格格党

手机浏览器扫描二维码访问

第797章 敲打（第2页）

其实不然，数据要比数字大得多。

互联网上任何内容，比如文字、图片和视频都是数据。

医院里包括医学影像在内的所有档案也是数据；

公司和工厂里的各种设计图纸也是数据；

出土文物上的文字、图示，甚至它们的尺寸、材料，也都是数据。

甚至我们人类的活动本身，也可以看做是一种特殊的数据。

全世界各个领域的数据不断向外扩展，渐渐形成了另一个特点，那就是很多数据开始出现交叉。

各个维度的数据从点和线渐渐练成了网。

或者说，数据之间的关联性极大的增强，在这样的背景下，就出现了大数据。”

顿了一下，徐良调整了一下PPT。

“那么数据和大数据怎么运用呢？

大致可以分为以下流程。

获取数据→分析数据→建立模型→预测未知。

我们举一个简单的例子。

现在我们想要了解一家电影院的观众年龄分布，以便做市场推广。

假定我们把观众群分为15岁以下，16~25岁，26~40岁和41岁及以上四个人群。

要了解每个人群的比例，一个简单的办法就是到电影院门口去问一问那些看电影的人的年龄。

比如我们通过调查了解到大约有343人在15岁以下，459人在16~25岁，386人在26~40岁，490人在41岁及以上。

根据这个数据，我们大致可以得出以下结论：

15岁及以下的观众占20%左右，16~25岁的观众超过四分之一，但不到三成；

26~40岁的观众略少于四分之一，41岁及以上的观众最多，大约占到三成。

但是，如果我们只在周末的晚上抽样调查10个人，我们就会发现。

有三个15岁及以下的观众，五个16~25岁的观众，2个26~40岁的观众。

我们显然不能说25岁以下的观众占了八成，而41岁及以上的中年人从来不来电影院，这样的结论。

但我想各位也都承认一点，在统计样本不充分的情况下，得到的结果跟实际结果存在很大的偏差。

所以，越想要得到准确的统计结果，需要的统计数据量就越大。

在上面的例子中，统计的样本总数是1678人。

但是如果我们一定要说‘41岁及以上的观众就是29.2%’，或者‘15岁及以下观众一定超过20%’。

这样非常肯定的的话，大家就可能会挑战这个结论。

因为，统计是有随机性的，也是有误差的。

仅仅上千人的数据得不到这样准确的结论。

统计除了要求数据量必须充分之外，还要求采样的数据必须有代表性。

有些时候不是数据量足够大，同阶级过就一定准确。

一个很简单的例子，一个爱情影片和一个战争影片，它的受众并不相同。

所以如果我们只采集爱情影片上映当月的观影人群，就不具有普遍的代表性。

那么怎么避免这种情况，获得准确的结论呢？

19世纪的俄国数学家切比雪夫对这个问题给出了他的结论，即切比雪夫不等式。