计量资料的标准差和标准误有何区别与联系1

1、计量资料的标准差和标准误有何区别与联系

标准差和标准误都是变异指标，但它们之间有区别，也有联系。区别: ①概念不

同；标准差是描述观察值(个体值)之间的变异程度；标准误是描述样本均数的抽

样误差；②用途不同；标准差与均数结合估计参考值范围，计算变异系数，计算

标准误等。标准误用于估计参数的可信区间，进行假设检验等。③它们与样本含

量的关系不同: 当样本含量n 足够大时，标准差趋向稳定；而标准误随n的增大

而减小，甚至趋于0 。联系: 标准差，标准误均为变异指标，当样本含量不变时，

标准误与标准差成正比。

2、二项分布、Poission分布的应用条件

二项分布的应用条件:医学领域有许多二分类记数资料都符合二项分布(传染病和遗传

病除外)，但应用时仍应注意考察是否满足以下应用条件：(1) 每次实验只有两类对立

的结果；(2) n次事件相互独立；(3) 每次实验某类结果的发生的概率是一个常数。

Poisson分布的应用条件:医学领域中有很多稀有疾病(如肿瘤,交通事故等）资料都符合Poisson分布，但应用中仍应注意要满足以下条件：（1) 两类结果要相互对立；（2) n次试验相互独立；（3) n应很大, P应很小。

3、极差、四分位数间距、标准差、变异系数的适用范围有何异同？

答：这四个指标的相同点在于均用于描述计量资料的离散程度。其不同点为：

极差可用于各种分布的资料，一般常用于描述单峰对称分布小样本资料的变异程度，或用于初步了解资料的变异程度。若样本含量相差较大，不宜用极差来比较资料的离散程度。

四分位数间距适用于描述偏态分布资料、两端无确切值或分布不明确资料的离散程度。

标准差常用于描述对称分布，特别是正态分布或近似正态分布资料的离散程度。

变异系数适用于比较计量单位不同或均数相差悬殊的几组资料的离散程度。

4.中位数、均数、几何均数的适用条件有何异同。

（1）均数适用于描述对称分布，特别是正态分布的数值变量资料的平均水平；（2）几何均数适用于描述原始数据呈偏态分布，但经过对数变换后呈正态分布或近似正态分布的数值变量资料的平均水平；（3）中位数适用于描述呈明显偏态分布（正偏态或负偏态），或分布情况不明，或分布的末端有不确切数值的数值变量资料的平均水平。

5.第一类错误与第二类错误的区别与联系。

当假设检验拒绝了实际上成立的零假设时，所犯的错误称为第一类错误，其概率用α表示。当假设检验接受实际上不成立的零假设时，所犯的错误称为第二类错误，其概率用β表示。当样本含量一定时，α愈大，β愈小，反之，α愈小，β愈大。1－β称为检验效能或把握度，其意义是两总体确有差别，按α水准能发现它们有差别的能力。

6.运用相对数时要注意哪些问题？

应用相对数时应注意以下几个事项（1）计算率和构成比时观察单位不宜过小；（2）注意正确区分构成比和率，不能以比代率；（3）对率和构成比进行比较时，应注意资料的可比性；（4）当比较两个总率时，若其内部构成不同，需要进行率的标准化；（5）两样本率比较时应进行假设检验。

7.方差分析后进行两两比较能否用t检验？为什么？

t检验仅用在单因素两水平设计（包括配对设计和成组设计）和单组设计（给出一组数据和一个标准值的资料）的定量资料的均值检验场合；而方差分析用在单因素k水平设计（k≥3）和多因素设计的定量资料的均值检验场合。方差分析有十几种，不同的方差分析取决于不同的设计类型。t检验进行两两比较

其一，将多因素各水平的不同组合、简单地看作单因素的多个水平（即视为单因素水平），混淆了因素与水平之间的区别，从而错误地确定了实验设计类型；其二，分析资料时，常错误用单因素多水平设计或仍采用多次t检验进行两两比较。误用这两种方法的后果是，不仅无法分析因素之间的交互作用的大小，而且，由于所选用的数学模型与设计不匹配，易得出错误的结论。

8.均数的参考值范围与可信区间的区别？

(1)意义不同: 参考值范围是指同质总体中包括一定数量(如95%或99%) 个体值的估计范围。可信区间是指按一定的可信度来估计总体参数所在范围。(2)计算方法不同: 参考值范围用计算。可信区间用或计算,前者用标准差，后者用标准误。

10.参数检验与非参数检验的区别何在？各有何优缺点？

（1）区别：

参数检验：以已知分布（如正态分布）为假定条件，对总体参数进行估计或检验。

非参数检验：不依赖总体分布的具体形式，检验分布位置是否相同。

（2）优缺点：

参数检验：优点是符合条件时，检验效能高。缺点是对资料要求严格，如等级资料、分布不明或末端有不明确数据的资料不能用参数检验，要求资料的分布类型已知且总体方差相等。

非参数检验：优点是应用范围广、简便；缺点是对于符合参数统计的资料，如果用非参数统计会造成资料信息的丢失，致使检验效能下降，犯第二类错误的概率增大。故符合参数统计条件的资料，要首先选用参数统计的方法。当参数统计的应用条件得不到满足时，应选用非参数统计。

11.对于同一资料，又出自同一研究目的，用参数检验和非参数检验所得结果不一致时，应以何种结果为准。

当资料满足参数检验方法的条件时，应使用参数检验方法，当资料不满足参数检验方法的条件时，必须采用非参数检验方法。

12、常见的统计图有哪些？如何根据资料的性质选用适当的统计图？

常用的统计图及适用条件是: ①条图，适用于相互独立的资料，以表示其指标大小；②百分条图及远圆图，适用于构成比资料，反映各组成部分的大小；③普通线图: 适用于连续性资料，反映事物在时间上的发展变化的趋势，或某现象随另一现象变迁的情况。④半对数线图，适用于连续性资料，反映事物发展速度(相对比)。⑤直方图: 适用于连续性变量资料，反映连续变量的频数分布。⑥散点图: 适用于成对数据，反映散点分布的趋势。

13.简述方差分析的基本思想。

方差分析的基本思想是: 根据研究资料设计的类型及研究目的，把全部观察值总变异分解为两个或多个组成部分，其总自由度也分解为相应的几个部分。例如完全随机设计的方差分析，可把总变异分解为组间变异和组内变异，即SS总＝SS组内＋SS组间，总的自由度也分解为相应的两部分，即ν总=ν组内＋ν组间。离均差平方和除以自由度得均方MS，组间均方(MS组间)与误差均方(MS误差)之比为F值；如果各组处理的效应一样，则组间均方等于组内均方，即F＝1；但由于抽样误差，F值不正好等于1，而是接近1；如果F值较大，

远离1，说明组间均方大于误差均方，反映各处理组的效应不一样，即各组均数差别有意义，至于F值多大才能认为差别有意义，可查F 界值表(方差分析用)来确定。

14. 极差、四分位数间距、标准差、变异系数的适用范围有何异同？

答：这四个指标的相同点在于均用于描述计量资料的离散程度。其不同点为：

极差可用于各种分布的资料，一般常用于描述单峰对称分布小样本资料的变异程度，或用于初步了解资料的变异程度。若样本含量相差较大，不宜用极差来比较资料的离散程度。

四分位数间距适用于描述偏态分布资料、两端无确切值或分布不明确资料的离散程度。

标准差常用于描述对称分布，特别是正态分布或近似正态分布资料的离散程度。

变异系数适用于比较计量单位不同或均数相差悬殊的几组资料的离散程度。

名词解释

1.总体与样本：总体：根据研究目的确定的同质观察单位的全体。更确切地说，它是根据研究目的确定的同质观察单位某种变量值的集合。样本：由总体中随机抽取部分观察单位的变量值组成。样本是总体中有代表性的一部分。

2.中位数：将数据排序后，位置在最中间的数值。即将数据分成两部分，一部分大于该数值，一部分小于该数值。中位数的位置：当样本数为奇数时，中位数=第(N+1)/2个数据 ; 当样本数为偶数时，中位数为第N/2个数据与第N/2+1个数据的算术平均值。

3、计量资料：又称数值变量,指用定量的方法测定某观察对象的某项特征,并以

数值表示大小,所得资料,称为计量资料

4、计数资料：又称为定性资料或无序分类变量资料，也称名义变量资料，是将观察单位按某种属性或类别分组计数，分别汇总各组观察单位数后而得到的资料，其变量值是定性的，表现为互不相容的属性或类别。

5、等级资料：指有一定级别的数据,如临床疗效分为治愈、显效、好转、无效,临床检验结果分为-、+、++、+++,疼痛等症状的严重程度分为0(无疼痛)、1(轻度)、2(中度)、3(重度)等,等级资料又称为半定量资料。

6.变异系数：标准差与平均数的比值称为变异系数，又称“标准差率”，记为C.V。变异系数可以消除单位和（或）平均数不同对两个或多个资料变异程度比较的影响。是衡量资料中各观测值变异程度的另一个统计量。当进行两个或多个资料变异程度的比较时，如果度量单位与平均数相同，可以直接利用标准差来比较。如果单位和（或）平均数不同时，比较其变异程度就不能采用标准差，而需采用标准差与平均数的比值（相对值）来比较。

7、抽样误差：抽样方法本身所引起的误差。当由总体中随机地抽取样本时，哪个样本被抽到是随机的，由所抽到的样本得到的样本指标x与总体指标μ之间偏差，称为实际抽样误差。

8、第一类错误与第二类错误：Ⅰ型错误又称第一类错误：拒绝了实际上成立的，为“弃真”的错误，其概率通常用表示。可取单尾也可取双尾，假设检验时研究者可以根据需要确定值大小，一般规定＝0.05或＝0.01，其意义为：假设检验中如果拒绝时，发生Ⅰ型错误的概率为5％或1％，即100次拒绝的结论中，平均有5次或1次是错误的。

Ⅱ型错误又称第二类错误：不拒绝实际上不成立的，为“存伪”的错误，其概率通常用表示。只取单尾，假设检验时值一般不知道，在一定情况下可以测算出，如已知两总体的差值（如）、样本含量和检验水准。当假设检验拒绝了实际上成立的零假设时，所犯的错误称为第一类错误，其概率用α表示。

当假设检验接受实际上不成立的零假设时，所犯的错误称为第二类错误，其概率用β

表示。

当样本含量一定时，α愈大，β愈小，反之，α愈小，β愈大。1－β称为检验效能或把握度，其意义是两总体确有差别，按α水准能发现它们有差别的能力

9、统计表与统计图：统计表和统计图是统计描述的重要方法。医学科学研究资料经过整理和计算各种统计指标后，所得结果除了用适当的文字说明外，常将统计资料及其指标以表格列出（称为统计表），或将统计资料形象化，利用点的位置、线断的升降、直条的长短或面积的大小等形式直观表示事物间的数量关系（称为统计图，）。统计表与统计图可以代替冗长的文字叙述，表达清楚，对比鲜明。

10、相关系数：相关系数是变量之间相关程度的指标。样本相关系数用r表示,总体相关系数用ρ表示,相关系数的取值范围为[-1,1]。|r|值越大，

误差Q越小，变量之间的线性相关程度越高；|r|值越接近0，Q越大，变量之间的线性相关程度越低。

11、决定系数：表依变数Y的变异中有多少百分比,可由控制的自变数X来解释.R2=.

相关系数的平方即为决定系数。它与相关系数的区别在于除掉|R|=0和1情况，

由于R2

决定系数：在Y的总平方和中，由X引起的平方和所占的比例，记为R2(R 的平方)

决定系数的大小决定了相关的密切程度。

当R2越接近1时，表示相关的方程式参考价值越高；相反，越接近0时，表示参考价值越低。这是在一元回归分析中的情况。但从本质上说决定系数和回归系数没有关系，就像标准差和标准误差在本质上没有关系一样。

在多元回归分析中，决定系数是相关系数的平方。

12、相对比：为相对数指标之一。以两个有关系的数量或指标相比,用来说明二者的比例关系。相对比可用绝对值、相对值和平均值进行计算。公式为:相对比=某一数量/另一数量×100%。

13、率：说明某现象的发生频率或强度，常以百分率，千分率，万分率等表示，计算公式为

率=某时期内发生某现象的观察单位数*比例基数

同时期内可能发生某现象的观察单位总数

什么是混凝土强度标准差

标准差(Stａndaｒd Ｄevｉation)，中文环境中又常称均方差,但不同于均方误差（meaｎｓqｕaｒｅd eｒrｏｒ,均方误差就就是各数据偏离真实值得距离平方得平均数,也即误差平方与得平均数, 什么就就是混凝土强度标准差?怎么计算才好? 在工程中,想要知道混凝土抗压强度得时候,一定需要计算混凝土强度标准差,也许有些朋友并不知道什么叫做混凝土强度标准差,也许有些朋友知道混凝土强度标准差,但就就是却不知道应该怎样计算才好，因此在接下来得文章中就讲为朋友们分享一下混凝土强度标准差得概念以及计算方法就就是什么。 什么就就是混凝土强度标准差？

事实上,混凝土强度标准差得全称应该就就是混凝土抗压强度标准差,而混凝土强度得计算并不能做到完全没有误差，由于检测方法总就就是有误差得，所以检测值并不就就是其真实值。而标准差却就就是反映一组数据得离散程度最常用且最有用得一种量化形式,就就是计算结果就就是否精密得重要指标。 因此在计算混凝土强度得时候,就需要计算混凝土强度标准差，而想要计算混凝土强度标准差就需要计算公式,那么混凝土强度标准差得计算公式又就就是什么呢?大家一起来从下文中了解混凝土强度标准差得计算公式就就是什么。

混凝土强度标准差得计算公式如下： 混凝土强度标准差得计算公式：Sfcu=[(∑fｃu?i２－n?mｆcu2)/(n-1)]1/2 也许朋友们瞧到这个公式得时候会有疑惑,不知道这个公式所表达得意思，别急,接下来就为大家介绍公式中对应得意思,以及先后得计算顺序。 在上述公式中得２与１/2都就就是上角表,就就是用来表示平方与以及根号得，首先要对fcｕ?i平方求与,之后减去n与fｃu乘积平均值得平方,之后再用她们得差再除去(n-1)，这样计算之后得出得除数再开方；

标准差公式

标准差（Standard Deviation ） ，也称均方差（mean square error ），是各数据偏离平均数的距离的平均数，它是离均差平方和平均后的方根，用S （σ）表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的，标准差未必相同。 标准差也被称为标准偏差，或者实验标准差，公式如下两式： ()1 n x x S n 1 i 2 i --= ∑= 或 1 n n x x S 2 n 1i i n 1 i 2i -??? ??- =∑∑ == 即： () 1 n x x 1 n n x x S n 1 i 2 i 2 n 1i i n 1 i 2i --= -??? ??- = ∑∑∑ === 如是总体，标准差公式根号内除以n 如是样本，标准差公式根号内除以（n-1) 因为我们大量接触的是样本，所以普遍使用根号内除以（n-1) 公式意义 所有数减去其平均值的平方和，所得结果除以该组数之个数（或个数减一)，再把所得值开根号，所得之数就是这组数据的标准差。 标准差越高,表示实验数据越离散,也就是说越不精确；反之,标准

差越低,代表实验的数据越精确 简单来说，标准差是一组数据平均值分散程度的一种度量。一个较大的标准差，代表大部分数值和其平均值之间差异较大；一个较小的标准差，代表这些数值较接近平均值。 例如，两组数的集合{0, 5, 9, 14} 和{5, 6, 8, 9} 其平均值都是7 ，但第二个集合具有较小的标准差。 标准差可以当作不确定性的一种测量。例如在物理科学中，做重复性测量时，测量数值集合的标准差代表这些测量的精确度。当要决定测量值是否符合预测值，测量值的标准差占有决定性重要角色：如果测量平均值与预测值相差太远（同时与标准差数值做比较），则认为测量值与预测值互相矛盾。这很容易理解，因为如果测量值都落在一定数值范围之外，可以合理推论预测值是否正确。 标准差应用于投资上，可作为量度回报稳定性的指标。标准差数值越大，代表回报远离过去平均数值，回报较不稳定故风险越高。相反，标准差数值越细，代表回报较为稳定，风险亦较小。 例如，A、B两组各有6位学生参加同一次语文测验，A组的分数为95、85、75、65、55、45，B组的分数为73、72、71、69、68、67。这两组的平均数都是70，但A组的标准差为17.07分，B组的标准差为2.37分（此数据时在R统计软件中运行获得），说明A组学生之间的差距要比B组学生之间的差距大得多。

认识标准差和标准误

计算方法 怎么计算它的大小呢？由标准差的概念可知，标准差反映离散程度的大小，那么多次抽取样本，把这些样本的均值集中起来作为一个新样本，计算它们的标准差，就可以反映它们的离散程度，离散程度大，说明这些均值偏离总体均值“5”越远，也就是抽样误差越大，这就是标准误—standard error。这里的error就是“误差”的英文，所以标准误其实应叫做“标准误差”，我们可以理解为由“标准差”计算得出的“误差”。

到这里可能有的人会说，我实际中怎么可能这么多次抽样呢，书上的公式也不是这样算的啊。没错，实际中我们一般只会抽样一次，而教科书上给出的公式就是通过一次样本的数据来计算标准误，即用样本标准差除以样本量的平方根。至于为什么公式是这样，这个公式准不准，已有统计学家的前辈们研究过了，我们只要去用就行了。如果想了解其原理，可以去更做深一步的研究。 举例 标准误在统计学中的应用十分广泛，以最简单的t检验为例，虽然t检验是应用最广泛的统计学方法之一，但很少有人思考过t值的意义。以单样本t检验为例，我们发现t值公式的分母就是标准误，代表抽样误差，而分子是两均数的差值，也就是实际差异。 所以t值就是实际差异与抽样误差的比值，如果实际差异大，t值就大，抽样误差大，t值就小。当t值大于某个临界值（可查表得出）时，我们更相信两组数据真的有差异，而不是抽样误差，结果就比较可靠，比如我们论文中常用的P＜0.05，反之亦然。 需要注意的一点是，虽然我们用t检验来举例，教科书也把标准误放在t检验的章节，但不代表标准误是均数独有的，也可以是率或其他统计量，因此说标准误是“均数的标准差”是片面的，更合理的说法是“统计量的标准差”。 so，关于“标准差”和“标准误”的区别，你get了吗？ 扫码关注我们

标准差σ的4种计算公式

标准差σ的4种计算公式: 简易标准差,Rbar/d2，Sbar/C4和Minitab中 标准差σ的4种计算公式: 简易标准差,Rbar/d2，Sbar/C4和Minitab中的Pooled standard deviation(合并标准差) 做数据分析，经常会碰到提到标准差σ这个概念，关于标准差σ的计算方式，目前，本人知道有4种标准差σ的计算方法，如下： 一，简易标准差σ的计算方式 上面是计算整体的标准差，如果是计算样本的标准差，这里的N, 应该为N-1. 一般情况下，都是计算样本的标准差。关于这个标准的详细运算公式和案例分析，可以参考附件，里面有比较详细的解释。 标准差的简易计算公式和案例分析.rar(28.19 KB, 下载次数: 1262) 二，XBAR－R管制图分析( X－R Control Chart)图中的Rbar/d2 算法 XBAR－R管制图分析( X－R Control Chart)：由平均数管制图与全距管制图组成。 ●品质数据可以合理分组时，可以使用X管制图分析或管制制程平均；使用Ｒ管制图分析制程变异。 ●工业界最常使用的计量值管制图。

关于上面公式中用到的A2、A3、D2、D3、D4等常数请参考帖子下面的表格三，XBAR－ｓ管制图分析( X－ｓControl Chart)中的Sbar/C4算法 XBAR－S 管制图分析( X－S Control Chart)：由平均数管制图与标准差管制图组成。 ●与X－R管制图相同，惟s管制图检出力较R管制图大，但计算麻烦。 ●一般样本大小ｎ小于等于8可以使用R管制图，ｎ大于8则使用S管制图。 ●有电脑软件辅助时，使用S管制图当然较好。

用标准差还是标准误

大家在写文章用统计分析时，用标准差还是标准误，这个我研究好久了，还准备发表一篇文章；希望大家讨论。 2.1 标准差的正确使用 一、标准差的主要作用是估计正常值的范围 实际应用中，估计观察值正常值范围应该用标准差（s），表示为“Mean ±SD”。此写法综合表达一组观察值的集中和离散特征的变异情况，说明样本平均数对观察值的代表性。s 的大或小说明数据取值的分散或集中。s与样本均数合用, 主要是在大样本调查研究中, 对正态或近似正态分布的总体正常值范围进行估计。如果不是为了正常值范围估计, 一般不用。当数据与正态分布相差很大，或者虽为正态分布, 但样本容量太小(小于30 或100)，也不宜用估计正常值范围。 二、标准差还可用来计算变异系数（CV） 当两组观察值单位不同, 或两均数相差较大时, 不能直接用标准差比较其变异程度的大小, 须用变异系数系数来做比较。： 2.2 标准误的正确使用 一、标准误用来衡量抽样误差的大小和了解用样本平均数来推论总体平均数的可靠程度。 在抽样调查中，往往通过样本平均数来推论总体平均数，样本标准误适用于正态或近似正态分布的数据, 是主要描述小样本试验中，样本容量相同的同质的多个样本平均均数间的变异程度的统计量。即如果多次重复同一个试验, 它们之间的变异程度用。显然它越小，样本平均数变异越小，越稳定，用样本平均数估计总体均数越可靠。因此，为说明它的稳定性、可靠性或通过几个对几组数据进行比较(这是科研论文中最常见的)，应当用描述数据。实际应用中应该写成“平均数±标准误”或而英文表示为“Mean ±SE”的形式。 二、标准误还可以进行总体平均数的区间估计与点估计（置信区间）。 根据正态分布原理，与合用还可以给出正态总体平均数的可信区间估计即推论总体平均数的可靠区间，例如常用（其中t0.05 (n-1) 为样本容量是n的t界值）表示总体均值的95%可信区间, 意指总体平均数有95%的把握在所给范围内。 三、标准误还可用来进行平均数间的显著性检验，从而判断平均数间的差别是否是由抽样误差引起的。 例如：某当地小麦良种的千粒重=34克，现在从外地引入一新品种，通过多小区的田间试验得到千粒重的平均数=35.2克，问新引进品种千粒重与当地良种有无显著差异？ 新引进品种千粒重与当地良种有无显著差异实质是判断与的差别是否是有田间试验是抽样误差引起，所以要进行显著性检验，这里用t测验进行检验， 而，由于，故，所以认为新引进品种千粒重与当地良种千粒重的不同是由于田间试验是抽样误差引起，因此他们之间无显著差异。所以在进行平均数间的显著性检验是必须用到。 总之，标准差和标准误最常用的统计量，二者都是衡量样本变量(观察值) 随机性的指标，只是从不同角度来反映误差，二者在统计推断和误差分析中都有重要的应用。如果没有标准差，人们就无法看出一组观察值间变异程度有多大，这些数字到底有无代表性，如果没有标准误又很难看出我们的样本平均数是否可以代表总体平均数。所以二者都非常重要。

标准误与标准差

sd Std Dev,Standard Deviation 标准偏差(Std Dev,Standard Deviation) 一种量度数据分布的分散程度之标准，用以衡量数据值偏离算术平均值的程度。标准偏差越小，这些值偏离平均值就越少，反之亦然。标准偏差的大小可通过标准偏差与平均值的倍率关系来衡量。标准偏差公式：S = Sqr(∑(xn-x拨)^2 /(n-1)) 公式中∑代表总和，x拨代表x的算术平均值，^2代表二次方，Sqr代表平方根。例子：有一组数字分别是200、50、100、200，求它们的标准偏差。 Java代码 1.x拨 = (200+50+100+200)/4 = 550/4 = 137.5 2.S^2 = [(200-137.5)^2+(50-137.5)^2+(100-137.5)^2+(200-137.5)^2]/ (4-1) =[62.5^2+(-87.5)^2+(-37.5)^2+62.5^2]/3 =[3906.25+7656.25+ 1406.25+3906.25]/3 = 16875/3 = 5625 3.标准偏差 S = Sqr(5625) = 75 cv 变异系数（coefficient of variation），亦称离散系数（coefficient of dispersion）或相对偏差(rsd)，是标准偏差与平均值之比，用百分数表示，计算公式为： cv = sd/mean ×100% 200、50、100、200的cv=55% 在我用于本科毕业论文答辩的ppt里的某页赫然写着这么一行：“标准误：标准差除以样本量的平方根”。这是我对“数据处理”部分特地作出的一条说明。前些天打开看到的时候，我不禁有些囧。当年我们的《生物统计学》是一门选修课，授课的是生科院生物信息学方向的一个牛人，长得像藏人，不过一听口音就知道 他家和我家肯定离不太远。 不论生物还是药学，这门课历来就是门选修课。而且学的内容很浅，考试是开卷。我学得不咋地，学完的时候感觉，统计学说来就一句话：“有没有显著性差异”。你说这话啥意思，我也不太懂，能套公式把结果算出来就成。要说起来，有关统计学的基本知识，早在大一上分析化学的时候就专门讲过，很多实验报告也都要算平均数和标准差。 等到做完毕设写论文要处理数据的时候，我突然就发现了一个问题，为什么我看的那么多paper里面，在算样本平均数的时候，有的附的是标准差，有的 附的是标准误呢？而且国外的paper都是用的标准误。我又不懂，但是搜到有篇专门讲两者区别的文章说要用标准误，我也就用了。两者啥区别呢？标准差除 以样本量的平方根就等于标准误。可这数学关系反映了什么实质？我还是不懂。只是记得上生物统计学的课的时候，老师特别强调说国内生命科学和医学方面 的大部分paper都存在统计学错误。我就生怕我这么“正确地”使用标准误反而显得“错误”了，于是有了ppt上多此一举的那句话。 其实统计学是很多学科都需要用到的，而且重要性不言而喻。可就我所了解的，如我们这些生、化、医、药专业出身的学生有多少真的理解了统计学呢？ 大部分都是停留在机械用软件、套公式、填结果的层面吧。当然了，这里存在一个学科差异的问题，也不是谁刻意地不想去理解统计学。比方说，去年国家就 三聚氰胺出台了一个最低检测限的标准的时候，很多没有科学素养的记者就开始疯狂质疑了。其实对“检测限”这个概念我们就很理解，我想心理学专业的学生倒不见得认同，而“检测限”的本质同属统计学中的“概率”和“误差”的范畴。不过总的说来，我们的统计学训练比起心理学实在差得太多。 终于进入正题了，因为统计学是心理学的基本功，所以我正儿八经地看起了考纲版的那本国内最经典的《现代心理与教育统计学》，等把第八章假设检验看完之后，我暂停了。我的基本感受是，一路看下来，条理是清晰的，逻辑是明白的，我也是理解的。如果说单纯应试的话，看到这样没问题。可这门课程当然 不止是应试之用的，那么，我在想，我看了这么多，它讲的这些东西到底是在干嘛呢？对，我的意思很明白。这本书是在讲鱼不是在讲渔。我纵使把计算标准 误的公式及其意义理解得化成灰也认识，可它到底是干嘛的呢？ 我暂停是为了找些paper来自己体会统计学的用处，这时发现了手头正读着的《行为科学统计》，如获至宝地读完第一章我就恨不得骂脏话了，差距怎么能

混凝土立方体抗压强度的标准差

混凝土立方体抗压强度的标准差 Sfcu=[(∑ fcu?i2-n?mfcu2)/(n-1)]1/2 公式表述显示不明，用语言表述下，即公式中的2和1/2都应为上角表，分别表示平方和根号（开平方）。语言表述如下： fcu.i的平方求和再减去 n 乘以fcu平均值的平方，用他们的差再除以（n-1）这样得出的除数开方；也可以是fcu.i-fcu平均值差的平方求和得出的数再除以（n-1）这样得出的除数开方。 当Sfcu<0.06fcu,k时，取Sfcu=0.06fcu,k 具体参数表述如下： fcu,k一混凝土立方体抗压强度标准值 fcu为设计强度标准值 mfcu为平均值 n为试块组数 Sfcu为n组试块的强度值标准差 fcu.i : 第i组试块的立方体抗压强度值 我想这个公式已经够清楚了，不需要用实例演示了，你自己可以试一下，还有，我觉得你可以不加括号里话，多些人回答，即便有一些回答不是你想要的也没有多大关系，不是吗？希望你对这个回答满意。补充回答：2和1/2为上角标，写错了，补充下。 补充回答：我想了想，不知道你是否是学这个专业的，还是再好好写下好，fcu,k一混凝土立方体抗压强度标准值，即C30的混凝土，这个值就是30，C40的混凝土，这个值就是40。

拿两组试块举个例子，太多了计算麻烦，如我的混凝土是C40的：1、实测2组试块是46，42，则平均值44，（46的平方+42的平方-2X44的平方）/（2-1）=8，8开平方约等于2.83，则这2组试块的强度值标准差为2.832 2、实测2组试块是46，44，则平均值45，（46的平方+44的平方-2X45的平方）/（2-1）=2，2开平方约等于1.41<0.06fcu=0.06X40=2.4，则这2组试块的强度值标准差为2.4 这次应该没有什么疑问了吧？如果是做资料，我觉得现在都是直接用资料软件，你把标准值及实测值一输入，则各种需要的值都出来了，结论也有了，不用计算这么麻烦，学习的过程中，自己用手练下还可以。

标准差

标准差 次数分布中的数据不仅有集中趋势，而且还有离中趋势。所谓离中趋势指的是数据具有偏离中心位置的趋势，它反映了一组数据本身的离散程度和差异性程度。标准差能综合反映一组数据的离散程度或个别差异程度。 例如，甲、乙两班学生各50人，其语文平均成绩都是80分，但甲班最高成绩98分，最低42分，而乙班最高成绩86分，最低60分。初步看出，两班语文成绩是不一样的，甲班学生的语文成绩个别差异程度大、水平参差不齐；而乙班学生的语文成绩差异程度小，语文水平整齐度大些。怎样用标准差这个特征量数来刻画一组数据的差异程度呢？下面介绍标准差的概念及计算。 一、标准差概念与计算 1.标准差定义与计算公式 一组数据的标准差，指的是这组数据的离差平方和除以数据个数所得商的算术平方根。若用S 代表标准差，则标准差的计算公式为： 标准差的平方，称为方差，用S2表示方差。 计算标准差时，首先要计算数据的平均数，接着要计算各数据与平均数之间的离差 平方，即（）2，最后由公式（2-5）计算标准差S。 例如，4名儿童的身高分别是110厘米，100厘米，120厘米和150厘米，若求4名儿童身高数据的标准差时，其基本步骤如下： ①求平均数：（厘米） ②求离差平方和： )2=(110―120)2+(100―120)2+(120―120)2+(150―120)2 =100+400+0+900=1400（平方厘米） ③求标准差S：S= （厘米）

这样，我们大体可认为，这4名儿童身高差异程度，从平均角度来看，约相差18.71厘米。 2.标准差的计算中心方法 计算标准差的方法有三种，一是按公式逐步分析计算，如上述所示；二是以列表计算的方式；三是利用计算器或计算机进行计算。下面再举一例说明采用列表方式计算标准差S。 [例7] 已知8 位同学在某图形辨认测验中的成绩数据（见表2-2），计算这组数据的标准差。 [分析解答] 采用列表计算方式,应用公式（2-5）确定数据的标准差，详见表2-2。 表2-2 计算标准差S的示例 - () (1) = (2) () = 标准差在实际中有广泛的用途，同时对深化研究数据也具有重要的作用。如不同班级考试成绩的平均数和标准差，不同年度或不同学科测验分数的平均数和标准差，以及其他体能测试或心理测验数据的平均数和标准差，就是一些具体的应用。后续各章内容的学习，将经常用到平均数、标准差和方差这些概念。 由于标准差计算公式结构适合于代数处理，因此，许多具有统计功能的计算器，都有计算方差和标准差的相应功能。学习者只要花少量时间学习与掌握有关计算器的使用，即可以轻松自如地处理大量数据，求取平均数和标准差。 在利用公式（2-5）手工求标准差时,如表2-２所示，由于平均数有小数，这使计算离差平方的数据更加复杂,小数点的位数加倍增加，同时四舍五入的计算误差以及出错的可能性都有所增加。为克服这个弊病，我们可从公式（2-5）出发,通过代数演算，推导出另一个与公式（2-5）等价的新公式，即公式（2-6）。这一新公式对计算标准差来讲，不用通过计 算平均数以及离差平方和，用原始数据直接计算标准差，因而在许多情况下，具有更简便、准确的特点。其计算公式：

《标准差与标准误》word版

标准差 标准差（Standard Deviation），也称均方差（mean square error），是各数据偏离平均数的距离的平均数，它是离均差平方和平均后的方根，用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的，标准差未必相同。 标准差（Standard Deviation），在概率统计中最常使用作为统计分布程度（statistical dispersion）上的测量。标准差定义为方差的算术平方根，反映组内个体间的离散程度。测量到分布程度的结果，原则上具有两种性质： 为非负数值，与测量资料具有相同单位。一个总量的标准差或一个随机变量的标准差，及一个子集合样品数的标准差之间，有所差别。 标准计算公式 假设有一组数值X1,X2,X3,......Xn（皆为实数），其平均值为μ，公式如图1. 图1 标准差也被称为标准偏差，或者实验标准差，公式如图2。 图2 简单来说，标准差是一组数据平均值分散程度的一种度量。一个较大的标准差，代表大部分数值和其平均值之间差异较大；一个较小的标准差，代表这些数值较接近平均值。 例如，两组数的集合 {0, 5, 9, 14} 和 {5, 6, 8, 9} 其平均值都是7，但第二个集合具有较小的标准差。 标准差可以当作不确定性的一种测量。例如在物理科学中，做重复性测量时，测量数值集合的标准差代表这些测量的精确度。当要决定测量值是否符合预测值，测量值的标准差占有决定性重要角色：如果测量平均值与预测值相差太远（同时与标准差数值做比较），则认为测量值与预测值互相矛盾。这很容易理解，因为如果测量值都落在一定数值范围之外，可以合理推论预测值是否正确。

常用计算公式

常用计算公式： 1、钢板拉伸： 原始截面积=长×宽 原始标距=原始截面积的根号×L0=K S0 k为S0为原始截面积 断后标距-原始标距 断后伸长率= ×100% 原始标距 原始截面积—断后截面积 断面收缩率= ×100% 原始截面积 Z=[（A0—A1）/A0]100% 2、圆材拉伸： 2 原始截面积= 4 （= D=直径）标距算法同钢板 3、光圆钢筋和带肋钢筋的截面积以公称直径为准，标距=5×钢筋的直径。断后伸长同钢板算法。 4、屈服力=屈服强度×原始截面积 最大拉力=抗拉强度×原始截面积 抗拉强度=最大拉力÷原始截面积 屈服强度=屈服力÷原始截面积 5、钢管整体拉伸：

原始截面积=（钢管外径—壁厚）×壁厚×（=） 标距与断后伸长率算法同钢板一样。 6、抗滑移系数公式： N V=截荷KN P1=预拉力平均值之和 nf=2 预拉力（KN）预拉力之和滑移荷载Nv(KN) 第一组425 第二组345 428 第三组343 424 7、螺栓扭矩系数计算公式：K= P·d

T=施工扭矩值（机上实测） P=预拉力 d=螺栓直径 已测得K 值（扭矩系数）但不知T 值是多少可用下列公式算出：T=k*p*d T 为在机上做出实际施拧扭矩。K 为扭矩系数，P 为螺栓平均预拉力。D 为螺栓的公称直径。 8、螺栓标准偏差公式： K i =扭矩系数 K 2=扭矩系数平均值 用每一组的扭矩系数减去平均扭矩系数值再开平方，八组相加之和，再除于7。再开根号就是标准偏差。 例：随机从施工现场抽取8 套进行扭矩系数复验，经检测： 螺栓直径为22 螺栓预拉力分别为：186kN ，179kN ，192kN ，179kN ，200kN ，205kN ，195kN ，188kN ； 相应的扭矩分别为： 530N ·m ，520N ·m ，560N ·m ，550N ·m ，589N ·m ，620N ·m ， 626N ·m ，559N ·m K=T/(P*D) T —旋拧扭矩 P —螺栓预拉力 D —螺栓直径（第一步先算K 值，如186*22=4092 再用530/4092=，共算出8组的K 值，再算出这8组的平均K 值，第二步用每组的K 值减去平均K 值，得出的数求出它的平方，第三步把8组平方数相加之和，除于7再开根号。得出标准差。 解：根据规范得扭矩系数： 2 1 ()1n i i K K n σ=-=-∑

标准差σ的4种计算公式

标准差σ的4种计算公式

标准差σ的4种计算公式: 简易标准差,Rbar/d2，Sbar/C4和Minitab中标准差σ的4种计算公式: 简易标准差,Rbar/d2，Sbar/C4和Minitab中的Pooled standard deviation(合并标准差) 做数据分析，经常会碰到提到标准差σ这个概念，关于标准差σ的计算方式，目前，本人知道有4种标准差σ的计算方法，如下： 一，简易标准差σ的计算方式 上面是计算整体的标准差，如果是计算样本的标准差，这里的N, 应该为N-1. 一般情况下，都是计算样本的标准差。关于这个

关于上面公式中用到的A2、A3、D2、D3、D4等常数请参考https://www.doczj.com/doc/458178735.html,/thread-476-1-1.html帖子下面的表格 三，XBAR－ｓ管制图分析( X－ｓControl Chart)中的Sbar/C4算法 XBAR－S 管制图分析( X－S Control Chart)：由平均数管制图与标准差管制图组成。

●与X－R管制图相同，惟s管制图检出力较R 管制图大，但计算麻烦。 ●一般样本大小ｎ小于等于8可以使用R管制图，ｎ大于8则使用S管制图。 ●有电脑软件辅助时，使用S管制图当然较好。 关于上面公式中用到的A2、A3、D2、D3、D4等常数请参考https://www.doczj.com/doc/458178735.html,/thread-476-1-1.html帖子下面的表格 四，Minitab中所使用的Pooled standard

deviation(合并标准差) Minitab中所使用的Pooled standard deviation，这个标准差的计算和一般的不一样，这个是Minitab默认的，相关的计算公式可以参考《Minitab: Pooled standard deviation》https://www.doczj.com/doc/458178735.html,/thread-288-1-1.html Minitab: Pooled standard deviation(合并标准差), Rbar, Sbar Pooled standard deviation(合并标准差) is a way to find a better estimate of the true standard deviation given several different samples taken in different circumstances where the mean may vary between samples but the true standard deviation (precision) is assumed to remain the same. It is calculated by where sp is the pooled standard deviation,

标准差和标准误的选择 (SD) 和 (SEM)

标准差和标准误的选择 (SD) 和 (SEM) Which error bar should you choose? It is easy to be confused about the difference between the standard deviation (SD) and standard error of the mean (SEM). The SD quantifies scatter - how much the values vary from one another. The SEM quantifies how accurately you know the true mean of the population. The SEM gets smaller as your samples get larger. This makes sense, because the mean of a large sample is likely to be closer to the true population mean than is the mean of a small sample. The SD does not change predictably as you acquire more data. The SD quantifies the scatter of the data, and increasing the size of the sample does not increase the scatter. The SD might go up or it might go down. You can't predict. On average, the SD will stay the same as sample size gets larger. If the scatter is caused by biological variability, your probably will want to show the variation. In this case, graph the SD rather than the SEM. You could also instruct Prism to graph the range, with error bars extending from the smallest to largest value. Also consider graphing every value, rather than using error bars. If you are using an in vitro system with no biological variability, the scatter can only result from experimental imprecision. In this case, you may not want to show the scatter, but instead show how well you have assessed the mean. Graph the mean and SEM or the mean with 95% confidence intervals. Ideally, the choice of which error bar to show depends on the source of the variability and the point of the experiment. In fact, many scientists always show the mean and SEM, to make the error bars as small as possible.

砼强度标准差公式

、开工前（具备开工条件的资料）：施工许可证（建设单位提供），施工组织设计（包括报审表、审批表），开工报告（开工报审），工程地质勘查报告，施工现场质量管理检查记录（报审），质量人员从业资格证书（收集报审），特殊工种上岗证（收集报审），测量放线（报审）， 2、基础施工阶段：钢筋进场取样、送样（图纸上规定的各种规格钢筋），土方开挖（土方开挖方案、技术交底，地基验槽记录、隐蔽、检验批报验），垫层（隐蔽、混凝土施工检验批、放线记录、放线技术复核），基础（钢筋原材料、检测报告报审，钢筋、模板、混凝土施工方案、技术交底，钢筋隐蔽、钢筋、模板检验批、放线记录、技术复核，混凝土隐蔽、混凝土施工检验批，标养、同条件和拆模试块），基础砖墙（方案、技术交底，提前做砂浆配合比，隐蔽、检验批，砂浆试块），模板拆除（拆模试块报告报审，隐蔽、检验批），土方回填（方案、技术交底，隐蔽、检验批，土方密实度试验）。 3、主体施工阶段：一层结构（方案、技术交底基础中已包含，钢筋原材料、检测报告报审，闪光对焊、电渣压力焊取样、送样，钢筋隐蔽、钢筋、模板检验批、模板技术复核）。 4、装饰装修阶段：地砖、吊顶材料、门窗、涂料等装饰应提前进行复试，待检测报告出来报监理审查通过后方可施工（方案、技术交底，隐蔽、检验批）。 5、屋面施工阶段：防水卷材等主要材料应提前复试，待复试报告出来报监理审查通过后方可进入屋面施工阶段（方案、技术交底，隐蔽、检验批）。 6、质保资料的收集：材料进场应要求供应商提供齐全的质保资料，钢筋进场资料（全国工业生产许可证、产品质量证明书），水泥（生产许可证，水泥合格证，3天、28天出厂检验报告，备案证，交易凭证现场材料使用验收证明单），砖（生产许可证、砖合格证，备案证明、出厂检验报告，交易凭证，现场材料使用验收证明单），黄沙（生产许可证，质量证明书，交易凭证现场材料使用验收证明单），石子（生产许可证，质量证明书，交易凭证现场材料使用验收证明单），门窗（生产许可证、质量证明书、四性试验报告，交易凭证现场材料使用验收证明单），防水材料（生产许可证，质量证明书、出厂检测报告），焊材（质量证明书），玻璃（玻璃质量证明书），饰面材料（质量证明书），材料进场后设计、规范要求须进行复试的材料应及时进行复试检测，其资料要与进场的材料相符并应与设计要求相符。 7、应做复试的材料：钢筋（拉伸、弯曲试验，代表数量：60t/批），水泥（3天、28天复试，代表数量：200t/批），砖（复试，代表数量：15万/批），黄沙（复试，600t/批），石子（复试，代表数量：600t/批），门窗（复试），防水材料（复试），饰面材料（复试） 8、回填土应做密实度试验，室内环境应做检测并出具报告。

强度标准差计算公式

v1.0可编辑可修改直接转的：看看对你有帮助没有。 Sfcu=［（刀feu ? i2-n ? mfcu2）/（n-1）］1/2 公式表述显示不明，用语言表述下，即公式中的2和1/2都应为上角表，分别表示平方和根号（开平方）。语言表述如下：的平方求和再减去n乘以feu平均值的平方，用他们的差再除以（n-1 ）这样得出的除数开方；也可以是平均值差的平方求和得出的数再除以（n-1 ）这样得出的除数 开方。当Sfcu<,k时，取Sfcu=,k 具体参数表述如下： fcu,k 一混凝土立方体抗压强度标准值 fcu为设计强度标准值 mfcu为平均值 n为试块组数 Sfcu为n组试块的强度值标准差 :第i组试块的立方体抗压强度值

在线规范网协助网站：给排水On Line 混凝土强度换算及推定 5.4.1混凝土强度换算值可采用以下三类测强曲线计算： 1统一测强曲线：由全国有代表性的材料、成型养护工艺配制的混凝土试件，通过试验所建立的曲线。其允许的强度平均相对误差（S ）应为±%,相对标准差（er）不应大于％。 2地区测强曲线：由本地区常用的材料、成型养护工艺配制的混凝土试件，通过试验所建立的曲线。其允许的强度平均相对误差（S ）应为±%,相对标准差（er ）不应大于％。 3专用测强曲线：由与结构或构件混凝土相同的材料、成型养护工艺配制的混凝土试件，通过试验所建立的曲线。其允许的强度平均相对误差（S ）应为±%,相对标准差（er）不应大于％。 4平均相对误差（S ）和相对标准差（er）的计算应符合本规程附录F的规定。 5各检测单位应按专用测强曲线、地区测强曲线、统一测强曲线的次序选用测强曲线。 5.4.2地区和专用测强曲线应与制定该类测强曲线条件相同的混凝土相适应，不 得超出该类测强曲线的适用范围。应经常抽取一定数量的同条件试件进行校核，当发现有显著差异时，应及时查找原因，并不得继续使用。 5.4.3符合下列条件的混凝土应采用本规程附录G进行测区混凝土强度换算： 1混凝土采用的材料、拌和用水符合国家现行的有关标准； 2不掺引气型外加剂； 3采用普通成型工艺；

标准差和标准偏差

标准差和标准偏差 1）首先给出计算公式 标准差：σ=（1） 标准偏差：s =（2）方差就是标准偏差的平方 这下大家就困惑了，这两个公式分别表示什么意义？他们分别在什么情况下用？这两个公式是怎么来的？ 2）公式由来 标准差又叫均方差、标准方差，这个大家都不陌生，它是各数据偏离平均数的距离的平均数，是距离均差平方和平均后的方根，用σ表示。。说白了就是表示数据分本离散度的一个值。计算公式也很好理解，从一开始接触我们用的看的都是这个公式。 那么第二个公式，怎么来的呢？其实标准偏差从样本估计中来的。比如我们有一批数据，共10000个点，他们服从正太分布，很容易计算出它的均值和标准差。在这里我们叫做样本均值和样本标准差。表示如下： 样本均值：1 1n i i X X n ==∑ 样本方差：2211()n n i i s X X n ==-∑ 这两个公式就是大家常用的公式。那么现在我们认为，我们想用采集到的这10000个样本估计数据的真实分布，想要求出其均值μ和方差2σ。 对于均值μ，我们容易通过期望获得：

但是对于方差，我们知道 2 1 2 () n i i X X σ = - ∑ 是服从卡分分布2 1 n χ - 的（这一点请查阅卡分分布的 定义）。因此有下面的公式： 这个公式的第一个等号后面是利用期望的性质，试图构造卡分分布来求解。第二个等号后面是利用卡分分布的均值计算出来的。请自行查阅卡方分布的定义和性质。 这么一来，我们就能看出，X是μ的无偏估计，而2 n s则不是2σ的无偏估计。但是我们 可以通过对样本方差进行重新构造，从而是2 n s就是2σ的无偏估计。我们定义：这样我们重新来求解方差的期望： 这样一来，2s就是2σ的无偏估计，这也就是这个公式的由来。 3）这两个公式的应用。 在实际中，公式（2）用的更多。因为当样本容量比较小的时候，公式（1）会过小的估计实际标准差；如果样本容量较大，公式（1）和公式（2）很接近。这时候公式（1）叫做渐近无偏估计，当然还是比不上公式（2）的无偏估计喽。 看了上面这段话，你可能还不知道该用哪个。其实是这样的：如果我们想求一批数据的标准差，那么自然就用公式（1）。如果我们是利用现在的样本估计真实的分布，那么就用公式（2）。 4）在EXCEL中，方差是VAR(),标准偏差是STDEV()，函数里解释是基于样本，分母是除的N-1，其实就是公式（2）。还有个VARP()和STDEVP(),基于样本总体，分母是N，也就是说你关注的就是这批数据。 在Excel透视表中 标准偏差为=STDEVA()

误差棒 标准差 标准误差

标准差(Standard Deviation) 和标准误差(Standard Error)本文摘自 Streiner DL.Maintaining standards: differences between the standard deviation and standarderror, and when to use each. Can J Psychiatry 1996; 41: 498–502. 标准差(Standard Deviation) 标准差，缩写为S.D., SD, 或者 s (就是为了把人给弄晕？)，是描述数据点在均值（mean）周围聚集程度的指标。 如果把单个数据点称为“X i,” 因此“X1” 是第一个值，“X2” 是第二个值，以此类推。均值称为“M”。初看上去Σ(X i-M)就可以作为描述数据点散布情况的指标，也就是把每个X i与M的偏差求和。换句话讲，是（单个数据点—数据点的平均）的总和。 看上去挺有逻辑性的，但是它有两个缺点。 第一个困难是：上述定义的结果永远是0。根据定义，高出均值的和永远等于低于均值的和，因此它们相互抵消。可以取差值的绝对值来解决（也就是说，忽略负值的符号），但是由于各种神秘兮兮的原因，统计学家不喜欢绝对值。另外一个剔除负号的方法是取平方，因为任何数的平方肯定是正的。所以，我们就有Σ(X i-M)2。 另外一个问题是当我们增加数据点后此等式的结果会随之增大。比如我们手头有25个值的样本，根据前面公式计算出SD是10。如果再加25个一模一样的样本，直觉上50个大样本的数据点分布情况应该不变。但是我们的公式会产生更大的SD值。好在我们可以通过除以数据点数量N来弥补这个漏洞。所以等式就变成Σ(X i-M)2/N. 根据墨菲定律，我们解决了两个问题，就会随之产生两个新问题。 第一个问题（或者我们应该称为第三个问题，这样能与前面的相衔接）是用平方表达偏差。假设我们测量自闭症儿童的IQ。也许会发现IQ均值是75, 散布程度是100 个IQ点平方。这IQ点平方又是什么东西？不过这容易处理：用结果的平方根替代，这样结果就与原来的测量单位一致。所以上面的例子中的散布程度就是10个IQ点，变得更加容易理解。 最后一个问题是目前的公式是一个有偏估计，也就是说，结果总是高于或者低于真实的值。解释稍微有点复杂，先要绕个弯。在多数情况下，我们做研究的时候，更感兴趣样本来自的总体（population）。比如，我们探查有年轻男性精神分裂症患者的家庭中的外现情绪（expressed emotion，EE)水平时，我们的兴趣点是所有满足此条件的家庭（总体），而不单单是哪些受研究的家庭。我们的工作便是从样本中估计出总体的均值（mean）和SD。因为研究使用的只是样本，所以

标准差和标准误区别及Excel中标准差公式的区别

标准差和标准误：两个容易混淆的概念 标准误其实就是标准差的一种，不过二者的含义有所区别： 标准差计算的是一组数据偏离其均值的波动幅度，不管这组数是总体数据还是样本数据。你看standard deviation，说的就是“偏离”，只是在翻译为中文时，失去了其英文涵义。 而标准误(/ σ)，衡量的是我们在用样本统计量去推断相应的总体参数（常见如均值、方差等）的时候，一种估计的精度。样本统计量本身就是随机变量，每一次抽样，都可以根据抽出的样本情况计算出一个不同的样本统计量值。理论上来讲，从既定的总体中按照既定的样本规模n，穷尽所有可能抽出的样本（不妨假设为NN），根据这些样本可以计算出NN个样本统计量值，把这些统计量值分组绘成直方图（X轴为分组的统计量数值，Y轴为落在某一分组区间内的频率），则这个直方图就反应了样本统计量的分布情况（即抽样分布）。既然是分布，当然就有均值和方差。如果所有可能的样本统计量值的平均值就是总体均值，这就是无偏估计。如果所有可能的样本统计量值的方差在所有用于估计总体参数的统计量里最小，这就是有效估计。因此，抽样分布的标准差（也就是标准误）越小，则用样本统计量去估计总体参数时，精度就越高。所以，你明白为什么叫标准误（standard error）了。一般意义上讲，standard error反映的是用样本统计量去估计总体参数的时候，可能发生的平均“差错”。 不妨这么理解吧，如果总体平均值是160，抽样误差是5，就是说用抽得的样本平均数去推断总体平均数时，平均差错可能在5左右；如果抽样误差是3，精度当然就比5要高啦。不同的总体、不同的样本规模，这个精度当然是不同的。如果总体的变异本身很小（也就是总体标准差小），样本规模越大，这种情况下精度当然就高啦。另外，根据大数定律，当样本规模大到一定程度的时候，不管总体是什么分布，样本平均数都会近似服从正态分布，这就为计算抽样误差（标准误）提供了理论依据。