为什么你的工资“被平均”了?为什么专家的话总是自相矛盾?
先来看几个新闻标题:
· “2023年城市白领平均月薪突破1.5万元!”——你看了看自己的工资条,默默关掉网页
· “某疫苗有效率95%”——你毫不犹豫去打了,后来发现身边打了的人还是得了
· “研究表明,每天喝一杯红酒的人更长寿”——你开始每晚小酌,却被医生警告伤肝
这些数字和结论,到底该信哪个?
今天我们就来聊聊统计与概率,教你在这个数据满天飞的时代,做个清醒的“数字侦探”。
01 平均数的陷阱:为什么你总被“平均”?
案例:你和马云的“平均资产”
你和马云在一个房间里。马云有2000亿,你有20万。请问,你们俩的平均资产是多少?
(2000亿 + 20万) ÷ 2 ≈ 1000亿
恭喜你,你和马云的“平均资产”高达1000亿!但这对你有任何意义吗?没有。因为你依然是那个20万的你。
这就是平均数最大的问题:它会被极端值严重扭曲。
工资“被平均”的秘密
统计局说某市平均月薪1.5万。你月薪8000,觉得很委屈。但真相可能是:
· 5%的人月薪10万以上(高管、老板)
· 20%的人月薪2-5万(中层)
· 50%的人月薪5000-1万(普通员工)
· 25%的人月薪3000-5000(基层)
把前5%的极端高薪一平均,整个城市的平均工资就上去了。这就是“被平均”的真相。
更好的指标:中位数
中位数是把所有人按收入排序,排在中间那个人的收入。
还是上面的例子:
· 如果全市100人,按收入从低到高排,第50和第51个人的平均收入,就是中位数
· 这个数通常比平均数低,更能反映“普通人”的真实水平
下次看到平均工资,先问一句:中位数是多少?
另一种陷阱:平均值的“隐身术”
某品牌手机广告说:“我们的手机平均寿命3年。”
听起来不错?但你不知道的是:
· 90%的手机用2年就坏了
· 10%的手机用了12年才坏
平均寿命 = (90%×2 + 10%×12) = 1.8 + 1.2 = 3年
90%的人都没用到3年,但这个平均值被那10%的“长寿机”拉上去了。
记住:平均值不能代表大多数,除非你知道数据的分布。
02 百分比的把戏:基数才是关键
案例1:100% vs 1%
“某牙膏含全新配方,清洁效果提升100%!”——听起来很厉害。
但你知道原来的清洁效果是多少吗?如果原来是1%,提升100%后变成2%,还是几乎没用。如果原来是50%,提升100%后变成100%,那就是质的飞跃。
没有基数的百分比,就是耍流氓。
案例2:50% off vs 加量50%
超市促销:
· A商品:原价100元,现价50元(打5折)
· B商品:原价100元,加量50%不加价
哪个更划算?
算一下:
· A:花50元得原量,单价减半
· B:花100元得1.5倍量,单价=100÷1.5≈66.7元
A的降价幅度更大! 但很多人会被“加量50%”吸引,以为自己赚了。
案例3:相对风险 vs 绝对风险
新闻:“某新药可将心脏病风险降低50%!”
听起来神药?但你要知道:
· 如果原来风险是2%,降低50%后变成1%,绝对降幅只有1%
· 如果原来风险是0.2%,降低50%后变成0.1%,绝对降幅只有0.1%
对个人来说,这个药的意义可能不大。
反过来,如果新闻说“某生活习惯使癌症风险增加100%”,听起来很可怕?但如果原风险是0.1%,增加100%后变成0.2%,其实依然很低。
下次看到百分比,先问:基数是多少?绝对变化是多少?
03 相关关系不等于因果关系
经典案例:冰淇淋销量与溺水人数
统计发现:冰淇淋销量越高,溺水人数越多。
结论:吃冰淇淋会导致溺水?还是溺水的人更想吃冰淇淋?
显然都不是。真相是:夏天来了,天气热,吃冰淇淋的人多,游泳的人也多人,溺水人数自然增加。冰淇淋和溺水是“相关关系”,但不是“因果关系”。
更多迷惑人的“伪相关”
· 喝红酒的人更长寿 → 可能是因为他们收入高、生活规律,不是因为红酒
· 戴头盔的骑行者更容易出车祸 → 可能是因为他们本来就在危险路段骑行
· 睡得少的人更成功 → 可能是因为成功人士压力大睡不着,不是少睡导致成功
如何识别? 问问自己:有没有第三个因素(混杂变量)同时影响了这两个东西?
相关关系的方向
相关关系有三种可能:
1. A导致B(比如:下雨导致地湿)
2. B导致A(比如:地湿可能增加降雨概率?不太合理)
3. C导致A和B(比如:夏天导致冰淇淋销量和溺水人数)
很多时候,第三种情况才是真相。
记住:相关不等于因果,这是统计学第一课。
04 概率的直觉陷阱:为什么你总觉得自己会中奖?
案例1:彩票的数学期望
双色球,2元一注,头奖500万。中奖概率约1/1772万。
数学期望 = 500万 × 1/1772万 ≈ 0.28元
也就是说,你花2元,期望收益只有0.28元。每买一注,平均亏1.72元。
买彩票本质上是在“花钱买一个做梦的机会”。
案例2:生日悖论
一个班50个人,至少有两个人生日相同的概率是多少?
直觉:365天,50个人,应该不大吧?
实际计算(用“没有人生日相同”的概率):
· 第1个人任意
· 第2个人与第1个不同:364/365
· 第3个人与前两个不同:363/365
· ……
· 第50个人与前49个不同:316/365
把这些乘起来,约0.03。所以“有人生日相同”的概率是1-0.03=97%!
50个人的班级,几乎肯定有人同一天生日。 这就是概率反直觉的地方。
案例3:检测的“假阳性”
某种罕见病,发病率0.1%。有一种检测方法,准确率99%(即:有病的人99%检出阳性,没病的人99%检出阴性)。
如果你检测结果阳性,你真的有病的概率是多少?
很多人会答:99%。
大错特错!
用数学算一下(假设10万人):
· 病人:100人(0.1%)
· 健康人:99900人
检测结果:
· 病人中检出阳性:100×99%=99人
· 健康人中误报阳性:99900×1%=999人
总阳性人数:99+999=1098人
其中真正有病的:99人
所以阳性者真有病的概率 = 99/1098 ≈ 9%
也就是说,即使检测准确率99%,阳性者真正有病的概率还不到10%!这就是“假阳性”的可怕之处。
所以医生不会单凭一次检测下结论,需要复查、结合其他症状。
05 数据可视化:看图说话也要小心
案例1:截断的Y轴
两张图,数据完全一样:
· 图A:Y轴从0到100,看起来增长平缓
· 图B:Y轴从80到100,看起来增长陡峭,像火箭
有些媒体为了制造“惊人效果”,故意截断Y轴。下次看折线图,先看看Y轴起点是不是0。
案例2:3D效果的误导
3D饼图看起来很炫,但斜着的角度会让近处的扇区看起来更大,远处的更小。这扭曲了真实比例。
好图表的基本原则:简单、真实、不误导。
互动实践:做个数字侦探
场景: 你看到一则广告:“使用我们的护肤品,90%的用户皱纹明显减少!”
问题:
1. 这个90%是相对90%还是绝对90%?基数是多少人?
2. 用户是怎么选的?是不是只选了效果好的来统计?
3. 有没有对照组?不用产品的人皱纹变化如何?
4. “明显减少”怎么定义?谁来判断?
5. 有没有其他因素导致皱纹减少(比如同时用了别的产品、改善了作息)?
试着回答这些问题,你就会发现:这个广告可能说了真话,但隐藏了关键信息。
总结:数据时代的生存法则
1. 看平均数,更要看中位数——别被“被平均”
2. 看百分比,先看基数——别被比例忽悠
3. 相关不等于因果——找找第三个因素
4. 概率要算,不要猜——直觉常常骗你
5. 看图先看轴——别被视觉误导
数学不会让你成为统计学家,但能让你在这个数据泛滥的时代,不被数字牵着鼻子走。
往期回顾:
时间都去哪了?数学教你“偷”时间
你的钱就是这样悄悄溜走的:生活中的数学陷阱

