4. 概率论与统计基础：正态分布、标准差、六西格玛、蒙特卡洛方法简介
各位，欢迎来到第四讲。
说实话，公差分析做到后面，你会发现它本质上就是个概率问题。你设计了一个透镜，图纸上标了±0.1mm的公差，但实际加工出来100个镜片，它们不会都刚好卡在±0.1mm的边界上。大部分会集中在某个值附近，只有少数会跑到边缘去。
那怎么描述这种“集中”和“离散”的程度？这就是我们今天要聊的——概率论与统计基础。
4.1 正态分布：自然界最普遍的规律
先看一个最常见的分布——正态分布。也叫高斯分布。
为什么它这么重要？因为自然界里大量随机现象都服从这个规律。比如加工误差、测量噪声、材料性能波动……你想想看，只要影响结果的因素足够多，且每个因素的影响都不大，总和就会趋近于正态分布。
正态分布的概率密度函数：
f(x) = (1 / (σ * √(2π))) * exp(-(x - μ)² / (2σ²))其中：
- μ —— 均值，决定分布的中心位置
- σ —— 标准差，决定分布的“胖瘦”
我在项目中遇到过一件事。有一次我们做一款车载镜头，供应商反馈说某个曲率半径老是超差。我让他们把100个镜片的实测数据拉出来，画了个直方图。一看，明显是个正态分布，均值偏了0.02mm，标准差0.015mm。问题一下就清楚了——不是工艺不稳定，是机床对刀偏了。调回来就解决了。
所以，看到数据先别急着骂供应商，画个分布图看看，往往能发现真相。
4.2 标准差与六西格玛
标准差σ，是衡量数据离散程度的核心指标。简单说，σ越小，数据越集中；σ越大，数据越分散。
在正态分布里，有一个非常实用的经验法则：
| 区间 | 包含数据比例 | 超出范围的概率 |
|---|---|---|
| μ ± 1σ | 68.27% | 31.73% |
| μ ± 2σ | 95.45% | 4.55% |
| μ ± 3σ | 99.73% | 0.27% |
| μ ± 6σ | 99.9999998% | 0.0000002% |
看到没？±3σ已经覆盖了99.73%的数据。也就是说，1000个零件里，只有不到3个会落在±3σ之外。
那六西格玛呢？说白了，就是追求极低的缺陷率。6σ水平意味着每百万次机会中只有3.4个缺陷。这个标准最早是摩托罗拉提出的，后来被通用电气发扬光大。
我的个人习惯：在光学公差分析里，我一般用±3σ作为设计公差。为什么？因为±3σ对应的合格率已经很高了，再往上收，成本会指数级上升。你非要做到±6σ，那加工费可能翻好几倍，得不偿失。
4.3 蒙特卡洛方法简介
好，现在问题来了。我们知道了每个零件误差服从正态分布，但系统是由多个零件组成的。比如一个镜头，有5个镜片，每个镜片有曲率、厚度、偏心、倾斜……这些误差叠加在一起，最终成像质量会怎样？
解析解？别想了。变量太多，而且它们之间可能还有相关性。这时候，蒙特卡洛方法就登场了。
蒙特卡洛方法，说白了就是“暴力模拟”。它的核心思想很简单：
- 给每个输入变量定义一个概率分布（比如正态分布，均值=名义值，标准差=公差/3）
- 从这些分布里随机抽取一组值
- 用这组值跑一次系统仿真，得到一个输出结果
- 重复步骤2和3，比如跑10000次
- 统计这10000个输出结果，看看它们的分布情况
嗯，这里要注意：抽样的次数很关键。抽太少，统计结果不可靠；抽太多，计算时间受不了。我个人经验是，对于光学系统，5000到10000次通常就够了。
我曾经踩过一个坑：有一次做投影镜头公差分析，我偷懒只跑了500次蒙特卡洛。结果算出来的良率是92%，信心满满地报了方案。结果试产时良率只有78%。后来一查，500次样本太小，统计波动太大。老老实实跑了10000次，结果和试产数据对上了。
所以，样本量别省，省了就是给自己挖坑。
4.4 知识体系总览
下面这张图，把本章的核心逻辑串起来了。你可以把它当作一个思维导图来看。
4.5 本章小结
总结一下今天的内容：
- 正态分布是描述加工误差的基本模型，记住μ和σ的含义
- 标准差σ决定了数据的离散程度，±3σ覆盖99.73%的数据
- 六西格玛追求极低缺陷率，但实际工程中要权衡成本和收益
- 蒙特卡洛方法是处理多变量公差分析的核心工具，通过大量随机模拟来预测系统输出
这些概念，后面每一章都会用到。尤其是蒙特卡洛方法，它是非序列系统公差分析的灵魂。你理解了它，后面的内容就顺了。