正态分布入门：为什么钟形曲线是质量的命根子

一、先讲个现象

你量 100 根轴的直径，会得到一堆数字：25.01、24.99、25.02、25.00……把它们按大小排，画成柱状图，会发现一个规律：中间的数值最多，往两边（偏大或偏小）越来越少，连起来就是一条中间高、两边低、左右对称的"钟形"曲线。

这条曲线，统计上叫正态分布（Normal Distribution），质量人天天跟它打交道。

二、核心知识点拆解

2.1 正态分布长什么样

正态分布由两个参数决定：

• 均值 μ（mu）：曲线的中心位置，决定"峰值在哪"。
• 标准差 σ（sigma）：曲线的"胖瘦"，决定"散得开不开"。σ 越小，曲线越瘦高，数据越集中；σ 越大，越矮胖，波动越大。

公式你不用背，但要知道它长这样（密度函数）：

``` f(x) = 1/(σ·√(2π)) · e^(-(x-μ)²/(2σ²)) ```

重点不是公式，是形状：对称、单峰、拖尾。绝大多数自然和工业过程，在受控状态下，测量值都近似长这样。

图 1 · 三条正态分布叠加图。μ 相同（都在 25.0），σ 分别为 0.01（瘦高）、0.02（中等）、0.04（矮胖），用深蓝/金橙/灰三色。图注："同样的中心，σ 越大越容易踩到规格限"。

2.2 为什么偏偏是正态

很多工序的波动，是大量微小随机因素叠加的结果（材料、温度、振动、刀具磨损…），根据"中心极限定理"，这种叠加往往趋向正态分布。

但要提醒一句：正态不是天经地义。非正态过程（比如寿命数据常偏态、计数数据走泊松）硬套正态模型会出大错。什么时候正态、什么时候不是，后面 MSA 模块会讲正态性检验。

2.3 钟形曲线能帮我们算什么

控制限、能力指数、不合格率，本质都是在正态假设下做"面积（概率）"计算：

• 落在 μ±1σ 内 ≈ 68.27%
• 落在 μ±2σ 内 ≈ 95.45%
• 落在 μ±3σ 内 ≈ 99.73%

控制图取 ±3σ 作界限，就是赌"正常波动有 99.73% 概率在区间内"，超出就高度可疑。

图 2 · μ±1/2/3σ 三段阴影面积图，标注 68.27% / 95.45% / 99.73%，最外层两侧尾部分别标 "0.135%" 左右。图注："3σ 之外，每千件约 2.7 件，这就是控制图的底气"。

三、车间真实计算：一批轴的合格概率

假设某轴径规格 25.00 ± 0.05 mm，过程稳定，μ=25.00，σ=0.015 mm。

落在区间 [24.95, 25.05] 即 ±0.05/0.015 ≈ ±3.33σ 内。查正态表（或用 Z 值）：

• Z = 3.33 对应单侧尾概率约 0.00043（0.043%）
• 双侧不合格率 ≈ 0.043% × 2 = 0.086%，即约 860 PPM

如果哪天 σ 偷偷变大到 0.025，Z 变成 ±2.0，双侧不合格率飙升到约 4.55%（45500 PPM）——波动翻倍，废品涨五十倍。这就是为什么 SPC 死盯 σ。

图 3 · 正态曲线 + 规格限 ±0.05 阴影，标注 σ=0.015 时两侧薄尾 vs σ=0.025 时厚尾对比。图注："σ 翻倍，PPM 涨 50 倍"。

四、常见误区提醒

1. 以为"数据差不多"就是正态。眼看着对称不代表真正态，得用检验（P-P 图、Anderson-Darling）确认，尤其能力分析前。
2. 把σ当"误差"，越小越好就猛压。σ 小是好事，但压 σ 要靠系统改进，不是改个设定糊弄过去。
3. 用正态模型硬套一切数据。计数、寿命、偏态过程套正态会严重低估尾部风险。

五、小结 & 互动提问

正态分布就是质量的"通用语言"：控制限、能力、PPM 全在它身上算。理解"中心靠 μ、胖瘦看 σ"，后面所有公式都好懂了。

互动提问：你手头最近一批关键尺寸，σ 大概多大？把它和规格公差一比，就能粗略估出这批的 PPM——不妨算算看。