Rekenkundig Gemiddelde: een fundamenteel instrument voor data-analyse

Het rekenkundig gemiddelde, vaak gewoon het "gemiddelde" genoemd, is vaak het startpunt in de beschrijvende statistiek. Het biedt een snelle, intuïtieve maat voor centrale tendens, een essentieel onderdeel van het interpreteren van data in elk vakgebied. Hoewel het concept eenvoudig lijkt, kan inzicht in de nuances van het rekenkundig gemiddelde echte inzichten onthullen in complexere datatrends en -patronen.

Dit artikel geeft een overzicht van het rekenkundig gemiddelde, inclusief de formule, toepassingen en vergelijkingen met andere soorten gemiddelden. We bekijken waarom het vaak wordt gebruikt in economie, data science en daarbuiten, en bespreken ook situaties waarin alternatieve maten geschikter kunnen zijn.

Voor wie nieuw is met statistiek of zijn begrip wil versterken, biedt onze cursus Introduction to Statistics een stevige basis. Onze Descriptive Statistics Cheat Sheet bevat ook een handige begrippenlijst bij dit onderwerp.

Wat is het rekenkundig gemiddelde?

Het rekenkundig gemiddelde is de som van alle getallen in een dataset gedeeld door het aantal van die getallen. Deze eenvoudige berekening maakt het tot een van de meest intuïtieve en breed toegepaste maten van centrale tendens.

Ter illustratie nemen we een eenvoudig voorbeeld. Stel, we hebben drie getallen: 5, 10 en 15. Zo bereken je het rekenkundig gemiddelde:

1. Tel de getallen op: 5 + 10 + 15 = 30
2. Tel het aantal getallen: we hebben 3 getallen
3. Deel de som door het aantal: 30 ÷ 3 = 10

Het rekenkundig gemiddelde van 5, 10 en 15 is dus 10.

Belangrijke eigenschappen van het rekenkundig gemiddelde

Het rekenkundig gemiddelde heeft verschillende belangrijke eigenschappen die bij nadere beschouwing nog interessanter worden. 

Som van afwijkingen is nul

Een fundamentele eigenschap van het rekenkundig gemiddelde is dat de som van de afwijkingen ervan altijd nul is. Met andere woorden: als je van elk datapunt de gemiddelde waarde aftrekt en deze verschillen optelt, is de uitkomst nul. Wiskundig kun je dit als volgt uitdrukken:

Waarbij x elk waarde in de dataset voorstelt, en x̄ het rekenkundig gemiddelde is.

Gevoeligheid voor uitschieters

In datasets met extreme waarden kan het rekenkundig gemiddelde aanzienlijk in de richting van deze uitschieters worden getrokken, wat kan leiden tot misleidende interpretaties, vooral bij scheve verdelingen. Neem bijvoorbeeld een dataset met salarissen in een klein bedrijf: {$30,000, $35,000, $40,000, $45,000, $1,000,000}. Het rekenkundig gemiddelde ($230,000) ligt door de uitschieter van $1,000,000 aanzienlijk hoger dan de meeste salarissen.

Deze gevoeligheid maakt het rekenkundig gemiddelde minder robuust dan maten zoals de mediaan in de aanwezigheid van uitschieters of bij scheve verdelingen. Tegelijk kan het gemiddelde juist nuttig zijn om de aanwezigheid van uitschieters te detecteren of het effect van extreme waarden op een dataset te begrijpen.

Effect van veranderingen in data

Het rekenkundig gemiddelde reageert voorspelbaar op veranderingen in de dataset, wat nuttig kan zijn in uiteenlopende analysecases:

1. Optellen of aftrekken van een constante: Als je bij elk datapunt dezelfde waarde optelt of aftrekt, stijgt of daalt het gemiddelde met precies dat bedrag. Voeg je bijvoorbeeld 5 toe aan elke waarde in een dataset, dan zal het nieuwe gemiddelde 5 meer zijn dan het oorspronkelijke gemiddelde.
2. Vermenigvuldigen of delen door een constante: Als je elk datapunt met dezelfde niet-nulconstante vermenigvuldigt of deelt, wordt het gemiddelde met die constante vermenigvuldigd of gedeeld. Verdubbel je bijvoorbeeld elke waarde in een dataset, dan wordt het nieuwe gemiddelde twee keer zo groot als het oorspronkelijke gemiddelde.

Deze eigenschappen maken het rekenkundig gemiddelde bijzonder nuttig in situaties met uniforme veranderingen in een dataset, zoals het corrigeren voor inflatie in economische data of het schalen van metingen in wetenschappelijke experimenten.

Wanneer gebruik je het rekenkundig gemiddelde?

Het rekenkundig gemiddelde is een veelzijdig statistisch hulpmiddel, maar komt vooral tot zijn recht in bepaalde situaties. Allereerst moeten we zeggen dat het rekenkundig gemiddelde bijzonder nuttig is voor datasets met additieve processen. Als je bijvoorbeeld de gemiddelde dagtemperatuur, het gemiddelde salaris in een bedrijf of gemiddelde testscores berekent, geeft het rekenkundig gemiddelde een zinvolle weergave van de centrale waarde.

Daarnaast is het rekenkundig gemiddelde het meest betrouwbaar wanneer de datapunten gelijkmatig verdeeld zijn en er geen extreme uitschieters zijn. Enkele sectorspecifieke voorbeelden:

• Financiën: In de financiële wereld vertrouwen bedrijven op het rekenkundig gemiddelde om inzichten te verkrijgen en benchmarks te bepalen. Zo gebruiken organisaties het om gemiddelde salarissen, maandelijkse uitgaven en kwartaalwinsten te bepalen.
• Economie: Economen gebruiken het rekenkundig gemiddelde om consumententrends en prijsstabiliteit te analyseren. Belangrijke toepassingen zijn het berekenen van gemiddelde huishoudelijke consumptie en het opstellen van indexen zoals de Consumentenprijsindex (CPI) om inflatie in de tijd te monitoren.
• Gezondheidszorg en medisch onderzoek: In de zorg speelt het rekenkundig gemiddelde een cruciale rol bij het evalueren van behandelingen en het bestuderen van gezondheidstrends. Zo berekenen onderzoekers gemiddelde hersteltijden en geneesmiddeleffectiviteit, terwijl epidemiologen gemiddelde infectiepercentages en overlevingstijden beoordelen.

Hoe bereken je het rekenkundig gemiddelde

Hoewel we het basisconcept al hebben behandeld, bekijken we nu hoe je het rekenkundig gemiddelde berekent met hulpmiddelen zoals R, Python en Excel, wat in de praktijk noodzakelijk is voor grotere datasets.

Formule van het rekenkundig gemiddelde

De formule voor het rekenkundig gemiddelde is:

Waarbij x̄ het rekenkundig gemiddelde is, Σx de som van alle waarden, en n het aantal waarden.

Rekenkundig gemiddelde in Excel, Python en R

Voor grotere datasets maken softwaretools de berekening veel eenvoudiger. Zo bereken je het rekenkundig gemiddelde in Excel, Python en R. 

Excel

In Excel kun je de functie AVERAGE() gebruiken:

1. Voer je data in een kolom of rij in.

2. Typ in een nieuwe cel =AVERAGE().

3. Selecteer het bereik met je data.

4. Sluit de haakjes en druk op Enter.

Als je data in de cellen A1:A10 staat, gebruik je: =AVERAGE(A1:A10).

Python

De statistics-module van Python biedt een functie mean():

from statistics import mean

data = [5, 10, 15, 20, 25]

result = mean(data)
print(result)  # Output: 15

Voor grotere datasets geef je misschien de voorkeur aan de efficiëntere mean()-functie van NumPy:

import numpy as np

data = np.array([5, 10, 15])

result = np.mean(data)
print(result)  # Output: 10.0

R

In R kun je de ingebouwde functie mean() uit base R gebruiken:

data <- c(5, 10, 15)

result <- mean(data)
print(result)  # Output: [1] 10

Met deze tools bereken je het rekenkundig gemiddelde voor datasets van elke omvang in een handomdraai, zodat je je kunt richten op de interpretatie in plaats van op handmatige berekeningen.

Rekenkundig gemiddelde in data science, machine learning en statistiek

De toepassingen van het rekenkundig gemiddelde in data science en machine learning lopen uiteen van datapreprocessing tot model-evaluatie. We bekijken enkele belangrijke gebieden waar het rekenkundig gemiddelde een grote rol speelt. 

Feature scaling

Een van de meest voorkomende toepassingen van het rekenkundig gemiddelde in datapreprocessing is feature scaling, met name mean centering:

• Mean centering: hierbij trek je het rekenkundig gemiddelde van elk datapunt in een feature af. Het resultaat is een gecentreerde dataset waarbij het gemiddelde van elke feature nul is. Dit kan worden weergegeven als: x_centered = x - x̄ waarbij x de oorspronkelijke waarde is en x̄ het rekenkundig gemiddelde van de feature.

• Standaardisatie: Vaak in combinatie met mean centering deel je na het aftrekken van het gemiddelde door de standaarddeviatie: x_standardized = (x - x̄) / σ, waarbij σ de standaarddeviatie van de feature is.

Deze technieken helpen de schaal van features te normaliseren, wat bijzonder belangrijk is voor veel machinelearning-algoritmen. Wil je meer leren over het verschil tussen normalisatie en standaardisatie, bekijk dan de uitgebreide tutorial.

Model-evaluatie

Het rekenkundig gemiddelde vormt de basis van diverse metrics voor model-evaluatie:

• Mean Squared Error (MSE): deze veelgebruikte maat voor regressieproblemen berekent het gemiddelde van de gekwadrateerde verschillen tussen voorspelde en werkelijke waarden.
• Mean Absolute Error (MAE): vergelijkbaar met MSE, maar gebruikt het absolute verschil in plaats van het kwadraat.
• Accuracy: bij classificatieproblemen wordt de nauwkeurigheid vaak gerapporteerd als het gemiddelde aantal correcte voorspellingen over alle samples.

Statistiek en hypothesetoetsing

In statistische analyses wordt het rekenkundig gemiddelde vaak gebruikt bij hypothesetoetsing. Bijvoorbeeld:

• T-toetsen: Het rekenkundig gemiddelde is cruciaal in t-toetsen, die de gemiddelden van twee groepen vergelijken om te bepalen of ze statistisch van elkaar verschillen. Door steekproefgemiddelden te vergelijken helpen t-toetsen hypothesen over populatiekenmerken te toetsen.
• Betrouwbaarheidsintervallen: Het rekenkundig gemiddelde wordt gebruikt om betrouwbaarheidsintervallen te berekenen, die de betrouwbaarheid van het geschatte gemiddelde aangeven. Dit geeft inzicht in hoe representatief het steekproefgemiddelde is voor de gehele populatie.

Andere toepassingen

• Ensemble-methoden: veel ensembletechnieken, zoals bagging en boosting, gebruiken het rekenkundig gemiddelde om voorspellingen van meerdere modellen te combineren.
• Gradient descent: het rekenkundig gemiddelde wordt gebruikt bij het berekenen van de gemiddelde gradiënt over mini-batches in stochastic gradient descent.
• Anomaliedetectie: afwijkingen van het gemiddelde kunnen worden gebruikt om uitschieters of anomalieën in datasets te identificeren. Een veelgebruikte vuistregel is drie standaarddeviaties als drempel te nemen; elk datapunt dat drie of meer standaarddeviaties van het rekenkundig gemiddelde afligt, wordt dan als uitschieter beschouwd.
• Dimensiereductie: technieken zoals principal component analysis (PCA) gebruiken het rekenkundig gemiddelde in hun berekeningen om de data te centreren voordat de covariantiematrix wordt berekend.
• Neurale netwerken: in het backpropagation-algoritme wordt het rekenkundig gemiddelde gebruikt om de gemiddelde fout over trainingsvoorbeelden te berekenen.
• Cross-validatie: Bij k-fold cross-validatie wordt doorgaans het rekenkundig gemiddelde van de prestatiematen over alle folds gerapporteerd als de algehele prestatie-inschatting.

Zoals je wellicht merkt, is het rekenkundig gemiddelde belangrijk zowel voor het interpreteren van de output van de data als vaak ook als een preprocessing-stap die nodig is voor optimale modelprestaties. Wil je deze concepten en hun praktische toepassingen verder uitdiepen, overweeg dan onze Machine Learning Scientist in Python career track, waarin deze onderwerpen grondiger aan bod komen.