统计性歧视即个体的情况都被按其所属群体的平均情况而非个人特征来加以处理。
一个常见的例子是国家机构或企业筛选人员的依据是他们所上的大学。雇主可能发现从更好的学校毕业的人均生产率比较高；而且，由于各校评分标准不同，很难对各校学生的学习成绩进行评估和比较。因此，雇主更多地是根据他们毕业的学校而非成绩或实力来选择雇员。但如果进行一种更为细致的筛选就会发现，不太有名的学校的毕业生中也有许多优秀的工作者。这个例子中说明了基于学校平均质量的统计性歧视。
统计性歧视能够强化人们的成见，并能减弱某一群体中成员提高技能和积累经验的激励，所以它会导致经济的无效率。
可以分析一下一个上了一所不太有名的大学的普通学生的情况，他知道很大程度上雇主将根据其学校的质量或者是某一方面的技能（比如说英语）对她进行判断，而专业、学习成绩、所学课程难易程度、真正学到的东西、工作经验以及应聘岗位的核心要素都可能被忽视。结果，在面临统计性歧视时，个人会减少投资于那些提高专业知识含量、提高劳动技能、使自己成为更专业的雇员的活动（比如说职业技术水平认证）。
当统计性歧视涉及到固定群体、性别、民族、种族时，其危害更大。如果大多数雇主凭借社会某些现象所表现的负面影响而否定那一类人全体的素质，那么，那些有才能的个体不仅会被当作平均水平的工人对待，甚至莫名被排斥在某些工作领域之外，而且长此以往，他们自身也没有热情去提高他们的知识和技能水平。
统计性歧视在很多方面都可以看到，大多数国家普遍都存在这一现象。例如：传统上妇女被排除在工程师等数学能力要求较高的职业之外，结果妇女在报考学校核择业时容易倾向于人文社会科学，这个个结果反过来又会强化人们认为妇女对工程不感兴趣的成见。
统计性歧视不仅能将个人的群体特征类型化，而且还能减弱个人对教育和培训进行投资的激励，从而反过来又强化关于原有群体特征的成见。
歧视的偏好：无论厂商还是顾客都有一种“歧视的偏好”，或许在美国有些管理者就是不喜欢雇佣黑人；在一些国家有些销售人员就是有偏见，不想把货品卖给特定的人群，批评者认为最好是同义反复，说白了就是：“事情之所以这样，是因为人们想让它这样。”这种偏好在排斥性歧视现象中十分明显。
