第2章 集中趋势：中间道路

按O'Reilly权威目录重建，覆盖算术均值、加权均值、中位数、众数、离群点影响。

先做预测

先预测样本量翻倍、极端值出现或随机机制改变时，图形、估计与结论会怎样变化。均值、中位数和众数回答不同的“典型值”问题。均值使用全部数值但受离群点影响，中位数只依赖顺序而稳健，众数适用于分类数据。选择中心指标必须结合分布形状和决策损失。 本章以、、、、建立从数据到证据的链条。

原书章节定位

本页一一对应O'Reilly原书“第2章 集中趋势：中间道路”。均值、中位数和众数回答不同的“典型值”问题。均值使用全部数值但受离群点影响，中位数只依赖顺序而稳健，众数适用于分类数据。选择中心指标必须结合分布形状和决策损失。 原书的故事负责建立直觉；本页进一步要求写出总体、样本、参数和统计量，并用公式、代码与反例验收直觉。

核心单元

  1. 算术均值：所有观测总和除以数量，也是平方误差损失下的最佳常数预测。
  2. 加权均值：频数或重要度作为权重时，用加权总和除以权重总和。
  3. 中位数：排序后位于中间的值，最小化绝对误差并对极端值更稳健。
  4. 众数：出现频数最高的取值，可有多个或不存在，适合分类变量。
  5. 离群点影响：极端值能显著拉动均值，却通常不改变大多数样本的次序位置。

从问题开始

先写五个可反驳问题：算术均值描述谁，加权均值如何改变表示，中位数依赖什么随机机制，众数在哪些边界失效，离群点影响留下什么验收证据。统计计算只有在总体、观察单位、时间窗和缺失规则明确后才有意义。所有观测总和除以数量，也是平方误差损失下的最佳常数预测。 频数或重要度作为权重时，用加权总和除以权重总和。 两者若来自不同总体，任何后续公式都失去解释。

D=(population,unit,window,measurement)\mathcal D=(\text{population},\text{unit},\text{window},\text{measurement})

数据契约D把样本的来源固定下来。接着用中位数表达结构，并由众数标记前提。离群点影响必须能由另一位读者在同一数据版本上重算。不能先看结果再改变分组、尾部方向或排除条件。

反例与敏感性

正常样例应覆盖原书中心场景，边界样例至少包括空组、单样本、极端值、概率接近零或一、强相关与分布偏斜。再以“把“平均”默认写成算术均值，没有说明离群点、偏态和业务损失。”构造反例，记录第一个失效的假设。薪资报告若只给均值，少量高薪会掩盖典型员工处境。应并列中位数、分位数和样本构成；若决策关心总成本，均值仍有意义。指标不是互相替代，而是回答不同问题。

ε=estimate⁡−target⁡\varepsilon=\operatorname{estimate}-\operatorname{target}

误差可能来自抽样波动、选择偏差、测量误差、模型偏差和浮点实现。增加样本通常只降低抽样波动，不能修复抽样框缺失或错误模型。敏感性分析要分别改变分组、异常值规则和模型假设，观察结论方向与区间是否稳定。

验收证书

证书包括原始计数、算术均值定义、加权均值变换、中位数计算、众数边界和离群点影响结论。每个百分比都能回到分子分母，每个图都标明尺度和样本量，每个检验都给效应与区间，每个随机过程都记录种子。

accept⁡=assumptions valid∧error within budget∧result reproducible\operatorname{accept}=\text{assumptions valid}\land\text{error within budget}\land\text{result reproducible}

预算在看数据前定义。未通过时要区分数据不足、模型不适用、效果不足和实现错误；“未显著”不能笼统翻译为“没有差异”。

可核查推导

xˉ=1n∑i=1nxi\bar x=\frac1n\sum_{i=1}^{n}x_i

把每个数据都增加常数c，总和增加nc，所以均值也增加c；把每个数据乘a，均值乘a。中位数在单调变换下保持次序。两种中心对变换都可预测，但对极端污染的敏感度不同。 每一步都要注明使用定义、独立性、分布假设还是渐近近似；若只在大样本下成立，就不能把小样本结果包装成精确结论。

def centers(values):
    ordered = sorted(values)
    n = len(ordered)
    middle = n // 2
    median = ordered[middle] if n % 2 else (ordered[middle-1] + ordered[middle]) / 2
    return sum(values) / n, median
 
assert centers([1, 2, 100]) == (103/3, 2)

程序只检查有限实例。解析公式、模拟频率和独立实现应三路对照；若三者不一致，先检查参数化、端点、自由度和随机种子。

机制与数据流

算术均值：所有观测总和除以数量，也是平方误差损失下的最佳常数预测。

加权均值：频数或重要度作为权重时，用加权总和除以权重总和。

中位数：排序后位于中间的值，最小化绝对误差并对极端值更稳健。

数据流写成“总体 → 抽样或观察 → 统计量 → 抽样分布 → 决策”。任何聚合都保留分母、缺失数和分组规则，避免统计量脱离生成过程。

边界与失败模式

众数：出现频数最高的取值，可有多个或不存在，适合分类变量。

离群点影响：极端值能显著拉动均值，却通常不改变大多数样本的次序位置。

边界测试包括零样本、单样本、不平衡类别、概率极端、离群点、强偏态、相关观测和数值退化。失败应返回明确状态，不能用NaN或一张空图悄悄结束。

experiment={"claim":"算术均值到离群点影响","normal":"假设满足","boundary":"退化或偏斜输入","counterexample":"把“平均”默认写成算术均值，没有说明离群点、偏态和业务损失。"}
assert len(experiment)==4

工程案例

薪资报告若只给均值，少量高薪会掩盖典型员工处境。应并列中位数、分位数和样本构成；若决策关心总成本，均值仍有意义。指标不是互相替代，而是回答不同问题。 报告必须同时给原始计数、效应、误差或区间、模型诊断和未覆盖范围。图表与结论都绑定数据版本，才能在新数据到来后判断变化来自现实还是代码。

evidence=[("算术均值","definition"),("中位数","derivation"),("离群点影响","reproduction")]
assert len({name for name,_ in evidence})==3
  1. 保存最小手算样例和原始分子分母。
  2. 加入空组、极端值、偏态和相关输入，解释哪条假设失效。
  3. 用固定种子模拟并与解析结果比较误差。
  4. 重建环境重跑，保存数据摘要、参数、代码版本和结论。

常见误区

本章回顾

本章覆盖算术均值、加权均值、中位数、众数、离群点影响。掌握标准是能从原始计数重建公式，说明抽样或分布假设，用代码复查并在假设破坏时给出可解释失败。

术语表

讨论

评论区加载中…