在统计学中，标准统计和百分位数是两个不同的概念和计算方法，所以它们应该给出不同的结果。

标准统计是用来描述数据集的中心趋势和离散程度的指标，常见的标准统计有均值、中位数和标准差等。标准统计的计算方法是对数据集中的所有数据进行计算，以得出一个代表性的数值。

而百分位数是用来描述数据集中某个特定百分比位置的值，常见的百分位数有中位数、四分位数等。百分位数的计算方法是将数据集按照大小排序，然后根据百分位数的定义来确定对应位置的值。

下面是一个使用Python代码示例来计算标准统计和百分位数的方法：

import numpy as np

# 生成一个示例数据集
data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

# 计算均值
mean = np.mean(data)
print("均值:", mean)

# 计算中位数
median = np.median(data)
print("中位数:", median)

# 计算标准差
std = np.std(data)
print("标准差:", std)

# 计算百分位数
percentile = np.percentile(data, 75)
print("75%百分位数:", percentile)

输出结果为：

均值: 5.5
中位数: 5.5
标准差: 2.8722813232690143
75%百分位数: 7.25

从上面的示例可以看出，标准统计和百分位数给出了不同的结果。均值和中位数都是描述数据集的中心趋势，而标准差描述了数据的离散程度。而百分位数则是描述了数据集中某个特定百分比位置的值。这些指标提供了不同的信息，因此它们应该给出不同的结果。