2. 光学基础回顾

做DOE之前，我建议你先花点时间把统计基础捋一遍。很多人一上来就急着跑实验、看结果，结果连数据的基本特征都没搞明白——嗯，这种坑我踩过不少次。

这一章我们不讲复杂的公式推导，只聊几个核心概念：均值、方差、标准差、正态分布，以及假设检验里的t检验、F检验、P值和显著性水平。说白了，这些就是你做DOE的“工具箱”，用熟了才能看懂数据在说什么。

1. 均值、方差、标准差——数据的“三围”

拿到一组数据，你首先想知道什么？大概在什么位置？波动大不大？

• 均值（Mean）：就是平均值。简单，但容易受极端值影响。我在项目里见过一个案例，某个工序的良率数据里混了一个异常点，均值直接偏了5个百分点——所以看均值之前，先看看有没有“野值”。
• 方差（Variance）：衡量数据偏离均值的程度。方差越大，数据越“散”。
• 标准差（Standard Deviation）：方差的平方根，单位跟原始数据一致，更直观。比如你测的是长度（mm），标准差也是mm，好理解。

指标	含义	单位	敏感度
均值	数据中心位置	与数据相同	受极端值影响大
方差	数据离散程度	数据单位的平方	对离群点敏感
标准差	离散程度的直观度量	与数据相同	相对稳健

2. 正态分布——统计世界的“万有引力”

正态分布为什么重要？因为很多统计方法（包括DOE里的ANOVA）都假设数据服从正态分布。说白了，如果数据长得不像钟形曲线，你后面做的检验可能全是错的。

我记得有一次帮一个团队分析注塑成型实验数据，他们直接跑ANOVA，结果P值全不显著。我一看原始数据——偏态严重，根本不符合正态假设。后来做了Box-Cox变换，才找到真正的显著因子。

3. 假设检验——用数据做“判决”

假设检验的核心逻辑其实很简单：你提出一个假设（比如“新工艺和旧工艺的均值没有差异”），然后看数据能不能推翻它。

• 原假设（H₀）：通常是你想推翻的那个。比如“两组均值相等”。
• 备择假设（H₁）：你想证明的那个。比如“两组均值不相等”。

你想想看，如果数据在原假设下出现的概率极低（低于你设定的显著性水平），那你就拒绝原假设——说白了，数据在说“这个假设不太可能”。

3.1 t检验——比较两组均值

t检验用来判断两组数据的均值是否有显著差异。分三种：

• 单样本t检验：一组数据跟一个已知值比。比如“这批零件的平均长度是不是50mm？”
• 独立样本t检验：两组独立数据比。比如“A工艺和B工艺的强度有没有差别？”
• 配对t检验：同一组对象前后对比。比如“培训前后，操作员的效率有没有提升？”

3.2 F检验——比较多个组或方差

F检验有两个主要用途：

• ANOVA（方差分析）：比较三个及以上组的均值是否相等。DOE里最常用。
• 方差齐性检验：判断两组数据的方差是否相等。很多t检验和ANOVA都要求方差齐性。

F检验的统计量是两组方差的比值。如果这个比值远大于1或远小于1，说明方差不相等。

4. P值与显著性水平——判决的“尺子”

P值是什么？简单说：在原假设为真的前提下，观察到当前数据（或更极端数据）的概率。

如果P值很小（比如小于0.05），说明在原假设下出现这种数据太“巧合”了，所以我们倾向于拒绝原假设。

• 显著性水平（α）：你愿意接受的“犯错”风险。通常取0.05或0.01。
• P值 < α：拒绝原假设，结果“统计显著”。
• P值 ≥ α：不能拒绝原假设，但不等于“接受”原假设——这个区别很多人搞混。

5. 知识体系总览

下面这张图帮你把本章的核心概念串起来。你可以把它当成一个“统计基础地图”，做DOE时随时回来对照。

6. 本章小结

这一章我们聊了：

• 均值、方差、标准差——描述数据的基本特征
• 正态分布——很多统计方法的前提假设
• t检验和F检验——比较均值和方差的常用工具
• P值和显著性水平——做统计决策的“尺子”

这些概念在后续的DOE课程里会反复出现。我个人建议你花点时间把每个概念都亲手算一遍——用Excel或者Minitab都行。光看不动手，很容易变成“听过很多道理，依然做不好DOE”。