3. 描述性统计与过程分布

在生物过程监控中，我们面对的第一手资料往往是一串批次数据：某批次发酵单位、某时段溶氧均值、某批纯化收率。描述性统计的任务，是把这些零散数字压缩成能反映过程位置、波动和形状的少数指标，从而判断过程是否稳定、是否存在异常。本节围绕均值、方差、直方图、正态性检验以及生物过程常见分布展开，并给出异常数据识别的基本方法。

一、位置与离散：均值、方差与标准差

均值描述过程的中心位置。对样本 x₁, x₂, …, x_n，样本均值定义为：

x̄ = (1/n) · Σ x_i

样本方差：s² = Σ(x_i − x̄)² / (n − 1)
样本标准差：s = √s²
变异系数：CV = s / x̄ × 100%

方差和标准差衡量波动大小。分母用 n−1 而非 n，是为了得到总体方差的无偏估计，这在批次数量有限的生物过程数据中尤为重要。变异系数把标准差折算成相对均值的百分比，便于比较量纲不同的指标，例如比较发酵单位（g/L）与收率（%）的波动程度。

举例说明：某单抗细胞培养工艺连续 6 批的蛋白表达量（g/L）为 3.2、3.5、3.1、3.6、3.4、3.3。计算得 x̄ = 3.35 g/L，s ≈ 0.187 g/L，CV ≈ 5.6%。若历史工艺 CV 通常在 4% 以内，则提示该阶段波动略有放大，需要关注培养基批次或接种密度的一致性。这里的数据为教学示例，用于说明计算与判读逻辑。

二、直方图：看见分布形状

均值与方差只给出两个数字，直方图则把数据的分布形状直接呈现出来。绘制步骤是：确定组距与组数（常用 Sturges 规则 k ≈ 1 + 3.322·log₁₀n），统计落入各组的频数，再以组距为宽、频数为高作图。观察直方图时重点看三件事：是否单峰、是否对称、尾部是否有离群点。

在生物过程中，直方图常呈现以下形态：单峰近似对称，说明过程受大量微小随机因素共同影响；双峰，往往暗示存在两个不同的操作条件或两批原料；明显右偏，常见于杂质残留、微生物污染计数等“下限受限、上限拖尾”的指标；截尾分布，则可能来自检测限或规格限的筛选效应。

三、正态性检验：分布假设是否成立

许多统计方法（如常规控制图、t 检验、方差分析）默认数据近似正态。生物过程数据是否满足这一假设，需要检验。常用方法有两类：图示法和数值法。

图示法包括直方图叠加正态曲线、Q-Q 图。Q-Q 图把样本分位数与理论正态分位数对应描点，若点近似落在一条直线上，则支持正态假设；若两端明显偏离直线，则提示偏态或厚尾。数值法常用 Shapiro-Wilk 检验和 Anderson-Darling 检验。以 Shapiro-Wilk 为例，原假设为“数据来自正态总体”，当 p 值小于显著性水平（常取 0.05）时拒绝正态假设。需要注意：样本量过小时检验功效低，样本量过大时轻微偏离也会显著，因此应结合 Q-Q 图和过程知识综合判断，而不是只看 p 值。

四、生物过程常见分布

除正态分布外，生物过程数据还常服从以下分布：

• 对数正态分布：当变量是多个正随机因素的乘积时出现，如细胞比生长速率、蛋白表达量、效价。取对数后近似正态，因此分析时常先做对数变换。
• 泊松分布：描述单位时间或单位体积内稀有事件计数，如每毫升菌落数、每批污染事件数。其特点是均值等于方差。
• 二项分布：描述 n 次独立试验中成功次数，如 96 孔板中阳性孔数、抽检批次中合格批次数。
• 威布尔分布：常用于设备或耗材寿命、失效时间分析，如层析柱使用寿命、滤膜堵塞时间。

识别分布类型时，可先看数据是否只能取非负值、是否为计数、是否右偏，再结合概率图或拟合优度检验确认。分布判断直接影响后续控制限的计算方式：正态数据可用 x̄±3s，计数数据则更适合用泊松或二项控制图。

五、异常数据识别

异常数据可能来自记录错误、仪器漂移、操作失误，也可能反映真实的工艺偏移。识别方法包括：

1. 图形法：箱线图中超出 1.5 倍四分位距的点和 Q-Q 图端部偏离点。
2. 数值法：Grubbs 检验用于单离群点，Dixon 检验适用于小样本，均以“无离群点”为原假设。
3. 过程法：结合控制图的判异准则，如连续 7 点上升、超出 3σ 控制限、链状分布等。

综上，均值与方差给出过程的中心与波动，直方图揭示分布形状，正态性检验决定后续方法选择，常见分布知识帮助匹配正确的统计模型，异常数据识别则把统计结果转化为工艺判断。掌握这一套描述性统计与分布分析流程，是后续控制图、过程能力分析和实验设计的基础。