平均数不够用：为什么还要看中位数和标准差

先做个小测验

假设有一间很小的公司，一共 10 个人。 其中 9 个普通员工，每月工资 5000 元；还有 1 个老板，每月给自己开 50 万。

现在有人问你：

“这家公司平均工资多少？”

我们算一下：

(5000 × 9 + 500000) ÷ 10 = 54500

于是这家公司可以骄傲地宣布：

我们员工平均月薪 5 万 4。

但你品一品——这家公司真的有人挣 5 万 4 吗？

没有。

9 个人挣 5000，1 个人挣 50 万。没有任何一个人的工资，接近这个“平均数”。

这就是今天我们要聊的第一件事：

平均数很有用，但它不是永远可靠。

平均数：最熟悉，也最容易被误用

平均数，也叫 Mean。我们从小学就会算：

把所有数加起来，再除以个数。

它太常见了，常见到我们几乎忘了问一句：

它到底在描述什么？

你可以把平均数想象成一组数据的“重心”。 如果每个数据都是跷跷板上的一个小球，平均数就是让跷跷板保持平衡的那个支点。

大多数时候，平均数很好用。

比如一个班的考试成绩，大家都在 60 到 95 分之间，没有特别离谱的分数。 这时候说“平均分 78”，通常可以大致代表整体水平。

但问题出在哪儿？

出在那个老板的 50 万上。

平均数有一个明显弱点：

它对极端值特别敏感。

只要有一个数据特别大，或者特别小，它就能把整个平均数拉过去， 拉到一个和大多数人都不太接近的位置。

这就是为什么工资、房价、财富、城市收入这类数据里， “平均值”经常会让普通人感觉不真实。

不是因为平均数算错了，而是因为：

平均数描述的是数学重心，不一定描述大多数人的真实处境。

中位数：那个更老实的家伙

那遇到这种情况怎么办？

统计学里还有另一个非常重要的中心指标：

中位数 Median。

中位数的算法特别朴素：

把所有数从小到大排好队，站在最中间的那个数，就是中位数。

我们回到那家公司。

10 个人的工资从小到大排，是这样：

10 个数，最中间是第 5 和第 6 个。它们都是 5000，所以中位数还是 5000。

中位数 = 5000 元。

你看，这个数字是不是诚实多了？

它告诉你：这家公司里，一个普通员工，大概就是这个水平。

中位数最大的优点是：

它不容易被极端值带偏。

那个老板就算给自己开 500 万、5000 万，只要其他 9 个人还是 5000， 中位数依然基本不动。

因为中位数只关心“排在中间的是谁”，不关心最两端的数字到底有多夸张。

什么时候应该看中位数？

这里给一个很实用的判断方法。

如果一组数据比较均匀，没有特别离谱的极端值，平均数通常很好用。

比如：

• 一次普通考试的班级成绩
• 一群年龄相近学生的身高
• 一周每天的正常气温

这些数据大多不会出现一个值比其他值大几十倍、几百倍。 这时候平均数通常能代表整体情况。

但如果数据里很可能存在极端值，或者分布非常不均匀， 你就应该主动看中位数。

比如：

• 工资收入
• 房价
• 财富分布
• 城市人口规模
• 视频播放量
• 社交媒体粉丝数

这些数据经常会出现少数特别大的值。 一个顶级主播、一个超级富豪、一套天价豪宅，都可能把平均数拉得很远。

所以下次再看到“某地平均工资 1 万 5”这种说法，你可以多问一句：

那中位数是多少？

这句话往往比直接相信平均数更接近真实生活。

等等，光知道“中间在哪”还不够

到这里，我们已经能找到一组数据的中心了。

这个中心可以是平均数，也可以是中位数。

但我要告诉你一件事：

只知道中心，远远不够。

看下面两个班的数学成绩。

你算一下平均分：

• A 班平均分 = 80
• B 班平均分 = 80

两个班平均分一模一样，都是 80。

那这两个班的情况一样吗？

完全不一样。

A 班所有人都在 80 分上下，整整齐齐，说明全班水平很稳定。

B 班呢？

有人考 50，有人考 100，差距非常大，说明班里两极分化明显。

如果你只看平均分，你会以为这两个班一样。 但实际上，它们的内部结构完全不同。

那我们要怎么描述这种“散开的程度”？

这就要请出今天最后两个主角：

方差 Variance 和 标准差 Standard Deviation。

方差和标准差：描述波动的尺子

方差和标准差听起来有点吓人，但本质很简单。

它们衡量的是：这组数据到底散得有多开。

如果所有数据都挤在平均值附近，波动就小，标准差也小。

如果数据散得到处都是，波动就大，标准差也大。

所以你可以先把标准差理解成一把尺子：

标准差，是测量“数据通常离平均值有多远”的尺子。

A 班成绩都在 80 分附近，所以标准差小。

B 班成绩从 50 到 100 都有，所以标准差大。

这里不用急着背公式。先记住它的直觉意义就够了：

• 标准差越小，数据越整齐、越稳定、越可预测。
• 标准差越大，数据越分散、越波动、越不稳定。

那方差和标准差有什么区别？

方差和标准差都在描述波动。

区别在于，方差用的是“平方后的距离”，所以它的单位不太直观。

比如成绩的单位是“分”，但方差的单位会变成“平方分”。 工资的单位是“元”，但方差的单位会变成“平方元”。

这听起来就很奇怪，也不太适合日常解释。

标准差则会把单位拉回到原始数据的单位。

• 成绩的标准差，单位还是“分”。
• 工资的标准差，单位还是“元”。
• 气温的标准差，单位还是“℃”。

所以在日常理解里，标准差通常比方差更容易解释。

你可以这么记：

方差是计算波动的中间语言，标准差是更适合人类理解的版本。

为什么标准差这么重要？

这是我最想强调的一点。

我们的大脑天生喜欢一个数字。

平均分、平均工资、平均寿命、平均收益——简单、好记、好比较。

所以平均数特别受欢迎。

但只看平均数，你会错过一大块信息。

那块信息，就是波动。

标准差告诉你的，不是“中心在哪里”，而是：

这组数据到底稳不稳定。

举几个生活里的例子。

选地方生活

两个城市年平均气温都是 20℃。

听起来一样舒服，对吧？

但 A 城常年在 18℃ 到 22℃ 之间，天气很稳定。

B 城夏天 40℃，冬天 -5℃，一年里冷热变化巨大。

平均气温一样，但住起来完全不是一回事。

这里真正影响体验的，就是波动。

等公交车

两条公交线路，官方都说平均 10 分钟一班。

A 线真的差不多每 10 分钟来一辆。

B 线有时候 2 分钟来三辆，有时候等 25 分钟都不来。

平均值一样，但等待体验完全不同。

A 线标准差小，所以稳定。

B 线标准差大，所以让人抓狂。

投资收益

两个基金过去五年平均收益都是 8%。

A 基金每年大概都在 7% 到 9%。

B 基金今年 +40%，明年 -25%，后年又突然暴涨。

平均收益一样，但风险完全不同。

这就是为什么专业投资人不会只看平均收益，也会看波动。

把今天的内容串起来

我们今天聊了四个词：

如果让我用一句话总结今天的全部内容，那就是：

一组数据的真相，至少需要两个数字才能描述： 一个告诉你“中心在哪”，一个告诉你“散得多开”。

平均数和中位数，帮你理解中心。

标准差，帮你理解波动。

只看其中一个，你看到的通常只是半个故事。

最后再啰嗦一句

回到开头那家公司。

如果有人只告诉你“平均工资 5 万 4”，你现在应该会本能地多问一句：

中位数是多少？标准差大不大？

这种“多问一句”的本能，就是数据素养的开始。

在这个被数据包围的时代，谁都能甩给你一个漂亮的平均数。

但能不能看穿它背后藏着什么、漏掉了什么—— 这才是把数据真正变成判断力的关键。

下次再有人用一个“平均数”想说服你什么，记得在心里提醒自己：

平均数只是故事的开头，不是结尾。