2. 基础统计概念回顾：均值、方差、正态分布与假设检验
做DOE设计，说白了就是跟数据打交道。但数据不会自己说话，你得懂几个基础统计概念，才能听懂它在说什么。这一章我带你快速过一遍，后面做实验分析时你会反复用到它们。
2.1 均值、方差与标准差：数据的“三围”
拿到一组数据，我第一件事就是看三个数：均值、方差、标准差。它们就像人的身高、体重、腰围，能快速告诉你数据长什么样。
2.1.1 均值（Mean）
均值就是算术平均，所有数据加起来除以个数。公式很简单：
μ = (x₁ + x₂ + ... + xₙ) / n但注意，均值怕“极端值”。我记得有一次做材料强度测试，有个样品因为夹具打滑测出个离谱的低值，均值直接被拉低了15%。所以看均值前，最好先扫一眼数据有没有异常点。
2.1.2 方差（Variance）与标准差（Standard Deviation）
方差衡量数据“散不散”。公式是每个数据与均值差的平方，再取平均：
σ² = Σ(xᵢ - μ)² / n标准差就是方差的平方根，单位跟原始数据一致，更好理解。我习惯用标准差，因为它直接告诉我“数据大概在均值附近±多少”。
| 指标 | 含义 | 单位 | 我的用法 |
|---|---|---|---|
| 均值 | 数据中心位置 | 与数据相同 | 判断工艺是否偏靶 |
| 方差 | 数据离散程度 | 数据单位的平方 | 理论计算用 |
| 标准差 | 离散程度的直观度量 | 与数据相同 | 日常分析、控制图都用它 |
2.2 正态分布：统计世界的“万有引力”
正态分布，也叫高斯分布，是统计学的基石。你想想看，自然界里很多现象——人的身高、测量误差、零件尺寸——都近似服从正态分布。为什么？因为中心极限定理告诉我们，多个独立随机变量加起来，就会趋向正态。
正态分布由两个参数决定：均值μ（决定位置）和标准差σ（决定胖瘦）。公式长这样：
f(x) = (1 / (σ√(2π))) · e^(-(x-μ)² / (2σ²))不用背，记住几个关键数字就行：
- ±1σ 内包含约68%的数据
- ±2σ 内包含约95%的数据
- ±3σ 内包含约99.7%的数据
2.3 假设检验基础：用数据做“判决”
假设检验，说白了就是“用数据说话，判断一个说法靠不靠谱”。比如你说“新工艺比老工艺好”，怎么证明？靠假设检验。
2.3.1 原假设与备择假设
- 原假设 H₀： 默认成立的说法，比如“新旧工艺无差异”
- 备择假设 H₁： 你想证明的说法，比如“新工艺优于老工艺”
我刚开始做时总搞混，后来记住一句话：原假设是“被告”，备择假设是“原告”。没有足够证据，不能推翻原假设。
2.3.2 两类错误
| 错误类型 | 含义 | 通俗说法 | 控制方法 |
|---|---|---|---|
| 第Ⅰ类错误（α） | 原假设为真，却拒绝了它 | “冤枉好人” | 设显著性水平（通常0.05） |
| 第Ⅱ类错误（β） | 原假设为假，却没拒绝它 | “放过坏人” | 增加样本量 |
2.4 P值与显著性水平：判决的“尺子”
P值，是假设检验里最常用、也最容易被误用的概念。它的定义是：在原假设为真的前提下，观察到当前结果（或更极端结果）的概率。
怎么用？很简单：
- 如果 P ≤ α（显著性水平），拒绝 H₀，认为差异显著
- 如果 P > α，不能拒绝 H₀，认为差异不显著
举个例子。我做过一个注塑工艺优化，想验证新模具温度是否显著影响产品收缩率。计算得到P=0.003，α=0.05。0.003 < 0.05，所以拒绝原假设——新温度确实有效。
2.5 知识体系总览
下面这张图把本章的核心概念串起来了。你可以把它当一张“地图”，后面做DOE分析时随时回来对照。
2.6 本章小结
这一章我们聊了五个核心概念：
- 均值——数据的中心位置，但小心极端值
- 方差与标准差——数据的离散程度，标准差更直观
- 正态分布——统计世界的基石，记住68-95-99.7法则
- 假设检验——用数据做判决，分清原假设和备择假设
- P值与显著性水平——判决的尺子，P ≤ α 就拒绝
这些概念就像工具箱里的扳手和螺丝刀，后面做DOE时你会反复用到。别急着一口气全记住，先有个印象，用到时再回来翻翻就行。