数据也有“长相”：聊聊分布、偏态和钟形曲线

先回顾一下我们聊到哪了

如果你看过前两篇——

第一篇，我们学会了分辨数据类型：连续型和离散型。

连续型数据可以不断细分，比如身高、体重、温度。 离散型数据只能一个一个数，比如人数、次数、件数。

第二篇，我们学会了描述一组数据的中心和波动。

中心可以用平均数，也可以用中位数。 波动可以用方差和标准差来理解。

今天我们往前再走一步，问一个更有意思的问题：

当你把一大堆数据画出来，它们会呈现出什么“形状”？

这个“形状”，就叫：

数据分布 Data Distribution。

听起来有点抽象，但其实你每天都在和它打交道。 只是很多时候，我们没有把它画出来而已。

数据其实是有“长相”的

想象一下，你测量了全校 1000 个同学的身高。

然后你做一件很简单的事：

把身高每隔 5 厘米分一组，数一数每组有多少人，再画成柱状图。

比如：

• 150–155 cm 有多少人？
• 155–160 cm 有多少人？
• 160–165 cm 有多少人？
• 一直数到 190 cm 以上。

画出来之后，你大概率会看到一个很有意思的形状：

中间高，两边低。

特别矮的人不多。 特别高的人也不多。 大部分人都集中在中间那个“不高不矮”的区间里。

如果你把这些柱子的顶端用一条平滑曲线连起来，就会看到一条很像钟的曲线。

这条曲线，就是统计学里非常重要的：

正态分布 Normal Distribution。

也叫：

高斯分布 Gaussian Distribution。

它可能是整个统计学里最有名的一条曲线。

为什么正态分布这么常见？

正态分布重要，是因为很多连续型数据都容易长成这个样子。

比如：

• 同龄人的身高
• 同龄人的体重
• 一片麦田里每株麦子的高度
• 一个人每天的睡眠时长
• 很多大样本考试的分数

这些数据画出来，常常会接近那种“中间多、两头少”的钟形。

这不是巧合。

背后有一个很重要的统计学规律，叫：

中心极限定理 Central Limit Theorem。

名字听起来很吓人，但你先不用记公式。

你只需要记住一个直觉：

当一个结果是由很多个微小、独立、随机的因素一起影响时，它最后往往会接近钟形分布。

拿身高举例。

一个人的身高会受到很多因素影响：

父母基因、小时候的营养、睡眠、运动、激素、成长环境……

每个因素都推一点点。 有的往高处推，有的往低处推。 成百上千个小因素叠加起来，最后就容易形成中间多、两边少的形状。

这就是正态分布为什么经常出现。

它不是“神秘玄学”，而是很多微小随机因素叠加后的自然结果。

正态分布让平均数和标准差变得特别有用

还记得第二篇里讲过的平均数和标准差吗？

平均数告诉你：

数据的中心在哪里。

标准差告诉你：

数据通常离中心有多远。

在正态分布里，这两个数字特别强大。

因为正态分布有一个非常经典的规律：

68 – 95 – 99.7 法则。

意思是：

• 大约 68% 的数据，落在“平均数 ± 1 个标准差”之间。
• 大约 95% 的数据，落在“平均数 ± 2 个标准差”之间。
• 大约 99.7% 的数据，落在“平均数 ± 3 个标准差”之间。

这是什么意思？

举个例子。

假设某校男生平均身高是 172 cm，标准差是 6 cm。

那么，如果身高大致符合正态分布：

• 大约 68% 的男生，在 166–178 cm 之间。
• 大约 95% 的男生，在 160–184 cm 之间。
• 绝大多数男生，都会落在 154–190 cm 之间。

如果有一个同学身高 190 cm，那他就已经非常高了。 如果超过 190 cm，就更罕见。

你看，只用了两个数字：

• 平均数 172 cm
• 标准差 6 cm

我们就能大致理解一整群人的身高分布。

这就是正态分布厉害的地方。

当数据接近钟形时，“平均数 + 标准差”就是非常有信息量的一组描述。

但是，不是所有数据都是钟形的

如果世界上的数据都长成钟形，那统计学就简单多了。

可惜，现实没这么乖。

有很多数据根本不是正态分布。

还记得第二篇那个“平均工资 5 万 4”的例子吗？

工资收入就是典型的非正态数据。

如果你把一个城市所有人的收入画出来，它通常不会是一条左右对称的钟形曲线。

它更可能是这样：

左边一大堆人，集中在中低收入区间。 右边拖着一条长长的尾巴，代表少数高收入和极高收入的人。

这种分布叫：

右偏分布 Right-skewed Distribution。

也可以叫：

长尾分布 Long-tail Distribution。

它的特点是：

大多数数据挤在一边，少数极端值把尾巴拖得很长。

生活里很多数据都是这种形状，比如：

• 收入
• 财富
• 房价
• 视频播放量
• 文章阅读量
• 社交媒体粉丝数
• 城市人口规模

这些数据经常会出现少数特别大的值。

一个超级富豪。 一套天价豪宅。 一个爆款视频。 一个超级大城市。

它们都会把平均数往右边拉。

所以在这种情况下，平均数就容易显得“不接地气”。

不是平均数算错了，而是数据的形状不适合只看平均数。

这时候，更应该看什么？

答案是：

中位数。

中位数不太怕极端值。 它更关心“排在中间的人是谁”，而不是最右边那个极端值有多夸张。

所以：

• 如果数据接近钟形，看平均数和标准差通常很合适。
• 如果数据明显偏向一边、拖着长尾巴，就要多看中位数。

看到分布以后，怎么选指标？

现在我们把前面几篇内容串起来。

拿到一组数据，不要一上来就急着算平均数。

你可以先问三个问题。

第一个问题：

它是连续型数据，还是离散型数据？

第二个问题：

它画出来是对称的，还是偏向一边？

第三个问题：

有没有极端值？

如果一组连续型数据画出来接近对称钟形，比如身高、很多自然测量数据，那么：

平均数 + 标准差 往往是很好的描述方式。

如果一组数据明显偏向一边，比如收入、房价、播放量、粉丝数，那么：

中位数 往往比平均数更接近普通人的真实体验。

如果你只看平均数，很可能会被少数极端值带偏。

所以，数据分布的意义不是让你背一个新名词。

它真正的意义是：

帮你判断应该用什么方式理解数据。

这就是为什么统计学里总是强调：

先画图，再分析。

离散型数据也有“分布”

前面讲的身高、体重、收入，大多是连续型数据。

那离散型数据呢？

当然也有分布。

离散型数据不能无限细分，它们通常是在数：

• 发生了几次？
• 成功了几个？
• 出现了多少个？

这里简单认识两个常见名字就够了。

二项分布：成功了几次？

想象你抛硬币 10 次。

你关心的问题是：

出现了几次正面？

可能是 0 次。 也可能是 1 次、2 次、3 次。 最常见的情况，大概会在 5 次左右。

如果你重复这个实验很多很多次，把“10 次里出现几次正面”画成图，就会得到一个分布。

这个分布叫：

二项分布 Binomial Distribution。

它适合描述这类问题：

做 N 次，每次只有两种结果，然后数成功了几次。

比如：

• 抛 10 次硬币，几次正面？
• 投篮 20 次，进了几个？
• 发 100 条短信，几个人回复？
• 做 50 道判断题，答对几道？

二项分布的关键词是：

成功 / 失败。

它不一定非要是真的“成功”，只要每次结果可以分成两类，就可以这样理解。

泊松分布：发生了几次？

还有一种常见的离散型问题，是数：

某件事在一段时间里发生了几次？

比如：

• 奶茶店每小时来几个顾客？
• 一个路口一天发生几次轻微剐蹭？
• 一本书每页有几个错别字？
• 一个客服中心每分钟接到几个电话？

这种情况常常会用到：

泊松分布 Poisson Distribution。

它的关键词是：

单位时间内发生几次。

这里先不用展开公式。

你只要知道，离散型数据也不是乱来的。 它们也有自己的分布规律。

有些是在数“成功几次”。 有些是在数“发生几次”。

以后如果单独讲概率模型，我们再展开二项分布和泊松分布。

现在先记住一点就够了：

连续型数据有连续型的分布，离散型数据也有离散型的分布。

把今天的内容串起来

我们今天认识了一个非常重要的概念：

数据分布。

也就是：

数据画出来之后的形状。

形状不同，理解方式就不同。

如果让我用一句话总结今天的内容，那就是：

拿到一份数据，先别急着算。先把它画出来，看看它长什么样。

因为数据的形状，会告诉你很多事情。

它会告诉你：

• 应该看平均数，还是中位数。
• 应该关注标准差，还是先小心极端值。
• 应该用连续型数据的思路，还是离散型数据的思路。

最后再啰嗦一句

很多人学统计，一上来就背公式、套计算。

但真正有经验的人，拿到数据后通常会先做一件很朴素的事：

画个图看看。

看它是不是一口钟。 看它是不是拖着长尾巴。 看它是不是一格一格的计数。 看它有没有奇怪的异常点。

因为分布的形状里，藏着数据最诚实的样子。

看懂了形状，你就看懂了这份数据的“性格”。

剩下的分析，只是在顺着它的性格，选择合适的工具而已。

所以下次拿到一堆数字，别急着求平均。

先问一句：

它长什么样？