用一個數字代表一整群人：平均數、中位數、眾數
三把測量「中心」的尺，為什麼常常給你不一樣的答案？
用一個數字代表一整群人
想像你是某高中的班導，校長走進辦公室問：「你們班數學考得怎麼樣？」你總不能把 35 個分數一個一個唸出來。你會說：「平均大概 72 分。」這一句話背後，藏著統計學最古老也最實用的想法——用一個數字，代表一整群資料。
這個「代表值」在統計學裡叫做集中趨勢（central tendency），意思是：資料雖然散落各處，但往往會圍繞某個中心點聚集。我們的任務，就是找出那個中心。最常見的三把尺，是平均數、中位數、眾數。它們看起來都在做同一件事，卻常常給出不一樣的答案——而理解「為什麼不一樣」，正是統計素養的起點。
平均數：把資源攤平分
最直覺的代表值是算術平均數（mean）。把所有數字加起來，再除以個數：
$$\bar{x}=\frac{1}{n}\sum_{i=1}^{n}x_i$$
其中 $\bar{x}$（讀作 x-bar）是平均數，$n$ 是資料筆數，$x_i$ 是第 $i$ 筆資料。
舉個具體例子。某小組六位同學的數學成績是：
$$50,\ 60,\ 70,\ 75,\ 80,\ 100$$
平均數是：
$$\bar{x}=\frac{50+60+70+75+80+100}{6}=\frac{435}{6}=72.5$$
平均數可以想像成「把所有人的分數倒進一個大桶子裡攪勻，再平均分回每個人手上」——每個人都拿到 72.5 分。它用到了每一筆資料的全部資訊，這是它最大的優點，也是它最大的弱點。
平均數的致命弱點：怕極端值
把上面那位考 100 分的同學換成一位轉學生考了 0 分，其他不變：
$$50,\ 60,\ 70,\ 75,\ 80,\ 0$$
新的平均數變成 $\frac{335}{6}\approx55.8$。一個人就把全組平均拉低了將近 17 分。這就是平均數對極端值（outlier）極度敏感的問題。
真實世界裡，這種情況非常常見。最經典的例子是「平均薪資」。如果一個社區裡住了 99 個月薪 3 萬的上班族，和 1 位月薪 3000 萬的企業主，那麼「平均月薪」會高達約 33 萬——但這個數字完全無法代表社區裡任何一個人的真實生活。媒體報導「國民平均薪資」時，常常就掉進這個陷阱。
當資料分布不對稱（偏態，skewed）時，平均數會被「長尾」那一側拉走，不再位於我們直覺認為的「中心」。這時候，我們需要另一把更穩健的尺。
中位數：站在隊伍正中間的人
中位數（median）的定義很簡單：把所有資料由小到大排好，正中間那一個就是中位數。它不看數值大小，只看「排名」。
回到剛剛那組含 0 分的資料，先排序：
$$0,\ 50,\ 60,\ 70,\ 75,\ 80$$
因為共有 6 筆（偶數），中間沒有單一一個，於是取中間兩筆的平均：
$$\text{中位數}=\frac{60+70}{2}=65$$
注意：不管那個 0 分換成 0 還是 100，中位數附近的 60 與 70 都不動，中位數依然穩穩落在 65 附近。這就是中位數抗極端值（robust）的特性。
一般而言，資料筆數為 $n$ 時：
- 若 $n$ 為奇數，中位數是第 $\frac{n+1}{2}$ 筆。
- 若 $n$ 為偶數，中位數是第 $\frac{n}{2}$ 與第 $\frac{n}{2}+1$ 筆的平均。
正因為這個穩健性，政府公布所得、房價時，越來越傾向用「中位數」而非平均數——中位數所得才真正代表「最中間那個家庭」的處境。
眾數：出現最多次的那個
第三把尺是眾數（mode），意思是「出現次數最多的數值」。它特別適合類別型資料——例如全班最喜歡的飲料、最多人選的社團、最暢銷的鞋碼。這些資料根本沒辦法算平均（「最喜歡的飲料平均是奶茶」毫無意義），但「最多人選奶茶」就很清楚。
例如某班鞋碼分布為：
$$23,\ 24,\ 24,\ 25,\ 25,\ 25,\ 26$$
出現最多次的是 25（三次），所以眾數是 25。一筆資料可能有一個眾數、多個眾數（雙峰），也可能沒有明顯眾數。鞋店進貨時，老闆在乎的是眾數，而不是平均腳長。
三者之間的關係：分布告訴你該用誰
對於對稱的分布（例如理想的常態分布，那條漂亮的鐘形曲線），平均數、中位數、眾數三者會幾乎重合在中央。
但對於右偏（正偏）的分布——例如收入、房價、等待時間，少數極大值把右尾拉長，三者會排成：
$$\text{眾數} < \text{中位數} < \text{平均數}$$
平均數被右尾拉得最遠，眾數待在最高峰處，中位數則居中。左偏時順序則相反。記住這個順序，你光看「平均數和中位數差多少」，就能粗略判斷一筆資料偏不偏、偏哪邊。
一個常見的素養陷阱
統計素養的關鍵，不是會算，而是會問「這個數字適合嗎？」。看到「平均」兩個字，先問三件事：
- 這是哪一種平均？ 是算術平均，還是中位數被誤稱為「平均」？
- 有沒有極端值在搞鬼？ 如果分布偏態，平均數可能誤導。
- 資料是什麼型態？ 類別資料只能用眾數，硬算平均毫無意義。
還有一個更深的陷阱：集中趨勢只描述「中心在哪」，完全不告訴你「資料散得多開」。兩個班平均都是 72 分，一班可能全部落在 70–74，另一班可能從 30 分到 100 分都有。代表值相同，故事卻天差地別。所以集中趨勢永遠要和離散程度（標準差、四分位距）一起看，才不會被單一數字騙了。
深入探討（研究所視角）
在數理統計的框架下，這三個代表值有更精準的身份。它們其實是不同損失函數下的最佳估計。中心 $c$ 的「代表性」可由與資料的偏離總量衡量：平均數最小化平方損失 $\sum (x_i-c)^2$，中位數最小化絕對損失 $\sum |x_i-c|$，而眾數最小化 0-1 損失（極限上對應機率密度的最高點）。這解釋了平均數為何對極端值敏感（平方放大了大偏差），而中位數為何穩健。
從估計理論看，平均數作為母體期望值 $\mu=E[X]$ 的估計量 $\bar{X}$，具有優良性質。它是不偏的（unbiased），因 $E[\bar{X}]=\mu$；由大數法則知它是一致的（consistent），$\bar{X}\xrightarrow{P}\mu$；在常態母體下，它還是有效的（efficient）——其變異數達到 Cramér–Rao 下界，且等同最大概似估計（MLE）。最大概似法選取使概似函數 $L(\theta)=\prod f(x_i;\theta)$ 最大的參數；對常態分布微分對數概似，恰好解得 $\hat{\mu}=\bar{x}$，這也是 $n-1$ 自由度（在估計變異數時，因已耗用一個自由度於 $\bar{x}$）概念的源頭。
但「有效」是有前提的。在重尾分布（如柯西分布，其期望值根本不存在）下，樣本平均數毫無用處——再多樣本也不收斂，此時中位數才是合理的位置估計。這正是穩健統計（robust statistics）的研究核心，並衍生出修剪平均數（trimmed mean）、M-估計量等折衷工具，以崩潰點（breakdown point）量化估計量能承受多少比例的污染（平均數崩潰點為 0，中位數高達 50%）。
從貝氏觀點，給定後驗分布 $p(\theta\mid \text{data})$，你選哪個代表值取決於你的損失函數：平方損失下的貝氏估計是後驗平均，絕對損失下是後驗中位數，0-1 損失下則是後驗眾數（即 MAP, maximum a posteriori）。可見「該用哪個中心」在貝氏架構裡是一個明確的決策論問題，而非任意選擇。
在機器學習裡，這組概念無所不在：迴歸最小化均方誤差（MSE）等於在估計條件平均數 $E[Y\mid X]$，而分位數迴歸（quantile regression）與 MAE 損失則估計條件中位數，對離群樣本更穩健；分類問題裡，常數基準模型直接預測眾數類別。理解集中趨勢與損失函數的對應，能讓你在面對偏態資料時，有意識地選擇優化目標，而不是反射性地套用 MSE。最後一個提醒：集中趨勢是邊際性質，辛普森悖論（Simpson's paradox）警告我們，分組後的趨勢可能整體反轉——任何代表值都不該脫離其條件結構被單獨解讀。