上次聊到「数据的集中趋势」，但你停下来想想——「集中」这个词到底在捕捉什么？一组数据是真的「想」往某个值附近聚集，还是我们看图时脑补出的视觉规律？这一页给你一个更底层的回答。

三种分布形态下，三种代表值在数轴上的相对位置。

上页我们看到三种代表值的位置关系。今天聚焦最常用的平均数——它的本质就是一次'公平分配'：把所有数据凑成总量，再平均分给每一个数据。

算术平均数的定义就一句话——数据加总再平摊，对应三步：求和、计数、相除。

上一页算的是普通平均数，每个数据一视同仁地加起来除以个数。但现实中数据往往"分量"不同——比如算 GPA，4 学分的课比 2 学分的课"更重要"，简单平均就显得不公平。

上次我们算出加权平均数，但「权」本身还没说透。为什么期末考权重是 70%，平时成绩是 30%？「权」到底在表达什么？今天我们深入挖一挖「权」的本质。

加权平均数分四步：列数据、配权重、逐项乘权、累加除总权。

普通平均数默认每个数据同样重要；加权平均数承认数据有"分量"差异。混淆点：加权重到底改变了结果什么？

前面学的平均数有个软肋：一旦数据里混进极端值，平均数就会被「拉偏」。这时需要一个更稳健的代表——按位置站的中位数。

求中位数只要依次完成排序、定位中点，再按数据个数取值或求平均。

前两页我们从'总和'与'位置'两个角度理解集中趋势。这一页换个视角——看'人气':在一组数据里,出现次数最多的那个值,就是众数。

求众数看似简单，但要严谨求解需要按四步走：整理、计数、比较、确定。

同为位置代表值，面对极端值、多峰数据时，谁能扛住？

前面所有均值讨论都基于原始数据。但现实中常只拿到分组表——比如'60-70分有5人'，看不到具体分数。怎么用这种压缩过的数据算代表值？这就需要给每个区间找一个'代理数字'。

组中值不是凭空定义的，它建立在「均匀分布」这一关键假设之上。

上一页我们学会了求组中值——把每组两端取中点。但算出这个数能干嘛？这页告诉你：组中值是估算分组数据平均数的钥匙。

平均数和中位数都叫'代表值'，但同一组数据常给出不同答案——该信谁？

5 名同学身高（cm）分别为 158、160、162、165、190。想描述这组数据的「一般身高」，最合适的代表值是？

• ✓选哪种代表值，取决于数据形态与分析目的
• ✓权重反映重要性差异，不是机械的加权操作
• ✓组中值是分组数据的近似代表，精度有上限
• ✓对称分布时三者重合，偏移越大差异越明显

先自己列思路，再对照参考答案。这里没有标准答案，关键是想明白为什么。