2019独角兽企业重金招聘Python工程师标准>>>

复制于

百科(百科写的太好了,就直接复制过来了): https://baike.baidu.com/item/%E5%B9%B3%E5%9D%87%E6%95%B0

理清几种平均数的概念,平均数有一下7种类型:

▪ 算术平均数
▪ 几何平均数
▪ 调和平均数
▪ 加权平均数
▪ 平方平均数
▪ 指数平均数
▪ 中位数

一、7中平均数平均数

1. 算数平均数

把n个数的总和除以n,所得的商叫做这n个数的算术平均数。 [1]

公式:

2. 几何平均数

n个观察值连乘积的n次方根就是几何平均数。根据资料的条件不同,几何平均数分为加权和不加权之分。 [1]

公式:

3. 调和平均数(又叫等权平均数)

调和平均数是平均数的一种。但统计调和平均数,与数学调和平均数不同。在数学中调和平均数与算术平均数都是独立的自成体系的。计算结果两者不相同且前者恒小于后者。 因而数学调和平均数定义为:数值倒数的平均数的倒数。但统计加权调和平均数则与之不同,它是加权算术平均数的变形,附属于算术平均数,不能单独成立体系。且计算结果与加权算术平均数完全相等。 主要是用来解决在无法掌握总体单位数(频数)的情况下,只有每组的变量值和相应的标志总量,而需要求得平均数的情况下使用的一种数据方法。 [1]

公式:

4. 加权平均数

加权平均数是不同比重数据的平均数,加权平均数就是把原始数据按照合理的比例来计算,若 n个数中,x1出现f1次,x2出现f2次,…,xk出现fk次,那么

叫做x1、x2、…、xk的加权平均数。f1、f2、…、fk是x1、x2、…、xk的权。

公式:

,其中

。f1、f2、…、fk叫做(weight)。

平均数是加权平均数的一种特殊情况,即各项的权相等时,加权平均数就是算术平均数。

5. 平方平均数

平方平均数是n个数据的平方的算术平均数的算术平方根。

公式:

6. 指数平均数

大家自己看吧,我没明白。

https://baike.baidu.com/item/%E6%8C%87%E6%95%B0%E5%B9%B3%E5%9D%87%E6%95%B0

7. 中位数

中位数就是把所有数据从低到高排序,取排列在中间的值,如果总数为偶数,取中间的两个值做算数平均。

小结:常用的为  算数平均、等权平均、加权平均、中位数这4种,指数平均一般用来计算短线趋势。

二、不同平均数的特点

1.  算数平均数和等权平均数更容易受到极值的影响(所有平均数都容易受极值影响)、所以统计时一般需要过滤掉极端数值。

例如,在一个单位里,如果经理和副经理工资特别高,就会使得这个单位所有成员工资的平均水平也表现得很高,但事实上,除去经理和副经理之外,剩余所有人的平均工资并不是很高。

2. 如果处理的数据数据符合或者近似符合正态分布。这时候,均值(平均数)、中位数和众数(一组数据中出现次数最多的1个或多个数)是一样的。只有在数据分布偏态(不对称)的情况下,才会出现均值、中位数和众数的区别。所以说,如果是正态的话,用哪个统计量都行。如果偏态的情况特别严重的话,可以用中位数。

3. 平均数是用来表明各观测值相对集中较多的中心位置,用于反映现象总体的一般水平,或分布的集中趋势。

如果想了解数据波动情况的统计量。比如,平均数同样是5,它所代表的数据可能是1、3、5、7、9,可能是4、4.5、5、5.5、6。也就是说5所代表的不同组数据的波动情况是不一样的。怎样刻画数据的波动情况呢?很自然的想法就是用最大值减最小值,即求一组数据的极差。数学中还有方差、标准差等

(先留在这,以后用到再考虑)

三、不同计算指标与历史走势的吻合度

参考:

https://xueqiu.com/1924290093/90680516

https://xueqiu.com/2548992415/80780798

PB结论: PB平均 > PB中值 > PB等权 > PB加权
PE结论: PE中值 > PE等权 > PE加权 | PE平均
PB温度结论:PB中值温度 > PB等权温度 > PB加权温度 | PB平均温度
PE温度结论:PE等权温度 > PB加权温度 > PE中值温度 | PE平均温度

计算公式(以PB为例):

PB加权 = 全部股票的总市值 / 全部股票的总净资产

PB等权 = 每只股票的权重相等,按照公式N / Sum(1/PB_i) 计算

PB中值 = 将全部股票排序,取最中间的一只股票的PB值,也叫中位数

PB平均 = 算术平均数 = Sum(个股PB) /N

注:加权,很多时候使用的是流通市值,而不是总市值

转载于:https://my.oschina.net/chen1988/blog/2993638

小目标一、平均数的分类及计算方式相关推荐

  1. CVPR 2022 | QueryDet:使用级联稀疏query加速高分辨率下的小目标检测

    ©作者 | Herschel 虽然在过去的几年中,基于深度学习的通用目标检测已经取得了巨大的成功,但在检测小目标的性能和效率方面却远远不能令人满意.推广小目标检测最常见和有效的方法是使用高分辨率图像或 ...

  2. CVPR 2022 | 图森未来提出小目标检测工作QueryDet:使用级联稀疏query加速高分辨率下的小目标检测...

    作者丨Herschel@知乎 来源丨https://zhuanlan.zhihu.com/p/495892085 编辑丨CVer 论文:https://arxiv.org/abs/2103.09136 ...

  3. 基于改进SSD算法的小目标检测与应用

    人工智能技术与咨询 点击蓝字 · 关注我们 来源:< 计算机科学与应用> ,作者刘洋等 关键词: SSD:深度学习:小目标检测 摘要: 摘要: 针对通用目标检测方法在复杂环境下检测小目标时 ...

  4. 红外小目标检测的非对称上下文调制

    摘要 因为缺乏固有的目标特征,并且缺乏一个公共的数据集,单帧红外小目标检测依然是一个挑战.在本文中,我们首先提供了一个带有高质量标注的开放数据集,以推进这一领域的研究.我们还提出了一种专门为检测红外小 ...

  5. 深度学习检测小目标常用方法

    作者丨船长@知乎 来源丨https://zhuanlan.zhihu.com/p/83220498 编辑丨极市平台 本文仅用于学术分享,如有侵权,请联系后台作删文处理. 引言 在深度学习目标检测中,特 ...

  6. 干货 | 深度学习检测小目标常用方法

    点击上方"视学算法",选择"星标"公众号 重磅干货,第一时间送达 github地址:https://github.com/Captain1986/Captain ...

  7. 如何改进YOLOv3使其更好应用到小目标检测(比YOLO V4高出4%)

    点击上方"3D视觉工坊",选择"星标" 干货第一时间送达 作者丨ChaucerG 来源丨集智书童 编辑丨极市平台 导读 针对微小目标的特征分散和层间语义差异的问 ...

  8. 【浙大出品】基于扩展FPN的小目标检测方法

    关注上方"深度学习技术前沿",选择"星标公众号", 资源干货,第一时间送达! 作者:黄浴 知乎链接:https://zhuanlan.zhihu.com/p/1 ...

  9. 小目标检测的一些问题,思路和方案

    来源:机器学习研究组订阅 机器学习正越来越多地进入我们的日常生活.从个人服务的广告和电影推荐,到自动驾驶汽车和自动送餐服务.几乎所有的现代自动化机器都能"看"世界,但跟我们不一样. ...

最新文章

  1. 早上突然看明白 shader和材质球的关系
  2. 深入理解分布式技术 - 分库分表后的唯一主键解决方案
  3. 数组delete[] 出错 可能是堆被破坏
  4. 兼容IE各版本的纯CSS二级下拉菜单
  5. CodeForces - 1200E Compress Words(字符串哈希)
  6. 27计算机表演赛命题,27届计算机表演赛命题搜索赛答案(数学3)
  7. linux游戏调试,LINUX游戏服务器的安装与调试.doc
  8. 大屏监控系统实战(10)-大屏展示前20个博主的排名、票数及名次相对于前一日的升降情况
  9. 2014025631嵌入式程序设计第一周学习总结
  10. MemCache详细解读(转)
  11. I00003 贝尔三角形
  12. USSD设置呼叫转移功能
  13. 【字体分享】这么Q萌的字母设计你肯定没见过
  14. DIV+CSS图片和文字如何显示同一行
  15. 微信h5页面中下载app(apk)的解决方案
  16. 从0到1CTFer成长之路-第二章-Web文件上传漏洞
  17. DCOM配置出错: 不小心删除DCOM配置中,“我的电脑”属性的Everyone权限导致......
  18. IntelliJ IDEA 还能画思维导图,果然最强 IDE!
  19. MIT.6.00.1X --Week 3 Lecture 5 -- 'Divid and conqer' algorithm 分而治之
  20. K8S的节点报 “NotReady”错误

热门文章

  1. 尚学堂Java学习日记Day3
  2. mysql 1054错误 Unknown column 'xxx' in 'field list'
  3. python中求斐波那契数偶数和_[译] 斐波那契数列中的偶数 (Python vs. JavaScript)
  4. 电源设计中电容的工作原理及选用
  5. 分库分表基础知识总结
  6. 反渗透膜轻松解决电镀行业水质问题
  7. linux编译taglib,pager-taglib分页组件的使用
  8. 如何给网站安装SSL证书?
  9. 解决AAPT: error: resource drawable/ (aka xxx) not found
  10. 如何查看域用户登录的计算机