3. GR&R的统计基础
GR&R 之所以能判断“测量系统能不能用”，靠的不是经验，而是一套统计语言。这套语言的核心只有几个量：均值、极差、方差、标准差，以及它们背后的正态分布假设。理解它们，才能看懂后面 GR&R 报表里那些百分比到底在说什么。
一、均值与极差：描述一组测量最直接的两个数
假设用同一把数显卡尺，对同一个标准件重复测量 5 次，得到（单位 mm）：
10.02 10.03 10.01 10.04 10.00均值是这 5 个数的算术平均：
x̄ = (10.02+10.03+10.01+10.04+10.00) / 5 = 10.020 mm均值反映的是“测量结果落在哪里”，也就是测量系统的位置（准确度）倾向。但它掩盖了波动——两组数据均值可能完全相同，波动却差很多。
极差是最大值减最小值：
R = 10.04 − 10.00 = 0.04 mm极差反映的是“测量结果散得有多开”，也就是波动（精密度）。极差计算极简单，在 GR&R 中大量使用：均值极差法（Average and Range 法）就是靠每个操作者、每个零件的极差来估计重复性。但极差只用到两个极端值，样本量越大越容易受偶然值影响，所以它适合小样本（通常 n=2~5），大样本时更依赖标准差。
二、方差与标准差：波动的标准度量
极差只用了两个数，方差则用上了全部数据。样本方差定义为各数据与均值之差的平方和，除以自由度（n−1）：
s² = Σ(xi − x̄)² / (n−1)代入上面 5 个数据，离差平方和约为 0.001，除以 4 得 s² ≈ 0.00025 mm²。方差单位是“平方毫米”，不直观，所以通常开方得到标准差：
s = √0.00025 ≈ 0.0158 mm标准差与原始数据同单位，是描述波动最常用的量。GR&R 中反复出现的 EV（重复性）、AV（再现性）、PV（零件变差）、GRR，本质上都是标准差，只是来源不同。注意：方差可以相加，标准差不能直接相加，必须先平方再合成——这是后面方差分量分解的关键。
三、正态分布：GR&R 的隐含前提
GR&R 的置信区间、F 检验、方差分量估计，都默认测量误差近似服从正态分布。正态分布由均值 μ 和标准差 σ 完全确定，约 99.73% 的数据落在 μ±3σ 内。因此“重复性 = 0.0158 mm”可以理解为：同一条件下重复测量，约 99.7% 的结果会落在均值附近 ±0.047 mm 内。
如果数据严重偏态、存在离群点或测量值被截断（如卡尺分辨率不够），正态假设不成立，GR&R 的百分比会失真。所以分析前应先看极差图、均值图是否受控，必要时做正态性检查。
四、方差分量与变差来源分解
这是 GR&R 统计基础中最关键的一步。总变差（TV）可以分解为两部分：
TV² = GRR² + PV²
GRR² = EV² + AV²其中 EV 是设备变差（重复性），AV 是评价者变差（再现性），PV 是零件间变差。注意公式里用的是方差（标准差的平方），因为只有方差才满足可加性。实际计算时，先由极差均值 R̄ 除以 d₂* 系数得到各标准差，再平方合成，最后开方得到 GRR 和 TV。
变差来源可以这样理解：
- 重复性 EV：同一人、同一零件、同一量具、短时间内多次测量的波动，来自量具本身、夹具、环境、读数。
- 再现性 AV：不同操作者使用同一量具测量同一零件时，均值之间的差异，来自人的手法、习惯、培训。
- 零件变差 PV：零件之间真实存在的尺寸差异，是“好”的变差，我们希望它大。
- GRR：EV 与 AV 的合成，代表测量系统自身的“噪声”。
判断标准通常看 %GRR = GRR / TV × 100%：低于 10% 可接受，10%~30% 视情况接受，超过 30% 需改进。这个百分比的分母是总变差，所以如果零件变差 PV 很小（零件本身很接近），%GRR 会被放大，此时应结合 ndc（可区分类别数）一起判断。
把上面这套关系串起来看：均值告诉你测量结果的位置，极差和标准差告诉你波动大小，正态分布给波动一个概率解释，方差分量则把总波动拆成“量具噪声”和“零件真实差异”。GR&R 报表里的每一个百分比，都是这几个量按平方和关系组合出来的结果。理解了分解逻辑，就不会再把 %GRR 当成一个孤立的数字，而能顺着 EV、AV、PV 找到问题真正出在哪一环。