均值：表示一系列數據或統計總體的平均特征的值。
統計學術語，與“平均”（Average）意義相同。例如： l、3、6，10、20這5個數的均值是8。也同期望。
中值[midpoint]
組距的上下限之算術平均數 [median] 是在一組數據中居於中間的數(特別注意的地方是：這組數據之前已經經過升序排列！！！)，即在這組數據中，有一半的數據比它大，有一半的數據比它小。如果這組數據包含偶數個數字，中值是位於中間的兩個數的平均值。
標准離差 = 標准差 = 均方差
標准差（Standard Deviation） ，也稱均方差（mean square error），是各數據偏離平均數的距離的平均數，它是離均差平方和平均后的方根，用σ表示。標准差是方差的算術平方根。標准差能反映一個數據集的離散程度。平均數相同的，標准差未必相同
http://baike.baidu.com/view/1024670.htm
標准計算公式 假設有一組數值X1,X2,X3,......Xn（皆為實數），其平均值為μ，公式如圖1.
標准差也被稱為標准偏差，或者實驗標准差，公式如圖2。
圖2
*（在window7自帶的計算器中有個統計模式）其中
這個符號就是計算標准差
概率密度的數學定義
對於隨機變量X，若存在一個非負可積函數p(x)(﹣∞ < x < ﹢∞)，使得對於任意實數a, b(a < b)，都有（公式如右圖）
則稱p(x)為X的概率密度。
正態分布
正態分布（normal distribution）又名高斯分布（Gaussian distribution），正態分布是一種概率分布。正態分布是具有兩個參數μ和σ2的連續型隨機變量的分布，第一參數μ是遵從正態分布的隨機變量的均值，第二個參數σ2是此隨機變量的方差， 所以正態分布記作N(μ，σ2 )。遵從正態分布的隨機變量的概率規律為取 μ鄰近的值的概率大 ，而取離μ越遠的值的概率越小；σ越小，分布越集中在μ附近，σ越大，分布越分散。正態分布的密度函數的特點是：關於μ對稱，在μ處達到最大值，在正 （負）無窮遠處取值為0，在μ±σ處有拐點。它的形狀是中間高兩邊低 ，圖像是一條位於x 軸上方的鍾形曲線。 當μ＝0，σ2 ＝1時，稱為標准正態分布，記為N（0，1）。μ維隨機向量具有類似的概率規律時，稱此隨機向量遵從多維正態分布。多元正態分布有很好的性質，例如，多元 正態分布的邊緣分布仍為正態分布，它經任何線性變換得到的隨機向量仍為多維正態分布，特別它的線性組合為一元正態分布。。
正態分布的特征：
1、集中性：正態曲線的高峰位於正中央，即均數所在的位置。
2、對稱性：正態曲線以均數為中心，左右對稱，曲線兩端永遠不與橫軸相交。
3、均勻變動性：正態曲線由均數所在處開始，分別向左右兩側逐漸均勻下降。
4、正態分布有兩個參數，即均數μ和標准差σ，可記作N（μ，σ）：均數μ決定正態曲線的中心位置；標准差σ決定正態曲線的陡峭或扁平程度。σ越小，曲線越陡峭；σ越大，曲線越扁平。
5、u變換：為了便於描述和應用，常將正態變量作數據轉換
http://wiki.mbalib.com/wiki/%E6%AD%A3%E6%80%81%E5%88%86%E5%B8%83
方差
方差是各個數據與平均數之差的平方的平均數。在概率論和數理統計中，方差（英文Variance）用來度量隨機變量和其數學期望（即均值）之間的偏離程度。
http://baike.baidu.com/view/172036.htm
如下面的例子： 已知某零件的真實長度為a，現用甲、乙兩台儀器各測量10次，將測量結果X用坐標上的點表示如圖： 甲儀器測量結果：
乙儀器測量結果：
兩台儀器的測量結果的均值都是 a 。但是用上述結果評價一下兩台儀器的優劣，很明顯，我們會認為乙儀器的性能更好，因為乙儀器的測量結果集中在均值附近。