QE能力进阶（11）｜非正态数据的能力分析：变换、Box-Cox 与非参数方法
某机械加工企业向客户提交初始过程能力报告，特性是轴类零件的圆度。数据集中度看起来不错：大多数零件落在 8～12 μm，只有少数几件跑到 18～22 μm。QE 按常规公式算出 Cpk 只有 0.78，客户随即开出整改要求。工艺团队换了刀具、改了冷却参数、重新调了夹持方式，折腾两个月，数据形态依旧右偏，Cpk 还是 0.8 上下。真正的问题不在过程，而在算法：圆度、粗糙度、位置度、杂质含量这类"以 0 为物理下界、只能往一侧长"的特性天然右偏，硬套正态公式，算出的是一个既不真高、也不真低的数字。现场最容易出现的两种反应是——硬压过程去凑一个根本达不到的 Cpk，或者拿"数据不正态"当借口拒绝分析。两者都错。
一、原理要点：正态假设藏在哪一步
能力指数是把过程变差换算成不良率的中间工具。以双边特性为例：
Cp =（USL − LSL）/（6σ）
Cpk = min（USL − μ，μ − LSL）/（3σ）
这两个式子的隐含前提是数据服从正态分布。只有正态时，"μ ± 3σ"才对应 0.135% 的单侧超出率，Cpk 与不良率之间才有固定的换算关系：Cpk = 1.00 对应约 1350 PPM，1.33 对应约 32 PPM，1.67 对应约 0.29 PPM。
数据一旦偏斜，这个换算链条就断了。同样的 σ，偏态分布的尾部概率与正态的 0.135% 完全不对应：右偏且上规格限吃紧时，实际超出率会远高于指数暗示的水平（指数虚高，风险被低估）；而右偏但下界远离规格限时，指数又会明显偏低（指数虚低，过程被冤枉）。上面那家企业的圆度就是后一种——Cpk 0.78 的"不良率"换算出来是几千 PPM，而实测超出上限的比例不到 300 PPM。
处理非正态数据有三条互不排斥的路线：
变换法。把数据映射到近似正态的尺度上再算能力。Box-Cox 变换是标准工具：当 λ ≠ 0 时 y =（x^λ − 1）/ λ；当 λ = 0 时 y = ln x。λ 由极大似然估计确定，常见取值有明确含义：λ = 0 对应对数正态（寿命、粗糙度、尺寸偏斜量），λ = 0.5 对应平方根（计数、缺陷数），λ = −1 对应倒数（周期、速率）。形态更复杂时可用 Johnson 变换（SU、SB、SL 三族）。
分布拟合法。直接认定数据服从对数正态、Weibull（三参数）、Gamma 或指数分布，用拟合分布算出超出规格的概率，以 PPM 表示。
非参数（百分位）法。不假设任何分布，直接用经验分布算超出规格的比例。这是最通用的兜底手段，也是唯一不依赖分布假设的做法。
无论走哪条路，最终输出都建议换算成等效 Cpk：Cpk_eq = z_p / 3，其中 z_p 是实际单侧超出率 p 对应的标准正态分位数（双边特性取较差的单侧）。例如实测 PPM = 300，即 p = 0.0003，z_p ≈ 3.43，等效 Cpk ≈ 1.14。这样换算出来的指数才与真实不良率一一对应，才能拿去和客户的要求对齐。
二、实操五步：从形态判定到报告口径
第一步：判定数据形态。 能力研究建议样本量不少于 100 个连续数据，或 25 个子组（每组 4～5 件）。计算偏度、峰度，做 Anderson-Darling 正态性检验，同时画 Q-Q 图。判据：|偏度| ≤ 0.5、|峰度| ≤ 1.0、且 AD 检验 p ≥ 0.05，按正态路径处理，直接出常规 Cpk；只要 |偏度| > 1.0 或 AD 检验 p < 0.05 且 Q-Q 图明显弯曲，转入非正态路径。
第二步：尝试变换。 用极大似然搜索最优 λ，变换后重新做正态性检验。判据：变换后 AD 检验 p ≥ 0.05，且 λ 落在 −1～1 这个有工程可解释意义的区间，采用变换法；若 λ 落到 |λ| > 2 的极端值，或变换后仍 p < 0.05，放弃变换，转第三步。务必同步变换规格限（USL、LSL 用同一个 λ 代入），否则整个结果无效。
第三步：改为分布拟合。 候选分布取对数正态、三参数 Weibull、Gamma、指数，用 AD 统计量最小者作为首选。判据：选定分布的 AD 检验 p ≥ 0.05，且在上侧 5% 分位处的拟合偏差不超过 10%（尾部才是能力分析真正在意的区域，中位数拟合得再好也没用）。
第四步：非参数兜底与置信区间。 直接用经验分布统计超出上下规格限的件数，折算 PPM，再用 Bootstrap（重抽 1000 次）给出 95% 置信区间。判据：点估计 PPM 不超过客户目标值，且置信上限不超过目标值的 2 倍，判能力可接受；置信上限超过 2 倍目标，判能力不足，需要改进而非仅补报告。这里必须核对样本量：要谈 1000 PPM 量级的尾部，n 至少 1000 才有稳定估计（期望只有 1 个点落在尾部）；n 在 100～125 之间时，最多只报实测超出数与 PPM 点估计，不要报远端分位。
第五步：统一报告口径。 报告一页三件套：正态性检验结论（AD 统计量、p 值、Q-Q 图）、采用的方法与理由、实际 PPM 与等效 Cpk。判据：当正态算法与所选算法的结果相差超过 0.30 个 Cpk 单位时，两个数字都要列出，并明确写明"以实际 PPM 为决策依据"。
三、常见误区
误区一：剔除"异常值"把数据修成正态。 右偏数据里的孤立大值，恰恰是过程真实能力的证据。处理顺序应是先追溯原因：是毛刺未去净、量具分辨率不足（如分辨率大于公差的 1/10）、还是混入了不同批次的料。有明确原因的测量/记录错误可剔除并在报告中说明；无原因的极值一律保留。
误区二：变换了数据，忘了变换规格限。 这是最隐蔽也最常见的错误。变换只作用于数据列、规格限照抄原值，算出来的能力指数会离谱地好或离谱地差，而且从报告表面完全看不出来。
误区三：看到 p < 0.05 就宣布"数据不正态，做不了能力分析"。 AD 检验对样本量极其敏感：n 超过 1000 时，偏度只有 0.2 的轻微偏移也会被判为"显著非正态"。此时应看偏离程度：若 |偏度| ≤ 0.5 且 Q-Q 图基本贴着直线，可以继续按正态处理，并在报告中注明检验结果。非正态从来不是拒绝做能力的理由，只是要换算法。
误区四：用小样本做非参数尾部推断。 用 n = 30 的数据报 0.1% 分位或 1000 PPM 级的能力，本质是数字游戏——样本里根本不存在的尾部，不可能被估计出来。样本量与结论精度必须匹配。
误区五：把混批数据一起做形态判定。 多模具、多班次、两批原料混在一起，混合分布会伪装成非正态甚至双峰。此时拟合出的变换参数是错误的"混合伪影"。正确做法是先分层，看每一层是否各自近似正态，再决定是分层做能力还是合并做能力。
误区六：单边特性照抄双边公式。 粗糙度、清洁度、杂质含量只有上限，正确做法是按单侧超出率算等效 Cpk，不要人为编造一个下规格限来套双边公式。
四、自查清单
- 做能力分析前，是否计算了偏度、峰度并完成 AD 正态性检验，且保留 Q-Q 图？
- 若采用变换，规格限是否同步变换，λ 取值与选择依据是否写进了报告？
- 能力结论是否以实际不足率（PPM）为最终判据，而不是只抛出一个能力指数？
- 报告远端 PPM 时，样本量是否与结论精度匹配（n ≥ 1000）？
- 是否确认数据未混批（多模具、多班次、多批次），必要时已分层处理？
非正态不是不算能力，而是换一把尺子。
知识编号：6.3.2
版本：v20260921
作者：卓越质量智库 卓越质量智库致力于为质量管理从业者提供系统化的专业知识、方法论与实战工具，助力企业质量能力持续提升。