截断正态与折叠正态：质量管理中过程能力分析的两个隐藏陷阱

做质量管理这些年，我最常跟同行聊的一个话题是：数据明明看着像正态，算出来的过程能力却总觉得不对劲。后来发现，很多不对劲的根源不在仪器，不在样本量，而在于我们拿到的数据根本不是标准正态分布——“截断正态分布”和“折叠正态分布”才是真实车间里最常见的两张脸。这两兄弟藏在“正态分布族群”里，平时不起眼，一旦碰上全检合格品数据、偏差绝对值记录、超量程测量仪，它们就会跑出来主导结果。这篇文章就专门聊清楚这两个分布在质量管理里到底怎么用、什么时候用、用错了会怎样，以及怎么用Python和Excel把它们“治得服服帖帖”。适合质量工程师、工艺工程师、六西格玛绿带黑带，还有所有跟计量数据打交道的人。

1. 从“标准正态”到“正态族群”：质量管理绕不开的分布问题

1.1 为什么SPC和过程能力都建立在正态假设上

质量管理的看家本领，无非就是统计过程控制（SPC）和过程能力分析（Cp/Cpk）。这两样东西背后都站着一个共同的主角：正态分布。中心极限定理告诉我们，当过程受到大量微小、独立、随机因素影响时，测量值的分布会趋近钟形曲线。所以平均值的控制图用±3σ画控制限，过程能力用规格宽度除以6σ，这些都是默认数据服从正态分布才成立的。

但车间里的现实没这么干净。我做过的几个项目里，真正的原始数据几乎没见过教科书里那种完美对称的钟形。常见的两种情况是：数据两头被“切掉”了一部分，或者数据被“折叠”成了全是正数。前者对应截断正态分布，后者对应折叠正态分布。如果不把它们跟标准正态区分开，后面的所有计算都会跑偏。

1.2 现实中的两种“变异”：筛选后的截断与取绝对值后的折叠

先说截断。全检线上，超差品直接被剔除，记录在案的只剩下合格品；测量仪量程有限，超出量程的数据根本不显示；数据清洗时把“离群值”删掉。这些操作本质上都是把正态分布的左尾巴或右尾巴剪掉，剩下中间那段还得重新归一化，密度曲线会整体“抬高”，标准差会变小。

再说折叠。很多形位公差和偏差类质量特性，比如位置度、同轴度、圆度、跳动、表面粗糙度，测量结果天生只能是正值。工程师记录的时候通常取的是“偏离目标值的绝对值”，于是原本应该在0两侧对称分布的数据，左半边被掰到右边，在0附近形成一条竖着的“折痕”。这就是折叠正态分布。

1.3 一句话分清两者的区别

截断是“不要的扔掉”，折叠是“把负的掰正”。前者保留了样本的随机性，但丢掉了尾部信息；后者保留了所有信息，但改变了分布形状。这两个动作对统计量的影响完全不同，后续的估计方法也完全不同，下面两章分开讲透。

2. 截断正态分布：筛选之后的数据如何老实说话

2.1 数学定义与直观理解

设过程原本服从均值为 μ、标准差为 σ 的正态分布，但实际只记录了区间 [a, b] 内（比如规格下限到规格上限）的数据。这个条件分布就是截断正态分布，密度函数为：

f(x) = φ((x - μ)/σ) / [σ(Φ(β) - Φ(α))]，a ≤ x ≤ b

其中 α = (a - μ)/σ，β = (b - μ)/σ，φ 是标准正态密度，Φ 是标准正态累积分布函数。分母是截断区间内总概率，作用是让密度曲线下的积分重新回到 1。

直观理解可以这样想：原来钟形曲线两侧的尾巴，被切掉之后，它们那一小块概率按比例“摊”到保留区间里的每一个点上，所以保留区间的密度整体上升，图形看起来更“胖”、更集中。

2.2 截断对均值和方差的影响有多大

截断之后，条件期望不再等于 μ，条件是截断区间不对称或 μ 不在区间中心，期望就会往截断区间的中心靠。更关键的是方差。保留区间越窄，样本方差缩得越厉害。举例来说，如果只在 μ±1σ 区间内截断，那么截断后数据的标准差只有原始 σ 的约 54%，也就是缩减了将近一半。只在 μ±2σ 内截断，标准差约为原始 σ 的 91%。只在 μ±3σ 内截断，影响相对小，约为原始 σ 的 98.8%。

这意味着如果直接用截断后的样本标准差去算 Cp，结果会系统性虚高。你以为是过程能力不错，实际上是数据筛选造成的假象。

2.3 质量管理中的典型场景

全检后的合格品数据库是最典型的截断正态场景。假设某零件关键尺寸规格为 20±0.05 mm，车间做 100% 全检，超差品直接报废或返工，只有合格品的数据进入系统。后面做过程能力分析时，用的就是截断后数据。

第二个常见场景是测量设备量程受限。某台光学测量仪只能测 [0, 50] 范围内的尺寸，超过 50 显示“超出量程”。凡是量程边界附近的数据，都会产生截断效应。

第三个场景是被很多人忽略的：数据清洗时删除“离群值”。如果没有科学的判异准则，而是凭感觉把“看着不顺眼”的数据删掉，本质上就是在做截断，同样会扭曲后续的过程能力估计。

2.4 实战计算：从全检合格品数据反推真实过程能力

我整理一组模拟数据来说明完整思路。设某过程真实服从 X ~ N(20.000, 0.020²)，规格限为 [19.95, 20.05]，也就是上下各偏离 2.5σ。全检后，只有落在规格内的数据被记录。

第一步，计算截断区间的标准化边界：α = (19.95 - 20.000) / 0.020 = -2.5，β = 2.5。

第二步，计算截断后数据的条件方差。代入截断正态方差公式：

Var(X | 截断) = σ² * [1 + (αφ(α) - βφ(β)) / (Φ(β) - Φ(α))]

查标准正态表可得：φ(2.5) = 0.0175，Φ(2.5) = 0.9938，Φ(-2.5) = 0.0062，分母 Φ(β) - Φ(α) = 0.9876。

代入计算：(αφ(α) - βφ(β)) = (-2.5 × 0.0175) - (2.5 × 0.0175) = -0.0877；除以分母 0.9876 得 -0.0888；所以条件方差系数为 1 - 0.0888 = 0.9112；条件标准差 = 0.020 × √0.9112 ≈ 0.0191。

第三步，对比两种 Cp。直接用截断后样本标准差：Cp = (20.05 - 19.95) / (6 × 0.0191) ≈ 0.87。用真实过程标准差：Cp = 0.10 / (6 × 0.020) ≈ 0.83。虚高约 5%。如果规格收窄到 μ±1σ 的量级，虚高会超过 40%，那时候直接根据合格品数据做决策就非常危险。

注意：截断后均值在对称截断时仍等于 μ，但一旦规格中心与过程中心存在偏移，截断数据的均值会明显偏向规格中心。用合格品均值推断过程实际中心，会低估真实偏移量，这是很多隐蔽质量问题查不出来的原因之一。

3. 折叠正态分布：偏差幅度分析的正确打开方式

3.1 数学定义与直观理解

折叠正态分布在质量管理里更容易被忽视，因为很多测量记录直接就是“正偏差值”。设原始测量 X ~ N(μ, σ²)，而记录值是 Y = |X - T|，其中 T 是目标值。当 T = 0 时，Y = |X|，这就是标准意义上的折叠正态分布，密度函数为：

f(y) = (1 / √(2πσ²)) * [exp(-(y - μ)² / (2σ²)) + exp(-(y + μ)² / (2σ²))]，y ≥ 0

直观理解就是：把原分布以 0 为折痕，左半边的概率密度全部“叠”到右半边，所以 y = 0 处出现一根高密度线；如果原始分布的均值 μ 也正好是 0，那么折叠后就是一根在 0 处陡然上升、向右拖尾的曲线，不再是对称钟形。

3.2 折叠后均值和方差与原始σ的精确关系

当过程中心与目标值重合，即 μ = T 时，平均绝对偏差和原始标准差之间存在非常简洁的关系：

E[|X - T|] = σ × √(2/π) ≈ 0.7979σ

这个 0.7979 是质量管理里最值得背下来的常数之一。反过来，如果用样本平均绝对偏差 M 去还原过程标准差：

σ ≈ M / 0.7979 = M × √(π/2) ≈ 1.2533M

如果过程中心与目标值存在偏移 d = |μ - T|，公式变复杂，折叠后均值会大于 0.7979σ，因为偏移本身也在贡献偏差量。因此，当中心偏移明显时，直接用平均偏差乘以 1.2533 会高估过程波动，需要先分离偏移的影响。

3.3 质量管理中的典型场景

位置度、同心度、同轴度、圆度、垂直度、跳动这类形位公差，在检测报告里全是非负数值。表面粗糙度 Ra 也是典型的折叠数据，实际加工表面的微观轮廓偏差理论上围绕中心线上下波动，但测量结果只记录轮廓偏距绝对值的算术平均。

另一个高频场景是测量系统分析中的偏差记录。做 GR&R 研究时，我们常常记录“测量值 - 基准值”的绝对值，拿这些数据画直方图，会看到明显的折叠形态。有些工程师直接套正态分布去拟合，算出一个“均值”不为零，还误以为测量系统存在系统性偏移，其实只是折叠分布的数学形态在作怪。

3.4 实战计算：用平均绝对偏差还原过程σ

我在某精密加工车间处理过一个孔位偏差问题。产品要求目标位置为 (0, 0)，检测系统记录的是实际坐标相对目标的距离，也就是正值。收集了 50 个样品的偏差数据，平均绝对偏差 M = 0.037 mm。当时工程师拿着这个 0.037 直接当标准差估算过程能力，算出 Cp ≈ 0.36，结论是过程严重不足。

我的处理方式是先确认过程中心是否与目标重合。通过检查原始坐标的正负号比例和两轴均值，确认没有系统性偏移。于是用折叠正态的关系还原：σ ≈ 0.037 × √(π/2) = 0.037 × 1.2533 ≈ 0.0464 mm。这个还原后的 σ 比直接用的值大 25% 还多。真实过程能力 Cp = 规格允许偏差 / (3 × 0.0464)，算出来比之前的结论低一截。

关键点在于：平均绝对偏差天然比标准差“紧凑”，因为取绝对值削弱了极端值的影响。用平均绝对偏差代替标准差，会稳定低估波动量。约 0.8 的比值，在能力分析里就是“看起来很稳、实际上差很多”的典型差距。

注意：当样本量小于 30 时，M/0.7979 这个估计本身方差较大，建议结合控制图或极差法交叉验证，不要单靠一个公式下结论。我见过不少项目因为样本量太少，还原后的 σ 波动非常大，指导意义有限。

4. 截断还是折叠：数据生成机制决定选型

4.1 判断口诀：先问数据是怎么被记录的

很多朋友拿到数据后第一反应是画直方图，然后拿标准正态去套，套不上的时候就怀疑“是不是正态性检验没过”。其实先问两个问题比任何检验都管用：第一，这个数据集的取值范围天生就不包括负值吗？第二，这个数据集里原本超出某个界限的数值，是被删掉、被记为“超量程”还是被改写了？

如果天生非负，而且记录的是偏差幅度，那就是折叠正态。如果原始数据本该有两侧尾巴，只是因为筛选动作把尾巴切掉了，那就是截断正态。这个判断不需要任何数学工具，只需要搞清楚数据的“出生过程”。

4.2 对照表：一张表看清两个分布怎么选

4.3 容易踩的坑：把折叠当截断、把截断当完整数据

最容易踩的坑有两个。第一个是把折叠正态当成“截断到正半轴的正态分布”。这两个看起来很相似，但完全不同。截断到正半轴是指原始数据只保留正的部分，负的全部丢弃，所以样本量变少，密度会在 0 处有一个不自然的断崖。折叠正态是负的部分变成正数并叠加到右侧，样本量不变，0 处反而出现最高峰。区分方法很简单：看直方图在 0 附近是“断崖”还是“高峰”，断崖是截断，高峰是折叠。

第二个坑是把截断数据当成完整数据直接用。尤其是某些 MES 系统只存储合格品数据，没有标记“这是筛选后的数据”，后续做 SPC 的人完全不知情，拿干净漂亮的直方图去算过程能力，得出一个虚高的 Cp 还写进报告。要避免这个坑，就要对数据来源做追溯，至少要确认“这批数据是全检记录还是抽样记录”“有没有剔除超差品”。

5. 实操落地：用 Python 和 Excel 完成两种分布的参数估计

5.1 用 Python 做截断正态分布的极大似然估计

先准备一组模拟数据：假设真实过程 μ=20.000、σ=0.020，规格限 [19.95, 20.05]，生成 500 个数据后只保留规格内的样本。再用极大似然估计去反推真实 μ 和 σ。

import numpy as np from scipy import stats, optimize np.random.seed(42) mu_true, sigma_true = 20.000, 0.020 a, b = 19.95, 20.05 x_full = np.random.normal(mu_true, sigma_true, 500) x_trunc = x_full[(x_full >= a) & (x_full <= b)] print("截断后样本量:", len(x_trunc)) print("截断后样本均值:", round(x_trunc.mean(), 5)) print("截断后样本标准差:", round(x_trunc.std(), 5)) def neg_loglik(theta): mu, sigma = theta if sigma <= 0: return 1e10 return -np.sum(stats.truncnorm.logpdf( x_trunc, (a - mu) / sigma, (b - mu) / sigma, loc=mu, scale=sigma)) res = optimize.minimize(neg_loglik, [np.mean(x_trunc), np.std(x_trunc)], method="Nelder-Mead") mu_hat, sigma_hat = res.x print("MLE 估计均值:", round(mu_hat, 5)) print("MLE 估计标准差:", round(sigma_hat, 5))

实测结果里会出现一个典型现象：截断后样本标准差大约 0.018~0.019，看着比真实 σ=0.020 小；而 MLE 反推出来的 σ 会在 0.020 附近，说明极大似然估计能把被截断“吃掉”的尾部方差补回来。

5.2 用 Python 做折叠正态分布的极大似然估计

折叠正态分布在 SciPy 里对应stats.foldnorm，参数 c 表示 μ/σ，loc 和 scale 控制位置和尺度。如果数据是 Y = |X - T| 且 T 已知，先做平移 y = Y 直接拟合；如果 T 未知，需要把 T 也当作参数估计。

from scipy import stats, optimize # 模拟折叠正态数据：真实均值 0，标准差 0.0464 sigma_true = 0.0464 y_fold = np.abs(np.random.normal(0, sigma_true, 300)) def neg_loglik_fold(theta): mu, sigma = theta if sigma <= 0: return 1e10 return -np.sum(stats.foldnorm.logpdf(y_fold, c=mu / sigma, loc=0, scale=sigma)) res_fold = optimize.minimize(neg_loglik_fold, [0.0, np.std(y_fold)], method="Nelder-Mead") mu_fold_hat, sigma_fold_hat = res_fold.x print("折叠分布 MLE 的 sigma:", round(sigma_fold_hat, 6)) print("平均绝对偏差估算的 sigma:", round(np.mean(y_fold) * np.sqrt(np.pi / 2), 6))

多数情况下，矩估计（平均绝对偏差乘 1.2533）和 MLE 的结果很接近。如果样本量小，MLE 可能不收敛，这时矩估计反而更稳定，先拿它当初始值再迭代是个好策略。

5.3 用 Excel 快速还原截断数据背后的真实σ

不是所有人都在 Python 环境里工作，Excel 也能做到八成功力。核心思路是使用“单变量求解”。先把截断后样本标准差、规格限 a、b 填进单元格；再用截断正态方差公式作为目标单元格；让目标单元格的值等于截断样本方差，求解变量就是真实 σ。

具体步骤：设 A1 为截断后样本标准差（比如 0.0191），B1 为截断区间下限 a，B2 为上限 b。在一个空白单元格里写截断方差公式，公式里引用一个可变单元格作为 σ。然后打开“数据”菜单里的“模拟分析 > 单变量求解”，目标单元格指向方差公式，目标值填 A1²，可变单元格指向 σ 那个格子，点确定即可。Excel 会自动迭代出还原后的 σ。

注意：单变量求解对初值敏感，初值设在 0.01~0.03 之间比较稳妥。如果求解结果明显偏离常识，多半是截断区间填错了，或者数据本身不是截断正态而是其他分布。

5.4 实操心得与注意事项

样本量低于 30 时，MLE 的收敛性大打折扣，尤其是截断区间特别窄、尾部几乎看不到的时候。我建议先用矩估计方法算出合理的初值，再交给优化器迭代，省去很多“不收敛”“震荡”的烦恼。

还要小心截断区间边界。如果规格限本身是 ±0.05，但实际数据最远只到 ±0.04，说明真实过程中心不在规格中心或样本量太少。这时 MLE 会非常不稳定，建议先画散点分布确认边界情况，再决定是否用截断模型。

折叠正态估计里的另一个细节是：如果测量系统本身存在分辨力不足的问题，很多偏差值会堆在 0 附近，导致 0 处的峰被“数据堆积”进一步强化。这时 MLE 估计出的 σ 会偏小，建议检查一下测量分辨力是否达到过程波动的十分之一以下。

6. 常见问题与排查技巧实录

6.1 五个高频问题和排查方案

6.2 快速自查清单

拿到一批质量数据，先按下面几步走：先问数据是怎么记录的，是全检还是抽检；再看取值范围是不是天然非负；然后看直方图在 0 或者规格边界处的形态；接着判断该用截断还是折叠模型；最后在报告里注明“本数据为截断数据，σ 已修正”或“本数据为折叠数据，σ 由平均绝对偏差还原”。

这个检查过程不超过五分钟，但能避免大部分能力误判。我见过不少项目，问题根本不是现场加工能力差，而是统计口径错了。有的数据是折叠的，用的是普通正态工具；有的是截断的，却没修正。这比任何设备调试都致命。

6.3 独家避坑经验

截断数据里我最常提醒别人一件事：不要用正态性检验的结果来决定是否套用正态模型。截断正态在 Shapiro-Wilk 检验里经常会“通过”，因为截掉尾巴后数据反而更像钟形。但过程能力计算需要的是真实 σ，不是通过检验就能解决的事。

折叠数据方面，最重要的一条是：如果规格本身就是公差带，比如 ±0.1，那么偏差绝对值数据的规格上限就是 0.1，画直方图时要把 0.1 这条线和折叠分布的 0 处高峰同时标记出来。很多新人只看到 0 处的高峰，觉得“数据都贴着目标值，过程很好”，却忽略长尾部分已经超出 0.1 的比例。折叠分布的右拖尾才是不合格品真正的藏身之处。

最后再分享一个小技巧：在做过程能力汇报时，如果数据来源是截断的，尽量同时给出“修正前 Cp”和“修正后 Cp”，让管理层看到统计口径造成的差异有多大。这样既说明白数据真相，也避免以后每次复盘都被质疑公式对不对。我在实际项目里反复体会到，质量管理分析最大的敌人不是算法复杂，而是数据背景不被理解。把截断和折叠这两个分布讲明白，一大半能力误判问题就自动消失了。