Like this? Share it with your network

Share

Session 3 week 2 central tendency & dispersion 13 sp

on

  • 621 views

 

Statistics

Views

Total Views
621
Views on SlideShare
610
Embed Views
11

Actions

Likes
0
Downloads
0
Comments
0

2 Embeds 11

https://carlow.blackboard.com 10
https://blackboard.carlow.edu 1

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Session 3 week 2 central tendency & dispersion 13 sp Document Transcript

  • 1. This lecture presentation complements Khan’s tutorials 1
  • 2. In this lecture we will discuss the different methods to measure central tendency and dispersion in a statistical sample. 2
  • 3. Central tendency is just a technical way of saying, what’s typical of this sample? For example, out of all Carlow students, which gender is the more typical one? Male or female? Out of all the products listed on Amazon, which is the best seller? And out of all the eBay listings of “Tickle Me Elmo,” which price is the most common one? 3
  • 4. These three different measures are discussed in detail by Khan Academy. Here are some brief summariesWe will discuss normal distribution.One key idea is this:If the sample is normally distributed, meaning it looks like a symmetrical bell curve, then mean, median and mode will be the same number.However, if the sample is skewed either to the left or to the right, then these three However if the sample is skewed either to the left or to the right then these threenumbers would take on different values. 4
  • 5. Concepts like mean and standard deviation are really based on the theory of normal curveNote it’s a theory, a conceptualization of how data should be distributed in an ideal worldIn reality, often times distributions are not perfectly normalNext slide is an exampleNote that the mean is 50 percentile 5
  • 6. Look at this distribution of salary dataIt’s heavy on the left side, with a long skinny tail on the rightDefinitely not symmetrical 6
  • 7. When we impose the normal curve on top of the salary distribution,We see that the normal curve only captures the right tail wellFor the left tail, the normal curve doesn’t describe the actual distribution very wellThis is because the salary data is positively skewedIn skewed data, mode and median describe the central tendency better than the meanIn skewed data mode and median describe the central tendency better than the mean 7
  • 8. In addition to central tendency, we also need a way to describe how spread out the distribution is, and how weird a case is (relative to the mean)di ib i i dh id i ( l i h )When a case is very close to the mean, we have an average joe.When a case is far off from the mean on the tip of a long tail, we have a weirdo!In real life, we often discuss dispersion without realizing it. For example:In which percentile is my child’s height?How many people in this class will get an A?How many people in this class will get an A?Is the customer’s credit score above or below average? By how much?Is a donation of $30,000 pretty common or very rare? How rare is it?This slide illustrates the distribution of total purchase after a customer clicks on a link.Look at the data, the mean, the distribution, and reflect on the following questions:How likely would an average customer spend $200 per order?How likely would an average customer spend $200 per order?Very unlikely – it’s at the end of the curve – in a tailHow about $35? Much more likely – it’s the average orderIn what percentile is a $67 order?84% ‐ we know because it’s one standard deviation (34%) above the mean (50%)The next slide explains what’s a standard deviation 8
  • 9. Standard deviation is a standardized measure of dispersionIt tells you whether the distribution is short and fat (with a big standard distribution) or tall and skinny (with a small standard distribution)The calculation is explained well by KhanThe basic idea to take away is:The standard deviation tells you, on average, how far away the data points are from the The standard deviation tells you on average how far away the data points are from themeanFor example, let’s say that the Steelers have an average score of 25 per game, and the standard deviation is 1. Let’s also say that the Greenbay Packers have an average score of 25 per game, and a standard deviation of 7.In this example, both teams are comparable in terms of average scores, but the Steelers have a much smaller standard deviation. This means the Steelers’ performance is pretty consistent over time, their scores may be above or below 25, but only by 1‐2 points on average. If you plot their scores on a chart, you would see that most of them pack around 25, with a nice narrow distribution that peaks around 25.In contrast, the Packers may average around 25, but their performance varies widely from In contrast, the Packers may average around 25, but their performance varies widely fromgame to game. One day they may score 18 (25‐7) and the next day they may score 32 (25+7) If you plot their widely varied scores on a chart, you would get a short and fat distribution.(Go Steelers Go!) 9
  • 10. What are practical ways to use the standard deviation?With a normal distribution, the mean divides it up evenly in the middle. The portion below the mean covers 50% of the population, whereas the portion above the mean also covers 50% of the population.The first standard deviation away from the mean covers 34% of the distribution. In other words, 1 standard deviation above the mean is 50% + 34% which is 84 percentileLet’s say that the average weight for a one year old is 25 pounds, and a standard deviation of 2 pounds.Connor is 23 pounds. That’s 1 standard deviation below the mean. In other words he is 50%‐34% or 16th percentile of the populationNardia is 27 pounds. That’s 1 standard deviation above the mean. In other words she is 50%+34% or 84th percentile of the populationThe entire distribution is covered by roughly 6 standard deviations – 3 above the mean and 3 below the meanHence the name of the quality management program “Six Sigma” 10
  • 11. More examples:Given a mean and a standard deviation score, you have a pretty good idea of what the distribution is like – is it fat and short, or tall and skinny?We can then map out individual scores on the distribution and tell the average joes from the weirdos! 11
  • 12. The Z score is the number of standard deviations fro the meanWith our previous example, Connor would have a Z score of negative 1 (that is 1 standard  ih i l C ld h f i 1( h i 1 d ddeviation below the mean), while Nardia has a Z score of 1 (that is 1 standard deviation above the mean).The average joes would have close to zero z scores (e.g., 0.0006, ‐.0029)Whereas the weirdos have extremely large or small z scores (e.g., 3.07, ‐2.99)Again ‐AgainThe z score is the number of standard deviations a data point is away from the meanLets say that the average weight for all American women is 150, and the standard deviation is 20.If your weight is 130, then your z score is ‐1, because youre exactly 1 standard deviation below the mean.If Peggys weight is 170, then her z score is 1, because she is exactly 1 standard deviation above the mean.above the mean. 12
  • 13. Questions? Schedule a chat/phone meeting with the instructor for more assistance 13