第 2章 统计数据的描述,2.1 数据的计量尺度 2.2 统计数据的来源 2.3 统计数据的质量 2.4 统计数据的整理 2.5 分布集中趋势的测度 2.6 分布离散程度的测度 2.7 茎叶图与箱线图 本章小结,学习目标,了解数据的计量尺度 了解统计数据的来源和数据的质量要求 掌握数值型数据的整理方法 掌握数据集中趋势和离散程度的测度方法 掌握茎叶图和箱线图的制作方法 掌握分布偏态与峰度的测度方法 掌握统计表和统计图的使用,2.1 数据的计量尺度,一、列名尺度 二、顺序尺度 三、间隔尺度 四、比率尺度,四种计量尺度,数据的计量尺度,顺序尺度(Ordinal scale),也称定序尺度 对事物分类的同时给出各类别的顺序 比定类尺度精确 未测量出类别之间的准确差值 数据表现为“类别”，但有序 具有或的数学特性,间隔尺度(Interval scale),也称定距尺度 对事物的准确测度 2.比定序尺度精确 3.数据表现为“数值” 4. 没有绝对零点 5.具有 + 或 - 的数学特性,比率尺度(Ratio scale),也称定比尺度 对事物的准确测度 2.与定距尺度处于同一层次 3.数据表现为“数值” 4. 有绝对零点 5.具有 或 的数学特性,四种计量尺度的比较,计量尺度,数学特性,“”表示该尺度所具有的特性,2.2 统计数据的来源,一、间接获取的数据 二、直接获取的数据,间接取得的数据,间接取得的数据,统计部门和政府部门公布的有关资料，如各类统计年鉴 各类经济信息中心、信息咨询机构、专业调查机构等提供的数据 各类专业期刊、报纸、书籍所提供的资料 各种会议，如博览会、展销会、交易会及专业性、学术性研讨会上交流的有关资料 从互联网或图书馆查阅到的相关资料,提供统计数据的部分政府网站,提供统计数据的部分政府网站,直接取得的数据,普查(census),为特定目的专门组织的非经常性全面调查 2.通常是一次性或周期性的 3.一般需要规定统一的标准调查时间 4.数据的规范化程度较高 5.应用范围比较狭窄,抽样调查(sampling survey),1.从总体中随机抽取一部分单位作为样本进行调查，并根据样本调查结果来推断总体特征的数据收集方法,2. 具有经济性、时 效性强、适应面广、准确性高等特点,2.3 统计数据的质量,数据的误差,抽样误差(sampling error),由于抽样的随机性所带来的误差 所有样本可能的结果与总体真值之间的平均性差异 影响抽样误差大小的因素 样本量的大小 总体的变异性,非抽样误差(non-sampling error),相对于抽样误差而言 除抽样误差之外的，由于其他原因造成的样本观察结果与总体真值之间的差异 存在于所有的调查之中 概率抽样，非概率抽样，全面性调查 有抽样框误差、回答误差、无回答误差、调查员误差、测量误差,误差的控制,抽样误差可计算和控制 非抽样误差的控制 调查员的挑选 调查员的培训 督导员的调查专业水平 调查过程控制 调查结果进行检验、评估 现场调查人员进行奖惩的制度,2.4 统计数据的整理,一、统计数据的分组 二、次数分配 三、次数分配直方图 四、洛伦茨曲线,统计数据的分组,组距分组 (要点),将变量值的一个区间作为一组 适合于连续变量 适合于变量值较多的情况 需要遵循“不重不漏”的原则 可采用等距分组，也可采用不等距分组,组距分组(步骤),确定组数：组数的确定应以能够显示数据的分布特征和规律为目的 确定组距：组距(class width)是一个组的上限与下限之差，可根据全部数据的最大值和最小值及所分的组数来确定，即 组距( 最大值 - 最小值) 组数 统计出各组的频数并整理成频数分布表,组距分组(几个概念),1. 下限(low limit) ：一个组的最小值 2. 上限(upper limit) ：一个组的最大值 3. 组距(class width) ：上限与下限之差 4. 组中值(class midpoint) ：下限与上限之间的中点值,次数分配表的编制(例题分析),【例】某车间30名工人每周加工某种零件件数如右表试对数据进行分组。,次数分配表,使用Excel频数函数 (FREQUENCY),Excel的“直方图”工具的缺陷是：频数分布和直方图没有与数据联系起来，这样，如果你改变任何一个数据，频数分布表和直方图不会跟着改变 使用Excel中的统计函数“FREQUENCY”来创建频数分布表和直方图，可解决这一问题。创建频数分布表的步骤是 选择与接受区域相临近的单元格区域，作为频数分布表输出的区域 选择统计函数中的“FREQUENCY”函数 在对话框Date-array后输入数据区域，在Bins-array后输入接受区域 同时按下ctrl-shift-Enter组合键，即得到频数分布,统计函数FREQUENCY,次数分配直方图,直方图(histogram),用矩形的宽度和高度来表示频数分布的图形，实际上是用矩形的面积来表示各组的频数分布 在直角坐标中，用横轴表示数据分组，纵轴表示频数或频率，各组与相应的频数就形成了一个矩形，即直方图 直方图下的总面积等于1,分组数据的图示(直方图的绘制),某车间工人周加工零件直方图,我一眼就看出来了，周加工零件在100110之间的人数最多!,折线图(frequency polygon),折线图也称频数多边形图 是在直方图的基础上，把直方图顶部的中点(组中值)用直线连接起来，再把原来的直方图抹掉 折线图的两个终点要与横轴相交，具体的做法是 第一个矩形的顶部中点通过竖边中点（即该组频数一半的位置）连接到横轴，最后一个矩形顶部中点与其竖边中点连接到横轴 折线图下所围成的面积与直方图的面积相等，二者所表示的频数分布是一致的,分组数据的图示(折线图的绘制),折线图与直方图 下的面积相等！,某车间工人周加工零件折线图,次数分配的类型,几种常见的频数分布,洛伦茨曲线,洛伦茨曲线,20世纪初美国经济学家、统计学家洛伦茨(M.E. Lorentz)根据意大利经济学家巴雷特(V. Pareto)提出的收入分配公式绘制而成 描述收入和财富分配性质 的曲线分析该国家或地区 分配的平均程度,累积的人口百分比,累积的收入百分比,绝对公平线,基尼系数,20世纪初意大利经济学家基尼(G. Gini)根据洛伦茨曲线给出了衡收入分配平均程度的指标 A表示实际收入曲线与绝对平均线之间的面积 B表示实际收入曲线与绝对不平均线之间的面积 如果A=0，则基尼系数=0，表示收入绝对平均 如果B=0，则基尼系数=1，表示收入绝对不平均 基尼系数在0 和1之间取值 一般认为，基尼系数若小于0.2，表明分配平均；基尼系数在0.2至0.4之间是比较适当的，即一个社会既有效率又没有造成极大的分配不公；基尼系数在0.4被认为是收入分配不公平的警戒线，超过了0.4应该采取措施缩小这一差距。,2.5 分布集中趋势的测度,一、众数 二、中位数 三、四分位数 四、均值 五、几何均值 六、切尾均值 七、众数、中位数和均值的比较,众数,众数(mode),一组数据中出现次数最多的变量值 适合于数据量较多时使用 不受极端值的影响 一组数据可能没有众数或有几个众数 主要用于分类数据，也可用于顺序数据和数值型数据,众数(不惟一性),无众数原始数据: 10 5 9 12 6 8,一个众数原始数据: 6 5 9 8 5 5,多于一个众数原始数据: 25 28 28 36 42 42,中位数,中位数(median),排序后处于中间位置上的值,不受极端值的影响 主要用于顺序数据，也可用数值型数据，但不能用于分类数据 各变量值与中位数的离差绝对值之和最小，即,中位数(位置的确定),原始数据：,顺序数据：,数值型数据的中位数 (9个数据的算例),【例】 9个家庭的人均月收入数据 原始数据: 1500 750 780 1080 850 960 2000 1250 1630 排 序: 750 780 850 960 1080 1250 1500 1630 2000 位 置: 1 2 3 4 5 6 7 8 9,中位数 1080,数值型数据的中位数 (10个数据的算例),【例】：10个家庭的人均月收入数据 排 序: 660 750 780 850 960 1080 1250 1500 1630 2000 位 置: 1 2 3 4 5 6 7 8 9 10,四分位数,四分位数(quartile),排序后处于25%和75%位置上的值,不受极端值的影响 主要用于顺序数据，也可用于数值型数据，但不能用于分类数据,四分位数(位置的确定),原始数据：,分组数据：,数值型数据的四分位数 (9个数据的算例),【例】：9个家庭的人均月收入数据 原始数据: 1500 750 780 1080 850 960 2000 1250 1630 排 序: 750 780 850 960 1080 1250 1500 1630 2000 位 置: 1 2 3 4 5 6 7 8 9,数值型数据的四分位数 (10个数据的算例),【例】：10个家庭的人均月收入数据 排 序: 660 750 780 850 960 1080 1250 1500 1630 2000 位 置: 1 2 3 4 5 6 7 8 9 10,统计函数QUARTILE,均值,均值(mean),集中趋势的最常用测度值 一组数据的均衡点所在 体现了数据的必然性特征 易受极端值的影响 用于数值型数据，不能用于分类数据和顺序数据,简单均值(simple mean),设一组数据为： x1 ，x2 ， ，xn,总体均值,样本均值,加权均值(weighted mean),设一组数据为： x1 ，x2 ， ，xn 相应的频数为： f1 ， f2 ， ，fk,总体均值,样本均值,加权均值 (例题分析),均值(数学性质),1.各变量值与均值的离差之和等于零,2. 各变量值与均值的离差平方和最小,几何均值,几何均值(geometric mean),n 个变量值乘积的 n 次方根 适用于对比率数据的平均 主要用于计算平均增长率 计算公式为,5. 可看作是均值的一种变形,几何均值 (例题分析),【例】一位投资者购持有一种股票，在2000年、2001年、2002年和2003年收益率分别为4.5%、2.1%、25.5%、1.9%。计算该投资者在这四年内的平均收益率,算术平均：,几何平均：,切尾均值,切尾均值(trimmed Mean),去掉大小两端的若干数值后计算中间数据的均值 在电视大奖赛、体育比赛及需要人们进行综合评价的比赛项目中已得到广泛应用 计算公式为,n 表示观察值的个数；表示切尾系数，,切尾均值 (例题分析),【例】谋次比赛共有11名评委，对某位歌手的给分分别是：,经整理得到顺序统计量值为,去掉一个最高分和一个最低分，取1/11,众数、中位数和均值的比较,众数、中位数和均值的关系,众数、中位数、均值的特点和应用,众数 不受极端值影响 具有不惟一性 数据分布偏斜程度较大时应用 中位数 不受极端值影响 数据分布偏斜程度较大时应用 均值 易受极端值影响 数学性质优良 数据对称分布或接近对称分布时应用,2.6 分布离散程度的测度,一、极差 二、内距 三、方差和标准差 四、离散系数,极差(range),一组数据的最大值与最小值之差 离散程度的最简单测度值 易受极端值影响 未考虑数据的分布,R = max(xi) - min(xi),计算公式为,内距(Inter-Quartile Range,IQR),也称四分位差 上四分位数与下四分位数之差 内 距= Q3 Q1 反映了中间50%数据的离散程度 不受极端值的影响 可用于衡量中位数的代表性,方差和标准差,方差和标准差(Variance and Standard deviation),1.离散程度的测度值之一 2.最常用的测