6.2 直方图和箱线图

数学学习 · 爱知数学讲义

18
本章目录 · 1 节

本章导读

【6.2 直方图和箱线图】图形用于整理数据、观察中心、离散程度、偏态和疑似异常值。它们能帮助提出模型,却不能仅凭外形证明总体服从某种分布。

【一、频率直方图】把覆盖所有观察值的区间分成若干组,第组频数、宽度,样本量。频率密度直方图的柱高为,所以柱面积,全图面积为1。组宽不等时尤其不能把频数直接作柱高后仍按面积解释概率。组界应约定为左闭右开,末组可包含右端点,避免重复或遗漏。

【例1 84个头颅宽度数据】单位为毫米,原数据依次为:

141,148,132,138,154,142,150,146,155,158;

150,140,147,148,144,150,149,145,149,158;

143,141,144,144,126,140,144,142,141,140;

145,135,147,146,141,136,140,146,142,137;

148,154,137,139,143,140,131,143,141,149;

148,135,148,152,143,144,141,143,147,146;

150,132,142,142,143,153,149,146,149,138;

142,149,142,137,134,144,146,147,140,142;

140,137,152,145。

最小126、最大158,取组界124.5、129.5、134.5、139.5、144.5、149.5、154.5、159.5,各组宽5。频数依次1、4、10、33、24、9、3,总计84。频率及累积频率由未舍入频数相除后计算,不把已舍入的小数逐项相加。

124.5..129.510.0119050.0119050.002381129.5..134.540.0476190.0595240.009524134.5..139.5100.1190480.1785710.023810139.5..144.5330.3928570.5714290.078571144.5..149.5240.2857140.8571430.057143149.5..154.590.1071430.9642860.021429154.5..159.530.0357141.0000000.007143
例1 分组频数、频率、累积频率及柱高;小数统一由原频数计算
124.5129.5134.5139.5144.5149.5154.5159.500.0240.0480.0720.096
图6—1 频率密度直方图;虚线为用本样本均值和方差得到的正态参考曲线,不代表已通过正态性检验

区间内有个,比例;小于129.5有。图形大致单峰,但组距、组界和样本量会影响外形。分组数的经验建议不是硬性规则,空柱也可能是数据本身的特征,不应为了消除空柱篡改数据。(例完)

【二、样本分位数】先把样本排序为。一个分位数满足:至少个观察值不大于,至少个观察值不小于。若不是整数,取;若为整数,区间内各点均满足上述计数条件,本节约定取中点:

不同软件存在其他插值约定,使用时必须注明,不能把不同算法所得数值混用。中位数:奇数取中间一项,偶数取中间两项平均。第一、第三四分位数分别为、。

【例2 18项样本的分位数】排序数据为122,126,133,140,145,145,149,150,157,162,166,175,177,177,183,188,199,212。,故;,故;,故。(例完)

【三、普通箱线图】用最小值、、、、最大值作五数概括:箱体从到,箱内竖线在,两端的须伸到最小和最大观察值。各位置必须使用同一比例尺。

Q1MQ3
图6—2 普通箱线图的五数结构示意;此图不是某个实际数据集

箱体反映中间约一半数据的跨度;出现重复值时,不能要求每个四分区间恰好含四分之一数据。中位线偏向哪一侧、两端尾长可以提示不对称,但仅凭箱体中位线居中不能证明总体对称,也不能从箱线图恢复全部分布形状。

【例3 八位患者的收缩压】单位为毫米汞柱,排序为102,110,117,118,122,123,132,150。,,,最小102、最大150。按这些数值作普通箱线图,不在本例中擅自改成异常值修正图。(例完)

100110120130140150
图6—3 收缩压普通箱线图,须端点分别为102和150

【例4 两组肺活量比较】单位为升。女子组25项为2.7,2.8,2.9,3.1,3.1,3.1,3.2,3.4,3.4,3.4,3.4,3.4,3.5,3.5,3.5,3.6,3.7,3.7,3.7,3.8,3.8,4.0,4.1,4.2,4.2;男子组25项为4.1,4.1,4.3,4.3,4.5,4.6,4.7,4.8,4.8,5.1,5.3,5.3,5.3,5.4,5.4,5.5,5.6,5.7,5.8,5.8,6.0,6.1,6.3,6.7,6.7。

女子五数概括为,男子为。图中共用横轴,男子组中位数较高,四分位间距1.1也大于女子组0.5。这只描述本次两个样本,不直接推导全体男女的因果或总体结论。(例完)

34567
图6—4 男女肺活量普通箱线图,采用相同的升数刻度

【四、修正箱线图与疑似异常值】令。小于或大于的点标为疑似异常值;恰在界限上不按此严格不等号规则标出。修正图的须伸到界限内最小、最大实际观察值,不伸到界限本身,也不再包含已单独标出的异常点。

【例5 住院时间】21项天数为1,2,3,3,4,4,5,6,6,7,7,9,9,10,12,12,13,15,18,23,55。、、,IQR为8,判断界限为和24。仅55超过上界,单独标出;两须端点是1与23,上须不是24,也不是55。(例完)

0102030405060*55
图6—5 住院时间修正箱线图;55为单独标出的疑似异常点,上须止于23

【如何处理疑似异常值】先核对测量、记录、单位和录入,检查是否混合了不同总体。真实但罕见的数据也会被规则标出,标记本身不构成删除理由。能够确认的错误应纠正并保留处理记录;无法确定时可报告包含与不包含该点的敏感性分析,或用中位数等稳健方法。不能只为使结果好看而删除数据。