描述性统计是统计学的一个子集，涉及汇总和组织数据，使其易于理解。它提供有关样本和已进行的测量的简单摘要。此类摘要可以是定量的（即平均值或标准差），也可以是视觉的（即条形图或直方图）。
描述统计学的起源和演变
描述性统计的历史可以追溯到古代文明。古埃及人使用原始形式的描述性统计来估计其人口，以便分配资源。在现代，17 世纪的伦敦商人约翰·格劳特 (John Graunt) 通常被认为是统计科学的诞生。他使用描述性统计来预测伦敦的人口增长，数据来自死亡率统计表。然而，描述性统计作为一门科学的正式化发生在 19 世纪，主要是通过弗朗西斯·高尔顿爵士和卡尔·皮尔逊的工作。
深入研究描述统计学
描述统计围绕两个关键要素：集中趋势测量和离散测量。
- 集中趋势测量 包括平均值、中位数和众数。这些用于识别数据集的中心点或平均值。
- 离散度测量诸如范围、方差和标准差等指标，可以洞悉数据的分布情况。它们说明了数据集内的多样性或一致性。
这两个元素结合在一起提供了手头数据集的整体视图并允许进行有效的分析。
描述统计学的内部结构
描述性统计依赖于两种主要分析类型：单变量和双变量。
-
单变量分析：当仅考虑一个变量时，会执行此分析。例如，计算一组人的平均身高涉及单变量分析。
-
双变量分析：这种分析涉及两个不同的变量。它通常用于找出它们之间是否存在关系。例如，分析身高和体重之间是否存在相关性需要进行双变量分析。
描述统计的主要特征
- 简单：描述性统计数据以合理的方式简化大量数据。
- 数据可视化：它能够以一种易于分析和可视化的方式表示数据。
- 总结：提供整个场景的摘要，以便快速做出决策。
- 比较：它允许比较数据集。
描述统计的类型
| 类型 | 例子 |
|---|---|
| 频率测量 | 计数、百分比、频率 |
| 集中趋势测量 | 平均值、中位数、众数 |
| 离散度或变异度的测量 | 范围、方差、标准差 |
| 位置测量 | 百分位数等级、四分位数等级 |
使用描述性统计数据：问题和解决方案
描述性统计数据通常用于所有形式的研究。然而，重要的是要记住，虽然它有助于总结数据，但它不允许得出超出分析数据的结论或预测未来的观察结果。因此，必须谨慎解释描述性统计数据，并考虑其局限性。
比较与特点
| 条款 | 特征 |
|---|---|
| 描述性统计 | 总结并组织数据 |
| 推论统计 | 根据数据样本对人群做出预测或推断 |
描述统计学的未来
描述性统计是数据科学和机器学习不可或缺的一部分，这两个领域正在不断发展。未来可能会出现能够执行复杂描述性分析的自动化系统。大数据还将影响描述性统计的应用和方法，因此需要开发更高效的计算技术。
代理服务器和描述性统计
代理服务器可以生成大量有关用户行为、网络性能和安全事件的数据。可以使用描述性统计数据来汇总这些数据并生成见解，使管理员更容易监控和管理网络性能和安全。
