频率

频率 (Frequency)

频率（Frequency）是一个基础且核心的科学概念，用于描述一个重复性事件在单位时间内发生的次数。它在统计学、物理学、工程学、经济学等众多领域中都扮演着至关重要的角色。根据应用场景的不同，频率的定义和测量方式略有差异，但其核心思想——量化重复发生的程度——是相通的。

统计学中的频率

在统计学和数据分析中，频率指的是在一个数据集中，某个特定数值、类别或事件出现的次数。这是描述性统计分析的基石，也是从原始数据中提取信息的首要步骤。

绝对频率 (Absolute Frequency)

绝对频率，也常简称为频数，是指数据集中某一特定值或某一类别出现的具体次数。它是一个非负整数。

• 定义：对于一个包含 $N$ 个观测值的样本，其中类别 $i$ 出现的次数记为 $f_i$，则 $f_i$ 就是类别 $i$ 的绝对频率。
• 性质：所有类别的绝对频率之和等于样本的总观测数，即： \[ \sum_{i=1}^{k} f_i = N \] 其中 $k$ 是不同类别的总数。

示例：假设投掷一个骰子20次，得到的点数序列为 $\{1, 4, 3, 5, 6, 2, 4, 3, 4, 5, 6, 1, 2, 4, 5, 3, 4, 6, 2, 4\}$。那么点数"4"出现的绝对频率是6，点数"1"的绝对频率是2。

相对频率 (Relative Frequency)

相对频率是指某一类别的绝对频率与总观测次数的比值。它表示该类别在整个数据集中所占的比例或百分比，是频率概念从"计数"走向"比率"的关键一步。

• 定义：类别 $i$ 的相对频率 $p_i$ 的计算公式为： \[ p_i = \frac{f_i}{N} \] 其中 $f_i$ 是类别 $i$ 的绝对频率，$N$ 是总观测次数。
• 性质：相对频率的值介于0和1之间，即 $0 \le p_i \le 1$；所有类别的相对频率之和等于1，即 $\sum_{i=1}^{k} p_i = 1$。

示例：在上述骰子例子中，总观测次数 $N=20$。点数"4"的绝对频率 $f_4 = 6$，其相对频率为 $p_4 = \frac{6}{20} = 0.3$（即30\%）；点数"1"的相对频率为 $p_1 = \frac{2}{20} = 0.1$（即10\%）。

相对频率是概率的一个重要估计量。根据大数定律（Law of Large Numbers），当随机试验的次数 $N$ 足够大时，事件的相对频率会趋近于其理论概率。这一联系是频率学派（Frequentist）统计推断的哲学基础——概率被解释为无限次重复试验中相对频率的极限。

累积频率 (Cumulative Frequency)

累积频率是指从最低类别开始，到某个特定类别为止，所有类别的频率之和。它用于了解有多少观测值小于或等于某个特定值，是构造经验分布函数的基础。

• 定义：类别 $i$ 的累积频率 $F_i$ 是所有不大于类别 $i$ 的类别的绝对频率之和： \[ F_i = \sum_{j=1}^{i} f_j \] 同样，累积相对频率定义为 $P_i = \sum_{j=1}^{i} p_j = \frac{F_i}{N}$。
• 应用：累积频率分布对于确定中位数、四分位数和百分位数等位置度量非常有用。给定累积相对频率分布，第 $100p$ 百分位数即为满足 $P_i \ge p$ 的最小类别值。

示例：继续使用骰子数据，构建频率分布表如下：

\begin{tabular}{|c|c|c|c|c|} \hline 点数 ($i$) \& 绝对频率 ($f_i$) \& 相对频率 ($p_i$) \& 累积频率 ($F_i$) \& 累积相对频率 ($P_i$) \\ \hline 1 \& 2 \& 0.10 \& 2 \& 0.10 \\ 2 \& 3 \& 0.15 \& 5 \& 0.25 \\ 3 \& 3 \& 0.15 \& 8 \& 0.40 \\ 4 \& 6 \& 0.30 \& 14 \& 0.70 \\ 5 \& 3 \& 0.15 \& 17 \& 0.85 \\ 6 \& 3 \& 0.15 \& 20 \& 1.00 \\ \hline 总计 \& 20 \& 1.00 \& — \& — \\ \hline \end{tabular}

从表中可知，点数小于或等于4的累积频率是14（累积相对频率为0.70），即70\%的投掷结果不超过4点。

物理学与工程学中的频率

在物理学中，频率是描述波动（Wave）和振动（Oscillation）现象的核心物理量。它与周期、波长和能量之间存在简洁而深刻的数学关系。

• 定义：频率 $f$ 指的是介质中的质点或场在单位时间内完成完整振动或变化的次数。它是周期 $T$（完成一次完整振动所需的时间）的倒数： \[ f = \frac{1}{T} \]
• 单位：频率的国际标准单位是赫兹（Hertz），符号为Hz。1 Hz表示每秒发生一次重复事件。常用倍数单位包括kHz（$10^3$ Hz）、MHz（$10^6$ Hz）和GHz（$10^9$ Hz）。

应用示例：

• 声波（Sound Wave）：频率决定了声音的音高（Pitch）。高频声波听起来尖锐（如短笛），低频声波听起来低沉（如大鼓）。人类的听觉范围大约在20 Hz到20,000 Hz之间，低于20 Hz的称为次声波，高于20 kHz的称为超声波。
• 电磁波（Electromagnetic Wave）：频率决定了电磁波的类型和能量。从低频的无线电波，到微波、红外线、可见光、紫外线、X射线，再到高频的伽马射线，它们的本质区别就在于频率的不同。光子能量与频率的关系由普朗克公式 $E = h f$ 给出，其中 $h$ 为普朗克常数。
• 交流电（Alternating Current, AC）：市电的频率（如中国的50 Hz或美国的60 Hz）描述了电流方向每秒钟改变的周期次数。这一频率的选择涉及发电效率、输电损耗和历史标准的综合权衡。

角频率 (Angular Frequency)

在处理旋转和振动问题时，尤其是使用三角函数描述简谐运动时，使用角频率 $\omega$ 更为方便。

• 定义：角频率表示单位时间内相位角的变化量，其单位是弧度/秒（rad/s）： \[ \omega = 2\pi f = \frac{2\pi}{T} \] 乘以 $2\pi$ 是因为一个完整的周期对应于一个圆周的 $2\pi$ 弧度。简谐振动的位置函数可简洁地写为 $x(t) = A \cos(\omega t + \phi)$。
• 优势：在使用复数表示和傅里叶分析时，角频率避免了公式中频繁出现 $2\pi$ 因子，使表达式更加简洁紧凑。

频率分析与应用

频率分析是研究数据或信号中不同频率成分及其强度的方法，广泛应用于从自然科学到社会科学的各个领域。

统计可视化与探索性分析

在统计学中，通过创建频率分布表、直方图（Histogram）、条形图（Bar Chart）或频率多边形（Frequency Polygon）来可视化数据的分布特征，是探索性数据分析（Exploratory Data Analysis, EDA）的第一步。这些可视化工具能够直观地揭示数据的集中趋势、离散程度、偏态和峰态等关键特征，为后续的统计建模提供方向性指导。

频谱分析 (Spectral Analysis)

在信号处理中，使用傅里叶变换（Fourier Transform）等数学工具，可以将一个复杂的时域信号（如声音、图像或经济时间序列）分解为其组成的正弦波频率成分。这一技术使得我们能够：

• 识别信号中的周期性模式和隐藏的节律；
• 滤除特定频段的噪声（如低通滤波、高通滤波和带通滤波）；
• 实现数据压缩（如JPEG图像压缩和MP3音频压缩均基于频域分析）。

快速傅里叶变换（FFT）算法的发明（Cooley-Tukey, 1965）极大降低了频谱分析的计算复杂度，使其成为现代数字信号处理的基石。

经济学与金融中的应用

经济学家和金融分析师广泛使用频率分析：

• 商业周期分析：通过频谱分析识别宏观经济变量（GDP、失业率等）中的周期成分，区分短期波动、中期商业周期（通常3—8年）和长期趋势。
• 季节性调整：利用频率域方法（如X-13ARIMA-SEATS）从月度或季度经济数据中剔除季节性频率成分，得到更能反映经济基本面的季节调整序列。
• 金融市场的波动性：高频交易（High-Frequency Trading, HFT）利用毫秒甚至微秒级别的价格变动频率进行算法交易。已实现波动率（Realized Volatility）正是通过对高频收益率平方求和来估计低频波动率。
• 时间序列分析：自相关函数（ACF）和偏自相关函数（PACF）本质上衡量的是时间序列在不同滞后（即不同"频率"尺度）上的线性依赖结构，是ARIMA建模的核心诊断工具。

综上，频率作为一个概念，横跨了从离散计数到连续波动的广泛领域，是理解和分析周期性、重复性现象的不可或缺的工具。无论是在统计表中计数事件的发生次数，还是在频谱仪上观察信号的频率分量，频率都提供了统一的量化语言——衡量"重复"的尺度。