TA的首页描述性统计是什么？一文读懂均值、中位数、标准差的计算与用法
描述性统计是什么？一文读懂均值、中位数、标准差的计算与用法
当你拿到一批质量检测数据，比如50个零件的直径测量值，第一反应往往是“算个平均值”。但平均值真的能代表这批产品的整体状况吗？如果数据里藏着几个极端值，平均值可能瞬间失真。这正是描述性统计要解决的核心问题——用一组简洁的指标，把数据的集中趋势、离散程度和分布形态讲清楚。
本文基于 ISO 3534-1:2006《统计学 词汇及符号》及 Montgomery《Introduction to Statistical Quality Control》（Wiley出版社）中的通用统计量定义，为你拆解描述性统计的每个关键指标，并附上一个完整的演示算例。文中所有数值均为“示例数据（仅供演示）”，不构成任何真实测量结论。
描述性统计是什么？
描述性统计（Descriptive Statistics）是对一组观测值进行概括和提炼的统计方法集合。它不推断总体、不做假设检验，只回答一个问题：“这批数据长什么样？”
在质量管理场景中，描述性统计是SPC（统计过程控制）的起点。无论是计算过程能力指数（Cpk），还是绘制控制图，第一步都是先算出样本的均值与标准差。ISO 3534-1:2006将描述性统计量分为三类：
怎么做：核心统计量的定义与公式
以下所有公式均依据 ISO 3534-1:2006 及 Montgomery 教材中的标准定义。设样本量为 n，观测值为 x_1, x_2, …, x_n。
1. 均值（Mean）
样本均值 x̄ 是所有观测值的算术平均：
x̄ = (1)/(n)Σ(i=1..n) x_i
注意：均值对极端值敏感。若数据中存在一个异常大或异常小的值，均值会被明显拉偏。
2. 中位数（Median）
将数据按升序排列后，位于中间位置的数值即为中位数。若 n 为奇数，中位数是第 (n+1)/(2) 个值；若 n 为偶数，中位数是中间两个值的平均。
中位数不受极端值影响，是“稳健”的位置代表。当均值与中位数差异较大时，往往提示数据存在偏态或离群点。
3. 众数（Mode）
出现频率最高的数值。一组数据可能有多个众数，也可能没有众数（当所有值均不同时）。在质量管理中，众数常用于识别最常见的缺陷类型或测量值区间。
4. 极差（Range）
最大值与最小值之差：
R = x_(max) - x_(min)
极差计算简单，但只利用了两个端点，对离群值极其敏感，通常仅用于小样本（如 n le 10 ）的快速判断。
5. 样本方差（Variance）与样本标准差（Standard Deviation）
这是描述性统计中最重要的离散度指标。注意：分母是 n-1，而非 n ，这是为了对样本估计总体方差时提供无偏修正。
样本方差：
s^2 = (1)/(n-1)Σ(i=1..n)(x_i - x̄)^2
样本标准差：
s = √(s^2)
标准差与原始数据同量纲，直接反映数据围绕均值的平均波动幅度。在质量工程中， s 是计算过程能力、控制图控制限的基础。
6. 偏度（Skewness）
衡量数据分布不对称性的指标。ISO 3534-1:2006 定义的样本偏度（基于三阶矩）为：
g_1 = (n)/((n-1)(n-2)) Σ(i=1..n) ( (x_i - x̄)/(s) )^3
7. 峰度（Kurtosis）
衡量分布尾部厚度或峰部尖锐度的指标。样本峰度（超额峰度）为：
g_2 = (n(n+1))/((n-1)(n-2)(n-3)) Σ(i=1..n) ( (x_i - x̄)/(s) )^4 - (3(n-1)^2)/((n-2)(n-3))
一个演示算例（示例数据，仅供演示）
假设某车间测量了10个螺栓的直径（单位：mm），数据如下：
示例数据（仅供演示）：
10.02, 10.01, 10.03, 9.99, 10.00, 10.02, 10.01, 10.04, 9.98, 10.02
步骤1：计算均值
x̄ = (10.02+10.01+10.03+9.99+10.00+10.02+10.01+10.04+9.98+10.02)/(10) = (100.12)/(10) = 10.012
步骤2：计算中位数
排序：9.98, 9.99, 10.00, 10.01, 10.01, 10.02, 10.02, 10.02, 10.03, 10.04
n=10 （偶数），中位数为第5和第6个值的平均：
中位数 = (10.01 + 10.02)/(2) = 10.015
步骤3：计算众数
10.02出现3次，频率最高，故众数 = 10.02 mm。
步骤4：计算极差
R = 10.04 - 9.98 = 0.06 mm
步骤5：计算样本方差与标准差
先计算每个值与均值的偏差平方和：
平方和 = 0.000064 + 0.000004 + 0.000324 + 0.000484 + 0.000144 + 0.000064 + 0.000004 + 0.000784 + 0.001024 + 0.000064 = 0.00296
样本方差（分母 n-1 = 9 ）：
s^2 = (0.00296)/(9) ≈ 0.000329
样本标准差：
s = √(0.000329) ≈ 0.0181 mm
步骤6：偏度与峰度（手算繁琐，此处给出基于上述公式的计算结果）
偏度 g_1 ≈ -0.41 （轻微左偏，说明左侧尾部略长）
峰度 g_2 ≈ -0.87 （平峰，分布比正态更平坦）
解读（仅针对本示例数据）：均值10.012与中位数10.015非常接近，表明数据基本对称；标准差0.0181 mm说明波动很小；极差0.06 mm在10个样本中属于正常范围。整体来看，该过程直径分布稳定，无明显离群点。
常见误区（务必避开）
1. 只用均值，不看标准差
两组数据可以有完全相同的均值，但一组是10.00±0.01，另一组是10.00±0.50，质量含义天差地别。描述性统计必须“位置+离散”成对报告。
2. 混淆样本标准差与总体标准差
分母是 n-1 还是 n，结果在小样本时差异明显。ISO 3534-1:2006 明确规定，用于估计总体参数的样本标准差采用 n-1 分母。
3. 忽视偏度与峰度
许多质量工具只看均值与标准差，但若数据严重偏态，基于正态假设的 Cpk 计算将失真。偏度与峰度是判断数据是否近似正态的第一道关卡。
4. 把示例数据当真实结论
任何演示算例中的数值仅用于展示计算过程，绝不能作为生产决策依据。真实结论必须来自你的实际测量数据。
在线工具推荐
手工计算上述统计量容易出错，尤其当样本量达到数百甚至数千时。推荐使用专业的在线描述性统计工具，自动输出均值、中位数、众数、极差、方差、标准差、偏度、峰度等全部指标，并附带直方图与正态性检验。
工具链接（注册登录后即可使用）：
? https://www.6sq.net/tools/desc_stats/
只需粘贴你的数据列，即可一键获得完整描述性统计报告，省时省力，减少笔误风险。无论是日常质量巡检还是六西格玛项目初期数据探索，这个工具都能帮你快速摸清数据底细。
当你拿到一批质量检测数据，比如50个零件的直径测量值，第一反应往往是“算个平均值”。但平均值真的能代表这批产品的整体状况吗？如果数据里藏着几个极端值，平均值可能瞬间失真。这正是描述性统计要解决的核心问题——用一组简洁的指标，把数据的集中趋势、离散程度和分布形态讲清楚。
本文基于 ISO 3534-1:2006《统计学 词汇及符号》及 Montgomery《Introduction to Statistical Quality Control》（Wiley出版社）中的通用统计量定义，为你拆解描述性统计的每个关键指标，并附上一个完整的演示算例。文中所有数值均为“示例数据（仅供演示）”，不构成任何真实测量结论。
描述性统计是什么？
描述性统计（Descriptive Statistics）是对一组观测值进行概括和提炼的统计方法集合。它不推断总体、不做假设检验，只回答一个问题：“这批数据长什么样？”
在质量管理场景中，描述性统计是SPC（统计过程控制）的起点。无论是计算过程能力指数（Cpk），还是绘制控制图，第一步都是先算出样本的均值与标准差。ISO 3534-1:2006将描述性统计量分为三类：
- 位置统计量：均值、中位数、众数——回答“数据集中在哪个值附近”
- 离散程度统计量：极差、方差、标准差——回答“数据分散到什么程度”
- 分布形态统计量：偏度、峰度——回答“数据是否对称、是否尖峰”
怎么做：核心统计量的定义与公式
以下所有公式均依据 ISO 3534-1:2006 及 Montgomery 教材中的标准定义。设样本量为 n，观测值为 x_1, x_2, …, x_n。
1. 均值（Mean）
样本均值 x̄ 是所有观测值的算术平均：
x̄ = (1)/(n)Σ(i=1..n) x_i
注意：均值对极端值敏感。若数据中存在一个异常大或异常小的值，均值会被明显拉偏。
2. 中位数（Median）
将数据按升序排列后，位于中间位置的数值即为中位数。若 n 为奇数，中位数是第 (n+1)/(2) 个值；若 n 为偶数，中位数是中间两个值的平均。
中位数不受极端值影响，是“稳健”的位置代表。当均值与中位数差异较大时，往往提示数据存在偏态或离群点。
3. 众数（Mode）
出现频率最高的数值。一组数据可能有多个众数，也可能没有众数（当所有值均不同时）。在质量管理中，众数常用于识别最常见的缺陷类型或测量值区间。
4. 极差（Range）
最大值与最小值之差：
R = x_(max) - x_(min)
极差计算简单，但只利用了两个端点，对离群值极其敏感，通常仅用于小样本（如 n le 10 ）的快速判断。
5. 样本方差（Variance）与样本标准差（Standard Deviation）
这是描述性统计中最重要的离散度指标。注意：分母是 n-1，而非 n ，这是为了对样本估计总体方差时提供无偏修正。
样本方差：
s^2 = (1)/(n-1)Σ(i=1..n)(x_i - x̄)^2
样本标准差：
s = √(s^2)
标准差与原始数据同量纲，直接反映数据围绕均值的平均波动幅度。在质量工程中， s 是计算过程能力、控制图控制限的基础。
6. 偏度（Skewness）
衡量数据分布不对称性的指标。ISO 3534-1:2006 定义的样本偏度（基于三阶矩）为：
g_1 = (n)/((n-1)(n-2)) Σ(i=1..n) ( (x_i - x̄)/(s) )^3
- g_1 = 0：对称分布（如正态分布）
- g_1 > 0：右偏（长尾在右侧，均值大于中位数）
- g_1 < 0：左偏（长尾在左侧，均值小于中位数）
7. 峰度（Kurtosis）
衡量分布尾部厚度或峰部尖锐度的指标。样本峰度（超额峰度）为：
g_2 = (n(n+1))/((n-1)(n-2)(n-3)) Σ(i=1..n) ( (x_i - x̄)/(s) )^4 - (3(n-1)^2)/((n-2)(n-3))
- g_2 = 0：与正态分布的峰度一致（称为“中峰”）
- g_2 > 0：尖峰厚尾（比正态分布更集中在均值附近，但尾部更厚）
- g_2 < 0：平峰薄尾（分布更平坦）
一个演示算例（示例数据，仅供演示）
假设某车间测量了10个螺栓的直径（单位：mm），数据如下：
示例数据（仅供演示）：
10.02, 10.01, 10.03, 9.99, 10.00, 10.02, 10.01, 10.04, 9.98, 10.02
步骤1：计算均值
x̄ = (10.02+10.01+10.03+9.99+10.00+10.02+10.01+10.04+9.98+10.02)/(10) = (100.12)/(10) = 10.012
步骤2：计算中位数
排序：9.98, 9.99, 10.00, 10.01, 10.01, 10.02, 10.02, 10.02, 10.03, 10.04
n=10 （偶数），中位数为第5和第6个值的平均：
中位数 = (10.01 + 10.02)/(2) = 10.015
步骤3：计算众数
10.02出现3次，频率最高，故众数 = 10.02 mm。
步骤4：计算极差
R = 10.04 - 9.98 = 0.06 mm
步骤5：计算样本方差与标准差
先计算每个值与均值的偏差平方和：
| x_i | x_i - x̄ | (x_i - x̄)^2 |
| 10.02 | 0.008 | 0.000064 |
| 10.01 | -0.002 | 0.000004 |
| 10.03 | 0.018 | 0.000324 |
| 9.99 | -0.022 | 0.000484 |
| 10.00 | -0.012 | 0.000144 |
| 10.02 | 0.008 | 0.000064 |
| 10.01 | -0.002 | 0.000004 |
| 10.04 | 0.028 | 0.000784 |
| 9.98 | -0.032 | 0.001024 |
| 10.02 | 0.008 | 0.000064 |
平方和 = 0.000064 + 0.000004 + 0.000324 + 0.000484 + 0.000144 + 0.000064 + 0.000004 + 0.000784 + 0.001024 + 0.000064 = 0.00296
样本方差（分母 n-1 = 9 ）：
s^2 = (0.00296)/(9) ≈ 0.000329
样本标准差：
s = √(0.000329) ≈ 0.0181 mm
步骤6：偏度与峰度（手算繁琐，此处给出基于上述公式的计算结果）
偏度 g_1 ≈ -0.41 （轻微左偏，说明左侧尾部略长）
峰度 g_2 ≈ -0.87 （平峰，分布比正态更平坦）
解读（仅针对本示例数据）：均值10.012与中位数10.015非常接近，表明数据基本对称；标准差0.0181 mm说明波动很小；极差0.06 mm在10个样本中属于正常范围。整体来看，该过程直径分布稳定，无明显离群点。
常见误区（务必避开）
1. 只用均值，不看标准差
两组数据可以有完全相同的均值，但一组是10.00±0.01，另一组是10.00±0.50，质量含义天差地别。描述性统计必须“位置+离散”成对报告。
2. 混淆样本标准差与总体标准差
分母是 n-1 还是 n，结果在小样本时差异明显。ISO 3534-1:2006 明确规定，用于估计总体参数的样本标准差采用 n-1 分母。
3. 忽视偏度与峰度
许多质量工具只看均值与标准差，但若数据严重偏态，基于正态假设的 Cpk 计算将失真。偏度与峰度是判断数据是否近似正态的第一道关卡。
4. 把示例数据当真实结论
任何演示算例中的数值仅用于展示计算过程，绝不能作为生产决策依据。真实结论必须来自你的实际测量数据。
在线工具推荐
手工计算上述统计量容易出错，尤其当样本量达到数百甚至数千时。推荐使用专业的在线描述性统计工具，自动输出均值、中位数、众数、极差、方差、标准差、偏度、峰度等全部指标，并附带直方图与正态性检验。
工具链接（注册登录后即可使用）：
? https://www.6sq.net/tools/desc_stats/
下图是 6SQ 在线工具一键生成的结果效果：
只需粘贴你的数据列，即可一键获得完整描述性统计报告，省时省力，减少笔误风险。无论是日常质量巡检还是六西格玛项目初期数据探索，这个工具都能帮你快速摸清数据底细。
