抽样数据怎么推断总体？标准差、z分数与置信区间
「平均 28 分钟」这句话，抽 30 单和抽 300 单说出来的分量完全不同。用抽样数据推断总体，指的是拿有限的样本去估计整体的平均水平和波动范围，中间要经过方差、标准差、z 分数、置信区间四个环节：前两个量的是这组数据自己有多散，z 分数定的是某个数值在分布里的位置，置信区间给的才是「总体均值大概在哪个范围」。少一环，结论就站不住。
从一组数据到一句结论，要走四步
一组抽样数据要变成能对外说的结论，得依次回答四个问题：这组数据有多散、某个值算不算异常、总体均值在哪个范围、样本够不够。 四个问题各自对应一种算法，顺序不能乱——后一步的输入就是前一步的输出。
- 先算这组数据有多散：求均值，再算方差与标准差。标准差是后面每一步的输入，先把它算准。
- 把单个数值换算成 z 分数：z 说明这个数离均值几个标准差，配合正态分布的累积概率读出它的百分位。
- 给总体均值算置信区间：标准误 = 标准差 ÷ √n，乘临界值得到误差幅度，样本均值加减它就是区间。
- 反解需要多大样本量：定下能接受的误差幅度，反推 n。精度要求提高一倍，样本量约变四倍。
把这四步和它们各自回答的问题对上，就不容易用错工具：
- 方差
- 离差平方和的平均，单位是原始单位的平方，一般只作为中间量。
- 标准差
- 方差开平方，回到原始单位，描述单个数据相对均值的波动。
- z 分数
- 把任意数值换算成「离均值几个标准差」，用于定位与比较不同量纲的数据。
- 累积概率
- 正态分布下某个 z 以左的面积，读出百分位与尾部比例。
- 标准误
- 标准差 ÷ √n，衡量样本均值本身有多不稳，样本越大越小。
- 误差幅度
- 临界值 × 标准误，也就是置信区间的半宽，就是那个「±多少」。
- 置信区间
- 样本均值 ± 误差幅度，给总体均值一个带把握程度的范围。
全文用同一组数据贯穿：某茶饮店随机抽查 30 单外卖，配送时长均值 28 分钟、样本标准差 6 分钟。所有算例都基于这三个数字。
算之前先确认这 30 单怎么抽的
后面所有公式都建立在一个前提上：这 30 单是从你关心的那个总体里随机抽出来的。抽的方式一旦有偏，算得再精确也只是把错误算得更精确， 这一步花两分钟确认，比多抽一百单更值。
另外还要留意数据的独立性。同一个骑手连着送的几单、同一场暴雨里的所有订单，彼此高度相关， 名义上是 30 个数据点，提供的有效信息其实不到 30 份，这会让算出来的区间偏窄。抽样时把时间和骑手打散，比集中在一小段里省事更重要。
第一步：这组数据有多散
先算方差和标准差，它们量的是单个数据点离平均值有多远，是后面所有推断的输入。 方差把每个数据与均值的差取平方后求平均，标准差再开回平方根，让结果回到「分钟」这个单位上。
用 5 单的小样本走一遍最清楚。假设这 5 单的配送时长是 24、26、28、30、32 分钟，均值正好 28 分钟：
| 配送时长（分钟） | 与均值之差 | 差的平方 |
|---|---|---|
| 24 | −4 | 16 |
| 26 | −2 | 4 |
| 28 | 0 | 0 |
| 30 | +2 | 4 |
| 32 | +4 | 16 |
| 合计 | 0 | 40 |
离差之和恒为 0，所以必须取平方后再求和，这就是离差平方和。
离差平方和是 40。按样本口径除以 n−1 = 4，方差为 10，标准差约 3.16 分钟；按总体口径除以 n = 5，方差为 8，标准差约 2.83 分钟。抽样调查几乎都用样本口径，因为你手上的 5 单只是全部订单的一部分。 除以 N 还是 n−1 的完整来龙去脉，见《标准差和方差怎么算？总体与样本的区别》，这里不再展开。
把样本换成完整的 30 单，得到均值 28 分钟、样本标准差 6 分钟——比 5 单的小样本散得多，说明真实订单里既有 20 分钟送到的，也有拖到 40 分钟的。数据条数一多手算就不现实，直接粘进计算器即可。
打开「标准差计算器」样本/总体标准差 · 方差 · 波动程度第二步：单个数值落在什么位置
有了均值和标准差，就能把任意一个数值换算成 z 分数，看它在整个分布里排到哪个百分位。这一步回答的是「这一单算不算慢得离谱」， 而不是「整体水平如何」。
以均值 28 分钟、标准差 6 分钟代入，一单 40 分钟的订单 z =（40 − 28）÷ 6 = 2。正态分布下 Φ(2) ≈ 0.9772，也就是说它比约 97.7% 的订单都慢，比它还慢的只剩约 2.3%。30 单里出现约 0.7 单这么慢的，属于正常波动，不必立刻归因为「配送出问题了」。
| 配送时长 | z 分数 | 累积概率 | 怎么读 |
|---|---|---|---|
| 16 分钟 | −2 | 约 2.3% | 最快的一小撮 |
| 22 分钟 | −1 | 约 15.9% | 明显快于平均 |
| 28 分钟 | 0 | 50% | 正好在中间 |
| 34 分钟 | +1 | 约 84.1% | 偏慢，但很常见 |
| 40 分钟 | +2 | 约 97.7% | 最慢的约 2.3% |
| 46 分钟 | +3 | 约 99.87% | 千分之一量级，值得单独查 |
按正态分布近似估算，实际比例取决于数据是否接近对称单峰。
把这张表倒过来看，就是常说的经验法则：约 68% 的订单落在均值 ±1 个标准差内（22–34 分钟），约 95% 落在 ±2 个标准差内（16–40 分钟），约 99.7% 落在 ±3 个标准差内（10–46 分钟）。定「超时」阈值时，用这条比拍脑袋定 35 分钟更有依据。
z 分数还有个常被忽略的用处：把量纲不同的指标放在一起比严重程度。这一单慢了 12 分钟，z = 2；同一天客单价低了 8 元，若客单价均值 35 元、标准差 10 元，则 z = −0.8。8 和 12 这两个原始数字没有可比性，换成标准差的倍数之后，一眼就看出配送时长这边的异常更突出。 考试成绩里的标准分、体检指标的偏离程度，用的都是同一个换算思路。
打开「正态分布计算器」概率密度·累积概率·区间概率·z分数与分位数第三步：给总体均值一个区间
置信区间回答的是「总体均值大概在哪」，做法是以样本均值为中心，左右各加减一个误差幅度。 它和上一步的区别很关键：z 分数看的是单个订单，置信区间看的是「所有订单的平均值」。
代入 30 单的数据，一步一步来：
- 算标准误：SE = 6 ÷ √30 ≈ 1.10 分钟。样本均值本身的波动，比单个订单的 6 分钟小得多。
- 查临界值：总体标准差未知，用 t 分布，自由度 = 30 − 1 = 29，双侧 95% 对应 t ≈ 2.045。
- 求误差幅度：2.045 × 1.10 ≈ 2.24 分钟，这就是结论后面那个「±」。
- 写出区间：28 ± 2.24 → 约 25.76 至 30.24 分钟，即总体均值的 95% 置信区间。
于是这 30 单支撑得起的说法是：这家店外卖配送的总体平均时长，约在 25.76 到 30.24 分钟之间。如果对外承诺「平均 25 分钟送达」，这份数据并不支持——区间下界都还在 25.76。
三个都写成「±」的量最容易混，用同一组数字对照一遍就分清了：
| 指标 | 本例数值 | 量的是什么 | 加大样本量会怎样 |
|---|---|---|---|
| 标准差 s | 6 分钟 | 单个订单相对均值的波动 | 基本不变，它是数据本身的属性 |
| 标准误 SE | 约 1.10 分钟 | 样本均值这个估计有多不稳 | 按 √n 变小，n 翻四倍则减半 |
| 误差幅度 | 约 2.24 分钟 | 置信区间的半宽，结论里的「±」 | 随标准误一起变小 |
s = 6、n = 30、t(29) = 2.045 时的对照，结果为估算。
临界值选 t 还是 z，小样本下会看出差别。同一组数据改用 z = 1.96，误差幅度变成 1.96 × 1.10 ≈ 2.15 分钟，区间收窄到约 25.85–30.15。窄了 0.09 分钟看似无所谓，但方向是固定的：小样本用 z 会系统性地把不确定性说小。样本量上去之后，t 会自动向 z 靠拢，这个差别自然消失。
打开「置信区间计算器」均值/比例置信区间 · 误差幅度 · t/z 分布问卷这类比例数据怎么算
问卷结果多是比例而不是均值，公式要换一个，思路完全一样：先算比例的标准误，再乘临界值得到误差幅度。
假设发出 400 份有效问卷，满意率 p̂ = 60%。标准误 = √(0.6 × 0.4 ÷ 400) ≈ 0.0245，95% 下误差幅度 = 1.96 × 0.0245 ≈ 0.048，也就是约 ±4.8 个百分点，总体满意度的区间约为 55.2%–64.8%。
这个结果有个很实际的用处：如果上一季度满意率是 58%，这一季 60%，两个区间大面积重叠， 就不能说满意度「提升了」——差距还在抽样误差范围内。
第四步：反过来倒推样本量
前三步是「有多少数据、能得到多准的结论」，第四步反过来：先定你能接受的误差幅度，再反解要抽多少个。 把误差幅度公式移项即可。
仍取 s = 6 分钟、95% 置信水平（z = 1.96），不同精度要求对应的样本量差得很远：
| 想要的误差幅度 | 对应结论 | 需要样本量 |
|---|---|---|
| ±3 分钟 | 平均 28 分钟，25–31 | 约 16 单 |
| ±2 分钟 | 平均 28 分钟，26–30 | 约 35 单 |
| ±1 分钟 | 平均 28 分钟，27–29 | 约 139 单 |
| ±0.5 分钟 | 平均 28 分钟，27.5–28.5 | 约 554 单 |
按 n =(1.96×6÷误差幅度)² 向上取整估算，需先对标准差有个大致预估。
三处最容易被误读的地方
同一组数字，说法差一个字，结论可能反过来。下面这三处是实际汇报里出错频率最高的。
一句话记法：标准差描述数据，标准误描述估计，误差幅度描述结论。看到「±」先问一句，这是哪一个。
最后回到开头那句话。同样是「平均 28 分钟」，抽 30 单只能说「总体均值约在 25.76–30.24 分钟」，抽 139 单才敢说「约在 27–29 分钟」。把标准差、z 分数和置信区间连起来算一遍，一句结论后面该带多大的括号，自然就有答案了。
把你的数据算一遍均值/比例区间 · 误差幅度 · t/z 切换常见问题
- 95% 置信区间到底是什么意思？
- 它是对总体均值位置的一个区间估计，不是对单个数据的预测。以配送时长为例，95% 置信区间 25.76–30.24 分钟的含义是：用同样的方法反复抽样并各算一个区间，长期来看约 95% 的区间会盖住真实的总体均值。它不表示 95% 的订单在 25.76 到 30.24 分钟之间，那是另一回事，按 μ±2σ 估算大约是 16 到 40 分钟。
- 置信区间用 t 分布还是 z 分布，怎么选？
- 总体标准差未知、只能用样本标准差代替时，标准做法是用 t 分布，自由度取 n−1；只有在总体标准差已知，或样本量很大（一般 n 超过 30 且分布不太偏）时才用 z 分布近似。样本量越小差别越明显：n=30、s=6 的例子里，t 临界值 2.045 给出 ±2.24，z 临界值 1.96 给出 ±2.15，用 z 会把不确定性说小一点。拿不准就用 t，样本大时两者会自动收敛。
- 标准差、标准误和误差幅度有什么区别？
- 三个都是「±多少」，量的东西完全不同。标准差衡量单个数据相对均值的波动；标准误 = 标准差 ÷ √n，衡量样本均值本身有多不稳；误差幅度 = 临界值 × 标准误，是置信区间的半宽。同一组数据（n=30、s=6）里三者分别是 6 分钟、约 1.10 分钟、约 2.24 分钟。加样本量能压小标准误和误差幅度，但压不小标准差——数据本身的波动不会因为你多抽几个而变小。
- z 分数怎么算，z=2 说明什么？
- z =（数值 − 均值）÷ 标准差，结果是「离均值几个标准差」。z=2 表示这个数值比均值高出 2 个标准差，在正态分布下对应累积概率约 0.9772，也就是约 97.7 百分位，比它更大的只有约 2.3%。配送时长均值 28 分钟、标准差 6 分钟时，40 分钟这一单的 z 正好是 2，属于最慢的那 2.3% 左右。z 为负说明低于均值，绝对值越大越靠尾部。
- 样本量要多少，才能把误差幅度压到 ±1 分钟？
- 按 n ≈（z × s ÷ 误差幅度）² 反解。标准差 6 分钟、95% 置信水平下，误差幅度 ±3 分钟只需约 16 单，±2 分钟约 35 单，±1 分钟就要约 139 单。样本量和误差幅度是平方关系，精度要求提高一倍，样本量要变成约四倍，所以别一上来就要求很窄的区间，先想清楚多大的误差对决策已经够用。
- 数据不服从正态分布，还能算置信区间吗？
- 多数情况下可以。中心极限定理说的是样本均值的分布会趋近正态，原始数据本身不必正态，样本量够大（经验上 n≥30，偏斜严重时要更多）时均值的置信区间依然适用。但要注意两点：一是 z 分数读单个数据的百分位仍然依赖原始分布近似正态，右偏数据会低估长尾；二是有极端离群值时，先确认那些值是不是录错了，中位数一类的稳健指标可能比均值更能说明问题。
- 95% 和 99% 置信区间该选哪个？
- 看猜错的代价。同一份数据，置信水平越高区间越宽：n=30、s=6 时，95% 对应约 ±2.24 分钟，99% 临界值升到约 2.756，误差幅度扩大到约 ±3.02 分钟。日常运营复盘、A/B 观察用 95% 是通行做法；结论一旦错会带来较大损失的场合（验收判定、对外承诺）才提到 99%。反过来把水平降到 90% 也能让区间变窄，但那是牺牲把握换来的，不算精度改善。
- 民调里的「误差 ±3 个百分点」是怎么算出来的？
- 那是比例的误差幅度，公式为 z × √(p(1−p)÷n)。测算时通常取最保守的 p=0.5，代入 95% 置信水平的 1.96，反解 n =（1.96 ÷ 0.03）² × 0.25 ≈ 1068，所以全国性民调常见一千多个有效样本。同理，400 份问卷里 60% 满意，误差幅度约 ±4.8 个百分点，总体满意度的 95% 区间约为 55.2%–64.8%。