เครื่องคำนวณค่าเฉลี่ย – ค่าเฉลี่ยเลขคณิต มัธยฐาน ฐานนิยม และพิสัย

ค่าเฉลี่ย (Mean) คืออะไร?

ค่าเฉลี่ยเลขคณิต (arithmetic mean) เป็นการวัดความโน้มเอียงสู่จุดศูนย์กลางที่พบได้ทั่วไปที่สุด คำนวณโดยการบวกค่าทั้งหมดแล้วหารด้วยจำนวนข้อมูล:

Mean = (x₁ + x₂ +... + xₙ) / n

ตัวอย่าง: หาค่าเฉลี่ยของ 8, 12, 7, 15, 3:

• ผลบวก: 8 + 12 + 7 + 15 + 3 = 45
• จำนวน: 5
• ค่าเฉลี่ย: 45 / 5 = 9

ค่าเฉลี่ยมีความไวต่อค่าที่แปลกไปจากปกติ (outliers) หากมีค่าหนึ่งในชุดข้างต้นเป็น 100 แทนที่จะเป็น 15: Mean = (8 + 12 + 7 + 100 + 3) / 5 = 26 ค่า 26 นี้ไม่สามารถแสดงค่าจริงใด ๆ ได้ดี — ค่ามัธยฐานจะให้ข้อมูลมากกว่าในกรณีนี้

เครื่องคิดเลขของเราคำนวณค่า มัธยฐาน, โหมด, ช่วง, ความแปรปรวน, และ ส่วนเบี่ยงเบนมาตรฐาน ได้อีกด้วย — เป็นสรุปทางสถิติที่สมบูรณ์ของชุดข้อมูลของคุณ

Mean vs Median vs Mode: ใช้อะไรดี?

การวัดความโน้มเอียงสู่จุดศูนย์กลางทั้งสามนี้แต่ละอย่างอธิบายค่า "ทั่วไป" ไม่เหมือนกัน:

ตัวอย่างคลาสสิก — รายได้ในสหรัฐอเมริกา: ในปี 2023 รายได้ครัวเรือนมัธยฐานของสหรัฐอเมริกาอยู่ที่ประมาณ 74,000 ดอลลาร์สหรัฐ ในขณะที่รายได้ครัวเรือนเฉลี่ยอยู่ที่ประมาณ 105,000 ดอลลาร์สหรัฐ ค่าเฉลี่ยถูกดึงขึ้นด้วยผู้มีรายได้สูงอย่างมาก ค่ามัธยฐานแสดงครัวเรือนทั่วไปได้ดีกว่า

เมื่อโหมดมีประโยชน์มากที่สุด: ขนาดรองเท้า (ร้านต้องเตรียมขนาดที่พบบ่อยที่สุด) การตอบสำรวจ ("คนส่วนใหญ่เลือกตัวเลือก B") หรือข้อมูลประเภทหมวดหมู่ใด ๆ

ในการกระจายที่สมมาตรอย่างสมบูรณ์ (เช่น เส้นโค้งรูปกระดิ่ง) mean = median = mode ยิ่งค่าเหล่านี้แยกต่างออกไปมากเท่าไร ข้อมูลของคุณก็ยิ่งเบี่ยงเบนและไม่สมมาตรมากขึ้นเท่านั้น

ค่าเฉลี่ยตามสัดส่วน: เมื่อค่าบางอย่างไม่เท่ากัน

ค่าเฉลี่ยตามสัดส่วน (weighted average) ให้ความสำคัญแตกต่างกันต่อค่าต่าง ๆ ตามน้ำหนักที่กำหนด:

Weighted Average = Σ(value × weight) / Σ(weights)

ตัวอย่างการคำนวณเกรดเฉลี่ยสะสม (GPA):

GPA ตามสัดส่วน = 40.7 / 11 = 3.70

ค่าเฉลี่ยง่าย (ไม่ตามสัดส่วน) ของเกรดทั้ง 4: (3.7 + 3.3 + 4.0 + 4.0) / 4 = 3.75 — แตกต่างกันเนื่องจากรายวิชาฟิสิกส์ที่มีหน่วยกิตมากกว่าลากค่าลงเมื่อคำนวณตามสัดส่วน

การใช้ค่าเฉลี่ยตามสัดส่วนอื่น ๆ: ผลตอบแทนของพอร์ตการลงทุน (ตามสัดส่วนจำนวนเงิน) คะแนนสอบของนักเรียน (สอบ 60% การบ้าน 40%) สถิติกีฬา และการคำนวณดัชนีราคาผู้บริโภค

ช่วง ความแปรปรวน และส่วนเบี่ยงเบนมาตรฐาน

การทราบจุดศูนย์กลางของข้อมูลไม่เพียงพอ — คุณยังต้องทำความเข้าใจการกระจายของข้อมูลด้วย:

• ช่วง: ค่าสูงสุด − ค่าต่ำสุด ง่าย แต่ได้รับผลกระทบจากค่าที่แปลกไปจากปกติ ชุดข้อมูล {2, 5, 5, 6, 100}: ช่วง = 98 แม้ว่า 98% ของค่าจะอยู่ระหว่าง 2 และ 6
• ความแปรปรวน: ค่าเฉลี่ยของค่าเบี่ยงเบนจากค่าเฉลี่ยยกกำลังสอง วัดว่าข้อมูลกระจายกันมากแค่ไหน แต่เป็นหน่วยยกกำลังสอง (ยากต่อการตีความโดยตรง)
• ส่วนเบี่ยงเบนมาตรฐาน (σ หรือ SD): รากที่สองของความแปรปรวน เป็นหน่วยเดียวกับข้อมูลของคุณ — เป็นการวัดการกระจายที่มีประโยชน์มากที่สุด

การคำนวณส่วนเบี่ยงเบนมาตรฐานทีละขั้นตอน (ข้อมูล: 4, 7, 13, 16):

1. ค่าเฉลี่ย = (4 + 7 + 13 + 16) / 4 = 10
2. ค่าเบี่ยงเบนจากค่าเฉลี่ย: −6, −3, +3, +6
3. ค่าเบี่ยงเบนยกกำลังสอง: 36, 9, 9, 36
4. ความแปรปรวน = (36 + 9 + 9 + 36) / 4 = 22.5 (ประชากร) หรือ / 3 = 30 (ตัวอย่าง)
5. ส่วนเบี่ยงเบนมาตรฐาน = √22.5 = 4.74 (ประชากร)

กฎ 68-95-99.7 สำหรับการกระจายแบบปกติ: ข้อมูล 68% อยู่ภายใน 1 SD, 95% อยู่ภายใน 2 SD, 99.7% อยู่ภายใน 3 SD ของค่าเฉลี่ย

ค่าเฉลี่ยเรขาคณิต vs ค่าเฉลี่ยเลขคณิตสำหรับอัตราการเติบโต

สำหรับการเปรียบเทียบอัตราการเติบโตหรือผลตอบแทนแบบประกอบ ค่าเฉลี่ยเรขาคณิต (geometric mean) จะเหมาะสมกว่าค่าเฉลี่ยเลขคณิต:

Geometric Mean = (x₁ × x₂ ×... × xₙ)^(1/n)

ตัวอย่าง — ผลตอบแทนการลงทุน: ผลตอบแทนพอร์ตการลงทุนของคุณเพิ่มขึ้น 50% ในปีที่ 1 และลดลง 50% ในปีที่ 2

• ค่าเฉลี่ยเลขคณิต: (50% + (−50%)) / 2 = ผลตอบแทนเฉลี่ย 0%
• ผลลัพธ์จริง: 10,000 ดอลลาร์สหรัฐ → 15,000 ดอลลาร์สหรัฐ → 7,500 ดอลลาร์สหรัฐ — คุณเสียเงินไป 25%!
• ค่าเฉลี่ยเรขาคณิต: √(1.50 × 0.50) − 1 = √0.75 − 1 = −13.4% ต่อปี

ค่าเฉลี่ยเรขาคณิตแสดงอัตราการเติบโตประกอบต่อปีจริง (CAGR) ใช้ค่าเฉลี่ยเรขาคณิตสำหรับผลตอบแทนการลงทุน อัตราการเติบโตของประชากร และสถานการณ์การประกอบใด ๆ เสมอ ค่าเฉลี่ยเลขคณิตจะทำให้ผลลัพธ์ดูดีเกินไปเมื่อผลตอบแทนมีความผันผวน

สูตร CAGR: CAGR = (มูลค่าสุดท้าย / มูลค่าเริ่มต้น)^(1/จำนวนปี) − 1

ตัวอย่าง: 10,000 ดอลลาร์สหรัฐเติบโตเป็น 17,500 ดอลลาร์สหรัฐในช่วง 5 ปี: CAGR = (17,500/10,000)^(1/5) − 1 = 1.75^0.2 − 1 = 11.84% ต่อปี

การคำนวณค่าเฉลี่ยในชีวิตประจำวัน

ค่าเฉลี่ยปรากฏขึ้นอยู่ในการตัดสินใจประจำวันอยู่เสมอ:

ตัวอย่างเงินเดือนแสดงให้เห็นว่าทำไมมีเดียนจึงมีประโยชน์มากกว่าบ่อยครั้ง เมื่อประเมินข้อมูลเงินเดือนในตลาด ควรถามว่าคุณกำลังดูค่าเฉลี่ยหรือมีเดียน — ความแตกต่างอาจมีมากถึง $10,000–$30,000 ในทางปฏิบัติ

ค่าเฉลี่ยฮาร์มอนิก: ค่าเฉลี่ยที่เหมาะสมสำหรับอัตราและอัตราส่วน

ค่าเฉลี่ยฮาร์มอนิก เป็นค่าเฉลี่ยที่รู้จักน้อยที่สุดในบรรดาค่าเฉลี่ยพีทาโกรัสทั้งสาม (ค่าเฉลี่ยเลขคณิต, ค่าเฉลี่ยเรขาคณิต, ค่าเฉลี่ยฮาร์มอนิก) แต่เป็นตัวเลือกที่ถูกต้องเมื่อคุณกำลังหาค่าเฉลี่ยของอัตรา, ความเร็ว หรืออัตราส่วนที่ตัวส่วนแปรผัน:

ค่าเฉลี่ยฮาร์มอนิก = n / (1/x₁ + 1/x₂ +... + 1/xₙ)

ตัวอย่างคลาสสิก — ความเร็วเฉลี่ย: คุณขับรถไปทำงานด้วยความเร็ว 60 กม./ชม. และกลับมาด้วยความเร็ว 40 กม./ชม. ความเร็วเฉลี่ยของคุณสำหรับการเดินทางไปกลับคือเท่าไร

• ค่าเฉลี่ยเลขคณิต: (60 + 40) / 2 = 50 กม./ชม. — ผิด
• ค่าเฉลี่ยฮาร์มอนิก: 2 / (1/60 + 1/40) = 2 / (0.0167 + 0.025) = 2 / 0.0417 = 48 กม./ชม. — ถูกต้อง!

ทำไมค่าเฉลี่ยเลขคณิตถึงผิด? เพราะคุณใช้เวลา มากกว่า ในความเร็วที่ช้ากว่า หากการเดินทางไปและกลับเป็น 120 กม. แต่ละทาง: การไปใช้เวลา 2 ชั่วโมง (120/60) และการกลับใช้เวลา 3 ชั่วโมง (120/40) รวม: 240 กม. ใน 5 ชั่วโมง = 48 กม./ชม.

ค่าเฉลี่ยฮาร์มอนิกจะมีค่าน้อยกว่าหรือเท่ากับค่าเฉลี่ยเลขคณิตเสมอ และช่องว่างจะเพิ่มขึ้นเมื่อค่ามีการแยกต่างกันมากขึ้น การใช้งานอื่น ๆ รวมถึงการหาค่าเฉลี่ยของอัตราส่วนราคาต่อกำไรในการเงิน และการหาค่าเฉลี่ยของประสิทธิภาพการใช้เชื้อเพลิงในยานพาหนะต่าง ๆ ในฝูงรถ

ค่าเฉลี่ยในวิทยาศาสตร์ข้อมูลและการวิเคราะห์การวิ่ง

แพลตฟอร์มการวิเคราะห์การวิ่งสมัยใหม่สร้างข้อมูลจำนวนมหาศาล และการทำความเข้าใจว่าควรใช้ค่าเฉลี่ยประเภทใดเป็นสิ่งสำคัญสำหรับการวิเคราะห์ที่มีความหมาย:

ค่าเฉลี่ยตัด (ค่าเฉลี่ยตัดย่อ): ไฮบริดที่มีประโยชน์ซึ่งลบค่าสูงสุดและต่ำสุด X% ก่อนคำนวณค่าเฉลี่ยเลขคณิต ค่าเฉลี่ยตัด 10% จะลบค่าสูงสุด 10% และต่ำสุด 10% แล้วคำนวณค่าเฉลี่ยของส่วนที่เหลือ นิยมใช้ในระบบการให้คะแนน (การสกีลงทะเบียนโอลิมปิกจะลบคะแนนตัดสูงสุดและต่ำสุดของผู้ตัดสิน) และในการวิเคราะห์ข้อมูลความเร็วการวิ่งซึ่งข้อผิดพลาดของ GPS อาจสร้างค่าผิดปกติที่สุดขั้ว

ค่าเฉลี่ยเคลื่อนที่: ในการวิเคราะห์การฝึกการวิ่ง ค่าเฉลี่ยเคลื่อนที่ 7 วันหรือ 30 วันของระยะทางรายวันจะช่วยลดความแปรปรวนในแต่ละวันและแสดงแนวโน้ม โหลดการฝึกอาจมีความผันผวนระหว่าง 0 และ 20 กม. ในแต่ละวัน แต่ค่าเฉลี่ยเคลื่อนที่ 7 วันจะแสดงแนวโน้มที่เพิ่มขึ้นอย่างต่อเนื่องจาก 40 ถึง 55 กม./สัปดาห์ — ซึ่งให้ข้อมูลมากกว่าในการติดตามความก้าวหน้าของการออกกำลังกายและความเสี่ยงของการบาดเจ็บ

เมื่อวิเคราะห์ข้อมูลการวิ่งของคุณ ควรถามเสมอว่า: ฉันกำลังพยายามตอบคำถามอะไร? ค่าเฉลี่ยที่ถูกต้องขึ้นอยู่กับคำถามที่ต้องการตอบเท่านั้น "ระยะทางรายสัปดาห์โดยทั่วไปของฉันคือเท่าไร?" (ค่าเฉลี่ยเลขคณิต) "ฉันวิ่งด้วยความเร็วเท่าไรที่ทำให้ฉันวิ่งได้ไกลที่สุด?" (ค่าเฉลี่ยถ่วงน้ำหนัก) "ฉันกำลังปรับปรุงตัวเองทุกปีหรือไม่?" (ค่าเฉลี่ยเรขาคณิตของเปอร์เซ็นต์การปรับปรุง)