📖 學習筆記・中級科目二

CH3.1 敘述性統計與資料摘要技術

敘述性統計與資料摘要技術

🧭 本節架構

敘述性統計（Descriptive Statistics）三大面向：集中趨勢（平均數／眾數／中位數）→ 離散量度（變異數／標準差／全距／四分位距／箱形圖）→ 分佈形狀（偏度／峰度）。目的不在母體推論，而是快速彙整、呈現資料的核心特徵，為後續機率分佈與假設檢定奠定基礎。

1. 敘述性統計總覽

敘述性統計（Descriptive Statistics）著重於「將資料本身做最直接的總結與可視化」，提供一套彙整、整理並呈現現有資料的技術，目的不在於做母體推論，而在於快速、清晰地了解樣本資料中有哪些重要特徵或潛在模式。通常分為三大面向：

面向	核心問題	常見指標
集中趨勢（Central Tendency）	資料「最常見或核心的位置」在哪裡？	平均數、眾數、中位數
離散量度（Variability/Dispersion）	資料分散的程度有多大？	變異數、標準差、全距、四分位距
分佈形狀（Shape）	資料是否對稱？尾部厚薄如何？	偏度（Skewness）、峰度（Kurtosis）

🎯 核心觀念

「集中趨勢」找到資料的核心位置，「離散量度」判斷其波動情形，兩者是敘述性統計中最核心的度量指標，也是後續假設檢定、迴歸分析或機器學習模式設計的基礎輔助。

2. 集中趨勢測量

(1) 算術平均（Arithmetic Mean）

以全部樣本數值總和除以樣本筆數，展現資料的整體水準：

\[\bar{x} = \frac{x_1+x_2+\cdots+x_n}{n}\]

優勢：計算容易、概念直覺，普及度高。
侷限：對極端值敏感，少數離群點可能顯著拉高或拉低平均數；無法呈現分散度。

(2) 幾何平均（Geometric Mean）

適用於成長率、報酬率等「乘積效應」情境，可避免算術平均失真：

\[\text{幾何平均} = \left(\prod_{i=1}^{n} x_i\right)^{\frac{1}{n}}\]

優勢：能真實反映連續乘積（如股價成長）的總體累積效應，對百分比/比率型資料更具代表性。
侷限：資料必須全為正值（>0），不適用於含負數或零的情況。

(3) 調和平均（Harmonic Mean）

常用於速率類數據（如行駛速度、油耗），適合整合「效率性」度量：

\[\text{調和平均} = \frac{n}{\sum_{i=1}^{n}\frac{1}{x_i}}\]

優勢：對速率或效率類數據較合理，需要「逆值」加權時比算術平均更準確。
侷限：不能有零或負值；一般在非速率環境使用時意義不顯著。

三種平均數比較

平均數	適用情境	前提限制
算術平均	一般集中趨勢描述（平均薪資、平均銷售額）	對極端值敏感
幾何平均	成長率、報酬率等乘積效應	資料需皆為正值
調和平均	速率、效率類數據（如平均速度）	不能有零或負值

🧠 記憶技巧

「加法用算術、乘法用幾何、倒數用調和」——算術平均看總和，幾何平均看連乘（成長率），調和平均看倒數平均（速率）。

(4) 眾數（Mode）

樣本中出現頻率最高的值。適用於類別型資料（如產品分類），易於解釋，但連續型資料需先分桶（Bin）才能判斷眾數，若分佈分散或多峰，定義會更複雜。

(5) 中位數（Median）

取排序後中間位置值，對長尾或極端值不敏感，常用於收入或房價分析。

\[中位數 = \begin{cases} x_{\frac{n+1}{2}} & n \text{ 為奇數} \\[4pt] \dfrac{x_{\frac{n}{2}} + x_{\frac{n}{2}+1}}{2} & n \text{ 為偶數} \end{cases}\]

優勢：有效對抗極端值。侷限：無法呈現離散度。

集中趨勢指標比較

指標	是否受極端值影響	適用資料型態	代表情境
平均數	易受影響	連續型、無明顯極端值	平均薪資
中位數	不易受影響	連續型、含極端值或偏態	房價、所得分配
眾數	不受影響	類別型、多峰資料	最暢銷商品

3. 離散程度測量

(1) 變異數與標準差

變異數衡量資料偏離平均數的程度，標準差為變異數的平方根，單位與原資料相同：

\[\sigma^2 = \frac{1}{N}\sum_{i=1}^{N}(x_i-\mu)^2 \qquad \sigma = \sqrt{\frac{1}{N}\sum_{i=1}^{N}(x_i-\mu)^2}\]

優勢：能為數據集的風險或不確定性提供清晰的衡量。
侷限：對極端值（離群值）極為敏感，僅顯示與平均數的距離，資料偏斜時需搭配其他指標。

(2) 全距、四分位距、四分位數

全距（Range）：最大值與最小值之差，簡單易懂但單一極端值即可大幅影響結果。
四分位數（Quartiles）：將資料集劃分為四等份的三個切點——Q1（下四分位數，25% 分位）、Q2（中位數，50% 分位）、Q3（上四分位數，75% 分位）。
四分位距（IQR, Interquartile Range）：

\[IQR = Q_3 - Q_1\]

由於 IQR 的計算完全不涉及最大值與最小值，能有效排除兩端極端值的干擾，特別適合處理含有離群值的資料，可準確反映資料的集中分佈範圍；侷限是雖能過濾極端值，卻不提供資料分佈的具體細節。

📌 補充

初級課程曾提到「IQR 與全距有一樣的缺點（受極端值影響）」，這是較簡化的說法。更精確地說：全距直接使用最大值、最小值，因此對極端值極敏感；IQR 只使用 Q1、Q3（中間 50% 的邊界），已排除了兩端最極端的資料，因此對離群值的抵抗力遠優於全距，這也是箱形圖以 IQR 而非全距界定「正常範圍」的原因。

(3) 箱形圖（Box Plot）

又稱盒鬚圖，可視化資料集中趨勢與離散程度，尤其在探索性資料分析（EDA）中非常有用。

組成	意義
中位數（Q2）	箱內水平線，資料的中間位置
箱體上下界（Q1、Q3）	中間 50% 資料範圍，即 IQR
鬚（Whiskers）	上鬚 = Q3 + 1.5×IQR；下鬚 = Q1 − 1.5×IQR，代表「正常」資料的邊界
離群值（Outliers）	超過鬚範圍的資料點，通常以圓點或星形標註

⚠️ 易錯點

箱形圖的上鬚（Upper Whisker）若稱為「最大值」，指的是不包括離群值的最大值，不見得等於整個資料集的真實最大值；下鬚同理。

優勢：直觀展示資料主要特徵（集中度、分佈範圍、異常值），無需繁瑣計算即可快速比較多組資料。侷限：無法顯示資料的精確形狀（如多峰分佈），對非常大範圍的資料只能反映整體趨勢。

離散量度比較

指標	計算基礎	對極端值的敏感度	適用情境
全距	最大值 − 最小值	極高	快速掌握總體範圍
四分位距（IQR）	Q3 − Q1	低（已排除兩端）	含離群值的資料、箱形圖
標準差	每筆資料與平均數之差的平方	高	衡量整體波動、風險評估

4. 分佈形狀：偏度與峰度

在集中趨勢與離散程度之外，仍需探究資料分佈的「形態」，這對機器學習特徵工程、風險管理、異常偵測皆有實質影響。

(1) 偏度（Skewness）

衡量資料分佈對稱程度的統計指標，反映資料是否均勻分佈於平均值兩側或存在長尾現象。

型態	偏度值	特徵	範例
正偏態（右偏）	> 0	右側尾部更長，主體集中左側	房價（少數豪宅拉高均值）
負偏態（左偏）	< 0	左側尾部更長，主體集中右側	設備壽命（少數早期故障拉低均值）
接近對稱	≈ 0	趨近理想常態分佈	工廠標準化產品重量

(2) 峰度（Kurtosis）

衡量資料分佈「尾部與峰頂的尖銳程度」，即是否「高峰重尾」或「扁平輕尾」。以 Pearson 定義（常態峰度標準 = 3）為例：

型態	峰度值	特徵
高峰（Leptokurtic）	> 3	比常態分佈更集中於中心，極端值（outliers）出現機率更高，模型外推或異常檢測風險需特別留意
中峰（Mesokurtic）	≈ 3	接近常態分佈，可作為比較其他分佈的參照
扁平（Platykurtic）	< 3	分佈較分散、平坦，較少極端值

⚠️ 易錯點

峰度的比較基準是常態分佈的峰度 = 3（Pearson 定義），而非 0——「峰度 > 3」才是高峰、「峰度 < 3」才是扁平，這與偏度以 0 為基準的判讀方式不同，考試常設計混淆選項。

🧠 記憶技巧

偏度看「左右對不對稱」（正偏右尾長、負偏左尾長），峰度看「中間尖不尖、尾巴厚不厚」（>3 高峰重尾、<3 扁平輕尾）。

🔗 相關名詞卡

平均數中位數眾數標準差全距四分位數四分位距探索性資料分析偏度與峰度

📝 章節考題自測（先作答，再點開解答）

Q1. 某公司近三年營收成長率分別為 10%、20%、30%，欲計算「平均成長率」，下列何種平均數最適合？

(A) 算術平均　(B) 幾何平均　(C) 調和平均　(D) 眾數

解答與解析

參考 Ans: (B) 成長率、報酬率屬於「乘積效應」情境，應使用幾何平均以避免算術平均失真。若用算術平均計算 (10%+20%+30%)/3 = 20%，並不能正確反映三年複合成長的真實效果，需改用幾何平均 \((1.1 \times 1.2 \times 1.3)^{1/3}-1\) 才符合連乘的本質。

Q2. 某物流公司想計算車隊的「平均行駛速度」，已知各路段花費的時間不同，下列何種平均數最適合？

(A) 算術平均　(B) 幾何平均　(C) 調和平均　(D) 中位數

解答與解析

參考 Ans: (C) 調和平均常用於速率類數據（如行駛速度、油耗），能合理處理「逆值」加權的情境，避免算術平均在速率計算上失真。

Q3. 一組所得資料中包含少數極端高所得者，下列敘述何者正確？

(A) 平均數會低於中位數　(B) 平均數會高於中位數，呈正偏態　(C) 眾數會高於平均數　(D) 該資料必為左偏態

解答與解析

參考 Ans: (B) 少數極端高值會將平均數向右拉高，形成右側尾部更長的正偏態（右偏），此時平均數 > 中位數 > 眾數，是所得分配資料的典型型態。

Q4. 已知某資料集 Q1 = 40，Q3 = 70，下列敘述何者正確？

(A) IQR = 30，上鬚理論邊界為 70 + 1.5×30 = 115　(B) IQR = 110　(C) 全距必為 30　(D) IQR 會受最大值影響

解答與解析

參考 Ans: (A) \(IQR = Q_3 - Q_1 = 70 - 40 = 30\)。上鬚（Upper Whisker）理論邊界 \(= Q_3 + 1.5 \times IQR = 70 + 1.5 \times 30 = 115\)。(B) 計算錯誤；(C) 全距為最大值減最小值，題目未給出，無法判定為 30；(D) IQR 的計算不涉及最大值，不受其影響，這正是 IQR 優於全距之處。

Q5. 下列何者最能反映類別型資料（如產品顏色偏好）的集中趨勢？

(A) 算術平均　(B) 幾何平均　(C) 中位數　(D) 眾數

解答與解析

參考 Ans: (D) 眾數適用於類別型資料，可快速指出「最常見」的類型；平均數與中位數皆需要數值排序或運算，不適用於無序類別資料。

Q6. 若某資料分佈的峰度（Kurtosis，Pearson 定義）為 5，下列敘述何者正確？

(A) 屬於扁平分佈（Platykurtic）　(B) 屬於高峰分佈（Leptokurtic），極端值出現機率較常態分佈高　(C) 該分佈為負偏態　(D) 該分佈峰度與常態分佈相同

解答與解析

參考 Ans: (B) Pearson 定義下常態分佈峰度基準為 3，峰度 5 > 3 屬於高峰（Leptokurtic），代表資料比常態分佈更集中於中心，且極端值出現的機率較高，模型外推與異常偵測時需特別留意風險。(A)(D) 錯誤，(C) 峰度與偏度是不同的形狀指標，題目未提供偏度資訊，不能推論偏態方向。

Q7. 關於箱形圖（Box Plot）的敘述，下列何者錯誤？

(A) 箱體上下邊界分別為 Q3 與 Q1　(B) 上鬚一定等於資料集的真實最大值　(C) 可用來快速比較多組資料的分佈差異　(D) 超出 Q1−1.5×IQR 或 Q3+1.5×IQR 的資料點視為離群值

解答與解析

參考 Ans: (B) 上鬚代表「不包括離群值」的最大值，不見得等於整個資料集的真實最大值；若資料集存在超過 Q3+1.5×IQR 的離群值，真實最大值會大於上鬚。其餘選項皆為箱形圖的正確特性。

Q8. 下列關於標準差與四分位距（IQR）的敘述，何者正確？

(A) 兩者皆完全不受極端值影響　(B) 標準差計算會用到每一筆資料與平均數的差，因此對極端值較敏感；IQR 只用到 Q1、Q3，相對穩健　(C) IQR 一定大於標準差　(D) 標準差只反映中間 50% 資料的範圍

解答與解析

參考 Ans: (B) 標準差的計算涉及全部資料點與平均數的離差平方，因此對極端值高度敏感；IQR 只取 Q1、Q3 兩個分位點，天生排除了兩端最極端的資料，相對穩健。(C)(D) 並無此必然關係或定義。