均值就是平均值，咱们先把这玩意儿搞清。均值嘛，好办点说，就是把一堆数加起来，全是的再除以个数。
这就好比你手头有一把锤子和一桶沙子，想要算出它们的“平均重量”，就得先算出这桶沙子到底重多少，然后再除以沙子的数量。公式写得死板点，就是 $bar{x} = frac{1}{n} sum x_i$。
这个公式看着挺冷冰冰的，但实际上咱们用得多了，也就自然了。
比如你要算班级学生的平均身高，你得先把全班 30 个人的身高全加一遍，除以 30。
要是你只加数字，往往算错了；要是你只看最大和最小，那更是天方夜谭。均值是个“平均值”，它不偏不倚，每个数据都分得一样多，但它自己也有个属性，叫中位数，这叫“众数”，那叫“平均数”，这些名词听着挺拗口，实际上核心都绕不开那组数本身。 说到“平均数”，往往好办让人形成错觉，当作它代表的是整体，实际上它只是一个数学上的“中心点”。
比如你手里有 10 把尺子，长度分别是 12、12、12、12、12、11、11、11、11、10，这时候算均值，那就是加起来除以 10，结局大约是 11.8。
这 11.8 这个数字，是这 10 把尺子“心里”认定它等于多少，它本身并不代表某一把尺子一定存有，也不代表所有尺子都指向这一个点。它更像是一个赌注，要么说是一个迷魂汤，把分散的数据强行收拢到一个地方。
这就好比你看电影，每场戏拍完，导演都要算个总账，算出这整部剧的平均长度，有时候剧情节奏乱了，平均下来可能还不如单场戏精彩，但总账还得算。均值这东西，有时候会耍赖，有时候会撒谎，它喜爱找个平衡点，哪怕这个平衡点并不在某个特定数据的正上方。 那要是这组数据散得特别开，像个撒了的全市地图，该如何办？这时候均值可能就是个误导。
这时候就需求看“标准差”。标准差说白了，就是衡量这组数据的“脾气”要么“波动程度”。数字越大，说明这堆数越散，越不像个平均值。标准的公式是 $sigma = sqrt{frac{sum (x_i - bar{x})^2}{n}}$。
你看这个公式，里面藏着个陷阱，那就是平方运算。
为啥不是直接求平均差呢？出于正数平方和负数平方和抵消不了，直接算平均差意义不大。
只有求平方和，再把根号开出来，才能拿到一个真正的“方差”概念，最终开根号，就是标准差。
这个公式读起来拗口，实际上逻辑挺好办：先算每个数跟均值括起来，再平方，再算个平均数，最终开根号。 举个例子。假设我们要评估一个批次的产品包装重量。
第一次试验，有 10 个盒子，重量分别是 9.8、9.9、10.0、10.1、9.9、10.0、9.8、9.7、10.0、10.1，单位是克。咱们先算个均值，大约 9.95 克吧。
这时候看一眼这组数据，高低差才 0.2 克，差不多就在均值上下跳了两三次，这时候算个标准差，大约是 0.045 克左右。
这说明这批产品包装挺稳，大家简直都挺接近那个标准。 那要是我们换个场景呢？第二次试验呢？这次样本多了，有 50 个盒子。重量分别是：9.8, 9.9, 10.0, 10.1, 9.9, 10.0, 9.8, 9.7, 10.0, 10.1, 9.8, 9.9, 10.0, 9.8, 9.7, 10.0, 10.1, 9.9, 10.0, 9.9, 10.0, 9.8, 10.0, 10.1, 9.8, 9.9, 10.0, 9.9, 10.0, 9.8, 9.7, 10.0, 10.1, 9.9, 10.0, 9.8, 10.0, 10.1, 9.9, 10.0, 9.8, 9.7, 10.0, 10.1, 9.9, 10.0, 9.9, 10.0, 10.1, 9.9, 10.0, 9.8, 10.0, 10.1, 9.9, 10.0, 9.8, 9.7。
什么的，这个样本量大了，均值可能会变，并且波动感也会变。
这时候要是只看均值，可能认定凑合，但标准差一算，可能是个两位数。
这说明啥？说明这次造的这批产品，重量别看平均值差不多，但有的偏轻，有的偏重，大家离平均值挺远，离“差不多”的距离挺大。
这时候要是用标准的差来解释，就能明白为啥需求更严格的质检了，出于均值只是暂时的平衡，标准差才是真情况。 再举个生活化的例子。
比如你早上起来，血压计读数。
第一天是 120/80，第二天是 125/85，第三天是 118/82。三个日期的均值，大约是 123/83。
这时候看这组数据，波动不大，标准差小，说明你状态挺平稳的。
那要是有一天突然血压飙升到了 180/100，均值也能算出来，但标准差瞬间变大，说明这一天数据忒偏了，离整体均值挺远。
这时候要是你只盯着均值，可能会高估平时的血压水平，高估你健康的程度。标准差告诉你：平时别看都挺接近，但极端事件也要警惕。 计算标准差的过程实际上挺繁琐的，特别是手算的时候。你需求先算每个数值跟均值之间的差，这个差可能正可能负，但负负得正，故此平方之后都是正数。
然后把这些平方数加起来，除以个数，拿到方差，最终开根号。
这一步最让人头大的是平方运算，出于数字一变大，平方数跟原数就成几十上百倍的关系了，算起来好办出错，也好办累。
比如 10.0 跟 9.95 的差是 0.05，平方就是 0.0025；要是 50 跟 49.95 的差是 0.05，平方就是 0.0025，差值一样，平方值也一样，但这并不意味着结局一样。
这实际上是平方运算的特性，也是标准差公式里用平方的缘由，避免抵消。 有时候数据会多到没法一个个算，这时候得用计算器要么软件。输入数据，选统计功能，平均数、标准差、方差全算出来，键入回车。市面上有各种统计表格，Excel 里功能更是强大，VLOOKUP 查半天也没用，直接求统计量最快。
这时候你拿到的结局，就是那组数据的数学画像。均值描述中心，标准差描述离散度，有时候标准差比均值更靠谱，有时候均值比标准差更可信，出于它们供给了不同的视角。均值像是在沙滩上捞石子，看有没有石子；标准差像是在海中捞石头，看石头散得有多开。 最终还得提一句，标准差这个概念，在中文语境下，有时候会被写成“标准差”，有时会被写成“标准偏差”，实际上是个翻译腔的难题。英文是 Standard Deviation，直译过来就是标准差，但有时候为了强调它是对“偏差”的度量，也有人叫它“标准偏差”。
不过一般大家见面都叫标准差，别搞混了。标准差是个统计量，它不是物理实体，也不是肉眼能看到的东西，它是数据分布的一个属性，是数学模型的一局部。它跟均值一组出，但功能不同。均值告诉你“大约在哪”，标准差告诉你“离它多远”。 在科研要么商业分析里，标准差的权重往往比均值大。
为啥呢？出于均值好办被极端值带偏，比如你拿一个百万富翁和一个乞丐算平均收入，均值肯定是那百万富翁的几倍，但这不代表一般/平平人都有那百万富翁的收入。
这时候标准差能帮你看清楚数据的分布：大局部人在哪儿，少数人跑到哪儿。
要是你只有平均值，那你可能会陷入误区，当作大家都势均力敌，实际上差别庞大。
这时候标准差就成了预警器。 至于如何用？在质量管住里，标准差用来计算管住限，判断产品是否稳定。在造管理里，均值代表目标，标准差代表本事，两者结合才能定优劣。在投资领域，均值代表预期收益，标准差代表波动风险，这俩没法搞，你没法说某只股票“平均收益 10%，标准差 2%"，你说得出来吗？这得看历史数据，但逻辑得通。 故此说，均值是骨架，标准差是皮肤。骨架拍板了重不重，皮肤拍板了舒服不舒适。
没有骨架，皮肤再漂亮也没用；没有皮肤，骨架再结实也好办被压垮。两者缺一不可，缺一不可。
有时候只算均值，你会认定数据挺规整，实际上那是运气好。
有时候只算标准差，你会认定数据挺混乱，实际上那是常态。
只有把两者结合起来看，才能看清数据的本来面目，才能做出对的判断。数据不会撒谎，但你得学会如何看。
