标准差和标准误：区别在哪（附例子）

标准差和标准误长得像，报告里经常被混用。本文讲清两者各衡量什么，用三种样本量下的客单价示例和一个转化率例子演示计算，并列出常见误区。

一句话说清区别

标准差（SD）说明单个数值有多分散。标准误（SE）说明你对平均数的估计有多精确。

标准差是数据本身的属性；标准误是你这个估计的属性，数据越多它越小。有人问「我们的客户差别有多大？」，要看标准差；问「我们对这个平均值有多大把握？」，要看标准误。

公式

标准差 SD = √( Σ(x − 平均数)² ÷ (n − 1) )
平均数的标准误 = SD ÷ √n
比例的标准误 = √( p × (1 − p) ÷ n )

关键在 √n。想让标准误减半，需要四倍的观测量。标准差不会这样随 n 变化：数据多了，只是把同一个分散程度估得更准。

一个例子：平均客单价

一家店的订单平均 $52，标准差 $30（示例数字）。订单数增加时，标准误这样变化：

• 100 笔：SE = 30 ÷ 10 = $3.00。95% 置信区间是 $52 ± $5.88，即 $46.12 到 $57.88。
• 400 笔：SE = 30 ÷ 20 = $1.50，区间 $49.06 到 $54.94。
• 1,600 笔：SE = 30 ÷ 40 = $0.75，区间 $50.53 到 $53.47。

标准差一直在 $30 左右：顾客之间的差别并没有变小。变化的是你对平均数的把握。

转化率的版本

对比率来说，分散程度由比率本身决定。2,500 个访客、转化率 4% 时：

• SE = √(0.04 × 0.96 ÷ 2,500) ≈ 0.0039，也就是 0.39 个百分点
• 95% 区间：4% ± 0.77 个百分点，大约 3.23% 到 4.77%

所以在 2,500 个访客上，从 4.0% 涨到 4.3% 完全在噪声范围内。见统计显著性。

放在一起对比

下表总结了什么时候该报哪一个。

误差线每次都要标注：±SD 和 ±SE 可能差十倍以上。

常见误区

• 用标准误描述客户。 「客单价 $52 ± $1.50」会让人以为客户都差不多，其实差别大得多。描述差异用标准差。
• 平均数的误差线用标准差。 ±SD 的误差线看起来很长，会把平均数之间真实的差别盖住。用标准误或置信区间，并写明是哪一种。
• 不说画的是哪一个。 误差线一定要标注。
• 忘了偏态。 订单金额这类长尾数据，平均数和标准差都可能误导，见平均数和中位数。样本大时平均数的标准误还算可用，但离群值会让它不稳定。
• 忽略数据是怎么抽样的。 公式假设每个观测相互独立。同一个访客的多次会话并不独立，见数据抽样。

从 TapCub 拿到输入数据

算比率只需要分子和分母：从 网站统计 › 目标 取转化数和访客数，或者用 全端分析 里漏斗每一步的人数。算平均数，打开 全端分析 › 行为分析 › 行为分析，选订单金额这类属性，算法选均值；标准差用订单系统或数据仓库里的逐笔金额来算。然后套上面的公式，或者用 p 值比较两组。