Heb je je ooit afgevraagd waarom de gemiddelde koers-winstverhouding van je beleggingsportefeuille ongewoon hoog lijkt als je een simpel gemiddelde gebruikt? Of waarom het combineren van parallelle weerstanden in een elektrisch circuit een speciaal soort middeling vereist? Deze situaties laten zien hoe belangrijk het is om het harmonisch gemiddelde te begrijpen – een krachtig statistisch hulpmiddel dat vooral nuttig is bij tarieven, verhoudingen en reciproque relaties.
In deze tutorial verkennen we het harmonisch gemiddelde, de toepassingen ervan en waarom het soms een betere keuze is dan andere soorten gemiddelden. We bekijken hoe het wordt gebruikt in uiteenlopende vakgebieden, van finance tot natuurkunde, en de groeiende betekenis in data science en machine learning. Als je een carrière in dit veld overweegt, biedt ons Machine Learning Scientist in Python-carrièrepad een uitgebreide behandeling van deze en andere essentiële statistische concepten.
Wat is het harmonisch gemiddelde?
Het harmonisch gemiddelde is een type gemiddelde dat vooral nuttig is bij het werken met tarieven of verhoudingen. In tegenstelling tot het rekenkundig gemiddelde, dat getallen optelt en deelt door het aantal, of het geometrisch gemiddelde, dat multiplicatieve relaties hanteert, is het harmonisch gemiddelde ontworpen voor situaties met reciproque relaties.
Voor een reeks getallen bereken je het harmonisch gemiddelde door:
- Het reciproke van elk getal te nemen.
- Het rekenkundig gemiddelde van deze reciproquen te bepalen.
- Het reciproke van dat resultaat te nemen.
Wanneer gebruik je het harmonisch gemiddelde
Het harmonisch gemiddelde is in verschillende situaties en domeinen nuttig. Ik hintte hier al op in de inleiding, maar laten we per domein in detail bekijken waar deze maat bijzonder waardevol is.
Financiële analyse
In finance berekent het harmonisch gemiddelde nauwkeurige portefeuillematen. Het is vooral handig bij koers-winstverhoudingen (K/W), waar het een nauwkeuriger weergave van de portefeuillebewarering geeft dan simpele gemiddelden. Financiële analisten vertrouwen er ook op voor diverse andere financiële ratio’s en tarieven, evenals voor kostgemiddelden in dynamische prijszettingsscenario’s waarin tarieven in de tijd fluctueren.
Natuurkunde en engineering
Ingenieurs en natuurkundigen gebruiken het harmonisch gemiddelde veelvuldig in hun berekeningen. Het wordt vaak toegepast bij het berekenen van de totale weerstand van parallelle circuits, waar individuele weerstanden worden gecombineerd. In de akoestiek helpt het bij het analyseren van geluidsfrequenties, en in de optica wordt het gebruikt voor combinaties van lenzen, waar reciproque relaties veel voorkomen.
Data science
In data science wordt het harmonisch gemiddelde veel gebruikt, met name in machine learning-toepassingen. Het vormt de basis van de F1-score, die precisie en recall in classificatieproblemen in balans brengt. Data scientists gebruiken het ook voor het evalueren van prestatiematen bij onevenwichtige datasets en in collaborative filtering-systemen voor aanbevelingsengines, waar verschillende soorten similariteitsmaten moeten worden gecombineerd.
Algemene toepassingen
Buiten gespecialiseerde vakgebieden vindt het harmonisch gemiddelde ook in alledaagse berekeningen toepassing. Het is de juiste keuze voor het berekenen van gemiddelde snelheden over vaste afstanden, het bepalen van productiesnelheden in productieprocessen en het meten van netwerkdatatransfersnelheden waar reciproque relaties spelen. In deze gevallen levert het harmonisch gemiddelde nauwkeurigere resultaten op dan simpele rekenkundige gemiddelden.
Hoe bereken je het harmonisch gemiddelde
Laten we het rekenproces stap voor stap met duidelijke voorbeelden doornemen.
Het harmonisch gemiddelde (H) van n getallen wordt berekend als:
Waar x₁, x₂, ..., xₙ de waarden in je dataset zijn.
Stapsgewijs voorbeeld
Laten we het harmonisch gemiddelde berekenen van drie getallen: 2, 4 en 8.
- Neem het reciproke van elk getal: 1/2 = 0,5. 1/4 = 0,25. 1/8 = 0,125
- Tel deze reciproquen op: 0,5 + 0,25 + 0,125 = 0,875
- Deel het aantal (3) door deze som: 3 / 0,875 = 3,429
Het harmonisch gemiddelde van 2, 4 en 8 is ongeveer 3,429.
Gewogen harmonisch gemiddelde
Soms hoeven niet alle waarden even zwaar mee te tellen in je berekening. Het gewogen harmonisch gemiddelde biedt hiervoor een oplossing door verschillende gewichten aan waarden toe te kennen.
Voor waarden x₁, x₂, ..., xₙ met bijbehorende gewichten w₁, w₂, ..., wₙ:
Dit is vooral nuttig bij:
- Portefeuille-analyse waarbij beleggingen verschillende omvang hebben
- Kwaliteitsmaten waarbij sommige metingen belangrijker zijn dan andere
- Klanttevredenheidsscores waarbij bepaalde factoren zwaarder wegen
Harmonisch gemiddelde in data science en machine learning
Het harmonisch gemiddelde kent talloze toepassingen in moderne data science en machine learning.
F1-score berekening
De F1-score, zoals genoemd, is een populaire maat in machine learning. Het is het harmonisch gemiddelde van precisie en recall:
Dit zorgt ervoor dat zowel precisie als recall redelijk hoog moeten zijn voor een goede F1-score, omdat het harmonisch gemiddelde extreme onevenwichtigheden tussen de twee maten afstraft. Wil je beter begrijpen hoe je deze maten visualiseert en interpreteert, bekijk dan onze uitgebreide tutorial Precision-Recall Curve in Python, met praktijkvoorbeelden en implementaties.
Cross-validatie
Bij het evalueren van modelprestaties over verschillende folds:
- Zorgt het harmonisch gemiddelde van prestatiematen ervoor dat zwakke prestaties in een fold goed worden meegewogen.
- Het is vooral nuttig bij onevenwichtige datasets.
- Helpt modellen te identificeren die consistent presteren over verschillende datasplits.
Voor een uitgebreide studie van validatietechnieken kun je onze Guide to K-Fold Cross Validation verkennen, die geavanceerde strategieën voor robuuste modelevaluatie behandelt.
Aanbevelingssystemen
In collaborative filtering en aanbevelingssystemen kan het harmonisch gemiddelde worden gebruikt om gebalanceerde, gebruiksvriendelijke suggesties te creëren. Bij het bouwen van recommender systems moeten data scientists vaak verschillende similariteitsmaten combineren – zoals gebruikersgedragspatronen, itemkenmerken en historische interacties. Het harmonisch gemiddelde helpt deze maten te balanceren door te voorkomen dat aanbevelingen te sterk door één enkele factor worden beïnvloed.
Wanneer je bijvoorbeeld gebruikersvoorkeuren weegt, moet een filmrecommendersysteem mogelijk een balans vinden tussen de genrevoorkeuren van een gebruiker, diens beoordelingsgeschiedenis en kijkduurpatronen. Het harmonisch gemiddelde helpt ook de "diversity-relevance trade-off" op te lossen door te voorkomen dat aanbevelingen te smal of juist te wijd verspreid worden. Dit is vooral waardevol in e-commerce en contentstreamingplatforms, waar het behoud van gebruikersbetrokkenheid vraagt om een delicate balans tussen vergelijkbare items en nieuwe opties introduceren.
Harmonisch gemiddelde vs. andere gemiddelden
Laten we bekijken hoe het harmonisch gemiddelde zich verhoudt tot andere typen gemiddelden en in welke scenario’s je elk kunt gebruiken.
| Vergelijking | Rekenkundig gemiddelde | Harmonisch gemiddelde | Geometrisch gemiddelde |
|---|
| Beste gebruikssituatie | Eenvoudig gemiddelde, beste bij additieve relaties | Beste voor tarieven en verhoudingen | Beste voor groeipercentages en verhoudingen |
| Voorbeeld | Gemiddelde dagtemperatuur | Gemiddelde kosten per eenheid | Beleggingsrendementen in de tijd |
| Belangrijkste beperking | Kan data met hoge variatie verkeerd weergeven | Niet te gebruiken als een waarde in de dataset nul is | Kan geen negatieve of nulwaarden in de dataset aan |
| Geschiktheid dataverdeling | Beste voor normaal verdeelde data | Beste voor datasets met omgekeerde evenredigheid | Beste voor log-normale of scheve data |
Voor een diepere uitleg over andere gemiddelden heb ik tutorials over het rekenkundig gemiddelde en het geometrisch gemiddelde.
Belangrijke overwegingen bij het gebruik van het harmonisch gemiddelde
Voorbeeld: omgaan met extreme waarden
Stel: een fondsmanager analyseert drie aandelen met gelijke investeringsbedragen maar sterk uiteenlopende winsten:
- Aandeel A: Investering $100, Winst $2, K/W = 50 (hoge waardering)
- Aandeel B: Investering $100, Winst $10, K/W = 10 (matige waardering)
- Aandeel C: Investering $100, Winst $25, K/W = 4 (lage waardering)
Laten we vergelijken hoe verschillende gemiddelden met deze sterk uiteenlopende K/W’s omgaan:
- Rekenkundig gemiddelde: (50 + 10 + 4) / 3 ≈ 21,33 K/W
- Harmonisch gemiddelde: 3 / (1/50 + 1/10 + 1/4) ≈ 8,11 K/W
Om de werkelijke portefeuille-K/W te verifiëren:
- Totale investering: $300 ($100 × 3)
- Totale winst: $37 ($2 + $10 + $25)
- Werkelijke portefeuille-K/W: $300/$37 ≈ 8,11
Het rekenkundig gemiddelde van 21,33 wordt sterk scheefgetrokken door de extreme K/W van Aandeel A (50) en suggereert een veel hogere gemiddelde waardering dan in werkelijkheid. Het harmonisch gemiddelde van circa 8,11 geeft de juiste portefeuille-K/W, omdat het van nature minder gewicht aan de extreem hoge waarde toekent en de werkelijke verdienkracht van de gecombineerde investeringen beter weergeeft.
Voordelen van het harmonisch gemiddelde
- Ideaal voor op tarieven gebaseerde berekeningen
- Minder gevoelig voor grote uitschieters
- Levert nauwkeurige gemiddelden op voor reciproque relaties
Beperkingen van het harmonisch gemiddelde
- Kan niet omgaan met nulwaarden
- Gevoeliger voor kleine waarden
- Misschien minder intuïtief voor niet-technische doelgroepen
Conclusie: waarom het harmonisch gemiddelde ertoe doet
Het harmonisch gemiddelde is een essentieel hulpmiddel en vooral waardevol bij het werken met tarieven, verhoudingen en reciproque relaties. Hoewel het minder vaak wordt gebruikt dan het rekenkundig gemiddelde, kan inzicht in wanneer en hoe je het toepast leiden tot nauwkeurigere analyses en betere beslissingen.
Of je nu beleggingsportefeuilles beoordeelt, machinelearningmodellen analyseert of natuurkundige problemen oplost, het harmonisch gemiddelde biedt inzichten die andere gemiddelden kunnen missen. Door de eigenschappen en toepassingen te begrijpen, kies je het juiste type gemiddelde voor jouw behoeften en vermijd je veelvoorkomende valkuilen in data-analyse. Schrijf je in voor ons Machine Learning Scientist in Python-carrièrepad om verder te leren.
%22%3E%3Cpath%20d%3D%22m-369%200h408v79h-408z%22%20fill%3D%22%237933ff%22%2F%3E%3Cpath%20d%3D%22m-148%200h306v45h-306z%22%20fill%3D%22%23974dff%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
%22%2F%3E%3C%2FclipPath%3E%3Cg%20clip-path%3D%22url(%23a)%22%3E%3Cpath%20d%3D%22m76%200h484v36h-484z%22%20fill%3D%22%23974dff%22%2F%3E%3Cpath%20d%3D%22m0%200h384v24h-384z%22%20fill%3D%22%2306bdfc%22%20transform%3D%22matrix(1%200%200%20-1%200%2060)%22%2F%3E%3C%2Fg%3E%3C%2Fsvg%3E)
Heb je je ooit afgevraagd waarom de gemiddelde koers-winstverhouding van je beleggingsportefeuille ongewoon hoog lijkt als je een simpel gemiddelde gebruikt? Of waarom het combineren van parallelle weerstanden in een elektrisch circuit een speciaal soort middeling vereist? Deze situaties laten zien hoe belangrijk het is om het harmonisch gemiddelde te begrijpen – een krachtig statistisch hulpmiddel dat vooral nuttig is bij tarieven, verhoudingen en reciproque relaties.
In deze tutorial verkennen we het harmonisch gemiddelde, de toepassingen ervan en waarom het soms een betere keuze is dan andere soorten gemiddelden. We bekijken hoe het wordt gebruikt in uiteenlopende vakgebieden, van finance tot natuurkunde, en de groeiende betekenis in data science en machine learning. Als je een carrière in dit veld overweegt, biedt ons Machine Learning Scientist in Python-carrièrepad een uitgebreide behandeling van deze en andere essentiële statistische concepten.
Wat is het harmonisch gemiddelde?
Het harmonisch gemiddelde is een type gemiddelde dat vooral nuttig is bij het werken met tarieven of verhoudingen. In tegenstelling tot het rekenkundig gemiddelde, dat getallen optelt en deelt door het aantal, of het geometrisch gemiddelde, dat multiplicatieve relaties hanteert, is het harmonisch gemiddelde ontworpen voor situaties met reciproque relaties.
Voor een reeks getallen bereken je het harmonisch gemiddelde door:
Wanneer gebruik je het harmonisch gemiddelde
Het harmonisch gemiddelde is in verschillende situaties en domeinen nuttig. Ik hintte hier al op in de inleiding, maar laten we per domein in detail bekijken waar deze maat bijzonder waardevol is.
Financiële analyse
In finance berekent het harmonisch gemiddelde nauwkeurige portefeuillematen. Het is vooral handig bij koers-winstverhoudingen (K/W), waar het een nauwkeuriger weergave van de portefeuillebewarering geeft dan simpele gemiddelden. Financiële analisten vertrouwen er ook op voor diverse andere financiële ratio’s en tarieven, evenals voor kostgemiddelden in dynamische prijszettingsscenario’s waarin tarieven in de tijd fluctueren.
Natuurkunde en engineering
Ingenieurs en natuurkundigen gebruiken het harmonisch gemiddelde veelvuldig in hun berekeningen. Het wordt vaak toegepast bij het berekenen van de totale weerstand van parallelle circuits, waar individuele weerstanden worden gecombineerd. In de akoestiek helpt het bij het analyseren van geluidsfrequenties, en in de optica wordt het gebruikt voor combinaties van lenzen, waar reciproque relaties veel voorkomen.
Data science
In data science wordt het harmonisch gemiddelde veel gebruikt, met name in machine learning-toepassingen. Het vormt de basis van de F1-score, die precisie en recall in classificatieproblemen in balans brengt. Data scientists gebruiken het ook voor het evalueren van prestatiematen bij onevenwichtige datasets en in collaborative filtering-systemen voor aanbevelingsengines, waar verschillende soorten similariteitsmaten moeten worden gecombineerd.
Algemene toepassingen
Buiten gespecialiseerde vakgebieden vindt het harmonisch gemiddelde ook in alledaagse berekeningen toepassing. Het is de juiste keuze voor het berekenen van gemiddelde snelheden over vaste afstanden, het bepalen van productiesnelheden in productieprocessen en het meten van netwerkdatatransfersnelheden waar reciproque relaties spelen. In deze gevallen levert het harmonisch gemiddelde nauwkeurigere resultaten op dan simpele rekenkundige gemiddelden.
Hoe bereken je het harmonisch gemiddelde
Laten we het rekenproces stap voor stap met duidelijke voorbeelden doornemen.
De formule van het harmonisch gemiddelde
Het harmonisch gemiddelde (H) van n getallen wordt berekend als:
Waar x₁, x₂, ..., xₙ de waarden in je dataset zijn.
Stapsgewijs voorbeeld
Laten we het harmonisch gemiddelde berekenen van drie getallen: 2, 4 en 8.
Het harmonisch gemiddelde van 2, 4 en 8 is ongeveer 3,429.
Gewogen harmonisch gemiddelde
Soms hoeven niet alle waarden even zwaar mee te tellen in je berekening. Het gewogen harmonisch gemiddelde biedt hiervoor een oplossing door verschillende gewichten aan waarden toe te kennen.
Formule van het gewogen harmonisch gemiddelde
Voor waarden x₁, x₂, ..., xₙ met bijbehorende gewichten w₁, w₂, ..., wₙ:
Dit is vooral nuttig bij:
Harmonisch gemiddelde in data science en machine learning
Het harmonisch gemiddelde kent talloze toepassingen in moderne data science en machine learning.
F1-score berekening
De F1-score, zoals genoemd, is een populaire maat in machine learning. Het is het harmonisch gemiddelde van precisie en recall:
Dit zorgt ervoor dat zowel precisie als recall redelijk hoog moeten zijn voor een goede F1-score, omdat het harmonisch gemiddelde extreme onevenwichtigheden tussen de twee maten afstraft. Wil je beter begrijpen hoe je deze maten visualiseert en interpreteert, bekijk dan onze uitgebreide tutorial Precision-Recall Curve in Python, met praktijkvoorbeelden en implementaties.
Cross-validatie
Bij het evalueren van modelprestaties over verschillende folds:
Voor een uitgebreide studie van validatietechnieken kun je onze Guide to K-Fold Cross Validation verkennen, die geavanceerde strategieën voor robuuste modelevaluatie behandelt.
Aanbevelingssystemen
In collaborative filtering en aanbevelingssystemen kan het harmonisch gemiddelde worden gebruikt om gebalanceerde, gebruiksvriendelijke suggesties te creëren. Bij het bouwen van recommender systems moeten data scientists vaak verschillende similariteitsmaten combineren – zoals gebruikersgedragspatronen, itemkenmerken en historische interacties. Het harmonisch gemiddelde helpt deze maten te balanceren door te voorkomen dat aanbevelingen te sterk door één enkele factor worden beïnvloed.
Wanneer je bijvoorbeeld gebruikersvoorkeuren weegt, moet een filmrecommendersysteem mogelijk een balans vinden tussen de genrevoorkeuren van een gebruiker, diens beoordelingsgeschiedenis en kijkduurpatronen. Het harmonisch gemiddelde helpt ook de "diversity-relevance trade-off" op te lossen door te voorkomen dat aanbevelingen te smal of juist te wijd verspreid worden. Dit is vooral waardevol in e-commerce en contentstreamingplatforms, waar het behoud van gebruikersbetrokkenheid vraagt om een delicate balans tussen vergelijkbare items en nieuwe opties introduceren.
Harmonisch gemiddelde vs. andere gemiddelden
Laten we bekijken hoe het harmonisch gemiddelde zich verhoudt tot andere typen gemiddelden en in welke scenario’s je elk kunt gebruiken.
Voor een diepere uitleg over andere gemiddelden heb ik tutorials over het rekenkundig gemiddelde en het geometrisch gemiddelde.
Belangrijke overwegingen bij het gebruik van het harmonisch gemiddelde
Voorbeeld: omgaan met extreme waarden
Stel: een fondsmanager analyseert drie aandelen met gelijke investeringsbedragen maar sterk uiteenlopende winsten:
Laten we vergelijken hoe verschillende gemiddelden met deze sterk uiteenlopende K/W’s omgaan:
Om de werkelijke portefeuille-K/W te verifiëren:
Het rekenkundig gemiddelde van 21,33 wordt sterk scheefgetrokken door de extreme K/W van Aandeel A (50) en suggereert een veel hogere gemiddelde waardering dan in werkelijkheid. Het harmonisch gemiddelde van circa 8,11 geeft de juiste portefeuille-K/W, omdat het van nature minder gewicht aan de extreem hoge waarde toekent en de werkelijke verdienkracht van de gecombineerde investeringen beter weergeeft.
Voordelen van het harmonisch gemiddelde
Beperkingen van het harmonisch gemiddelde
Conclusie: waarom het harmonisch gemiddelde ertoe doet
Het harmonisch gemiddelde is een essentieel hulpmiddel en vooral waardevol bij het werken met tarieven, verhoudingen en reciproque relaties. Hoewel het minder vaak wordt gebruikt dan het rekenkundig gemiddelde, kan inzicht in wanneer en hoe je het toepast leiden tot nauwkeurigere analyses en betere beslissingen.
Of je nu beleggingsportefeuilles beoordeelt, machinelearningmodellen analyseert of natuurkundige problemen oplost, het harmonisch gemiddelde biedt inzichten die andere gemiddelden kunnen missen. Door de eigenschappen en toepassingen te begrijpen, kies je het juiste type gemiddelde voor jouw behoeften en vermijd je veelvoorkomende valkuilen in data-analyse. Schrijf je in voor ons Machine Learning Scientist in Python-carrièrepad om verder te leren.