惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

C
Cisco Blogs
Schneier on Security
Schneier on Security
T
Tor Project blog
Threat Intelligence Blog | Flashpoint
Threat Intelligence Blog | Flashpoint
T
Tenable Blog
C
Cyber Attacks, Cyber Crime and Cyber Security
T
Threat Research - Cisco Blogs
C
CERT Recently Published Vulnerability Notes
Security Latest
Security Latest
Exploit-DB.com RSS Feed
Exploit-DB.com RSS Feed
NISL@THU
NISL@THU
L
Lohrmann on Cybersecurity
Scott Helme
Scott Helme
Webroot Blog
Webroot Blog
Project Zero
Project Zero
Google Online Security Blog
Google Online Security Blog
The Last Watchdog
The Last Watchdog
Spread Privacy
Spread Privacy
Hacker News: Ask HN
Hacker News: Ask HN
PCI Perspectives
PCI Perspectives
cs.CL updates on arXiv.org
cs.CL updates on arXiv.org
W
WeLiveSecurity
Attack and Defense Labs
Attack and Defense Labs
D
Darknet – Hacking Tools, Hacker News & Cyber Security
N
News | PayPal Newsroom
Help Net Security
Help Net Security
The Hacker News
The Hacker News
H
Heimdal Security Blog
O
OpenAI News
S
Security @ Cisco Blogs
N
News and Events Feed by Topic
Cyberwarzone
Cyberwarzone
Simon Willison's Weblog
Simon Willison's Weblog
G
GRAHAM CLULEY
www.infosecurity-magazine.com
www.infosecurity-magazine.com
博客园 - 叶小钗
K
KPMG report finds enterprise disconnect between AI and its ROI | CIO
Hacker News - Newest:
Hacker News - Newest: "LLM"
T
Tailwind CSS Blog
大猫的无限游戏
大猫的无限游戏
A
Arctic Wolf
I
Intezer
钛媒体:引领未来商业与生活新知
钛媒体:引领未来商业与生活新知
S
Security Affairs
P
Proofpoint News Feed
S
Secure Thoughts
腾讯CDC
Google DeepMind News
Google DeepMind News
量子位
罗磊的独立博客

博客园 - linkcd

linkcd胡扯职业生涯规划(二): 关于 人 linkcd胡扯职业生涯规划(一): 关于定位 如何才能用好Email? 让Switch-Case/If-Else-If-Else从你系统中走开 Castle.MircoKernel Class Diagram - Part I 一个不错的scheme入门PPT 人格类型 测试结果 .Net 2.0 下Data Container性能比较: Binary Serialize Dataset vs Custom Classes 智能替换DataTable.Select中会导致错误的单引号 - linkcd - 博客园 Nullable Type is an immutable type Why does Dataset NOT serialize its BinaryFormat property? (ADO.net 2.0) Undocumented Keywords in C# System.Int32&是个啥? 《4个程序员的一天》(续) 由idior的问题想到的 回FantasySoft 4个程序员的一天 n久以前写的火星文 Solution for SICP 在Vs.net中集成 NDoc生成的 Html Help 2帮助文档
[翻译]每个作者都应该懂的统计学 Part I
linkcd · 2005-12-18 · via 博客园 - linkcd

因为在研究Six Sigma,需要用到如 标准差 这种 概率论与数理统计 里的概念,但是由于个人经历,没有上过这门课程。

没办法,自己找资料来学吧。

下面的翻译,因为不熟悉专业名词,就保留原文吧。如果有问题请指正,谢谢。
原文链接:
http://www.robertniles.com/stats/

Mean
最常见的统计学工具之一,并且易于计算。全部【相加】,再除以【个数】。举个例子:
比方说你现在要为World Wide Widget公司进行统计。该公司9名职员的薪水如下:

总裁年薪:$100,000
2个经理,每人年薪:$50,000
4个工人年薪:$15,000
2个学徒年薪:$9,000

所以你把所有薪水加起来:$100,000 + $50,000 + $50,000 + $15,000 + $15,000 + $15,000 + $15,000 + $9,000 + $9,000(上面工资表中所有的数值),总和是$278,000。然后再除以9(职员人数)

最后,你得到了Mean:$30,889.

不是个很差的平均年薪,是吧?但是注意:WWW公司全部9名职员中只有3名职员可以挣到这个数字,而其他6个人甚至不能挣到这个平均值的一半。

那么,我们应该用什么样的统计工具来分析WWW公司【普通职员】能挣多少呢?现在让我们来看看Median。

Median
无论何时,如果你发现自己在写如【普通职员】,或是【普通家庭】这类字眼,你不会想去用前面讲到的那种平均值Mean。你需要那种能确实表示大众化情况的统计工具,这就是Median。

同样,这个统计也很好用:正如它字面意思一样,Median就是处在中间的值。只要把你的数值从大到小排列起来,中间的那个值就是你的Median。

就WWW公司的情况来说,让我们来排列一下他们的工资:
For the World Wide Widget Co., here are the worker's salaries:
$100,000
$50,000
$50,000
$15,000
$15,000
$15,000
$15,000
$9,000
$9,000

这里有9个职员,那么正好会有个人处在9个人的中间位置,即第五个值:$15,000。这就是Median。(如果你的数值是偶数,那么去算中间2个值的Mean,即把2个最中间的值加起来除以2)

比较同一集合的mean和median,可以让你知道该集合中数值分部情况。在这个例子里面,WWW公司总裁的薪水和普通员工的薪水水平就差距很大。(当然,在现实世界中,仅仅9个数字远远不够提供什么有价值的信息。但是在这里说明概念就够了)

再来一个例子:10个人在Redmond(译注:微软总部所在地)赶公交车。这10个人年薪的Mean是$50,000,他们年薪的Median恰好也是$50,000。

Joe Blow下了车,Bill Gates上了车。

现在,这些乘客年薪的Median仍然是$50,000,但是Mean却攀升到$50 million这样让译者眼红的数字-_-。有人可以说现在这些乘客的平均年薪是$50 million,但事实上其他9名乘客并没有因为Bill Gates上了车就变成了百万富翁。当我们在讨论这辆车上【普通乘客】的年薪时,仍然应该使用Median值:$50,000,这样才能反应真实的情况。

(统计学有个概念被称为:standard deviation,它会告诉我们在一个集合中各个值的分部密度。)

下一课:Percent Change
Percent Change可以很好的帮助人们理解随时间变化的数值。同样,学习这个不会用到比小学3年级数学更高深的知识。

用新值减去旧值,然后再除以旧值,就得到了你要的Percent Change。

例如,Springfield和Capital City去年都有50个罪犯。看起来2个城市的治安都一样,不是吗?也许是,也许不是。让我们来看看2个城市以前的犯罪记录,这样可以用Percent Change来进行比较。

5年前,Captial CIty有42个罪犯,而Springfield只有29个。

新值减去旧值,再除以旧值。好了,你算出来的吧?在5年时间里,Capital City的罪犯增长了19%,而Springfield增长了72%!

理解?

等等!在你计算Percent Change的时候,还有些东西需要考虑。让我们来看看Per Captia

Per Capita
当你在比较多组数字时,Percent change只能让你了解事实的部分真相。另一个重要的统计学概念是每组数值的Per Capita。这个概念能帮助你在不同大小的组间进行比较。

再让我们来看看Springfield和Captial City。今年有800,000人居住在spingfield,600,000居住在Capital City。但是在5年前,Springfield只有450,000人,而Capital City有550,000居民。

为什么这个很重要呢?因为这事实上说明了在过去5年里,Sprinefield市的扩张速度远远大于Captial City。这就解释为何Sprinefield会有更高的犯罪增长率。毕竟,一个城市拥有更多的人口自然也会出现更多的罪犯。

为了找到究竟哪个城市更危险一些,你需要计算一个per capita的罪犯比例(a per capita murder rate),即多少人中会出一个罪犯。

为了找到这个比例,只需要将罪犯的数量除以该市的人口数量。为了得到比较少的小数点,我们一般会在结果上乘以100,000,即每100,000人中会出现多少罪犯。

拿Sprinefield来说哦,50个罪犯除以800,000人,可以得到大约100,000人中有6.25个罪犯。Capital City则是50除以600,000,得100,000人中有8.33个罪犯。

5年前,Springfield的29个罪犯除以当时的人口450,000,大约是每100,000人中有6.44个罪犯。而Capital City是用42个罪犯除以550,000,得到每100,000人中有7.64个罪犯。

仅仅看Percent的话,我们会认为:在过去5年里,Springfield犯罪率增长了72%,而Capital City只有19%。但现在我们分析Per Capita,可以发现每100,000人中,Springfield的犯罪人数下降了近3%,而Capital City增长了近9%。。。

这才是真实的情况。。。

下一课:Standard Deviation
(未完待续)