统计数据中有很多散布或散布的测量。 虽然量程和标准偏差是最常用的，但还有其他方法可以量化分散。 我们将看看如何计算数据集的平均绝对偏差。

我们从平均绝对偏差的定义开始，它也被称为平均绝对偏差。 本文中显示的公式是平均绝对偏差的正式定义。

将这个公式看作一个过程或一系列步骤，我们可以使用它来获得我们的统计量可能更有意义。

上述过程有几种变化。 请注意，我们没有具体指定m是什么。 原因是我们可以使用m的各种统计数据。 通常这是我们数据集的中心，因此可以使用任何中心趋势的测量。

数据集中心最常见的统计测量是平均值， 中位数和模式。

因此，这些中的任何一个都可以用作m来计算平均绝对偏差。 这就是为什么通常是指平均绝对偏差或平均绝对偏差关于中位数的原因。 我们会看到几个这样的例子。

假设我们从以下数据集开始：

1，2，3，5，7，7，7，7，9。

该数据集的平均值为5.下表将组织我们计算平均值的平均绝对偏差的工作。

我们现在将这个总和除以10，因为总共有十个数据值。 关于平均值的平均绝对偏差是24/10 = 2.4。

现在我们从一个不同的数据集开始：

1，1，4，5，5，5，7，7，10。

就像以前的数据集一样，这个数据集的平均值是5。

因此平均值的平均绝对偏差为18/10 = 1.8。 我们将这个结果与第一个例子进行比较。 尽管这些例子的平均值是相同的，但第一个例子中的数据更加分散。 我们从这两个例子中看出，与第一个例子的平均绝对偏差大于第二个例子的平均绝对偏差。 平均绝对偏差越大，我们数据的离差越大。

从与第一个示例相同的数据集开始：

1，2，3，5，7，7，7，7，9。

数据集的中位数为6.在下表中，我们显示了关于中位数的平均绝对偏差的计算细节。

我们再次将总数除以10，并获得关于中位数的平均平均偏差24/10 = 2.4。

从以前的数据集开始：

1，2，3，5，7，7，7，7，9。

这次我们发现这个数据集的模式为7.在下面的表格中，我们显示了关于模式的平均绝对偏差的计算细节。

我们划分绝对偏差的总和，并且看到我们有关于22/10 = 2.2的模式的平均绝对偏差。

关于平均绝对偏差有几个基本属性

平均绝对偏差有几个应用。 第一个应用是这个统计可以用来教导标准偏差背后的一些想法。

关于平均值的平均绝对偏差比标准偏差更容易计算。 它不要求我们对偏差进行平方，在计算结束时我们不需要找到平方根。 此外，平均绝对偏差更直观地与数据集的传播相关联，而不是标准偏差。 这就是为什么在引入标准偏差之前有时先教导平均绝对偏差的原因。

有些人甚至认为标准差应该用平均绝对偏差来代替。 尽管标准偏差对科学和数学应用很重要，但它并不像平均绝对偏差那么直观。 对于日常应用，平均绝对偏差是衡量数据传播方式的更切实可行的方法。