均值与标准差：基础统计概念与计算

说起批次质控，绕不开两个老朋友——均值和标准差。你可能会想：“不就是初中数学么？” 嗯，话是这么说，但我在产线上见过不少工程师把均值算错、把标准差当摆设。今天我们就聊聊这两个值到底在说啥，怎么算，以及它们怎么帮你管好批次质量。

什么是均值？——这批产品的“重心”

均值，说白了就是一堆数的平均值。你测了10个产品的某个指标，加起来除以10，得到的就是均值。它代表这批产品的“中心位置”。

公式很简单：

μ = (x₁ + x₂ + … + xₙ) / n

用Python算的话，我习惯这么写：

import numpy as np

data = [12.3, 12.5, 12.1, 12.4, 12.2]
mean = np.mean(data)
# 或者手动算
mean_manual = sum(data) / len(data)
print(f"均值: {mean:.2f}")

我在项目中遇到过一家供应商，他们控制芯片厚度，一直盯着均值看。表面上看均值没问题，但良率却突然下降。后来一查，原来是设备老化导致个别片子厚度偏差极大，均值被“平均”了，掩盖了问题。所以，只看均值是不够的，还得看波动。

标准差——衡量波动的尺子

标准差决定了一批产品是“整齐划一”还是“参差不齐”。它度量每个数据离均值有多远，说白了就是波动的平均幅度。

总体标准差公式：

σ = sqrt( Σ(xᵢ - μ)² / n )

样本标准差公式（注意分母是 n-1）：

s = sqrt( Σ(xᵢ - x̄)² / (n-1) )

为什么样本标准差要用 n-1？因为样本均值本身有偏差，用 n-1 能得到更可靠的估计。这个知识点我年轻时也搞混过。

import numpy as np

data = [12.3, 12.5, 12.1, 12.4, 12.2]
std_pop = np.std(data)           # 默认总体标准差
std_sample = np.std(data, ddof=1) # 样本标准差
print(f"总体标准差: {std_pop:.3f}")
print(f"样本标准差: {std_sample:.3f}")

均值与标准差的联合解读

看下面这个表格，你会更直观地理解它们俩的关系：

批次	均值 (mm)	标准差 (mm)	描述
A	10.0	0.1	中心对准，波动很小 → 理想批次
B	10.0	0.5	中心对准，但波动大 → 部分产品可能超差
C	10.3	0.1	波动小，但整体偏大 → 系统偏移，需要调参

你想想看，同样均值 10.0 的批次 A 和 B，良率能差多少？我在一家电子厂就见过类似情况——两个供应商都说均值完美，但一个标准差只有 0.08，另一个 0.4，结果后者废品率高了 3 倍。

在批次质控中怎么用？

实际工作中，我们通常按这几步走：

1. 计算批次均值：对每批抽取的样本计算 x̄。
2. 计算批次标准差：用样本标准差 s 衡量批内波动。
3. 设定控制线：一般用 μ ± 3σ 作为上下控制限（UCL/LCL），这是基于正态分布的经验法则。

举个例子，假设某批次要求中心厚度为 10.0mm，允许公差 ±0.3mm。你抽了 50 个样品，算出均值 10.02，标准差 0.08。那么控制线就是：

UCL = 10.02 + 3 × 0.08 = 10.26
LCL = 10.02 - 3 × 0.08 = 9.78

这个控制线在公差范围内（9.70 ~ 10.30），说明过程能力还不错。如果标准差变大到 0.15，控制线就会变成 [9.57, 10.47]，超出公差——那就得停线排查了。

好了，这是均值与标准差的核心内容。接下来我用一张图帮你理清它们在批次质控体系中的位置。