆ
- Median (มัธยฐาน): เหมาะที่สุดเมื่อข้อมูลของคุณมีค่าผิดปกติ (Outliers) เช่น ราคาอสังหาริมทรัพย์หรือเงินเดือน
- Mode (ฐานนิยม): เหมาะที่สุดสำหรับข้อมูลเชิงกลุ่ม (เช่น "สินค้าขายดีอันดับหนึ่ง")

2. ทำความเข้าใจ "การกระจายตัว" (Measures of Dispersion)

แค่รู้ค่าเฉลี่ยอาจไม่เพียงพอ ลองจินตนาการว่า CFO บอกคุณว่าอุณหภูมิเฉลี่ยในเมืองหนึ่งคือ 25°C ฟังดูดีใช่ไหมล่ะ! แต่ถ้าตอนกลางวันอุณหภูมิ 50°C และตอนกลางคืน 0°C ล่ะ? คุณคงแย่แน่! การกระจายตัว (Dispersion) จะบอกเราว่าข้อมูล "ห่างกัน" มากน้อยแค่ไหน

พิสัย (Range)

พิสัย (Range) คือผลต่างระหว่างค่าสูงสุดและต่ำสุด
สูตร: \( Range = Maximum - Minimum \)
ข้อผิดพลาดที่พบบ่อย: อย่าแค่เขียนตัวเลขสองตัวคู่นั้นมาลอยๆ พิสัยคือ ผลลัพธ์จากการลบ (เช่น ถ้าค่าสูงสุดคือ 100 และต่ำสุดคือ 20 พิสัยคือ 80)

ความแปรปรวน (Variance) และส่วนเบี่ยงเบนมาตรฐาน (Standard Deviation - SD)

ค่าเหล่านี้บอกเราว่าข้อมูล "เบี่ยงเบน" ไปจากค่าเฉลี่ยมากแค่ไหน
- ความแปรปรวน (\( s^2 \)): คือค่าเฉลี่ยของผลต่างจากค่าเฉลี่ยที่นำไปยกกำลังสอง เราต้องยกกำลังสองเพื่อให้ค่าลบไม่หักล้างกับค่าบวก
- ส่วนเบี่ยงเบนมาตรฐาน (\( s \)): คือรากที่สองของความแปรปรวน เป็นเครื่องมือที่นิยมที่สุดเพราะมี หน่วยเดียวกับข้อมูลตั้งต้น
สูตร (Sample SD): \( s = \sqrt{\frac{\sum(x - \bar{x})^2}{n-1}} \)
ทำไมต้อง \( n-1 \)? เราใช้ \( n-1 \) สำหรับกลุ่มตัวอย่าง (เรียกว่า Bessel's correction) เพื่อให้การประมาณการประชากรทั้งหมดมีความแม่นยำและระมัดระวังมากขึ้น

สัมประสิทธิ์ความแปรผัน (Coefficient of Variation - CV)

นี่คือตัวช่วยระดับซูเปอร์สตาร์สำหรับการสอบของคุณ! มันช่วยให้คุณเปรียบเทียบความเสี่ยง (การกระจายตัว) ของสองสิ่งที่ต่างกันได้ แม้ว่าจะมีหน่วยหรือสเกลต่างกันก็ตาม
สูตร: \( CV = (\frac{s}{\bar{x}}) \times 100\% \)
ตัวอย่าง: ถ้าหุ้น A มี SD เป็น 5 ดอลลาร์ และหุ้น B มี SD เป็น 500 ดอลลาร์ คุณอาจคิดว่า B เสี่ยงกว่า แต่ถ้าหุ้น B มีราคา 1,000,000 ดอลลาร์ ความเสี่ยง เชิงสัมพัทธ์ ของมันอาจต่ำกว่าก็ได้! CV ช่วยให้เปรียบเทียบกันได้บนพื้นฐานที่เท่าเทียมกัน

ข้อคิดสำคัญ:

การกระจายตัวน้อย = ความสม่ำเสมอสูง ในโลกธุรกิจ ความสม่ำเสมอมักหมายถึงความเสี่ยงที่ต่ำลงครับ

3. รูปร่างของข้อมูล (Skewness)

ไม่ใช่ข้อมูลทุกชุดจะมีรูปร่างเป็นระฆังคว่ำที่สมบูรณ์แบบเสมอไป บางครั้งข้อมูลก็อาจจะเอียงไปข้างใดข้างหนึ่ง

การกระจายแบบสมมาตร (Symmetrical Distribution)

ด้านซ้ายเป็นภาพสะท้อนของด้านขวา ในโลกอุดมคติ: Mean = Median = Mode

ความเบ้ขวา (Positive Skew / Right-Skewed)

"หาง" ของกราฟชี้ไปทาง ขวา (ด้านที่เป็นเลขมาก) เกิดขึ้นเมื่อมีค่าสูงๆ เพียงไม่กี่ค่าดึงค่าเฉลี่ยให้สูงขึ้น
วิธีจำ: ลองดูที่ เท้าขวา ของคุณ นิ้วหัวแม่เท้าอยู่ทางซ้าย และ "หาง" ของนิ้วเท้าจะชี้ไปทางขวา
ลำดับ: Mean > Median > Mode

ความเบ้ซ้าย (Negative Skew / Left-Skewed)

"หาง" ของกราฟชี้ไปทาง ซ้าย (ด้านที่เป็นเลขน้อย) เกิดขึ้นเมื่อมีค่าต่ำๆ เพียงไม่กี่ค่าดึงค่าเฉลี่ยให้ต่ำลง
ลำดับ: Mean < Median < Mode

4. การทำงานกับข้อมูลที่จัดกลุ่มแล้ว (Grouped Data)

บางครั้งคุณอาจไม่ได้ตัวเลขรายตัว แต่ได้เป็น "ช่วงชั้น" (เช่น คนอายุ 20-30 ปี มี 10 คน, 30-40 ปี มี 15 คน)
วิธีจัดการ:
1. หา จุดกึ่งกลางชั้น (\( m \)) ของแต่ละช่วง: \( (ขอบล่าง + ขอบบน) / 2 \)
2. ใช้จุดกึ่งกลางชั้นนั้นเป็นค่า "\( x \)" ในสูตรของคุณ
3. นำจุดกึ่งกลางชั้นคูณกับความถี่ (\( f \)) เพื่อหาผลรวม: \( \sum (f \times m) \)

5. สรุปและเคล็ดลับสู่ความสำเร็จ

ถ้ารู้สึกยากในตอนแรก ไม่ต้องกังวลนะ! สถิติก็เหมือนภาษา ยิ่งคุณ "พูด" หรือฝึกทำโจทย์บ่อยๆ มันก็จะยิ่งกลายเป็นเรื่องธรรมชาติสำหรับคุณเอง

กล่องทบทวนด่วน:

- Mean (ค่าเฉลี่ย): ค่าเฉลี่ยทางคณิตศาสตร์ (ไวต่อค่าสุดโต่ง)
- Median (มัธยฐาน): จุดกึ่งกลาง (ทนทานต่อค่าสุดโต่ง)
- Standard Deviation (SD): ระยะห่างเฉลี่ยจากค่าเฉลี่ย
- CV: ใช้เปรียบเทียบความเสี่ยงเชิงสัมพัทธ์ \( (SD / Mean) \)
- Positive Skew (เบ้ขวา): ค่าเฉลี่ยมากกว่ามัธยฐาน

คุณทราบหรือไม่? ในโลกของการตรวจสอบบัญชี นักบัญชีใช้ "Mean-per-unit estimation" เพื่อประเมินมูลค่าสินค้าคงคลังทั้งหมดโดยการสุ่มตรวจเพียงไม่กี่ชิ้น คุณกำลังเรียนรู้วิธีการเดียวกับที่ใช้ตรวจสอบบริษัทที่ใหญ่ที่สุดในโลกเลยนะ!

เคล็ดลับสุดท้าย: ตรวจสอบให้ดีเสมอว่าข้อมูลของคุณคือ ประชากร (Population) หรือ กลุ่มตัวอย่าง (Sample) สำหรับการสอบ HKICPA คุณมักจะต้องจัดการกับ กลุ่มตัวอย่าง เสมอ ดังนั้นอย่าลืมใช้ \( n-1 \) ในตัวหารสำหรับค่าความแปรปรวนและส่วนเบี่ยงเบนมาตรฐานนะครับ!