3. 描述性统计分析：集中趋势、离散程度、分布形状与数据可视化

各位工程师朋友，大家好。今天我们聊聊描述性统计分析。说白了，就是拿到一堆可靠性数据后，怎么用几个数字和几张图，快速摸清这批数据的“脾气”。我做了十几年可靠性，见过太多人一上来就套复杂模型，结果数据本身有没有问题都没搞清楚。嗯，咱们先打好基础。

3.1 集中趋势：数据往哪儿“聚”

集中趋势回答一个问题：这批数据典型的、有代表性的值是多少？常用的有三个指标。

3.1.1 均值（Mean）

就是算术平均。把所有失效时间加起来，除以样本量。公式很简单：

μ = (x₁ + x₂ + ... + xₙ) / n

但我得提醒你，均值对异常值非常敏感。我在项目中遇到过一批轴承寿命数据，大部分在2000小时左右，结果有一个样品因为安装不当，只跑了50小时就坏了。均值一下子被拉低了很多，差点误导我们以为产品有问题。所以，均值适合数据比较“干净”、没有极端值的情况。

3.1.2 中位数（Median）

把数据从小到大排好，最中间那个数。如果样本量是偶数，取中间两个数的平均值。

中位数有个好处：它不怕异常值。还是刚才那个轴承的例子，中位数基本不受那个50小时的影响，能更真实地反映“大多数产品能跑多久”。我个人习惯，在可靠性数据分析中，尤其是样本量不大时，会同时看均值和中间位数。如果两者差很多，说明数据里有“故事”。

3.1.3 众数（Mode）

出现次数最多的那个值。在连续型数据中，众数可能不那么明显，但在离散型数据或分组数据中很有用。比如，我们统计一批电阻的阻值，发现1kΩ这个值出现频率最高，那众数就是1kΩ。

3.2 离散程度：数据有多“散”

光知道集中趋势还不够。两个批次的均值可能一样，但一个批次数据很集中，另一个很分散。离散程度就是衡量这个的。

3.2.1 极差（Range）

最大值减最小值。最简单，但也最粗糙。它只用了两个极端值，中间的数据分布情况完全不管。我一般只在快速检查时用一下。

3.2.2 方差（Variance）与标准差（Standard Deviation）

这是最常用的。方差是每个数据与均值差的平方的平均值。标准差是方差的平方根，单位跟原始数据一致，更好理解。

样本方差 s² = Σ(xᵢ - x̄)² / (n - 1)
样本标准差 s = √s²

注意分母是n-1，不是n。这是为了用样本估计总体时更准确，叫“无偏估计”。

标准差越小，说明数据越集中，产品一致性越好。我在做可靠性增长试验时，会特别关注标准差的变化。如果随着试验进行，标准差在缩小，说明工艺在稳定，这是个好信号。

3.3 分布形状：数据长啥样

集中趋势和离散程度描述了数据的位置和宽度，但形状也很重要。两个数据集可能有相同的均值和标准差，但一个对称，一个偏斜，那背后的失效机理可能完全不同。

3.3.1 偏度（Skewness）

衡量数据分布不对称的程度和方向。

• 正偏（右偏）：尾巴拖在右边。均值大于中位数。常见于早期失效期，大部分产品寿命长，少数短命。
• 负偏（左偏）：尾巴拖在左边。均值小于中位数。常见于耗损失效期，大部分产品寿命到了，少数长寿。
• 零偏：对称分布。比如正态分布。

偏度的绝对值越大，不对称越严重。一般|偏度| > 1，就算明显偏斜了。

3.3.2 峰度（Kurtosis）

衡量数据分布的“尖峭”或“平坦”程度，说白了就是尾巴有多厚。

• 高峰度（尖峰）：数据集中在均值附近，但尾巴厚，极端值多。比如某些电子元件的突发失效。
• 低峰度（平峰）：数据分布比较均匀，尾巴薄。
• 常峰度：跟正态分布一样，峰度值为3（有些软件会减去3，得到超额峰度）。

峰度大，意味着你要小心极端值。我在做加速寿命试验时，如果发现峰度异常高，会先检查是不是有测试错误，或者是不是有新的失效模式出现了。

3.4 数据可视化：一图胜千言

数字再精确，也不如一张图直观。我每次拿到新数据，第一件事就是画图。这里介绍两个最常用的。

3.4.1 直方图（Histogram）

把数据分成若干区间，每个区间画一个柱子，高度表示落在该区间的数据个数或频率。

直方图能直观展示数据的分布形状：是单峰还是双峰？对称还是偏斜？有没有异常间隔？

举个例子，我做过一批继电器的失效时间分析。直方图画出来是双峰的，一个峰在1000小时，一个在5000小时。后来一查，原来是两个不同供应商的批次混在一起了。你看，一张图就发现了问题。

# Python示例：画直方图
import matplotlib.pyplot as plt
import numpy as np

# 模拟一批失效时间数据（单位：小时）
data = np.random.weibull(1.5, 100) * 1000

plt.hist(data, bins=15, edgecolor='black', alpha=0.7)
plt.xlabel('失效时间 (小时)')
plt.ylabel('频数')
plt.title('失效时间直方图')
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()

3.4.2 箱线图（Box Plot）

箱线图展示五个统计量：最小值、第一四分位数（Q1）、中位数、第三四分位数（Q3）、最大值。箱体从Q1到Q3，中间一条线是中位数。箱体外的“须”延伸到非异常范围内的最远点，超出须的点就是异常值。

箱线图的优势在于：

• 可以同时比较多个组的数据。
• 能清晰识别异常值。
• 不受极端值影响，稳健性好。

我在做不同温度下的可靠性对比时，最喜欢用箱线图。把25℃、50℃、75℃三组数据并排画出来，中位数、离散程度、异常值一目了然。

# Python示例：画箱线图
import matplotlib.pyplot as plt
import numpy as np

# 模拟三组数据
data1 = np.random.normal(1000, 100, 50)
data2 = np.random.normal(1200, 150, 50)
data3 = np.random.normal(800, 200, 50)

plt.boxplot([data1, data2, data3], labels=['25°C', '50°C', '75°C'])
plt.ylabel('失效时间 (小时)')
plt.title('不同温度下的失效时间箱线图')
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()

3.5 知识体系总览

下面这张图，把本章的核心逻辑串起来了。你可以把它当作一个检查清单：拿到数据后，按这个顺序走一遍，心里就有数了。

好了，这一章的内容就这些。记住，描述性统计不是终点，而是起点。把数据看透了，后面的建模、推断才能站得住脚。下次拿到数据，别急着跑模型，先画两张图，算几个数，跟数据“聊聊天”。

---