核心答案：标准差衡量数据离散程度：先算均值，再算每个数与均值差的平方，求平均得方差，开根号即标准差。数据 2,4,4,4,5,5,7,9：均值 5，方差 4，标准差 = 2。
标准差是什么
- 均值告诉你数据中心在哪
- 标准差告诉你数据围绕中心散得多开
- 标准差越大波动越大：两个班平均分都 80，标准差 5 的班成绩整齐，标准差 15 的班两极分化
手算完整实例
数据：2, 4, 4, 4, 5, 5, 7, 9（总体）
- 均值 = 40÷8 = 5
- 离均差：−3, −1, −1, −1, 0, 0, +2, +4
- 平方：9, 1, 1, 1, 0, 0, 4, 16 → 和 = 32
- 方差 = 32÷8 = 4
- 标准差 = √4 = 2
总体 vs 样本（n 还是 n−1）
| 场景 | 分母 | 上例方差 |
|---|---|---|
| 总体（所有数据都在手） | n | 32÷8 = 4 |
| 样本（从总体抽样估计） | n−1 | 32÷7 ≈ 4.57 |
为什么 n−1：样本均值总比真实均值「更贴近」样本自身，导致离差平方和系统性偏小，除以 n−1（贝塞尔校正）抵消偏差。
软件口径：Excel STDEV.P（总体）、STDEV.S（样本）；Python numpy 默认 ddof=0（总体），pandas 默认 ddof=1（样本）。
68-95-99.7 法则
正态分布下：
- 68% 数据落在 均值±1σ
- 95% 落在 ±2σ
- 99.7% 落在 ±3σ
实例：某班成绩均值 75、标准差 8（近似正态）：
- 67-83 分约占 68%
- 59-91 分约占 95%
- 超过 99 分或低于 51 分的是千分之三的极端值
应用场景
- 质量管控：零件尺寸 10.00±0.05mm，标准差 0.01 → 超差品率可估
- 金融风险：基金年化波动率（日收益标准差×√252）衡量风险
- 教育测量：标准分 z = (x−均值)÷σ，不同科目成绩可比
- 异常检测：|z| > 3 的数据点值得复核
常见误区
- 方差当标准差用：方差单位是原单位的平方（cm²），说「身高标准差 25cm²」是病句，开根号后 5cm 才对
- 样本除以 n：抽样调查除以 n 会低估真实离散度，必须 n−1
- 非正态硬套 68-95-99.7：该法则只对正态分布成立，收入、房价等偏态分布不适用
- 「标准差小就是好」：看场景——投资里标准差小是稳健，创新业务里标准差大才可能有爆发