KNOWECON WIKI

ARTICLE

算术平均值

算术平均值 (Arithmetic Mean) 算术平均值 (Arithmetic Mean) 是一组数值之和除以数值个数的结果，是描述数据集中趋势最基本、最常用的统计量。在数学和统计学中，算术平均值通常简称为均值 (Mean)。对于一组观测值 x_1, x_2, , x_n，其算术平均值定义为： 这一简洁的定义背后蕴含着丰富的数学内涵和广泛的实际应用。 算

浏览 5 更新 2025-10-26

算术平均值 (Arithmetic Mean)

算术平均值 (Arithmetic Mean) 是一组数值之和除以数值个数的结果，是描述数据集中趋势最基本、最常用的统计量。在数学和统计学中，算术平均值通常简称为均值 (Mean)。对于一组观测值 x1,x2,…,xnx_1, x_2, \ldots, x_n，其算术平均值定义为：

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

这一简洁的定义背后蕴含着丰富的数学内涵和广泛的实际应用。

算术平均值与数学期望

在概率论中，数学期望 (Expectation) 是随机变量取值按概率的加权平均，而算术平均值则可以视为样本版本的"经验期望"。两者之间通过大数定律紧密联系：当样本容量趋于无穷时，样本算术平均值以概率收敛于总体的数学期望。这一桥梁关系使得算术平均值成为统计推断中最核心的工具之一。

对于离散型随机变量 XX，若其取值 x1,x2,…,xkx_1, x_2, \ldots, x_k 对应的概率分别为 p1,p2,…,pkp_1, p_2, \ldots, p_k，则数学期望为：

E[X]=∑i=1kxipi\mathbb{E}[X] = \sum_{i=1}^{k} x_i p_i

当从该分布中独立抽取 nn 个样本时，样本均值 Xˉn\bar{X}_n 满足：

E[Xˉn]=μ,Var(Xˉn)=σ2n\mathbb{E}[\bar{X}_n] = \mu, \quad \text{Var}(\bar{X}_n) = \frac{\sigma^2}{n}

其中 μ\mu 和 σ2\sigma^2 分别为总体的均值和方差。这表明算术平均值是总体均值的无偏估计量，且其方差随样本量增大而减小。

算术平均值的最优性

在参数估计理论中，对于独立同分布样本，算术平均值具有多种最优性质。Gauss-Markov定理指出，在满足经典线性回归假设的条件下，样本均值是总体均值的最佳线性无偏估计量 (BLUE)，即在所有线性无偏估计量中方差最小。此外，如果总体服从正态分布，则样本均值同时也是一致最小方差无偏估计 (UMVUE)。

从极大似然估计的角度看，对于正态分布 N(μ,σ2)N(\mu, \sigma^2)，样本均值恰好是参数 μ\mu 的极大似然估计量。这进一步强化了算术平均值在统计理论中的核心地位。

算术平均值的抽样分布

中心极限定理 (Central Limit Theorem) 揭示了算术平均值的另一个深刻性质：无论原始数据的分布形态如何，只要样本容量 nn 足够大，样本均值的抽样分布近似于正态分布。更精确地：

n(Xˉn−μ)→dN(0,σ2)当 n→∞\sqrt{n}(\bar{X}_n - \mu) \xrightarrow{d} N(0, \sigma^2) \quad \text{当 } n \to \infty

这一性质是统计推断的基石，它为假设检验和置信区间的构造提供了理论依据。例如，在总体方差已知的情况下，总体均值 μ\mu 的 95%95\% 置信区间为：

xˉ±z0.025⋅σn\bar{x} \pm z_{0.025} \cdot \frac{\sigma}{\sqrt{n}}

算术平均值在指数编制中的应用

在经济统计中，算术平均值被广泛应用于各类价格指数和经济指标的编制。例如，消费者价格指数 (CPI) 的计算中使用的拉氏指数 (Laspeyres Index) 和帕氏指数 (Paasche Index) 本质上是价格变动的加权算术平均值。道琼斯工业平均指数 (Dow Jones Industrial Average) 最初的计算方式就是成分股价格的简单算术平均值。

在国民经济核算中，人均 GDP、人均收入等指标均以算术平均值计算，这些指标是衡量国家经济发展水平的重要参考。但需要特别注意，当数据分布严重偏斜（如收入分布）时，算术平均值可能无法很好地代表"典型"个体的状况，此时中位数往往更具参考价值。

算术平均值与最小二乘法

算术平均值与最小二乘法 (Method of Least Squares) 之间存在深刻的数学联系。考虑寻找一个数值 cc 使得误差平方和最小化的问题：

min⁡c∑i=1n(xi−c)2\min_{c} \sum_{i=1}^{n} (x_i - c)^2

求解一阶条件可得：

∂∂c∑i=1n(xi−c)2=−2∑i=1n(xi−c)=0\frac{\partial}{\partial c}\sum_{i=1}^{n}(x_i - c)^2 = -2\sum_{i=1}^{n}(x_i - c) = 0

解得 c=1n∑i=1nxi=xˉc = \frac{1}{n}\sum_{i=1}^{n} x_i = \bar{x}。也就是说，算术平均值是使得平方损失之和最小的点，这正是最小二乘法的核心思想。这一性质将算术平均值与回归分析紧密联系起来——在简单线性回归模型中，回归系数的估计本质上就是寻找使得残差平方和最小的参数，而截距项的估计量恰好包含被解释变量的算术平均值。

算术平均值在机器学习中的应用

在机器学习中，算术平均值同样是许多算法的核心组成部分。在 extbf{集成学习} (Ensemble Learning) 中， extbf{Bagging} 方法（如随机森林）通过对多个基学习器的预测结果取算术平均值来降低方差、提升泛化性能。对于回归问题，集成模型的最终输出正是各基模型预测值的算术平均：

f^ensemble(x)=1M∑m=1Mf^m(x)\hat{f}_{\text{ensemble}}(x) = \frac{1}{M}\sum_{m=1}^{M} \hat{f}_m(x)

其中 MM 为基学习器的数量。这一做法的理论依据是：若各基学习器的预测误差不相关，则平均后的误差方差降低至原来的 1/M1/M。

在 extbf{模型评估}中，交叉验证 (Cross-Validation) 的最终性能指标通常报告为各折验证结果的平均值。例如，kk 折交叉验证的误差估计为：

CV(k)=1k∑i=1kEi\text{CV}_{(k)} = \frac{1}{k}\sum_{i=1}^{k} E_i

其中 EiE_i 为第 ii 折的验证误差。此外，在 extbf{梯度下降} (Gradient Descent) 的 extbf{小批量} (Mini-batch) 版本中，每次参数更新使用的梯度是批量样本梯度的算术平均值，这一估计是真实梯度的无偏估计。

算术平均值的局限性与替代选择

尽管算术平均值应用广泛，但在以下场景中需要谨慎使用：

  • 偏态分布：在收入分配、财富分布等呈现右偏特征的数据中，算术平均值会被少数高值拉高，不能反映大多数人的水平。
  • 存在离群值：即使数据量较大，个别极端值也会对算术平均值造成不可忽视的影响。此时可以改用截尾均值 (Trimmed Mean) 或温索化均值 (Winsorized Mean) 作为稳健替代。
  • 比率与增长率：在计算平均增长率或平均比率时，几何平均数 (Geometric Mean) 优于算术平均值。例如，若某资产三年收益率分别为 10%,−5%,15%10\%, -5\%, 15\%，其复合年增长率 (CAGR) 应使用几何平均数计算： \[ \bar{r}_g = \sqrt[3]{(1+0.10)(1-0.05)(1+0.15)} - 1 \approx 6.2\% \] 而算术平均值为 (10%−5%+15%)/3≈6.7%(10\% - 5\% + 15\%) / 3 \approx 6.7\%，高估了实际回报。
  • 有序数据与名义数据：对于定序数据或名义数据，算术平均值没有数学意义，应使用中位数或众数。

广义的算术平均值

算术平均值可以推广到更一般的数学框架中。在函数空间中，函数 f(x)f(x) 在区间 [a,b][a, b] 上的积分平均值定义为：

fˉ=1b−a∫abf(x) dx\bar{f} = \frac{1}{b-a}\int_{a}^{b} f(x) \, dx

这是离散算术平均值在连续情形下的自然推广。在泛函分析中，这一概念与幂平均 (Power Mean) 或广义平均 (Generalized Mean) 相联系，后者定义为：

Mp(x1,…,xn)=(1n∑i=1nxip)1/pM_p(x_1, \ldots, x_n) = \left(\frac{1}{n}\sum_{i=1}^{n} x_i^p\right)^{1/p}

当 p=1p = 1 时即为算术平均值；当 p→0p \to 0 时趋近于几何平均数；当 p=−1p = -1 时即为调和平均数。这一统一框架揭示了不同类型平均数之间的内在联系与层次结构。