Een gemiddelde vat het centrum van een dataset samen, maar kan spreiding, uitersten, subgroepen, uitschieters en het aantal waarnemingen achter het resultaat verbergen.
Verschillende datasets kunnen hetzelfde gemiddelde hebben
Een gemiddelde drukt veel waarnemingen samen in één waarde. Twee groepen kunnen hetzelfde gemiddelde hebben, terwijl de ene groep dicht bij elkaar ligt en de andere sterk uiteenlopende resultaten bevat. Consumenten kunnen daarom niet concluderen dat elk monster dicht bij het gerapporteerde gemiddelde lag.
Het gemiddelde kan het minimum en maximum, ongelijke variatie, afzonderlijke extreme waarnemingen of twee verschillende clusters verbergen. Het kan ook verhullen of een resultaat afkomstig is van veel monsters of slechts enkele. Deze verschillen kunnen van belang zijn wanneer consistentie, pasvorm, toleranties of de kans op ontvangst van een ongebruikelijke eenheid relevant zijn voor een aankoopbeslissing.
Ook de meetcontext is belangrijk
De gerapporteerde variatie kan zowel verschillen tussen monsters als onzekerheid in het meetproces weerspiegelen. NIST Technical Note 1297 behandelt de evaluatie en uitdrukking van meetonzekerheid. Dat algemene principe betekent dat een resultaat samen met de methode, eenheden, resolutie, omstandigheden en eventuele vermelde onzekerheid moet worden gelezen, in plaats van als volkomen exact te worden beschouwd.
Een ongebruikelijke waarde mag niet automatisch worden verwijderd. Het kan gaan om een registratiefout, een meetprobleem of een echte waarneming. De juiste reactie is om de waarde te behouden, te onderzoeken en elke correctie- of uitsluitingsregel te documenteren.
Een informatievere presentatie
Een nuttige samenvatting vermeldt het aantal monsters, de afzonderlijke waarden of een geschikte weergave van de verdeling, het gemiddelde, het bereik en duidelijk geïdentificeerde ongebruikelijke resultaten. Waar passend kan een spreidingsmaat extra context bieden, maar de definitie en berekening ervan moeten worden vermeld.
Als alleen een gemiddelde beschikbaar is, moet de conclusie beperkt blijven: het beschrijft het rekenkundige centrum van de gerapporteerde gegevens, niet de uniformiteit van elk monster. Zonder de volledige batchmetingen, statistische definities en registraties van anomaliebeoordelingen kan geen productspecifieke SEWARD-verdeling worden afgeleid.