统计基础回顾：正态分布、标准差、均值、Z-score、百分位数
先聊点大实话。
做质控，追根溯源，你就是在跟数据的性格打交道。数据脾气稳定，阈值就设得窄；数据飘忽不定，阈值就得放得宽。
我刚开始做质检那会儿，觉得只要均值达标就行了。结果呢？有一次抽检均值完全合格，但批次里掺杂了大量超标品，差点被客户拉黑。
扎心了是吧？
所以，这一章我把几个最核心的统计概念掰开来，重新揉一遍。你不需要成为统计学博士，但得懂它们真正用在刀刃上的地方。
均值 —— 数据的重心
很多人觉得均值太初级了，没啥可说的。
但我个人习惯，拿到任何批数据，第一件事永远是算均值。均值告诉你这批货的“重心”在哪。工序如果跑偏，均值会第一个告诉你。
举个例子：某轴径设计值 10.00mm，你连续测了50件，均值 9.98mm。直觉告诉你偏小了，但偏了多少？差 0.02mm。是不是必须调机？不一定。这就得看你的容差和下一个指标 —— 标准差。
标准差 —— 波动的标尺
标准差这东西，说白了就是告诉你数据有多散。
我记得有一次帮一家供应商复盘，他们的均值一直压得很稳，但客户投诉不断。我一看标准差，比正常值大了3倍。
为什么？
因为每件产品的个体差异太大了。即使均值靠近目标，但件与件之间的离散度已经超出了客户能接受的范围。
标准差的公式大家都会背：
σ = sqrt( Σ(xi - x̄)² / n ) # 总体标准差
s = sqrt( Σ(xi - x̄)² / (n-1) ) # 样本标准差，更常用这里有个坑，我踩过。计算样本标准差时，分母用 n 还是 n-1？
- 总体标准差 (n)： 你测了整批所有产品，一个不落。比如批量 1000件，你全检了。这时候用 n。
- 样本标准差 (n-1)： 你只抽了一部分，比如从1000件里抽出50件。这时候用 n-1，因为样本会低估总体的离散程度，减1是为了校正。
很多现场工程师直接套用Excel的 STDEV.P 和 STDEV.S 搞混，结果CpK算出来虚高。我见过不止一次。
正态分布 —— 自然的馈赠
正态分布为什么在质控里这么重要？
你想想看，很多自然过程、制造过程的误差，都符合一个规律——靠近目标值的占大多数，偏离越远出现概率越低。
这就是正态分布说的：
f(x) = 1/(σ√(2π)) · exp(-(x-μ)²/(2σ²))当然，现场没人天天手算这个。但你得记住68-95-99.7规则：
| 区间 | 包含数据的比例 | 质控含义 |
|---|---|---|
| μ ± 1σ | 约68.27% | 日常波动的大致范围 |
| μ ± 2σ | 约95.45% | 轻微异常，需关注 |
| μ ± 3σ | 约99.73% | 超出这个范围，大概率是异常 |
所以很多质控图的上下警戒线就直接取 μ ± 3σ。这不是拍脑袋定的，是有统计依据的——正常数据落在3σ外的概率不到0.3%。
Z-score —— 去量纲的魔法
Z-score 的核心，说白了就是标准化。
它把不同尺度、不同单位的数据拉到同一个评分体系里。公式极其简单：
Z = (x - μ) / σ什么意思？
- Z = 0：数据刚好等于均值
- Z = 1：数据比均值大1个标准差
- Z = -2：数据比均值小2个标准差
这个操作在多工序、多设备的联合监控里，极其重要。
我以前接一个项目，五条产线测同一个指标，但五台仪器的量程完全不同，没法直接比较。用Z-score一算，所有数据归一化到同一个坐标系，异常点一目了然。
实战习惯： 我习惯在动态阈值系统中，把实时数据转成 Z-score，然后设定 |Z| > 3 作为触发报警的条件。这样既能跨设备、跨工序统一标准，又能避免因为均值漂移导致的误报。
百分位数 —— 百战百胜的利器
百分位数这个概念，说白了就是——把数据从小到大排个队，站在第p个百分位置的值就是第p百分位数。
为什么我要特别推荐百分位数？
因为它对异常值不敏感。均值和标准差容易被几个极端值牵着鼻子走，但百分位数不会。
举个例子：
数据组A: 10, 11, 10.5, 12, 11.5, 10.8
数据组B: 10, 11, 10.5, 12, 11.5, 10.8, 200 # 多了一个异常值200
均值 A ≈ 10.97
均值 B ≈ 38.0 # 被200冲上去了
第95百分位数 A ≈ 12
第95百分位数 B ≈ 200 # 不对，第95百分位数还是会变化的，但比均值稳定我平时做设备健康度评估，直接看99.5%分位数做触发阈值。为什么？因为极端值管控才是质控的重灾区，百分位数能精准告诉你“最差的5%长什么样”。
一张图理清关系
下面这张图覆盖了本章全部核心概念的关系，你直接存着用。
这张图我画了好几次才满意。横轴标注了Z-score从-3到+3七个点，曲线下方对应每个标准差区间包含的数据比例。百分位数则直接对应每个Z-score位置的分位值。
举个例子：Z = -1.96 对应的百分位数大约是 2.5%，Z = 1.96 对应 97.5%。这在设定质控上下限时非常实用。
实操中如何选？
来，我给你一个决策清单，现场直接对着用：
- 数据服从正态分布： 直接用均值 ± kσ (k取2或3) 做阈值，配合Z-score做标准化。
- 数据明显偏态： 改用百分位数，比如 P0.5 和 P99.5 作为上下警戒线。
- 需要跨工序比较： 必须用Z-score，消除量纲影响。
- 需要捕捉极端异常： 百分位数是首选，因为它不会被主体数据带偏。
一段话总结
均值告诉你在哪，标准差告诉你有多散，正态分布告诉你理论规律，Z-score让你跨域可比，百分位数则给你最稳健的极端值评价。
这五个概念，就是质控动态阈值的五大基本功。后面每一章都会反复用到它们，特别是实时监控和阈值自动调整的时候。
先把它们刻在脑子里，往下走都是真刀真枪的实战。