2. 食品质量数据分类与统计基础

在食品工厂里，QC人员每天面对的数据看似杂乱：菌落总数、水分含量、净含量、包装密封合格与否、感官评分、异物检出件数……要把这些数据变成能支撑判断的信息，第一步是分清它们属于哪一类。统计方法选错，往往不是计算错误，而是数据类型判断错误。

计量型数据与计数型数据

计量型数据是连续测量得到的数值，带有明确的单位和精度，理论上可以在区间内取任意值。食品检测中常见的计量型数据包括：水分含量（%）、蛋白质含量（g/100g）、净含量（g）、pH值、酸价（mg KOH/g）、杀菌温度（℃）、菌落总数对数值（lg CFU/g）。这类数据信息量大，可以用均值、标准差、极差描述，适合做直方图、控制图（X̄-R、X̄-s）和过程能力分析。

计数型数据是对单位产品按属性分类后统计的数量，通常表现为“合格/不合格”“有/无”“几件缺陷”。它又分为两类：计件型（如抽检50袋，其中3袋密封不合格，统计不合格品率）和计点型（如某批包装袋表面每袋平均有1.2个印刷瑕疵点，统计单位缺陷数）。计数型数据对应p图、np图、c图、u图，不能直接计算标准差来评估“波动幅度”，而应关注缺陷率或缺陷密度。

总体与样本

总体是研究对象的全体，样本是从总体中按规则抽取的一部分。食品检测的天然约束是破坏性检验：一袋奶粉开了封就不能再作为成品销售，一批罐头做商业无菌检验后即报废。因此QC几乎永远在和样本打交道，用样本统计量（x̄、s、p）去推断总体参数（μ、σ、P）。这里的关键是样本代表性：抽样必须覆盖不同班次、不同生产线、不同原料批次，否则再精确的计算也只是对偏倚样本的精确描述。样本量n过小（如仅抽3袋测净含量）会导致置信区间过宽，结论不可靠；n过大则检验成本上升。实际中常按GB/T 2828.1或企业内控抽样方案确定n与判定数组。

均值、方差与标准差

均值x̄反映数据的中心位置，计算为各观测值之和除以n。标准差s反映数据围绕均值的离散程度，样本标准差公式为：

s = √[ Σ(xi − x̄)² / (n − 1) ]

分母用n−1而非n，是为了得到总体方差的无偏估计。举例（示例数据，非实测）：某批次抽检5袋产品净含量为 498、502、500、496、504 g，x̄ = 500 g，偏差平方和 = 4+4+0+16+16 = 40，s = √(40/4) = √10 ≈ 3.16 g。若规格为500±10 g，则均值正好居中，但单袋最小值496 g已接近下限，说明过程存在向下偏移的风险，需要结合控制图进一步观察。

方差s²是标准差的平方，单位是原单位的平方，工程上更常用标准差，因为它与测量值同量纲，便于和规格限直接比较。变异系数CV = s/x̄×100%，用于比较不同量级指标的波动性，例如比较水分含量与净含量的相对波动。

直方图与正态分布

直方图把计量型数据按区间分组，用柱高表示频数，直观呈现分布形状、中心位置和离散程度。绘制步骤：确定组数（常用√n取整，5～12组）、计算组距、统计各组频数、作图。观察直方图时要看三件事：是否近似钟形对称、是否出现双峰（提示混批或两台设备差异）、是否偏离规格限。

当过程受控且变异由大量微小随机因素叠加时，计量型数据近似服从正态分布，约68.3%的数据落在μ±σ内，95.5%落在μ±2σ内，99.7%落在μ±3σ内。这一性质是控制限设定和过程能力指数Cp、Cpk计算的基础。但要注意：计数型数据不服从正态分布，菌落总数原始值常呈右偏分布，取对数后才接近正态，这也是微生物指标常用对数值做控制图的原因。

食品检测数据的特殊之处

把统计方法用到食品检测上，必须正视几个行业特点。其一，破坏性抽样与批次异质性并存。同一批产品中，靠近杀菌锅边缘的罐头与中心位置的受热程度不同，抽样位置本身会引入变异，因此抽样方案要记录位置信息。其二，检测方法自带不确定度。微生物计数存在平板计数误差，理化检测有仪器精度和试剂批次差异，方法重复性限应纳入判断，不能把0.1%的差异当作真实波动。其三，检出限与“未检出”问题。农残、重金属常报告“<0.01 mg/kg”，这类左删失数据不能简单按0或按检出限代入计算均值，需采用替代法或专门统计处理。其四，微生物数据的偏态与低计数。菌落总数常跨几个数量级，应取对数后分析；当计数接近0时，对数变换失效，宜用泊松类方法或直接按计数型处理。其五，法规限值的单侧性。污染物、微生物限量多为“不得超过”，过程能力评估应使用单侧规格上限计算Cpk，而非对称的Cp。

实际工作中，建议QC在建立数据表时就标注每个指标的“类型—单位—精度—规格限—检测方法”，例如：净含量，计量型，g，精确到1 g，规格500±10 g，方法为电子秤称量。这样后续选控制图、算能力指数、做趋势分析时不会张冠李戴。数据分类清楚，统计才有意义；统计有意义，质量决策才站得住脚。