3. 概率统计基础
统计公差分析之所以能替代“最坏情况法”给出更贴近现实的结论，根本原因在于它把尺寸偏差当作随机变量而不是确定值来处理。本节把这条数学链条从最基础的概念一直铺到统计公差分析的适用前提，为后续 RSS 计算和 Monte Carlo 仿真打地基。
一、随机变量：把“尺寸”变成可运算的对象
一个零件加工后的实际尺寸，在加工前无法精确预知，但它的取值落在某个范围内并服从一定规律，这样的量就是随机变量。若某轴径标注为 φ20±0.10 mm，则实际直径 X 是一个连续型随机变量，取值大致落在 [19.90, 20.10] 内。与之相对，一批零件中“不合格品件数”只能取 0、1、2… 这样的离散值，属于离散型随机变量。
区分连续与离散很关键：连续型随机变量用概率密度函数 f(x) 描述，某区间的概率等于密度曲线下面积；离散型用概率质量函数 P(X=x) 描述。公差分析中绝大多数尺寸、间隙、过盈量都是连续型，因此后续讨论以连续型为主。
二、概率分布：描述偏差“长什么样”
概率分布刻画随机变量取值的集中趋势与分散程度。工程中最常用的三种：
- 正态分布 N(μ, σ²)：钟形对称，由均值 μ 和标准差 σ 完全确定。加工尺寸在刀具磨损、热变形等大量微小独立因素叠加下，通常近似正态。
- 均匀分布 U(a, b)：在 [a, b] 内等概率。常用于只知道上下限、缺乏分布信息的场合，如某些来料抽检数据不足时的保守假设。
- 三角分布：在中心值处概率最大、向两端线性衰减。适合“最可能值 + 极限值”已知但样本很少的情形，例如新供应商首批件的尺寸估计。
选择哪种分布，直接决定统计公差的计算结果。若把实际近似正态的尺寸误设为均匀分布，会低估尾部概率，导致对合格率过于乐观。
三、均值与方差：位置与散布的度量
均值 μ = E(X) 表示分布的中心位置，反映加工尺寸的系统偏移；方差 σ² = E[(X−μ)²] 表示偏离均值的平均平方程度，其平方根 σ 即标准差，与尺寸同量纲，是公差分析中最核心的散布指标。
对于独立随机变量之和 Y = X₁ + X₂ + … + Xₙ，有两条极重要的性质：
E(Y) = E(X₁) + E(X₂) + … + E(Xₙ)
Var(Y) = Var(X₁) + Var(X₂) + … + Var(Xₙ) （各 Xᵢ 相互独立）
即 σ_Y = √(σ₁² + σ₂² + … + σₙ²)这正是 RSS（均方根）法的数学来源：尺寸链总偏差的标准差等于各组成环标准差的平方和开方，而不是简单相加。若各环不独立（例如同一台机床加工的多个尺寸存在共同偏移），协方差项不能忽略，RSS 会低估总散布。
四、正态分布与“±3σ”约定
正态分布下，μ±1σ、±2σ、±3σ 分别覆盖约 68.27%、95.45%、99.73% 的总体。工程上常把公差带 T 与 σ 建立关系：若某尺寸公差为 ±T/2 且过程中心与公差中心重合，则当 T = 6σ 时，理论不合格率约 0.27%（即 2700 ppm）。这就是“6σ 能力”的由来。反之，若已知公差带和过程能力指数 Cp = T/(6σ)，就能反推 σ，再代入 RSS 公式。
需要强调：正态假设并非天然成立。当工序存在明显偏态（如车削表面粗糙度、位置度）或截尾（超差件被剔除后剩余分布被“削平”），直接用正态公式会失真，此时应改用实测分布或 Monte Carlo 抽样。
五、中心极限定理：为什么“和”趋于正态
中心极限定理（CLT）指出：无论各独立随机变量本身服从什么分布，只要它们独立同分布且方差有限，当个数 n 足够大时，其和（或均值）的分布近似正态。这解释了为什么尺寸链总偏差即使由均匀、三角等非正态分量组成，其合成结果仍常可用正态近似处理——这也是 RSS 法在工程上广泛可用的理论依据。
但 CLT 是“近似”且要求 n 较大、分量独立。若尺寸链只有 2～3 环，或某一环的方差远大于其余各环（占主导），合成分布可能明显偏离正态，此时用正态尾部概率估计合格率会带来偏差，应谨慎或改用仿真。
六、统计公差分析的数学前提
把上述内容收拢，统计公差分析成立需满足以下前提，缺一不可：
- 随机性：各组成环尺寸是可建模的随机变量，而非固定值。
- 独立性：各环之间无强相关，否则须引入协方差或相关矩阵。
- 分布已知或可假设：每环的分布类型与参数（μ、σ）有依据，来自过程能力数据、历史批次或合理工程假设。
- 线性叠加：封闭环与组成环近似满足线性关系 Y = ΣξᵢXᵢ，ξᵢ 为传递系数（增环取 +1，减环取 −1）。非线性尺寸链需先线性化或直接仿真。
- 方差有限：保证 CLT 与方差合成公式可用。
把这条链条记住：随机变量 → 分布 → 均值/方差 → 方差合成 → 正态近似（CLT）→ 前提校验。后续无论是手算 RSS 还是搭建 Monte Carlo 模型，本质上都是在这条链条上取不同的近似程度。前提不满足时，仿真不是“更高级的选项”，而是唯一可靠的选择。