Meðaltal og gagnasett

Þegar framkvæmt er vísindarannsóknir, fjármálahermir eða úttektir á byggingarverkfræði verða vísindamenn að líta framhjá stöðluðum lýsandi samantektum til að átta sig að fullu á undirliggjandi tíðnivirkni. Einfalt meðaltal táknar aðeins algjöran jafnvægispunkt gagnasafns; það sýnir ekkert um innri uppbyggingu gagnasafnsins, skekkju eða dreifingu staðalfráviks. Með því að kanna lýsandi breytur samhliða-sérstaklega reiknings-, rúmfræðilegum og harmoniskum aðferðum, ásamt dreifingardreifingu - geta gagnafræðingar dregið út hagkvæmar byggingarlíkön.

---

📊 Stigveldi miðlægrar tilhneigingar: reiknuð, rúmfræðileg og harmonisk meðaltöl

Val á tölfræðilegu meðaltali er mjög háð víddareiginleikum gagnasafnsins. **Meðaltalið** ($\mu$) er algengasta líkanið, reiknað með því að deila summu athugana með talningunni ($N$). Hins vegar, vegna þess að meðaltalið mælist línulega, er það einstaklega viðkvæmt fyrir öfgakenndum toppum, sem geta raskað uppleysta jafnvægispunktinn.

Þegar reiknað er með samsetningu vaxtavaxtar, ávöxtunar fjárfestingasafns eða líffræðilegra stofnferla verða vísindamenn þess í stað að nota **Geometric Mean** ($G$). Vegna þess að vöxtur virkar margfaldandi frekar en samfellt, reiknar rúmfræðilegt meðaltal raunverulegt samsett breytingahraða. Rúmfræðilegt meðaltal gagnasafns er alltaf minna en eða jafnt við meðaltalið: $G \le \mu$.

For calculations involving rates (such as velocity, density, or fuel consumption), the **Harmonic Mean** ($H$) represents the correct physical metric. If a vehicle traverses a distance at $40 \text{ km/h}$ and returns at $60 \text{ km/h}$, the average velocity is not $50 \text{ km/h}$ (the arithmetic mean), but rather $48 \text{ km/h}$ (the harmonic mean), as speed is inversely proportional to time spent.

$$\text{The Pythagorean Means relationship holds true: } H \le G \le \mu$$

---

📈 Mæling á dreifingu: staðalfrávik & Frávik

Þó meðaltalið leysi staðsetningu miðstöðvar gagnasafns, mæla **Dreifni** ($\sigma^2$) og **Staðalfrávik** ($\sigma$) dreifingu gilda um þá miðju. Dreifni táknar meðalfjarlægð í veldi frá meðaltalinu, sem kemur í veg fyrir að jákvæðar og neikvæðar offsetur dragi hvort annað út:

$$\sigma^2 = \frac{1}{N}\sum_{i=1}^N (x_i - \mu)^2$$

Vegna þess að dreifni er gefin upp í veldisreitum (sem skekkir eðlisfræðilegan túlkanleika), gefur kvaðratrótin **Staðalfrávik** ($\sigma$), sem skilar dreifingarbreytunni aftur í upprunalegu eðlisfræðilegu vídd gagnasafnsins.

Undir líkönum Chebyshev's Inequality and Normal Distribution (miðað við samhverfa bjöllukúrfu) falla u.þ.b. **68,27%** allra gagnapunkta innan eins staðalfráviks ($\mu \pm \sigma$) frá meðaltalinu, **95,45%** innan tveggja staðalfrávika ($\mu \pm 2\$sigma$) og 3%**mu \pm 9.7 pm ($\mu \pm 2\sigma$ innan þriggja.7) 3\sigma$). Mikið staðalfrávik gefa til kynna víðtæka dreifingu gagna, en lítil staðalfrávik tákna náið flokkuð gildi.

In financial risk assessment (such as evaluating exchange rates like the Icelandic Króna ISK), the **Coefficient of Variation** ($\text{CV} = \sigma / \mu$) normalizes standard deviation relative to the mean, allowing analysts to compare volatility profiles across disparate asset classes regardless of scale.

---

📐 Skekktur, breytileiki og óviðnám (miðgildi vs. meðaltal)

Í ósamhverfum dreifingum getur það að reiða sig eingöngu á meðaltalið leitt til mjög hlutdrægra ályktana. Þegar gagnasafn inniheldur öfgakenndar útlínur—eins og fyrirtækjatekjugagnasöfn þar sem handfylli hátekjumanna skekkir meðaltalið, eða fasteignaverð á höfuðborgarsvæðinu— stendur **miðgildið** fyrir mun traustari mælikvarða á miðlæga tilhneigingu. Miðgildið táknar nákvæmlega 50. hundraðshlutamarkið: gildið sem deilir efri helmingi flokkaðra athugana frá neðri helmingi. Vegna þess að miðgildið byggir á staðbundinni vísitölu frekar en auknum stærðum, mun einn öfgaverður ekki breyta gildi sínu.

Understanding the relationships between **Mean**, **Median**, and **Mode** (the most frequently occurring value in the dataset) reveals the **Skewness** of the distribution. In a perfectly symmetrical normal distribution (a bell-shaped Gaussian curve), the mean, median, and mode are mathematically identical. In a *positively skewed* distribution (skewed to the right), the tail extends towards larger positive values, pulling the mean higher than the median ($\text{Mean} > \text{Median} > \text{Mode}$). Conversely, in a *negatively skewed* distribution (skewed to the left), the tail extends towards smaller or negative values, dragging the mean below the median ($\text{Mean} < \text{Median} < \text{Mode}$). Tracking these three values together gives data scientists a clear diagnostic view of distribution asymmetry.