单元 S1：数据的表示与汇总

欢迎来到迷人的统计学世界！本章是你的基石。我们将学习如何利用图表和核心统计计算，将杂乱无章的原始数据转化为清晰且具有洞察力的信息。

为什么这很重要？ 因为仅仅盯着一长串数字几乎看不出什么门道。通过有效地表示和汇总数据，我们可以发现趋势、对比不同组别并做出明智的决策——这些技能不仅对你的考试至关重要，在日常生活中也同样受用！如果方差（Variance）等概念看起来有些抽象，别担心，我们会一步步拆解。让我们开始吧！

第 1 节：数据类型（基础构建块）

在分析数据之前，我们必须了解所拥有的数据类型。数据通常分为两大类：

1. 定性数据与定量数据
  • 定性数据 (Qualitative Data)：描述特征或类别。它是非数值型的。
    示例： 眼睛颜色、车型、最喜欢的口味。
  • 定量数据 (Quantitative Data)：由数字组成且可以测量或计数的数据。这是 S1 大部分内容的研究重点。
2. 离散数据与连续数据（重点针对定量数据）
  • 离散数据 (Discrete Data)：只能取特定、固定值（通常为整数）的数据。它通常来自计数。
    类比： 离散数据就像房间里的人数——你不可能有 3.5 个人。
    示例： 路过某点的车辆数、鞋码（英国码是特定的步进值）。
  • 连续数据 (Continuous Data)：在给定范围内可以取任意值的数据。它通常来自测量。
    类比： 连续数据就像沙子——你总能在两个值之间找到另一个值。
    示例： 身高、体重、温度、赛跑用时。

小贴士： 为连续变量（如身高）收集的数据通常使用组距 (class intervals) 来记录（例如 170cm 到 180cm）。一定要检查区间的边界！

第 1 节核心要点： 弄清楚离散数据（可计数、固定值）与连续数据（可测量、范围内任意值）的区别。这种差异决定了你可以使用哪些图表（如直方图）和计算方法。

第 2 节：数据的可视化表示

图表可以帮助我们直观地看到数据的整体形状（即分布）。

1. 茎叶图 (Stem and Leaf Diagrams)

这些图表在保持原始数据的同时，将其呈现为有序的格式。它们非常适合中小型数据集。

  • 茎 (Stem) 显示较高位的值（如十位、百位）。
  • 叶 (Leaf) 显示最低位的值（如个位、十分位）。
  • 叶子必须始终按数值大小排序，从靠近茎的一侧开始。
  • 关键步骤： 你必须包含一个图例 (Key)！没有图例，茎叶图就毫无意义。
    示例图例： 2 | 5 表示 25。

你知道吗？ 我们使用背靠背茎叶图 (back-to-back stem and leaf plots) 来轻松比较两个相关的数据集（例如男生与女生的考试成绩）。

2. 直方图 (Histograms)（针对连续数据）

直方图用于连续的分组数据。这是考试中的常见考点，请务必仔细阅读！

直方图的黄金法则： 矩形的面积必须与该组的频数 (frequency)（即观察值的数量）成正比。

由于组距往往不相等，我们不能简单地将频数对组距作图（就像条形图那样）。我们必须计算 y 轴的频数密度 (Frequency Density)。

频数密度 \( = \frac{\text{频数}}{\text{组距}} \)

作图步骤：

  1. 确定每组的组距（\( \text{上边界} - \text{下边界} \)）。
  2. 计算每组的频数密度。
  3. 在横轴 (x) 上标出组距区间。
  4. 在纵轴 (y) 上标出频数密度。
  5. 画出矩形，使矩形面积与频数成比例。

常见错误： 处理分组连续数据（例如 10-19, 20-29）时，务必使用真实的类边界（例如 9.5 到 19.5，19.5 到 29.5）来计算正确的组距（在此例中组距为 10）。

3. 累积频数图 (Cumulative Frequency Diagrams / Ogive)

累积频数图显示了频数的累计总量。它对于从分组数据中估算中位数和四分位数至关重要。

作图步骤：

  1. 通过依次相加频数计算累积频数 (CF)。
  2. 将累积频数与每个区间的上边界对应作图。
  3. 图表应从（第一组的下边界，0）开始。
  4. 用平滑曲线（而非折线）连接各点。

小贴士： y 轴上的最高点（最终累积频数）应该等于观察值的总数 \(n\)。

第 2 节核心要点： 使用茎叶图查看细节，使用直方图查看分布形状（面积即频数），使用累积频数图寻找定位值（如中位数）。

第 3 节：集中趋势的度量（位置）

这些统计量告诉我们数据集的“中心”或典型值。

1. 平均值 (Mean, \( \bar{x} \))

平均值是算术平均数。它利用了每一个数据点，因此对极端值（离群点）很敏感。

  • 原始数据平均值： $$ \bar{x} = \frac{\sum x}{n} $$ 其中 \( \sum x \) 是所有数据点的总和，\(n\) 是数据点的个数。
  • 频数表平均值： $$ \bar{x} = \frac{\sum fx}{\sum f} $$ 其中 \(f\) 是频数，\(x\) 是数据值。
  • 分组数据平均值（估算）： 我们假设某组中的所有值都集中在该组的组中值 (midpoint, \(m\)) 上。 $$ \bar{x} \approx \frac{\sum fm}{\sum f} $$
2. 中位数 (Median)

中位数是将数据按顺序排列后的中间值。它不受离群点的影响。

  • 原始数据中位数：
    首先，对数据排序。中位数的位置通常由 \( \frac{n+1}{2} \) 给出。
  • 分组连续数据中位数（内插法）：
    我们使用累积频数分布来估计中位数，通常位于 \( \frac{n}{2} \) 的位置。
    过程： 在纵轴 (CF) 上找到中位数位置 (\( \frac{n}{2} \))。画一条水平线到曲线上，然后垂直向下画线至横轴（数据值轴），读取估算的中位数。

类比： 中位数是一个“安全”的衡量指标。如果有人往你的数据集中扔进一个极大的数（离群点），平均值会被显著拉向那个数，但中位数保持相对稳定。

3. 众数 (Mode) 或 众数类 (Modal Class)

众数是出现频率最高的值。

  • 对于原始数据或离散数据，它是出现次数最多的具体数值。
  • 对于分组数据，我们确定众数类（频数密度最高的区间）。
第 3 节核心要点： 平均值使用了所有数据，但对离群点敏感。中位数是中间值，对离群点有抵御能力。记得分组计算平均值时使用组中值，估计中位数时使用内插法（或 CF 曲线）。

第 4 节：离散程度的度量（变异度）

这些统计量告诉我们数据分布得有多分散。

1. 极差 (Range) 与 四分位距 (IQR)
  • 极差： \( \text{最大值} - \text{最小值} \)。简单，但受离群点影响很大。
  • 四分位数： 将数据分为相等的四部分。
    • \(Q_1\)（下四分位数）：25% 的数据低于此点。
    • \(Q_2\)（中位数）：50% 的数据低于此点。
    • \(Q_3\)（上四分位数）：75% 的数据低于此点。
  • 四分位距 (IQR)： \( \text{IQR} = Q_3 - Q_1 \)。它衡量中间 50% 数据的离散程度，对离群点有抵御能力。

寻找分组数据的四分位数： 与中位数类似，使用累积频数曲线。

  • \(Q_1\) 位于 \( \frac{n}{4} \) 的位置。
  • \(Q_3\) 位于 \( \frac{3n}{4} \) 的位置。

2. 方差 (Variance) 与 标准差 (Standard Deviation)

方差 (\( \sigma^2 \)) 和 标准差 (\( \sigma \)) 是最稳健的离散程度度量指标，因为它们使用了所有数据点来衡量与平均值的偏差。

标准差 (\( \sigma \)) 就是方差的平方根。由于它与原始数据单位一致，因此更常用。

计算公式：（你应该熟悉定义公式和计算公式。）

A. 原始数据公式（n 个观察值）：

定义公式（方差）： $$ \sigma^2 = \frac{\sum (x - \bar{x})^2}{n} $$ （含义：找到与平均值的偏差，平方，求和，最后除以 \(n\)。）

计算公式（方差）：（计算更方便，尤其在没有计算器“统计模式”时。） $$ \sigma^2 = \frac{\sum x^2}{n} - (\bar{x})^2 $$

B. 频数表公式（分组或未分组）：

计算公式（方差）： $$ \sigma^2 = \frac{\sum fx^2}{\sum f} - (\bar{x})^2 $$ （其中 \( \sum f \) 即总频数，即 \(n\)。）

记忆口诀： 对于标准差计算公式，记住：“平方的平均值减去平均值的平方。”

\( \sigma = \sqrt{\frac{\sum x^2}{n} - (\bar{x})^2} \)

第 4 节核心要点： 极差简单但准确度低。IQR 衡量中间 50% 数据且抗离群点干扰。标准差 (\( \sigma \)) 衡量相对于平均值的离散度，是方差 (\( \sigma^2 \)) 的平方根。

第 5 节：汇总图表与离群点

1. 箱线图 (Box Plots / Box and Whisker Diagrams)

箱线图提供了五个关键统计量（五数概括）的快速视觉总结：

  1. 最小值
  2. 下四分位数 (\(Q_1\))
  3. 中位数 (\(Q_2\))
  4. 上四分位数 (\(Q_3\))
  5. 最大值

箱线图对于直观地对比两个或多个数据集的离散度和位置非常有用。

2. 识别离群点 (Identifying Outliers)

离群点是远离其他数据点的极端值。我们需要一种严谨的方法来判定一个值是否真的是离群点。

在 S1 中，我们使用四分位距 (IQR) 方法。如果一个数据点 \(x\) 落在了以下范围之外，则被视为离群点：

  • 下限： \( Q_1 - 1.5 \times \text{IQR} \)
  • 上限： \( Q_3 + 1.5 \times \text{IQR} \)

示例： 如果一个值小于下限或大于上限，它就被标记为离群点（通常在箱线图上用叉号或星号表示）。

记住： 在绘制包含离群点的箱线图时，“胡须”仅延伸至非离群点的最大值和最小值。

3. 数据编码的影响 (Effect of Coding Data)

有时为了简化计算，我们使用线性变换对数据进行“编码”：\( y = \frac{x - a}{b} \)，其中 \(a\) 和 \(b\) 为常数。

  • 位置度量（\(\bar{x}, Q_2, Q_1, Q_3\)）： 同时受到加减法 (\(a\)) 和乘除法 (\(b\)) 的影响。如果 \( x \to y \)，则 \( \bar{x}_y = \frac{\bar{x}_x - a}{b} \)。
  • 离散程度度量（极差, IQR, \(\sigma\)）： 仅受到乘除法 (\(b\)) 的影响。加减 \(a\) 只是平移了数据，不会改变其分布宽度。
    如果 \( y = \frac{x - a}{b} \)，则 \( \sigma_y = \frac{\sigma_x}{|b|} \) 或 \( \text{IQR}_y = \frac{\text{IQR}_x}{|b|} \)。

编码的类比： 如果考试中每个人的分数都加了 10 分 (\(x+10\))，平均分会增加 10 分，但分布情况（标准差）保持不变，因为每个人都平移了同样的距离。

最后快速回顾：
  • 直方图：使用频数密度。
  • 位置度量（平均值/中位数）：告诉你数据的平均水平。
  • 离散度度量（SD/IQR）：告诉你数据的一致性。
  • 离群点：由 \(Q_1\) 和 \(Q_3\) 之外 \( 1.5 \times \text{IQR} \) 的规则定义。
继续练习这些计算——你一定行的！