欢迎来到 S1 单元：数据的表示与汇总！
你好，未来的统计学家！本章是你学习统计学所有内容的基石。我们不再仅仅是观察数字，而是要学习如何组织、可视化和汇总庞大的数据集，从而得出有意义的结论。把自己想象成一名“数据侦探”吧！
如果一开始有些术语让你觉得棘手，请不要担心。我们将通过简单的步骤和真实的例子，逐一拆解每一个概念——从绘制复杂的直方图到计算标准差。让我们开始吧！
1. 理解数据：类型与收集
1.1 变量的类型
在收集数据时，我们需要对其进行分类。变量就是我们所测量的特征。
定量数据 (Quantitative Data)：涉及数值（数量）的数据。
-
离散数据 (Discrete Data)：只能取特定、固定值的数据，通常为整数。它通常涉及“计数”。
例子：经过学校的汽车数量（你不可能有 2.5 辆车）。 -
连续数据 (Continuous Data)：在给定范围内可以取任何值的数据。它通常涉及“测量”。
例子：身高、体重或温度。
定性数据 (Qualitative Data / Categorical)：描述性质或类别的数据，而非数值测量的数据。
- 例子：头发颜色、汽车品牌或最喜欢的冰淇淋口味。（虽然很重要，但 S1 重点关注定量数据。）
✅ 小贴士：离散与连续的区别
如果你需要数 (count) 出来，它就是离散的。如果你需要用工具测量 (measure) 出来（并且理论上可以更精确到小数点后更多位），它就是连续的。
1.2 数据收集方法：普查与抽样
我们如何获取需要的数据呢？
-
普查 (Census)：普查是对总体的每一个成员进行观察或测量。
优点：结果完全准确（得到真实的总体参数）。
缺点：耗时、昂贵，且通常不切实际或根本无法实现。 -
抽样 (Sample)：抽样是对总体的一个子集进行观察或测量。
优点：速度快、成本低，且更容易执行。
缺点：可能无法完美反映总体情况（结果仅为估计值）。
核心要点：理解数据类型（离散/连续）至关重要，因为它决定了你必须使用哪种图表（如直方图）或计算方法。
2. 数据的可视化表示
数据收集后，需要清晰地展示出来。我们将重点介绍 S1 中使用的三种主要图表。
2.1 茎叶图 (Stem and Leaf Diagrams)
这对于快速查看小数据集的分布形态同时保留原始值非常有用。
- 结构：“茎”包含较大的位值（如十位或百位），而“叶”包含最后一位数字。
-
规则：叶必须按数值顺序排列，并且必须包含一个图例 (Key)。
例图例：4 | 7 表示 47。 - 背靠背茎叶图 (Back-to-Back)：用于并排比较两个数据集，共享一个中心茎。
2.2 箱线图 (Box Plots / Box and Whisker Diagrams)
箱线图显示了数据的离散程度，并有助于识别离群值。它是通过五数概括 (Five-Number Summary) 构建的。
五数概括包括：
- 最小值（左侧胡须的末端）
- 下四分位数 (\(Q_1\))（箱子的起始端——25% 的数据低于此值）
- 中位数 (\(Q_2\))（箱子中间的线——50% 的数据低于此值）
- 上四分位数 (\(Q_3\))（箱子的末端——75% 的数据低于此值）
- 最大值（右侧胡须的末端）
每一部分（胡须或箱子片段）代表 25% 的数据，无论它看起来有多宽。
2.3 直方图：面积规则 (The Area Rule)
这通常是最棘手的表示方式。直方图用于连续数据，特别是当组距（类宽）不相等时。
关键区别：不同于条形图（其高度代表频数），在直方图中，长方形的面积代表频数。
这意味着我们不能简单地以频数对组距作图，我们必须为纵轴计算频数密度 (Frequency Density)。
公式预警！
$$ \text{频数密度} = \frac{\text{频数}}{\text{组距}} $$
绘制直方图的逐步指南：
- 在频数表中添加一列组距（上限 – 下限）。
- 使用上述公式添加一列频数密度。
- 在纵轴（y轴）上绘制频数密度。
- 在横轴（x轴）上绘制组边界。
- 画出长方形。请记住，长方形之间不应有间隙（因为数据是连续的）。
要避免的常见错误：混淆频数密度与频数。如果题目要求你从直方图中求频数，你必须计算：
$$ \text{频数} = \text{频数密度} \times \text{组距} $$
你知道吗？如果所有组距都相等，那么直方图的形状看起来将与简单的频数分布图完全相同。统计学家通常只有在组距不等时才使用直方图。
核心要点：对于直方图，面积 = 频数。纵轴始终使用频数密度，特别是在组距不等时。
3. 集中趋势的度量（平均值）
集中趋势用于衡量数据集的“中间”或“典型”值位于何处。
3.1 众数、中位数和均值
我们使用三种主要的平均值：
-
众数 (Mode)：出现最频繁的值。
最适用于：定性（分类）数据或描述最受欢迎的项目。 -
中位数 (Median, \(Q_2\))：将数据按升序排列后的中间值。
中位数的位置：如果 \(n\) 是数据点的个数，中位数位于第 \((\frac{n+1}{2})\) 个位置。
最适用于：含有极端值（离群值）的数据，因为它受均值的影响较小。 -
均值 (Mean, \(\bar{x}\))：所有值的总和除以值的个数。这是最常用的平均值。
原始数据公式： $$ \bar{x} = \frac{\sum x}{n} $$
最适用于：没有极端离群值的对称数据。
3.2 分组数据的估算
当数据以分组频数表呈现时（例如 10-20, 20-30），我们不知道精确值，因此必须估算均值和中位数。
估算均值
为了计算分组数据的均值，我们假设组距内的所有值都由该组的组中值 (\(m\)) 代表。
$$ \bar{x} \approx \frac{\sum (m \times f)}{\sum f} $$ 其中 \(m\) 是组中值，\(f\) 是频数。
估算中位数（线性插值法）
对于分组的连续数据，我们使用线性插值 (linear interpolation) 来估算中位数 (\(Q_2\)) 和其他四分位数 (\(Q_1, Q_3\))。
插值概念：我们假设数据在中位数所在的组内是均匀分布的。我们定位中位数的位置（根据教材习惯可能为 \(\frac{n}{2}\) 或 \(\frac{n+1}{2}\)，分组连续数据通常用 \(\frac{n}{2}\)），并利用比例关系找到对应的数值。
比喻：如果你知道有 50 个人身高在 10m 到 20m 之间，而中位数是第 25 个人，那么中位数就在 10 到 20 的正中间（即 15m）。插值法就是将这个过程形式化。
核心要点：均值利用了每个数据点，但对离群值敏感。中位数忽略离群值，但需要排列数据。对于分组数据，结果是使用组中值（针对均值）或插值法（针对四分位数）得出的估算值。
4. 离散程度的度量（变异度）
离散程度衡量数据的分散程度。两个数据集的均值可能相同，但分散程度却大相径庭！
4.1 极差与四分位距 (IQR)
-
极差 (Range)：最大值与最小值之差。
$$ \text{极差} = \text{最大值} - \text{最小值} $$
问题：极易受离群值影响。 -
四分位距 (IQR)：上四分位数 (\(Q_3\)) 与下四分位数 (\(Q_1\)) 之差。
$$ \text{IQR} = Q_3 - Q_1 $$
优点：描述了中间 50% 数据的分散程度，且对离群值具有鲁棒性。
4.2 方差与标准差
这是衡量分散程度最有力的工具，因为它们考虑了每一个数据点到均值的距离。
方差 (\(\sigma^2\))：偏离均值的平方距离的平均值。
标准差 (\(\sigma\))：方差的平方根。因为它与原始数据使用相同的单位，所以更受青睐。
小标准差意味着数据紧密聚集在均值附近。
大标准差意味着数据分布得很广。
计算公式（考试关键！）
计算通常使用由离差平方和 \(S_{xx}\) 导出的计算公式。
1. 离差平方和 (\(S_{xx}\))： $$ S_{xx} = \sum x^2 - \frac{(\sum x)^2}{n} $$ （注意：如果是从频数表计算，\(\sum x^2\) 变为 \(\sum f x^2\)，\(n\) 变为 \(\sum f\)）。
2. 方差 (\(\sigma^2\))： $$ \sigma^2 = \frac{S_{xx}}{n} $$
3. 标准差 (\(\sigma\))： $$ \sigma = \sqrt{\frac{S_{xx}}{n}} $$
⚠️ 记忆辅助：方差公式
记住 \(S_{xx}\) 的结构：它是平方之和，减去和的平方（再除以 \(n\)）。
\(S_{xx}\) 通常被称为方差计算的“分子”。请始终先计算 \(S_{xx}\)！
核心要点：标准差是衡量分散程度的金标准。使用计算器的统计模式来快速验证这些值，但一定要准备好展示 \(S_{xx}\) 的计算步骤。
5. 数据解释：偏度与离群值
5.1 偏度 (Skewness)
偏度描述了分布的对称性（或不对称性）。它告诉我们数据是向左还是向右拖尾。
-
正偏态 (右偏，Positive Skew)：尾部向右延伸。
关系：众数 < 中位数 < 均值。（均值被拉向尾部的方向）。
比喻：大部分人得分都很高的考试，但少数低分考生把平均分拉低了。 -
负偏态 (左偏，Negative Skew)：尾部向左延伸。
关系：均值 < 中位数 < 众数。（均值被拉向尾部的方向）。
比喻：房价分布，大部分房屋便宜，但几栋超级豪宅把平均价格拉高了。 -
对称分布 (Symmetrical Distribution)：数据是平衡的。
关系：均值 \(\approx\) 中位数 \(\approx\) 众数。
5.2 识别与处理离群值
离群值 (Outlier) 是指偏离数据集中其他值异常远的一个观测值。它们可能是真实的极端值，也可能是记录错误。
在 S1 中，我们有一个基于 IQR 的正式规则来识别潜在的离群值：
如果一个值 \(x\) 满足以下条件，则为离群值：
- \(x < Q_1 - 1.5 \times \text{IQR}\) （下界）
- \(x > Q_3 + 1.5 \times \text{IQR}\) （上界）
离群值的影响：离群值对均值和极差有显著影响，但对中位数和IQR影响极小。
绘制箱线图时：如果发现离群值，通常用星号 (\( * \)) 或叉 (\( \times \)) 标记。此时胡须仅延伸到不是离群值的最大/最小值。
核心要点：偏度告诉我们形状（使用均值-中位数-众数关系）。离群值通过 \(1.5 \times \text{IQR}\) 规则数学定义，在计算箱线图边界时必须小心处理。