第二章：统计基础——总体与样本、均值与极差、正态分布与3σ原则、过程能力指数Cp/Cpk概念

各位好，我是老张。在工厂里摸爬滚打了十几年，从产线技术员一路干到质量经理，说实话，SPC 是我用过最趁手的工具之一。但很多新人一上来就被那些统计术语吓住了。

其实没那么玄乎。今天这一章，咱们就把 SPC 背后的几个核心统计概念掰开揉碎了讲。你只要搞懂这几个东西，后面学控制图、算能力指数，就跟喝水一样简单。

2.1 总体与样本：你不可能测完所有产品

先问个问题：你生产了 10 万个螺丝，能一个个全量检测吗？

理论上可以，但现实中没人这么干。一是成本受不了，二是时间不允许。这时候就需要「抽样」。

• 总体：你关心的所有对象。比如今天生产的 10 万个螺丝。
• 样本：从总体中抽出来的一部分。比如每 1 小时抽 5 个螺丝。

我个人习惯，抽样时一定要随机。别只挑好看的，也别只挑难看的。我在项目里见过一个兄弟，为了数据好看，专挑合格品测，结果控制图一片大好，到了客户手里批量退货。嗯，这就是典型的「样本不代表总体」。

2.2 均值与极差：最简单的两个统计量

你拿到一组数据，比如 5 个螺丝的直径：10.01, 10.02, 9.99, 10.00, 10.03。怎么描述它们？

均值（X̄）：就是平均数。把所有数加起来除以个数。

均值 = (10.01 + 10.02 + 9.99 + 10.00 + 10.03) / 5 = 10.01

极差（R）：最大值减最小值。反映数据的波动范围。

极差 = 10.03 - 9.99 = 0.04

为什么我偏爱这两个指标？因为简单、直观。你想想看，在产线上，工人师傅不需要懂复杂的方差计算，他只要看一眼均值有没有偏，极差有没有变大，就能判断过程稳不稳。

2.3 正态分布与3σ原则：数据的自然规律

你见过那个中间高、两边低的钟形曲线吗？那就是正态分布。自然界里很多现象都服从这个规律——人的身高、产品的尺寸、测量的误差。

正态分布有两个参数：

• μ（均值）：曲线的中心位置。
• σ（标准差）：曲线的胖瘦程度。σ 越小，数据越集中。

这里有个非常重要的结论——3σ原则：

• 落在 μ ± 1σ 范围内的数据，约占 68.3%
• 落在 μ ± 2σ 范围内的数据，约占 95.5%
• 落在 μ ± 3σ 范围内的数据，约占 99.7%

说白了，如果过程稳定，1000 个产品里只有 3 个会跑到 ±3σ 外面去。这就是 SPC 控制图的理论基础——一旦有点跑出控制限，说明过程发生了异常。

2.4 过程能力指数 Cp/Cpk：你的过程到底行不行？

客户给了你一个公差范围，比如 10 ± 0.05 mm。你的过程生产出来的产品，到底能不能满足这个要求？这时候就要算过程能力指数。

Cp：只看过程的潜在能力，不考虑是否偏中心。

Cp = (USL - LSL) / (6σ)

其中 USL 是上规格限，LSL 是下规格限。Cp 越大，说明过程越「瘦」，波动越小。

Cpk：既看波动，也看是否偏中心。

Cpk = min( (USL - μ) / (3σ), (μ - LSL) / (3σ) )

行业里一般要求 Cpk ≥ 1.33。什么意思？就是你的过程波动只占公差的 75% 左右，留了点余量。

2.5 知识体系总览

下面这张图，把本章的核心逻辑串起来了。你一看就明白：

2.6 本章小结

好了，这一章的内容就这些。总结一下：

• 总体是全部，样本是局部。抽样要随机，样本要代表总体。
• 均值看中心，极差看波动。两个指标配合使用。
• 正态分布是自然规律，3σ 原则是控制图的理论基石。
• Cp 看潜力，Cpk 看实际。Cpk ≥ 1.33 是行业通用要求。

这些概念，你不需要背公式，但一定要理解它们背后的逻辑。后面学控制图、算能力，全都要用到它们。

---