物数据检测后，对所收集的数据进行科学分析和结果判定显得尤为重要。接下来，让我们一同探讨一些常用的统计概念。
算术均值（M）：此概念用于衡量观测值分布的中心趋势或集中程度。它最适合描述对称分布观察值的情形，但会受到非对称性分布（形状）和极值的影响。简单来说，算术均值即为样本数据之和除以数据的个数。
几何均值（GM）：几何均值是通过将每个数值取对数后求和，再取反对数得到。
中位数：作为观测值中心趋势的另一种度量方式，中位数在数据分布不均或存在异常值时，往往能更准确地代表数据的中心位置。若数值个数为奇数，中位数为第(n+1)⁄2个值；若为偶数，则取中间两个数值的算术平均值。
极差：极差描述了样本中最大值与最小值之间的差异，是衡量样本变异的另一种度量方式。当样本量适中或较大时，需谨慎使用此指标，因为最小值和最大值通常波动性较大。通常来说，样本的标准差能更准确地描述数据的离散程度。
方差与标准差：方差用于描述样本数据的变异度，其计算公式为观测值与其均值的差方和再除以自由度。而标准差，也称为标准偏差，是方差的正平方根。
标准误差：此概念用于描述样本统计量（如样本均值）的抽样分布离散程度。它反映了样本统计量与总体参数之间的差异程度，是衡量样本均值变异性的重要指标。标准误差越小，说明样本统计量越接近总体参数，估计的精确度越高。
变异系数：变异系数用于描述数据的相对离散程度，它是标准差与均值的比值，通常以百分数的形式呈现。此指标有助于比较不同数据集的离散程度，特别是在数据集的均值差异较大的情况下。
Z-分数：Z-分数衡量单个数据点与数据集平均值之间的差异，单位为标准差。又被称为标准分数或离均差，Z-分数表示数据点与平均值的距离。
残差：残差反映了观测值与模型预测值之间的差异，是评估回归模型拟合优度的重要手段。通过分析残差，可以检查模型假设是否得到满足，如线、误差项的独立性等。残差图则是在图中绘制残差，常用于模型构建后的诊断。
置信区间：此概念用于表示对未知总体参数的估计范围。置信区间的宽度取决于样本大小、样本变异性（标准差或方差）以及所选的置信水平，如90%、95%和99%等常见水平。
正态分布：正态分布又称高斯分布，其概率密度函数曲线呈现特定的形状。
自由度：在统计学中，自由度指的是在以样本统计量估计总体参数时，样本中能自由变化的变量的个数。例如，在计算样本方差时，若样本大小为n，则其自由度为n−1。
有效数字：在进行计算和报告值时，需考虑用于计算的数字位数和报告值中的数字位数。为减小总体误差，中间计算结果的修约处理至关重要。报告值的有效数字位数与方法的精密度相关，精密度越高，需要保留的有效数字位数越多。
异常值的处理：当观测到的分析结果与预期结果存在较大差异时，此类结果被称为异常值或离群值。对于这类结果，应进行记录、解释和处理。在存在异常值时，需进行系统的实验室和生产过程调查，以确定异常原因，并据此决定是否剔除异常数据。