4. 描述性统计与变异度量
在六西格玛项目中，我们面对的第一件事往往不是“怎么改”，而是“现在到底怎么样”。描述性统计就是回答这个问题的语言。它把一堆散乱的测量值压缩成几个关键数字，让我们能快速看清流程的中心位置和波动幅度。中心位置回答“典型值在哪里”，变异度量回答“数据散得有多开”。两者缺一不可：只看均值，可能被极端值误导；只看标准差，又不知道流程整体水平。因此，本节围绕均值、中位数、标准差、极差、方差、变异系数六个指标，以及直方图、箱线图、点图三种图形工具，建立一套“先看分布、再算指标、后做判断”的分析习惯。
中心位置：均值与中位数
均值是所有观测值之和除以样本量，记作 x̄。它利用了每一个数据点，信息量大，但对极端值敏感。例如某零件长度五次测量为 10.02、10.01、10.03、10.00、10.94 mm，均值被最后一个异常值拉高到 10.20 mm，而前四个值都在 10.02 附近。中位数是把数据从小到大排列后位于中间的值，上例排序后为 10.00、10.01、10.02、10.03、10.94，中位数是 10.02 mm，明显更能代表“典型水平”。
实际判断时，若均值与中位数接近，说明分布大致对称；若均值明显大于中位数，提示右偏，可能存在高值拖尾或异常点；若均值明显小于中位数，则提示左偏。这个简单比较，往往比单独看一个数字更有价值。
变异度量：极差、方差、标准差
极差 R = 最大值 − 最小值，计算最快，适合现场快速判断，但它只用了两个数据点，样本量越大越容易偏大，且完全忽略中间数据的分布。方差 s² 是各观测值与均值之差的平方和除以 n−1，单位是原始单位的平方，解释性差。标准差 s 是方差的平方根，单位与原始数据一致，是最常用的变异度量。
以五个测量值 10.02、10.01、10.03、10.00、10.04 mm 为例，均值 x̄ = 10.02 mm。各偏差为 0.00、−0.01、0.01、−0.02、0.02，平方和为 0.0000+0.0001+0.0001+0.0004+0.0004 = 0.0010，除以 n−1 = 4 得方差 s² = 0.00025 mm²，标准差 s = 0.0158 mm。若规格限为 10.00 ± 0.05 mm，则均值居中，标准差约为规格半宽的 32%，流程能力尚可但仍有改进空间。
变异系数：跨对象比较的尺度
变异系数 CV = s / x̄ × 100%，把标准差转化为相对均值的百分比，适合比较量纲不同或均值差异较大的流程。例如 A 产品均值 100 mm、标准差 2 mm，CV = 2%；B 产品均值 10 mm、标准差 0.5 mm，CV = 5%。虽然 B 的绝对标准差更小，但相对波动更大。注意：当均值接近零或数据存在负值时，CV 会失真，此时应改用标准差或其它相对指标。
图形工具：直方图、箱线图、点图
数字指标会掩盖分布形状，图形则能补上这一课。直方图把数据分成若干区间，用柱高表示频数，能直观看出单峰、双峰、偏态和异常间隙。箱线图用五数概括（最小值、Q1、中位数、Q3、最大值）展示中位数位置、四分位距 IQR = Q3 − Q1 以及离群点，适合多组比较。点图把每个观测值画成同一直线上的点，样本量不大时能保留每个数据的位置，便于发现重复值和聚集。
三种图各有分工：直方图看整体形状，箱线图看组间差异和离群，点图看个体分布。实际分析中常先画点图或直方图确认数据形态，再用箱线图做分组对比，最后计算指标量化结论。
从指标到判断：一个完整的分析示例
假设某注塑件关键尺寸的 12 个测量值如上图所示，规格限为 10.00 ± 0.05 mm。分析步骤如下：
- 先看点图或直方图：12 个点集中在 10.00～10.05 mm 之间，没有明显双峰或极端离群，分布大致对称。
- 计算中心与变异：均值 10.02 mm，中位数 10.02 mm，两者一致，说明对称性良好；标准差 0.0158 mm，极差 0.05 mm。
- 计算变异系数：CV = 0.0158 / 10.02 × 100% ≈ 0.16%，相对波动很小。
- 与规格比较：规格半宽为 0.05 mm，标准差约为半宽的 32%。若按 ±3s 估计，自然波动范围约为 10.02 ± 0.047 mm，接近但未超出规格限，说明流程能力尚可，但仍有约 0.003 mm 的余量不足，建议关注设备磨损或来料波动。
- 画箱线图做批次对比：若三个班次分别画箱线图，可快速看出某班次中位数偏移或 IQR 偏大，从而锁定改进方向。
指标与图形的配合关系
| 分析目标 | 首选指标 | 首选图形 | 判断依据 |
|---|---|---|---|
| 看典型水平 | 均值、中位数 | 点图、直方图 | 两者接近则对称，差异大则偏态 |
| 看波动大小 | 标准差、极差、IQR | 箱线图 | 箱体越窄、须越短，波动越小 |
| 跨对象比较 | 变异系数 CV | 分组箱线图 | CV 越小，相对波动越小 |
| 发现异常 | 极差、离群点计数 | 点图、箱线图 | 超出 1.5×IQR 的点需核查 |
| 判断分布形状 | 均值与中位数之差 | 直方图 | 拖尾方向决定偏态方向 |
把上述指标和图形串起来，就形成了一条从“看数据”到“下判断”的完整路径：先画图确认形态，再算指标量化中心和变异，最后结合规格限或历史基线判断流程是否稳定、能力是否足够。描述性统计不是终点，而是六西格玛 DMAIC 中测量阶段的基础动作——只有把现状描述清楚，后续的因果分析和改进措施才有可靠的起点。