KNOWECON WIKI

ARTICLE

mean

均值 (Mean) 均值 (Mean)，在统计学中也常称 平均数 (Average)，是描述 数据集 (Data Set) 集中趋势 (Central Tendency) 最常用的统计量之一。均值定义为所有观测值之和除以观测值的个数，其数学表达式为： 其中 x_1, x_2, , x_n 为样本观测值，n 为样本量， x 为样本均值。在 总体 (Popula

浏览 0 更新 2026-07-11

均值 (Mean)

均值 (Mean)，在统计学中也常称 平均数 (Average)，是描述 数据集 (Data Set) 集中趋势 (Central Tendency) 最常用的统计量之一。均值定义为所有观测值之和除以观测值的个数，其数学表达式为：

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

其中 x1,x2,…,xnx_1, x_2, \dots, x_n 为样本观测值，nn 为样本量，xˉ\bar{x} 为样本均值。在 总体 (Population) 层面，总体均值通常记作 μ\mu。

算术均值 (Arithmetic Mean)

上述公式定义的正是 算术均值，也是最广为人知的均值形式。它适用于数值型数据（定距尺度以上），且对 极端值 (Outliers) ——极端大或极端小的数值——较为敏感。例如，在一组收入数据 {3000,3500,4000,5000,100000}\{3000, 3500, 4000, 5000, 100000\} 中，均值为 2290022900，远高于大多数个体的实际收入，这正反映了均值对极端值的拉偏效应。因此，当数据呈 偏态分布 (Skewed Distribution) 或存在明显极端值时，中位数 (Median) 常被推荐作为补充或替代。

几何均值 (Geometric Mean)

几何均值 定义为 nn 个正数的乘积的 nn 次方根：

G=(∏i=1nxi)1nG = \left( \prod_{i=1}^{n} x_i \right)^{\frac{1}{n}}

几何均值广泛应用于增长率、收益率等比率数据的平均计算。例如，一项资产连续三年的收益率分别为 +10%+10\%、−5%-5\%、+15%+15\%，则年均收益率应采用几何均值而非算术均值：G=1.10×0.95×1.153−1≈6.37%G = \sqrt[3]{1.10 \times 0.95 \times 1.15} - 1 \approx 6.37\%，这准确反映了实际累积收益。算术均值在此时会高估真实增长率，这一现象在 金融学 (Finance) 和 投资学 (Investment) 中至关重要。几何均值永远不大于算术均值，当且仅当所有观测值相等时两者相等。

调和均值 (Harmonic Mean)

调和均值 定义为观测值倒数的算术平均的倒数：

H=n∑i=1n1xiH = \frac{n}{\sum_{i=1}^{n} \frac{1}{x_i}}

调和均值适用于平均比率或平均速率的情境。典型的例子是平均速度：若某人以 60 km/h60\text{ km/h} 行驶一段路程，再以 40 km/h40\text{ km/h} 原路返回，则全程平均速度既不是 50 km/h50\text{ km/h}（算术均值），亦非几何均值，而是调和均值 H=2160+140=48 km/hH = \frac{2}{\frac{1}{60} + \frac{1}{40}} = 48\text{ km/h}。在 机器学习 (Machine Learning) 中，调和均值也常用于 F1分数 (F1 Score) 的计算——F1分数是 精确率 (Precision) 和 召回率 (Recall) 的调和均值，旨在平衡两者。调和均值不大于几何均值，几何均值不大于算术均值，三者构成著名的 均值不等式 (Inequality of Means)。

总体均值与样本均值

在 推断统计学 (Inferential Statistics) 中，区分 总体均值 μ\mu 和 样本均值 xˉ\bar{x} 至关重要。总体均值是描述总体分布特征的 参数 (Parameter)，而样本均值是由样本数据计算的 统计量 (Statistic)。根据 大数定律 (Law of Large Numbers)，当样本量增大时，样本均值以概率收敛于总体均值。中心极限定理 (Central Limit Theorem) 进一步表明，无论总体分布形态如何，当样本量足够大时，样本均值的 抽样分布 (Sampling Distribution) 近似服从 正态分布 (Normal Distribution)，这一性质是许多 参数检验 (Parametric Test) 和 置信区间 (Confidence Interval) 的理论基础。

样本均值也是 总体均值 的 无偏估计量 (Unbiased Estimator)，即 E[Xˉ]=μ\mathbb{E}[\bar{X}] = \mu。它的 方差 (Variance) 为 σ2/n\sigma^2 / n，其中 σ2\sigma^2 为总体方差，表明增大样本量可提高估计精度。

截尾均值 (Trimmed Mean)

为克服算术均值对极端值的敏感性，截尾均值 在排序后去除一定比例的最大值和最小值，再对剩余数据计算均值。例如，10%10\% 截尾均值剔除两端各 10%10\% 的数据。截尾均值在 稳健统计 (Robust Statistics) 中占有一席之地，是兼顾均值效率与中位数稳健性的折中方案。体育评分（如体操、跳水）中常见的"去掉一个最高分、去掉一个最低分"的做法，本质上即截尾均值的特例。

加权均值 (Weighted Mean)

当各观测值的权重不同时，采用 加权均值：

xˉw=∑i=1nwixi∑i=1nwi\bar{x}_w = \frac{\sum_{i=1}^{n} w_i x_i}{\sum_{i=1}^{n} w_i}

加权均值在 调查统计 (Survey Statistics) 中用于处理 分层抽样 (Stratified Sampling) 中的不等概率，在 指数编制（如 消费者物价指数 CPI）中用于将不同商品价格按消费权重汇总，也在 教育评价 中用于计算 加权平均分 (Weighted Grade Point Average)。普通算术均值可视为加权均值的特例——当所有 wi=1w_i = 1 时两者等价。

均值的数学性质

均值作为统计量具备若干重要的数学性质。首先，所有观测值与均值的离差之和为零：∑i=1n(xi−xˉ)=0\sum_{i=1}^{n} (x_i - \bar{x}) = 0，这意味着均值是数据的"平衡点"。其次，均值使离差平方和最小化：对于任意常数 cc，有 ∑(xi−xˉ)2≤∑(xi−c)2\sum (x_i - \bar{x})^2 \le \sum (x_i - c)^2，这一性质直接构成了 最小二乘法 (Ordinary Least Squares) 的理论基础。第三，均值具有线性变换性质：若 yi=a+bxiy_i = a + bx_i，则 yˉ=a+bxˉ\bar{y} = a + b\bar{x}，这一性质极大简化了数据标准化与尺度变换后的计算。

均值与其他集中趋势度量

均值、中位数 (Median) 和 众数 (Mode) 是描述集中趋势的三大统计量。在 对称分布 (Symmetric Distribution) 中三者相等；在 右偏分布 (Right-Skewed Distribution) 中均值大于中位数大于众数；在 左偏分布 (Left-Skewed Distribution) 中则相反。这一关系可通过 皮尔逊偏度系数 (Pearson's Skewness Coefficient) 量化：Skewness=3(xˉ−Median)/s\text{Skewness} = 3(\bar{x} - \text{Median}) / s。均值利用全部数据信息，效率最高但对极端值敏感；中位数仅依赖排序位置，稳健但效率较低；众数适用于名义尺度数据。实际应用中需根据数据特征与分析目的合理选择。

在 描述统计学 (Descriptive Statistics) 的五数概括法 (Five-Number Summary) 中，中位数与四分位数组合呈现数据的分布形态，而均值则常与 标准差 (Standard Deviation) 配对使用，以均值±标准差的形式反映数据的集中与离散程度。

均值在经济学与金融学中的应用

在 经济学 (Economics) 中，预期值 (Expected Value) 本质上就是概率加权均值。马科维茨投资组合理论 (Markowitz Portfolio Theory) 用 资产收益率 (Asset Return) 的均值衡量预期收益，将其与 方差 (Variance) 一同作为投资决策的核心维度。在 行为经济学 (Behavioral Economics) 中，前景理论 (Prospect Theory) 发现个体在决策中对均值（预期值）的参考权重可能与客观概率存在偏差，体现了 决策权重 (Decision Weight) 的非线性特征。

在 回归分析 (Regression Analysis) 中，最小二乘法 (Least Squares Method) 的本质是寻找使 残差 (Residual) 均值最小化的参数估计，即条件均值函数 E[Y∣X]\mathbb{E}[Y|X] 的估计。方差分析 (ANOVA) 的核心则是比较不同组别间的均值差异是否显著大于组内变异。

均值的局限与替代

尽管均值是使用最广泛的统计量，但其局限性不可忽视：

  • 对极端值敏感：单一个极端值即可大幅改变均值，使结果失实。
  • 不适用于名义数据：对分类变量（如性别、职业）计算均值无意义。
  • 对偏态分布的代表性差：收入数据常呈右偏态，中位数往往更能代表"典型"个体。

因此，实际数据分析中常将均值与 中位数、众数 (Mode)、标准差 (Standard Deviation) 及 四分位数 (Quartile) 结合报告，以全面刻画数据分布特征。

均值的计算与编程实现

在实际数据分析中，均值可通过多种工具快速计算。在 Python 中可使用 \texttt{numpy.mean()} 或 \texttt{statistics.mean()}；在 R语言 (R Language) 中直接调用 \texttt{mean()} 函数；在 Excel 中使用 \texttt{AVERAGE()} 函数。对于大型数据集，分布式计算框架如 MapReduce 也可高效计算均值。值得注意的是，浮点数求和时的 数值精度 (Numerical Precision) 问题在大规模数据中不可忽视，可选择 \texttt{math.fsum()} 等精确求和函数或采用 卡汉求和算法 (Kahan Summation Algorithm) 降低舍入误差。

综上，均值是统计学中最基本、最重要的概念之一，从基础描述到高级推断均扮演核心角色。理解各类均值的适用条件及其与中位数、众数的区别，是正确开展数据分析的起点。