{
  "id": "histogram",
  "title": "直方图",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "直方图将数值观测值分组到各个区间，用相邻矩形的频数或概率密度展示其分布。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "频数直方图"
  ],
  "generated_at": "2026-11-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/histogram/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/histogram/",
      "json": "https://aiwiki.page/en/histogram.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "直方图是一种展示数值数据分布的图形：将观测值划分到称为组的区间中，并用矩形表示。每个矩形的横向范围对应一个数值区间，高度则表示频数、相对频数或密度。当各组的组距不同时，必须用矩形的面积而非高度来表示频数，才能使图形准确反映数据的分布。\n\n直方图是统计学、数据科学和科学测量中的基本工具，因为它能揭示单一数值概括无法呈现的特征：不对称性、空缺、集中区域、长尾，以及可能存在的多个峰。直方图还可用于对概率分布进行初步估计，并在计算中表示大型数据集。看似简单的直方图，背后却涉及区间宽度、区间边界位置、归一化方式和测量尺度等重要选择。这些选择既决定了图形能揭示什么，也决定了它可能掩盖什么。"
    },
    {
      "heading": "数学定义与归一化",
      "text": "设 \\(x_1,\\ldots,x_n\\) 为数值观测值，组界构成如下递增序列：\n\n\\[b_0<b_1<\\cdots<b_k.\\]\n\n通常将第 \\(j\\) 组定义为 \\(B_j=[b_{j-1},b_j)\\)，但最后一组可以包含其右端点。第 \\(j\\) 组的频数为\n\n\\[N_j=\\sum_{i=1}^{n}\\mathbf{1}_{B_j}(x_i),\\]\n\n其中 \\(\\mathbf{1}_{B_j}\\) 为示性函数。如果各组互不重叠，且涵盖全部观测值，则 \\(\\sum_{j=1}^{k}N_j=n\\)。对于恰好落在组界上的观测值，端点的归属约定十分重要，尤其是在测量值经过舍入的情况下。\n\n常见的归一化方式有几种。频数直方图以 \\(N_j\\) 为高度，相对频数直方图则以 \\(N_j/n\\) 为高度。各组等宽时，两者的形状相同，仅纵向尺度相差一个常数倍。频数表示某区间内有多少个观测值，相对频数则表示该区间内的观测值占总数的比例。这两种方式都不能自动保证所有矩形的总面积等于一。\n\n密度直方图则采用以下高度：\n\n\\[\\widehat f(x)=\\frac{N_j}{n\\,w_j}, \\qquad x\\in B_j,\\]\n\n其中 \\(w_j=b_j-b_{j-1}\\)。其所有矩形的面积之和为一：\n\n\\[\\int \\widehat f(x)\\,dx =\\sum_{j=1}^{k}\\frac{N_j}{n\\,w_j}w_j =1.\\]\n\n因此，它定义了一个分段常数的概率密度函数。高度的单位是横轴变量单位的倒数。如果测量值以秒为单位，密度的单位就是每秒；只有面积才表示无量纲的概率。密度高度可以大于一，这并不违反任何概率规则。\n\n例如，假设有 100 个观测值，其中 20 个落在 \\([0,1)\\) 内，30 个落在 \\([1,3)\\) 内。这两组的相对频数分别为 \\(0.20\\) 和 \\(0.30\\)，但密度高度分别为 \\(0.20\\) 和 \\(0.15\\)。第二个区间包含的观测值更多，但由于其宽度是第一个区间的两倍，密度反而较低。如果绘制宽度不等、高度分别为 20 和 30 的矩形，其面积就分别为 20 和 60，从而夸大第二个区间所占的份额。只要各组宽度不等，就必须注意这一区别。\n\n直方图也可以展示频数密度，此时高度为 \\(N_j/w_j\\)。在这种表示方式下，矩形面积等于频数，总面积等于 \\(n\\)，而不是一。清晰的纵轴标注有助于区分这些表示方式。"
    },
    {
      "heading": "构造分箱并保留测量意义",
      "text": "构造直方图，首先要明确变量、变量的测量尺度，以及哪些观测值可以纳入。数字编码不一定表示数量：例如，邮政编码和类别标识符之间并不存在有实际意义的中间值。将这类编码划分到数值区间中，虽然能在视觉上呈现出一种分布，却没有相应的定量解释。只有当区间及其宽度具有实际意义时，才适合使用直方图。\n\n对于连续测量数据，通常从等宽分箱入手。给定宽度 \\(h\\) 和起点 \\(a\\)，各分箱可写为\n\n\\[[a+jh,\\;a+(j+1)h),\\]\n\n其中，\\(j\\) 依次取连续整数。\\(h\\) 和 \\(a\\) 都很重要。在宽度不变的情况下移动起点，会改变哪些相近的观测值被分到同一箱中。跨越分箱边界的一簇数据可能看起来被分成了两部分；将起点平移半个箱宽后，它又可能呈现为一个突出的矩形。当样本较小，或数据中存在高度集中的群组时，这种边界对齐效应尤其明显。\n\n离散数值数据需要格外谨慎处理。对于缺陷数量等取整数值的观测数据，可以将分箱中心设在整数处、边界设在半整数处，这样就能展示每一种可能的计数，而不会让任意设置的边界穿过这些取值。如果每个可能值都单独表示，图形就会非常接近概率质量函数图。当取值范围较大时，将多个整数合并到更宽的区间中仍可能有用，但这会丢失同一组内各个取值之间的区别。\n\n应当区分图中展示的范围与归一化时所使用的全体观测数据。如果排除选定范围之外的观测值，并对剩余数据重新归一化，使总概率为一，那么直方图表示的就是以观测值落在该范围内为条件的条件分布。如果仍沿用原来的分母，图中显示的总面积就可能小于一。因此，裁剪图形与舍弃数据是两种不同的操作，即便它们显示出的矩形看起来相似。\n\n接近取值边界的测量数据也需要明确处理。持续时间不能为负，比例则介于零和一之间。分箱若延伸到变量可能的取值范围之外，可能会浪费空间，或使密度的解释变得复杂。“100及以上”这类开口组没有有限的宽度，因此，若不另作约定，就无法用普通的有限宽度密度矩形来表示。\n\n舍入和数字偏好可能造成人为的尖峰。按周岁记录的年龄、按固定精度舍入的实验室读数，以及填报时偏好五的倍数的数量，都可能呈现出源于记录方式的模式。根据测量分辨率来选择分箱边界，有助于将这类影响与被测量本身的真实特征区分开来。"
    },
    {
      "heading": "解读形状、集中程度与异常观测值",
      "text": "直方图通过形状呈现分布，但图中每个可见特征都在一定程度上取决于所选的分组方式。描述分布时，主要关注观测值集中在哪里、分散程度如何、两侧形状是否相似，以及是否存在明显的峰或空隙。这些都属于探索性数据分析的内容，不能据此直接对数据的生成机制下结论。\n\n大致对称的直方图，其中心区域两侧的结构相近。右偏分布的上尾更长或延伸得更远，左偏分布则有较长的下尾。偏斜方向指的是尾部延伸的方向，而不是最高条柱所在的位置。交易金额或等待时间等取正值的量，往往有许多较小的观测值，而较大的观测值相对较少，不过具体形状取决于生成过程和抽样方案。\n\n峰提示了众数的存在，也就是观测值在局部高度集中的区域。双峰直方图可能来自不同子总体的混合，例如运行参数不同的两条生产线所产生的测量值。它也可能由舍入、周期性结构或某种特定的分箱方式造成。高斯混合模型可以表示其中一些分布，但仅凭两个可见的峰，并不能确定背后恰好存在两个群体。反过来，相互重叠的群体也可能只呈现出一个可见的峰。\n\n直方图通过非空区间覆盖的范围及观测值在这些区间中的分配情况，呈现数据的离散程度。它通常无法确定精确的样本均值、中位数或标准差，因为各区间内观测值的具体位置已经丢失。两组数据可以具有完全相同的各箱计数，但均值和方差不同。把每个箱中的观测值都视为位于该箱的中点，可以计算近似的数值摘要，但这些近似结果取决于箱宽和箱内的数据结构。\n\n孤立的条柱或观测值稀疏的尾部可能提示存在异常观测值，但解释这些现象需要结合背景。一个远离其余数据的值，可能是记录错误，也可能是合理的罕见事件，还可能表明所提出的分布不足以描述数据。空箱并不能证明总体在相应区间内的概率为零，尤其是在样本量较小时。同样，直方图呈锯齿状，也不一定意味着其背后的概率密度高度不规则。\n\n直方图还会丢失观测值的排列顺序。两个序列若包含相同的值，即使排列顺序不同，直方图也完全相同，哪怕其中一个序列呈现趋势，而另一个没有。在时间序列中，将所有观测值汇总在一起，可能会掩盖水平变化、周期或不同状态交替出现的现象。直方图描述的是数值的分布，而不是它们的时间排列、空间组织或因果关系。"
    },
    {
      "heading": "选择组距与组数",
      "text": "组距的选择涉及一个核心权衡：较窄的组距能保留局部细节，却也会使抽样波动更加明显；较宽的组距能抑制波动，却可能将重要的结构合并在一起。这是偏差-方差权衡的一个例子。不存在一种组距能对所有数据集、用途或潜在分布都最优。已发表的选择规则提供的是参考值，而非普遍适用的正确答案。\n\n赫伯特·斯特奇斯于1926年提出了一条规则，通常写作\n\n\\[k=\\left\\lceil 1+\\log_2 n\\right\\rceil.\\]\n\n按这条规则，组数随样本量呈对数增长。当 \\(n=1{,}000\\) 时，得到的组数为11。斯特奇斯规则简单易用，至今仍在各类软件中广泛实现，但组数增长缓慢，可能使大样本或结构较丰富的分布所对应的直方图过于粗略。这条规则最初的推导依据，是一种近似钟形分布的二项频数模式。\n\n戴维·W. 斯科特于1979年提出的正态参考规则按下式选择组距：\n\n\\[h=3.49\\,s\\,n^{-1/3},\\]\n\n其中，\\(s\\) 为样本标准差。公式中的常数是在以正态分布为参考模型的条件下，通过渐近计算得到的。对 \\(s\\) 的依赖使该规则给出的组距具有恰当的计量单位，而 \\(n^{-1/3}\\) 则使组距随着观测值数量的增加而减小。极端观测值可能使 \\(s\\) 增大，导致所选组距对于重尾样本的主体部分而言过宽。\n\n戴维·弗里德曼和佩尔西·戴阿科尼斯于1981年发表的规则采用以下公式：\n\n\\[h=2\\,\\operatorname{IQR}(x)\\,n^{-1/3},\\]\n\n其中，四分位距是上四分位数与下四分位数之差。与标准差相比，这种离散程度度量对尾部极端值的敏感性较低。当 \\(n=1{,}000\\)、四分位距为12个单位时，组距为 \\(2.4\\) 个单位。不同软件计算样本分位数时采用的约定不同，因而得到的组距数值可能略有差异。\n\n这些规则在退化或特殊情形下可能失效。如果大多数观测值相同，即使少数观测值有所不同，四分位距仍可能为零。如果数据集中的所有值都相同，就不存在可用于推导正组距的经验离散程度，上述两种基于尺度的规则也就都无法给出正组距。单个极端观测值就可能使总体极差变得很大，此时若根据分布的中心部分确定组距，就会产生许多空组。\n\n数据驱动方法则可以通过惩罚似然、交叉验证或贝叶斯推断来选择分组。这些方法以某个明确的准则为优化目标，可以选择不等组距，也可以适应局部结构。不过，它们仍然包含对何谓有效近似的假设。某种分布特征如果仅在一个精挑细选的组距或分组起点下才出现，其证据力度就弱于在多种合理选择下均可见的特征。"
    },
    {
      "heading": "作为统计估计量的直方图",
      "text": "除了用于图形展示，直方图也是进行密度估计的基本工具。设 \\(X_1,\\ldots,X_n\\) 是来自密度为 \\(f\\) 的分布的独立观测值。对于固定的分组区间 \\(B_j\\)，记\n\n\\[p_j=\\Pr(X_i\\in B_j)=\\int_{B_j}f(u)\\,du.\\]\n\n该区间内的观测计数服从参数为 \\(n\\) 和 \\(p_j\\) 的二项分布。所有区间的计数共同服从多项分布，因为每个观测值恰好落入一个区间。\n\n对于组距为 \\(h\\) 的等宽区间，密度估计值为 \\(N_j/(nh)\\)。当 \\(x\\) 位于该区间内时，其期望值和方差为\n\n\\[\\operatorname{E}[\\widehat f(x)]=\\frac{p_j}{h}, \\qquad \\operatorname{Var}[\\widehat f(x)] =\\frac{p_j(1-p_j)}{nh^2},\\]\n\n因此，该估计量是区间内平均密度的无偏估计量，但通常并不是每个点处密度的无偏估计量。在真实密度变化迅速的地方，用常数代替密度会产生近似误差。\n\n对于足够规则的密度和规则的等宽划分，渐近平均积分平方误差的主导项具有如下形式：\n\n\\[\\operatorname{AMISE}(h) \\approx \\frac{1}{nh} + \\frac{h^2}{12}\\int_{-\\infty}^{\\infty}[f'(x)]^2\\,dx.\\]\n\n第一项反映抽样方差，第二项反映近似误差的平方。平衡这两项，可得最优组距与 \\(n^{-1/3}\\) 成正比，这解释了斯科特规则和弗里德曼–戴科尼斯规则中组距对样本量的依赖关系。该公式要求满足一定的光滑性和可积性条件，并非有限样本下的精确恒等式。\n\n对于密度变化规则的区域内某个固定位置，一致性通常要求组距不断缩小，同时局部的期望观测计数不断增大。在一维情形下，常见的条件为\n\n\\[h_n\\to0, \\qquad nh_n\\to\\infty.\\]\n\n第一个条件使分辨率能够不断提高，第二个条件则避免各区间内的观测过于稀疏。如果组距固定，即使样本量不断增加，也无法还原任意精细的密度细节；它只能越来越准确地估计这些固定区间的概率。\n\n直方图的高度也存在不确定性。在独立抽样模型下，基于计数、采用代入法得到的密度高度标准误估计为\n\n\\[\\frac{\\sqrt{n\\widehat p_j(1-\\widehat p_j)}}{nh}, \\qquad \\widehat p_j=N_j/n.\\]\n\n对于观测稀少或没有观测的区间，这一近似可能很不准确。此外，不同区间的高度并不独立：一个观测值归入某个区间，就不可能再归入其他区间。因此，一组逐点区间并不自动构成针对整个密度的同时置信区间。存在依赖关系、抽样概率不等或区间边界由数据确定等情况时，还需要进一步调整。"
    },
    {
      "heading": "历史发展与统计图形",
      "text": "直方图的形成，是十九世纪统计表、测量和图形分析广泛发展的一部分。在现代术语确立之前，人们就已使用分组频数分布来整理观测值。用相邻矩形表示数值区间，将列表统计与面积的几何概念联系起来，使人们能够直观地比较分布，而不再只能依靠一列列计数。\n\n卡尔·皮尔逊于1895年在统计学著述中引入了“直方图”（histogram）这一术语。他的工作属于数理统计学早期发展的一部分，当时的研究将经验频数分布与理论曲线进行比较。新术语的出现，并不意味着所有相关的分组频数图形都起源于那一刻。从历史角度看，必须区分一种图形工具的命名与其前身的发展。\n\n频数曲线和直方图的用途相辅相成。直方图保留了与分组观测值之间直观可见的联系，而平滑曲线则表达理论模型，或对观测分布形态的近似。在早期有关生物变异及其他可测量特征的统计研究中，这种关系尤为重要：数据可以先呈现为频数分布，再与所提出的某一类数学曲线进行比较评估。\n\n二十世纪，直方图成为统计教学、工业质量分析和科学报告中的常用工具。斯特奇斯于1926年提出的规则，将一种选择组数的实用方法正式化。后来的研究越来越多地将分组选择视为估计问题，而不只是版面安排问题。斯科特1979年的分析，以及弗里德曼和戴阿科尼斯1981年的研究，将这一常见的图形工具与明确的误差准则和渐近理论联系起来。\n\n探索性数据分析的发展，尤其是约翰·图基1977年出版的同名著作，提倡在套用统计模型之前，先关注数据中的模式、异常观测值、变换及其他展示方式。在这种思路下，直方图的价值不在于提供一幅定论式的图景，而在于作为一种可以调整构建方式的表示形式，揭示数据的不同方面。\n\n计算机改变了直方图的使用规模，也使其生成和调整更加即时。手绘图形需要事先列表计数并选定区间。统计软件使调整组距、比较子群体和处理数百万条观测值变得轻而易举。交互式图形进一步拓展了这些功能，使分组能够随筛选条件和选择操作而变化。与此同时，自动采用的默认设置也让实质性的决策变得不那么显眼：两个程序可能仅仅因为选择了不同的分组或归一化约定，就为同一份数据绘制出明显不同的直方图。"
    },
    {
      "heading": "与其他分布图的关系",
      "text": "直方图与条形图的主要区别在于横轴位置所代表的含义。条形图用于比较不同类别，类别的排列顺序可以是任意的，也可以根据展示需要来确定。直方图则将数值轴划分为若干区间，各区间的位置和宽度都有实际意义。类别条形之间留有间隙是一种惯例；直方图中有观测值的组之间若存在空隙，则可能表示其间某个区间内没有观测值。不能仅凭外观相似就判定应采用哪种解释。\n\n经验分布函数展示小于或等于各个给定值的观测值所占的比例：\n\n\\[F_n(x)=\\frac{1}{n}\\sum_{i=1}^{n}\\mathbf{1}_{\\{X_i\\leq x\\}}.\\]\n\n它不需要设定组距，并保留了读取经验累积概率和分位数所需的精确次序信息。其阶梯状结构避免了直方图所需的分组选择，不过局部峰谷通常不那么一目了然。相比之下，对密度直方图积分得到的是分段线性的累积分布函数，相当于将每一组的概率均匀分配在该组区间内。\n\n频数多边形将各组中点处按频数高度绘出的点连接起来。它可以使同一坐标系内多个分组分布的比较更加方便，但仍然依赖于原有的分组方式。连线还会让人觉得组中点之间呈线性变化，而这种变化并非直接观测所得。因此，应将其视为分组信息的另一种表示形式，而不是对组内细节的还原。\n\n核密度估计用以各个观测值为中心的平滑贡献取代固定的矩形。一种常见的估计量为\n\n\\[\\widehat f_h(x)=\\frac{1}{nh} \\sum_{i=1}^{n} K\\!\\left(\\frac{x-X_i}{h}\\right),\\]\n\n其中，\\(K\\) 为核函数，\\(h\\) 为带宽。这种方法避免了对单一网格起点的依赖，但也引入了核函数、平滑带宽和边界处理方式的选择。平滑只是表示形式的一种性质，并不能证明曲线更忠实地反映了总体。不合适的带宽可能产生或抹去表观上的峰，就像不合适的直方图分组也会造成这种情况一样。\n\n箱线图、点图和原始数据条带图各自侧重于不同的信息。箱线图能够简洁地概括数据的中心位置和离散程度，但可能掩盖多峰性。点图保留了各个观测值，对小样本尤其有用。分位数—分位数图通过对应分位数来比较分布，相比叠加在直方图上的曲线，它能更清楚地揭示数据与参考模型之间的偏离。\n\n比较多个总体时，各直方图需要采用相同的组界，才能直接逐区间比较。相对频数或密度可以将分布形状与样本量区分开，而频数则保留了总量上的差异。是否归一化并无绝对的优劣：应如何选择，取决于关注的是分布形状、活动总量，还是两者兼顾。"
    },
    {
      "heading": "加权直方图、自适应直方图与多维直方图",
      "text": "加权直方图为观测值 \\(i\\) 赋予非负权重 \\(a_i\\)，而不是对每个观测值都按相同权重计数。各组的加权总量为\n\n\\[W_j=\\sum_{i=1}^{n}a_i\\mathbf{1}_{B_j}(x_i).\\]\n\n当总权重为 \\(W=\\sum_i a_i>0\\) 时，密度高度为 \\(W_j/(Ww_j)\\)。所得直方图的总面积为一，但它描述的是加权分布，而不是未加权的样本分布。权重可以表示重复观测次数、暴露量、总体扩展系数或数值计算中的重要性权重；这些不同含义对不确定性的影响也各不相同。\n\n例如，调查权重可以使来自抽样比例不同的群体的观测值，反映各群体在总体中的比例。因此，加权直方图可能与按原始样本计数绘制的直方图有很大差异。然而，将权重之和视为普通的样本量来计算方差，通常并不成立。抽样设计、聚类以及权重的差异都可能影响精度。\n\n不等宽分组或自适应分组会在不同区域采用不同的分辨率。观测值密集处可以使用窄组，稀疏处则可以使用宽组。根据经验分位数划分的等频分组，各组具有近似相等的概率质量。其密度高度与组宽成反比，因此较窄的区间意味着观测值更为集中。重复观测值可能使各组无法达到完全相同的频数，也可能产生重复的分位数边界，这些情况都必须明确处理。\n\n对于成对观测数据，二维直方图将平面划分为矩形单元格。如果单元格 \\((j,\\ell)\\) 的计数为 \\(N_{j\\ell}\\)，水平宽度为 \\(h_j\\)，垂直宽度为 \\(g_\\ell\\)，则其密度估计为\n\n\\[\\widehat f_{j\\ell} =\\frac{N_{j\\ell}}{n\\,h_jg_\\ell}.\\]\n\n通常用颜色或明暗表示计数或密度。这种图形近似呈现了联合概率分布，能够揭示单独的一维直方图无法显示的集中区域和非线性关系。在网格划分和所纳入的观测值保持一致的前提下，沿一个坐标方向将单元格计数相加，即可得到边际计数。\n\n推广到 \\(d\\) 维时，需要将空间划分为若干单元格，并用单元格体积代替区间宽度。这直接体现了维数灾难。如果六个坐标方向各分为十组，就会有 \\(10^6\\) 个可能的单元格。即使样本量很大，大多数单元格仍可能为空，使精细的联合直方图在统计上不稳定，也难以存储。\n\n多维直方图还依赖于坐标轴的方向。即使底层结构很简单，沿对角线分布的狭窄集中区域也可能与许多轴对齐的单元格相交。变量变换或主成分分析或许能得到更紧凑的表示，但也会改变表达密度所用的坐标。联合直方图描述的是其指定的空间划分下的分布，而不是数据集中某种与坐标无关的性质。"
    },
    {
      "heading": "算法、存储与数值实现",
      "text": "对于等宽分箱，计算直方图通常只需遍历一次数据。给定起点 \\(a\\) 和宽度 \\(h\\)，先为每个观测值计算一个暂定的分箱索引：\n\n\\[j=\\left\\lfloor\\frac{x-a}{h}\\right\\rfloor,\\]\n\n然后检查它是否在允许范围内，以及是否符合端点归属约定。分箱固定时，以大O记号表示，计数步骤的时间复杂度为 \\(O(n)\\)，存储空间复杂度为 \\(O(k)\\)。对于任意一组已排序的分箱边界，二分查找可以在每个观测值 \\(O(\\log k)\\) 的时间内确定其所属分箱。仅仅统计固定区间内的观测值数量，并不需要对观测值排序。\n\n如果分箱边界取决于数据，整个过程可能需要多次遍历。开始计数之前，可能必须先求出最小值、最大值、标准差或四分位数。有些汇总统计量可以增量更新，而计算精确分位数通常需要保留更多信息，或使用适当的数据结构。流式处理系统通常使用近似分位数摘要，或在预先定义的范围上维护直方图。\n\n边界相同且权重兼容的直方图很容易合并：将对应分箱的计数相加即可。因此，直方图很适合用于并行计算，由不同处理器或计算机分别处理数据的不同部分。要实现精确合并，必须对分箱边界、端点归属约定、排除哪些值以及所用单位达成一致。基于不兼容的区间划分构建的直方图，在没有原始观测值的情况下，通常无法转换为采用同一套细粒度区间划分的直方图。\n\n重新分箱体现了汇总过程中的信息损失。当新边界与现有边界重合时，可以精确地合并相邻的细分箱。但由于不知道现有分箱中各观测值的具体位置，拆分分箱无法做到精确。按子区间长度的比例分配原分箱计数，相当于假设该分箱内的数据服从均匀分布。这种操作得到的是近似结果，而不是恢复已经丢弃的信息。\n\n浮点运算可能使边界处观测值的归属变得复杂。显示为某个十进制边界值的数，在存储时可能略高于或略低于该边界；反复累加十进制宽度也可能导致舍入误差累积。稳健的实现会采用一致的边界构造方法，并明确规定边界值的纳入规则。最后一个边界通常需要特殊处理，以免意外遗漏本应纳入的最大值。\n\n缺失值、无穷值和超出范围的观测值需要分别制定处理规则。直接将它们移除而不作说明，既可能改变样本量，也可能改变归一化图示的含义。大型数据集还需要位数足够的整数计数器，以避免溢出；加权累加则可能引入浮点误差。\n\n直方图是一种紧凑且有意舍弃部分信息的表示方式。一旦只剩下各分箱的计数，精确分位数、分箱内各个极端值以及观测值的原始顺序便可能无法恢复。这种存储上的节省，既解释了直方图在计算中的实用性，也说明了仅依据汇总结果开展后续分析的局限。"
    },
    {
      "heading": "科学、工业与图像处理中的应用",
      "text": "在工业测量中，直方图用于描述尺寸、灌装量、运行时间及其他过程输出的分布。直方图可以显示观测值是否集中在目标值附近、是否向规格限延伸，或是否形成多个独立群组。规格限是由外部规定的要求，并不是从直方图本身估计出来的特征。将数据汇总绘制成直方图，还可能掩盖过程随时间发生的变化，因此，它提供的分布信息与按时间顺序绘制的过程图所提供的信息不同。\n\n在物理学和光谱学中，仪器通常将事件计数累积到与所测能量、波长或其他量对应的通道中。峰可能反映了受测量系统展宽影响的物理发射特征。组距、仪器分辨率、校准和本底计数都会影响观测到的形态。数字通道划分得更细，本身并不能提高仪器的物理分辨本领。\n\n在这类应用中，计数的不确定度尤为重要。在泊松分布计数模型下，当计数足够大且模型适用时，通常将计数 \\(N\\) 的近似不确定度取为 \\(\\sqrt{N}\\)。这与将固定总数的样本分配到各组时采用的多项分布模型不同。应采用哪种模型，取决于观测数据的采集方式：在固定观测时段内记录数量波动的事件，与抽取固定数量的事件作为样本，并不是同一种情况。\n\n数字图像提供了另一类用途。灰度图像直方图记录每个灰度级上有多少像素；8 位灰度图像有 256 个可能的编码值，范围为 0 到 255。这种直方图描述了色调的分配情况，却丢弃了空间排列信息。物体和纹理完全不同的图像，可能具有相同的灰度直方图。同样，分别绘制各颜色通道的直方图，也会丢失单个像素内各通道之间的大量联合信息。\n\n直方图均衡化利用灰度的累积分布构造色调变换。理想情况下，通过累积概率对灰度值进行映射，可以将概率质量重新分配到整个输出范围。然而，在离散图像中，相同的输入灰度值会映射到相同的输出值，因此得到的直方图不一定完全均匀。局部变体则在图像的各个区域内应用类似的变换，通常还会施加约束，以限制过度的对比度增强。\n\n直方图还可用于计算信息熵及分布差异的概括性指标。对于各组概率 \\(p_j\\)，离散熵为 \\(-\\sum_j p_j\\log p_j\\)。这是分组后变量的熵，并不自然等同于其背后连续量的微分熵。它的数值会随分组方式而变化。同样，基于直方图的KL散度依赖于共同的分组边界；当一个分布对某组赋予正概率质量，而另一个分布对该组赋予零概率质量时，散度可能变为无穷大。平滑处理或添加伪计数会改变这一计算结果，也构成了额外的建模选择。"
    }
  ],
  "links": [
    "statistics",
    "data-science",
    "probability-distribution",
    "indicator-function",
    "probability-density-function",
    "probability-mass-function",
    "exploratory-data-analysis",
    "gaussian-mixture-model",
    "sample-mean",
    "median",
    "standard-deviation",
    "sample-size",
    "time-series",
    "bias-variance-tradeoff",
    "normal-distribution",
    "interquartile-range",
    "quantile",
    "cross-validation",
    "bayesian-inference",
    "density-estimation",
    "binomial-distribution",
    "expected-value",
    "variance",
    "confidence-interval",
    "bar-chart",
    "empirical-distribution-function",
    "cumulative-distribution-function",
    "kernel-density-estimation",
    "joint-probability-distribution",
    "curse-of-dimensionality",
    "principal-component-analysis",
    "big-o-notation",
    "parallel-computing",
    "floating-point-arithmetic",
    "physics",
    "spectroscopy",
    "poisson-distribution",
    "information-entropy",
    "kullback-leibler-divergence"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}