Среднее против медианы: когда среднее врёт

Представьте комнату, где сидят девять человек с зарплатой 50 тысяч и один — с зарплатой 5 миллионов. Средняя зарплата в комнате — 545 тысяч. Правда ли она описывает этих людей? Ни капли: девять из десяти получают 50 тысяч. Это и есть главная ловушка среднего — и причина, по которой стоит знать про медиану.

В чём разница и почему она возникает

Обе величины отвечают на вопрос «что здесь типичное», но считают по-разному.

Среднее арифметическое — сложить все значения и разделить на количество. В нашей комнате: (9 × 50 + 5000) / 10 = 545 тысяч. Медиана — выстроить значения по порядку и взять то, что ровно посередине. Здесь девять раз по 50 и один раз 5000; посередине — 50 тысяч.

Медиана сказала правду, среднее — соврало. Причина в том, что именно учитывает каждая величина. Среднее учитывает величину каждого значения: один экстремум весом в 5 миллионов перетягивает результат на себя, как гиря на весах. Медиана учитывает только порядок: миллионер — просто «последний в очереди», и стоит он там или получает миллиард, середина ряда не сдвинется.

Отсюда общее правило: чем сильнее в данных «длинный хвост» из редких больших значений, тем сильнее среднее отрывается от реальности большинства.

Где это встречается каждый день

Перекошенные данные — не экзотика, а норма для всего, что связано с деньгами, временем и людьми.

Последняя строка — важная оговорка, о которой часто забывают в пылу борьбы со средним. Когда вам нужна сумма (сколько всего потратим, какую нагрузку выдержать), среднее — правильный выбор: оно напрямую связано с общим объёмом, а медиана нет. Ошибка не в самой величине, а в том, чтобы выдавать среднее за «типичное» там, где данные перекошены.

Тест на пять секунд

Практический приём, который работает без всяких расчётов: сравните среднее и медиану, если даны обе.

• Значения близки → распределение примерно симметричное, среднему можно верить.
• Среднее заметно выше медианы → в данных длинный хвост больших значений.
• Среднее заметно ниже медианы → хвост в другую сторону (реже, но бывает).

Если публикуют только среднее и речь идёт о доходах, ценах или результатах — это повод насторожиться. Само по себе это не подделка: цифра формально верна. Но выбор той величины, которая выглядит выгоднее, — законный способ создать нужное впечатление, не соврав ни в одном числе.

Тот же приём часто усиливают манипуляциями с графиком: обрезанная ось плюс «удобное» среднее дают эффект, которого нет в данных. Проверять стоит оба слоя — и величину, и подачу.

Почему это важно для анализа данных и ИИ

Это не абстрактная придирка статистиков — та же ловушка встроена в работу моделей.

Модель машинного обучения обычно оптимизирует среднюю ошибку по всем примерам. А значит, ведёт себя ровно как среднее из нашего примера: несколько редких, но важных случаев она «не замечает», потому что их вклад в среднее мал. Модель может отлично работать на типичных запросах и позорно проваливаться на редких — при формально прекрасной метрике.

Отсюда практика, принятая в анализе: смотреть не на одно число, а на распределение. Для времени ответа сервиса публикуют не среднее, а медиану и «хвостовые» перцентили — потому что пользователю, попавшему в этот хвост, не легче от хорошей средней.

Та же логика связывает эту тему с остальными: ошибка выжившего — про то, каких данных вообще нет в выборке, размер выборки — про то, сколько их нужно, а bias — про то, как перекос данных переходит в модель. Все четыре — разные грани одного вопроса: насколько честно ваши данные описывают реальность.

Понятия отдельно разобраны в словаре: среднее, медиана, распределение, дисперсия.