Centrum maat
Centrummaten zijn statistische getallen die het midden, de centrale tendens of de 'typische waarde' van een dataset samenvatten. De drie meest gebruikte maten
Centrum maat
Centrummaten zijn statistische getallen die het midden, de centrale tendens of de 'typische waarde' van een dataset samenvatten. De drie meest gebruikte maten
Gemiddelde
Gemiddelde (mean) — de som van alle waarden gedeeld door het aantal waarden
Het gemiddelde is de meest gebruikte centrummaat. Het gebruikt alle waarden in de dataset, en dat is zowel de kracht als de zwakte: uitschieters trekken het gemiddelde naar zich toe.
Mediaan
Mediaan — de middelste waarde als je alle waarden van klein naar groot sorteert. Bij een even aantal waarden: het gemiddelde van de twee middelste.
De mediaan is robuust: uitschieters hebben er nauwelijks invloed op. Daarom wordt inkomen vaak als mediaan gerapporteerd — een paar miljonairs trekken het gemiddelde omhoog, maar veranderen de mediaan nauwelijks.
Modus
Modus — de waarde die het vaakst voorkomt.
De modus is de enige centrummaat die je ook bij nominale variabelen kunt gebruiken (de "populairste" categorie). Bij continue variabelen is de modus vaak weinig informatief.
Samenvattend
Voorbeeld: wanneer misleidt het gemiddelde?
Vijf werknemers verdienen per maand: €2.500, €2.700, €2.800, €3.000, €12.000.
Gemiddelde: €4.600
Mediaan: €2.800
Modus: geen (alle waarden komen één keer voor)
Het gemiddelde van €4.600 geeft een vertekend beeld — vier van de vijf werknemers verdienen minder dan het gemiddelde. De mediaan van €2.800 is veel representatiever voor de "typische" werknemer.
Vuistregel: bij scheve verdelingen of uitschieters is de mediaan betrouwbaarder dan het gemiddelde.
Aan de slag in SPSS
Bekijken frequenties
Berekenen centrum maten
Bepalen missing values of valid values
Spreidingsmaten
Het centrum alleen vertelt je niet genoeg. Je moet ook weten hoe ver de waarden uit elkaar liggen. Twee klassen kunnen hetzelfde gemiddelde hebben, maar totaal verschillende verdelingen.
Range
Range — het verschil tussen de hoogste en laagste waarde.
Range = maximum − minimum
Simpel maar gevoelig voor uitschieters. Eén extreme score en de range explodeert.
Interkwartielafstand (IQR)
Interkwartielafstand (IQR) — het verschil tussen het 75e percentiel (Q3) en het 25e percentiel (Q1). Hiertussen valt de middelste 50% van de waarden.
IQR = Q3 − Q1
Robuuster dan de range, omdat uitschieters de kwartielen nauwelijks beïnvloeden.
Variantie
Variantie (s²) — het gemiddelde van de gekwadrateerde afwijkingen van het gemiddelde.
Waarom kwadrateren? Omdat positieve en negatieve afwijkingen anders tegen elkaar wegvallen. Waarom delen door n−1 in plaats van n? Dat is een correctie (Bessel's correctie) die ervoor zorgt dat de steekproefvariantie een zuivere schatter is van de populatievariantie. Op dit punt in de cursus hoef je dit alleen te weten, niet te bewijzen.
Standaarddeviatie
Standaarddeviatie (s) — de wortel van de variantie.
Formule: s = √s²
De standaarddeviatie heeft hetzelfde voordeel als de variantie (gebruikt alle waarden), maar is makkelijker te interpreteren omdat de eenheid gelijk is aan die van de oorspronkelijke data. Als je scores meet in punten, dan is de standaarddeviatie ook in punten — de variantie is in punten².
Rekenvoorbeeld
Cijfers van 7 studenten: 4, 5, 6, 6, 7, 8, 9
Gemiddelde: (4+5+6+6+7+8+9) / 7 = 45/7 ≈ 6,43
Afwijkingen van het gemiddelde: −2,43 | −1,43 | −0,43 | −0,43 | 0,57 | 1,57 | 2,57
Gekwadrateerde afwijkingen: 5,90 | 2,04 | 0,18 | 0,18 | 0,33 | 2,47 | 6,61
Som: 17,71
Variantie: 17,71 / 6 = 2,95
Standaarddeviatie: √2,95 ≈ 1,72
Interpretatie: de cijfers wijken gemiddeld ongeveer 1,7 punt af van het gemiddelde van 6,4.
De vorm van de verdeling
Als je alle waarden in een dataset weergeeft in een histogram, zie je de vorm van de verdeling. Die vorm is belangrijk omdat veel statistische technieken ervan uitgaan dat data op een bepaalde manier verdeeld zijn.
Symmetrisch — de verdeling is aan beide kanten van het centrum gelijk. Gemiddelde ≈ mediaan.
Rechtsscheef (positief scheef) — er is een lange staart naar rechts. Een paar hoge waarden trekken het gemiddelde omhoog. Gemiddelde > mediaan.
Voorbeeld: inkomen. De meeste mensen verdienen een modaal bedrag, maar een kleine groep verdient extreem veel.
Linksscheef (negatief scheef) — er is een lange staart naar links. Een paar lage waarden trekken het gemiddelde omlaag. Gemiddelde < mediaan.
Voorbeeld: tentamencijfers op een makkelijk tentamen. De meeste studenten scoren hoog, een paar scoren laag.
Bimodaal — twee pieken. Dit kan duiden op twee verschillende groepen in je data.
Voorbeeld: lengteverdeling van een gemengde groep mannen en vrouwen.
Waarom scheefheid ertoe doet
Waarom scheefheid ertoe doet: bij een scheve verdeling geeft het gemiddelde een vertekend beeld. Dan is de mediaan een betere centrummaat.
Bovendien nemen veel statistische toetsen (college 4 en 5) aan dat data normaal verdeeld zijn — als je verdeling sterk scheef is, moet je daar rekening mee houden.
Normale verdeling
Theorie
De normale verdeling (ook: Gaussverdeling, klokcurve) is de belangrijkste verdeling in de statistiek. Niet omdat alle data normaal verdeeld zijn — dat zijn ze vaak niet — maar omdat de steekproevenverdeling van het gemiddelde wél normaal verdeeld is (dat komt terug in college 3).
Kenmerken:
Symmetrisch en klokvormig
Volledig bepaald door twee parameters: het gemiddelde (μ) en de standaarddeviatie (σ)
Het gemiddelde, de mediaan en de modus vallen samen
De 68-95-99,7-regel (empirische regel):
Ongeveer 68% van de waarden valt binnen 1 standaarddeviatie van het gemiddelde (μ ± 1σ)
Ongeveer 95% valt binnen 2 standaarddeviaties (μ ± 2σ)
Ongeveer 99,7% valt binnen 3 standaarddeviaties (μ ± 3σ)
Voorbeeld
IQ-scores zijn normaal verdeeld met μ = 100 en σ = 15.
68% van de mensen heeft een IQ tussen 85 en 115
95% heeft een IQ tussen 70 en 130
99,7% heeft een IQ tussen 55 en 145
Een IQ van 145 of hoger komt dus bij minder dan 0,15% van de bevolking voor — dat is 1 op de 667 mensen.
Z-scores
Theorie
Een z-score drukt uit hoeveel standaarddeviaties een waarde boven of onder het gemiddelde ligt.
Een z-score van 0 betekent: precies op het gemiddelde.
Een z-score van +1 betekent: één standaarddeviatie boven het gemiddelde.
Een z-score van −2 betekent: twee standaarddeviaties onder het gemiddelde.
Waarom z-scores nuttig zijn: ze maken waarden vergelijkbaar, ook als de oorspronkelijke schalen verschillend zijn.
Voorbeeld
Een student scoort een 7,5 op statistiek (gemiddelde: 6,0, sd: 1,5) en een 8,0 op sociologie (gemiddelde: 7,5, sd: 0,5).
Z-score statistiek: (7,5 − 6,0) / 1,5 = 1,0
Z-score sociologie: (8,0 − 7,5) / 0,5 = 1,0
Ondanks het lagere absolute cijfer presteerde de student op beide vakken even goed ten opzichte van de groep: precies één standaarddeviatie boven het gemiddelde.
Boxplot
Theorie
Een boxplot is een visuele samenvatting van een verdeling die vijf kengetallen toont:
Minimum (of laagste waarde die geen uitschieter is)
Q1 (25e percentiel)
Mediaan (50e percentiel)
Q3 (75e percentiel)
Maximum (of hoogste waarde die geen uitschieter is)
De "box" loopt van Q1 tot Q3 en bevat de middelste 50% van de data. De lijn in de box is de mediaan. De "whiskers" (lijnen) lopen naar het minimum en maximum. Waarden die meer dan 1,5 × IQR boven Q3 of onder Q1 liggen, worden als uitschieters gemarkeerd (stippen).
Boxplots zijn bijzonder handig om:
Verdelingen snel te vergelijken tussen groepen
Scheefheid te herkennen (als de mediaan niet in het midden van de box zit)
Uitschieters te identificeren