正态分布、t分布、卡方分布与F分布全解析-六西格玛统计推断与质量应用实战指南

统计工具专题·六西格玛统计基础与质量应用正态分布、t分布、卡方分布与F分布全解析从"数据长什么样"到"差异是否显著"——四种分布各自解决什么问题，以及六西格玛质量管理中的选型与实战方法。正态管形状·t管均值·卡方管方差与比例·F管多组比较学习地图：六个问题，走完四种分布01统计推断从哪来为什么要先谈"分布"？抽样、抽样分布与中心极限定理02正态分布：数据本身长什么样μ、σ、标准化、68-95-99.7规则，以及过程能力与SPC的地基03t分布：小样本下的均值比较σ未知时为什么必须用t？单样本、双样本、配对三种t检验04卡方分布：方差与分类数据单方差检验、拟合优度检验、独立性检验（列联表）05F分布：方差比与多组比较双方差检验、方差分析ANOVA、回归与DOE中的F06综合应用：怎么选对四步选型流程、实战案例、高频误区与考试要点2课件级驱动问题面对一批数据，我该选哪种分布？开始学习前，你很可能卡在下面三个地方1知道正态分布，却说不清t、卡方、F各自"管什么"2拿到"比均值""比方差""比多组"的问题，不知道该查哪张表3分不清z检验与t检验的边界，也不知道ANOVA为什么用F3第零章·整体框架四种分布不是四个孤立工具，而是一条推理链正态分布（地基）描述数据本身长什么样t分布均值比一比卡方分布方差·比例对不对F分布多组比一比完整推理链：描述数据→量化抽样不确定性→完成统计推断→支撑质量决策4第一章·统计推断从哪来01为什么统计分析，一定要先谈"分布"？如果只知道"平均值"，你会错过什么关键信息？本章路线：描述统计与推断统计的分工→抽样与抽样分布→中心极限定理

先回答"统计推断的底层逻辑"，再进入四种分布。5第一章·统计推断从哪来描述统计回答"是什么"，推断统计回答"信几分"描述统计Descriptives概括数据本身均值（位置）、标准差（波动）、直方图与正态概率图（形状），只描述手头这批数据。回答的问题数据大概在什么水平？

波动有多大？有没有明显偏态或异常点？推断统计Inference用样本推断总体置信区间（总体参数可能落在哪）、假设检验（差异是否显著），结论要能外推到总体。回答的问题总体均值可能是多少？两组均值差异显著吗？

波动变化是真实异常，还是随机波动？四种分布主要服务于右侧的推断统计——用样本推断总体，置信区间与假设检验都要靠它们。6第一章·统计推断从哪来统计量也是随机变量，它有自己的"抽样分布"总体Population未知参数μ、σ随机抽样样本1、2、3…计算统计量x̄₁、x̄₂、x̄₃…抽样分布统计量的分布三个必须接受的事实1样本均值会随抽样而波动，x̄本身是随机变量

2样本方差s²也会波动，同样有分布

3抽样分布的形态，决定该查哪张表、用哪个检验一句话理解我们研究的不是"数据"本身，而是"统计量的分布"——

t、卡方、F都是不同统计量的抽样分布。7第一章·统计推断从哪来中心极限定理：为什么大样本推断可以"近似正态"？无论总体是什么分布，只要样本量足够大，

样本均值x̄的抽样分布都趋近于正态分布。这是"大样本用Z（正态）做推断"的统计学依据结论一：均值中心不变样本均值的期望仍等于总体均值μ，抽样分布围绕μ波动。结论二：波动变小标准误=σ/√n。样本越大，均值估计越精确，曲线越窄。结论三：形状趋正态n越大越接近正态；经验上n≥30已可用正态近似。边界提醒：总体严重偏态或重尾时，"足够大"的n要更大，别把n≥30当万能。8第一章·小结本章判断：分布，是把样本信息外推到总体的桥梁支柱一·分工描述统计概括数据，推断统计回答"信几分"；四种分布服务于推断。支柱二·分布统计量是随机变量；t、卡方、F本质是不同统计量的抽样分布。支柱三·近似中心极限定理让大样本推断可近似正态；小样本、σ未知则不能直接套。下一章预告既然"近似正态"有条件，那数据到底符不符合正态？进入第二章：正态分布。902第二章·正态分布数据"长什么样"，为什么要先问正态？均值只说了一半，波动和尾部风险才是质量问题的关键本章路线：正态的形态与参数→μ、σ的作用→标准化与68-95-99.7规则

→过程能力Cpk、SPC控制图、不良率估算→正态性检验10第二章·正态分布正态分布：中间高、两边低、左右对称的钟形曲线由两个参数完全决定记作，

μ决定中心位置，σ决定曲线胖瘦。标准正态是特殊情况μ=0、σ=1时记作，

所有正态都能标准化成它再查表。五个一眼可辨的特征1对称、单峰，中间概率最高

2均值=中位数=众数

3取值范围(−∞,+∞)，两端渐近横轴

4曲线下面积恒等于1

5拐点出现在μ±σ附近为什么很多质量数据近似正态？尺寸、重量、强度等连续计量值，由多个微小随机因素共同叠加，中心区域出现概率高、偏离越远概率越低——这正是正态的形状。11第二章·正态分布μ只移动位置，σ才改变胖瘦——两个参数各管一件事μ变化：曲线左右平移（σ相同）σ变化：曲线变窄或变宽（μ相同）对质量管理的含义：μ偏移→均值不居中，拉低Cpk；σ增大→尾部增厚，超规格风险上升。

管理动作：μ偏了要"校中心、调机、纠偏"；σ大了要"降波动、稳定过程、优化控制"。12第二章·正态分布标准化z分数：把任意正态变成同一把尺子标准化公式z表示"x偏离均值几个标准差"。标准化后，所有正态都落到N(0,1)上，可统一查表、求概率。标准正态N(0,1)的三件武器1统一查表：z值→概率（P值、分位数）

2西格玛水平：z直接对应σ水平，如z=3→99.73%

3概率换算：已知μ、σ可算任意区间的概率常用双侧z值90%→1.645·95%→1.960·99%→2.576·99.73%→3.000示例：零件长度μ=10.00mm、σ=0.50mm，问x=11.00mm离均值多远？

z=(11.00−10.00)/0.50=2，即"偏离2个标准差"，对应约95.45%中心区间之外。13第二章·正态分布±1σ、±2σ、±3σ覆盖多少？记住68–95–99.7中心概率速记（双侧）±1σ→68.27%

±2σ→95.45%

±3σ→99.73%（SPC控制限的依据）

单侧尾部：各0.135%三个使用场景置信区间·规格判断·估算超规格概率（尾部风险）理解要点：区间越宽覆盖越高；越靠近均值出现概率越大；尾部概率对应"异常或超限"风险——过程能力与不良率都从这里出发。14第二章·正态分布过程能力分析：Cpk回答"过程配不配得上规格"

行业常用判定标准Cpk≥1.33→基本合格（4σ水平）

Cpk≥1.67→良好（5σ水平）

Cpk<1.00→过程能力不足，必须改进前提：过程稳定+数据近似正态。

Cpk同时看"波动宽度"和"中心位置"两个维度。计量型数据的现场能力评估是过程能力分析的第一步15第二章·正态分布SPC控制图为什么把控制限设在±3σ？生产现场用控制图持续监控过程是否稳定CL=μ，UCL=μ+3σ，LCL=μ−3σ

依据：±3σ覆盖99.73%的随机波动控制限≠规格限控制限描述"过程自己的波动"，规格限是"客户要求"。出控制限≠一定超规格，但意味着过程可能失控。控制图的价值区分普通原因与特殊原因波动

发现偏移、趋势、异常点，及时干预而不是等出货后补救16第二章·正态分布不良率估算：从μ、σ直接算出超规格的比例不良率=P(X<LSL)+P(X>USL)，两侧尾部概率之和三步算出不良率第1步·标准化z_LSL=(LSL−μ)/σ

z_USL=(USL−μ)/σ第2步·查表用标准正态表求两侧尾部概率，注意方向。第3步·合计两侧相加→不良率，再乘10⁶得PPM。示例：过程恰好居中，且±3σ恰好落在规格内。

单侧尾部0.135%，双侧合计≈0.27%，即理论上约2700PPM（未考虑过程偏移与漂移）。17第二章·正态分布怎么判断数据"够不够正态"？四种方法交叉验证方法一·图形法直方图、箱线图：

看是否对称、有无明显偏态或多峰。方法三·检验法Anderson–Darling、Shapiro–Wilk：

P>0.05时不拒绝正态假设。方法二·概率图正态概率图（Q-Q图）：

样本点是否大致落在参考直线上。方法四·数值法偏度、峰度：

两者都接近0时数据近似正态。若明显不满足正态：先做Box-Cox等数据变换再分析；或改用非参数方法（如Wilcoxon、Kruskal–Wallis），不要硬套正态工具。18第二章·小结本章判断：正态描述波动，

是过程能力与SPC的共同地基支柱一·参数分工μ管位置、σ管胖瘦；z标准化把所有正态统一到同一把尺子。支柱二·数字来源68–95–99.7是控制限、置信区间、不良率估算的共同数字来源。支柱三·应用前提Cpk、SPC、不良率都以"数据近似正态"为前提，用前先检验。下一章预告实际工作中σ常常未知，只能用样本s估计——统计量不再正态，进入第三章：t分布。19第三章·t分布总体σ未知时，为什么改用t分布？现实中的困境总体标准差σ几乎不可能知道，只能拿样本标准差s代替。

s本身也在波动，用σ的"标准正态"就不成立了。

自由度df=n−1t分布的三个特点1形状像正态，但尾部更厚、峰更矮

2自由度df越小，尾部越厚、临界值越大

3df增大时趋近正态，n→∞完全重合主要用途总体均值的置信区间与假设检验一句话理解：用s代替σ会引入额外不确定性，t分布用"更厚的尾部"把这笔账算进去，结论更保守、更可信。21第三章·t分布三种t检验，分别回答什么问题？①单样本t检验问题：样本均值是否等于已知目标值μ₀？

例：这批零件均值是否达到标称10.00mm。

H₀：μ=μ₀②配对t检验问题：同一对象前后两次之差是否为0？

例：工艺改进前后同一批产品的强度变化。

对"差值"做单样本t③双样本t检验问题：两组独立样本均值是否相等？

例：两家供应商的来料均值对比。

H₀：μ₁=μ₂使用前提（三条都要看）1数据近似正态（或样本量足够大）2观测近似独立3双样本时先检查方差是否齐性（用F检验或Levene检验，见第五章）22第三章·t分布什么时候用z、什么时候用t？看σ与样本量选择逻辑（三句话）σ已知→用z（标准正态）

σ未知且样本小→用t（更厚尾部，更保守）

σ未知但样本大（n≥30）→两者结果趋同，实务上默认t更稳妥z检验与t检验的对比对比项前提条件σ已知，大样本σ未知，用s估计临界值来源标准正态表t分布表（按自由度）23第三章·t分布t检验的隐藏用途：回归系数显著吗？检验统计量原假设H₀：β₁=0（该自变量对Y无解释力）；自由度df=n−k−11算t值

系数除以标准误，df=n−k−12看P值

P<0.05→系数显著不为03做判定

显著→该X是有效预测因子应用联系：回归与DOE是同一套思维——先识别哪些输入显著影响输出，再集中资源优化关键因子。每个系数的t检验，就是一次"这个变量值不值得管"的投票。2403第三章·t分布σ未知、样本又小，均值推断靠谁？t分布：正态在"标准差靠估计"时的替补方案本章路线：为什么用t→三种t检验→t与z的分工

→回归系数显著性→章节小结20第三章·小结本章判断：t分布解决了

"σ未知时的小样本均值推断"支柱一·机制σ未知→用s估计→尾部变厚；df=n−1，df越大越接近正态。支柱二·场景单样本对目标值、配对对前后差、双样本对两组独立数据，覆盖均值类问题。支柱三·外延回归系数显著性、差异比较都靠t；σ未知时默认t更稳。下一章预告要检验方差、频数、拟合优度、独立性时，t不再适用——进入第四章：卡方分布。2504第四章·卡方分布方差、频数、独立性，靠什么来判断？卡方分布：检验"散不散、符不符、独不独立"的专用工具本章路线：卡方的形成→单方差检验→拟合优度→独立性

→测量系统一致性（Kappa）→章节小结26第四章·卡方分布卡方分布：平方和的世界，专管方差与频数若Z₁,…,Z_k独立服从N(0,1)，则

，自由度df=k一句话形象理解把k个标准正态随机变量"平方后相加"，

得到的和就是卡方变量——它是方差（平方和）的天然语言。形状特点1只取非负值，曲线右偏

2df越小越偏；df增大逐渐对称

3期望=df，方差=2df四大用途方差检验·拟合优度·独立性·测量一致性（Kappa）本章主线：凡是"平方和/计数频数"的检验，几乎都通向卡方——它是离散世界与波动世界的连接器。27第四章·卡方分布单方差检验：过程的波动"超标"了吗？检验统计量：

自由度df=n−1回答什么问题样本方差s²是否显著大于（或异于）目标方差σ₀²？

H₀：σ²=σ₀²

例：过程波动是否超出工艺允差要求。判定三步1算χ²统计量

2与卡方表临界值比较，或看P值

3χ²偏大（P<0.05）→拒绝H₀，波动超标使用注意对正态性敏感：检验前先确认数据近似正态。管理含义：波动超标比均值偏移更隐蔽——均值可以调，波动必须从过程根因上治理。28第四章·卡方分布拟合优度检验：实际频数符合理论分布吗？df=类别数−1（O观察频数，E期望频数）典型场景①缺陷类型分布各缺陷类型的实际占比是否符合历史经验比例。②产品分级占比合格品与各级别品的比例是否符合预期结构。③抽样结果核验抽样频数是否符合均匀或已知分布假设。与正态性检验的区别：正态性检验用连续数据判断"是否正态"；卡方拟合优度处理类别/频数数据，判断"是否服从某种比例或分布"，二者服务的数据类型不同。29第四章·卡方分布独立性检验：两个分类变量有关吗？列联表结构（r行×c列）行变量×列变量交叉计数

Eᵢⱼ=(行合计×列合计)/总计

χ²=Σ(Oᵢⱼ−Eᵢⱼ)²/Eᵢⱼ

df=(r−1)(c−1)质量管理场景供应商×缺陷类型是否独立？

班次×不良率是否相关？

机型×故障模式是否存在关联？使用注意每个格子的期望频数不宜太小（一般≥5），否则要合并类别。解读：不拒绝H₀→两变量独立、无关联；拒绝H₀→存在关联，值得进一步追因（相关不等于因果）。30第四章·卡方分布测量系统分析：Kappa一致性检验的卡方底色

P₀观察一致率，Pₑ偶然一致率干什么用属性数据（合格/不合格、A/B/C分级）的测量一致性：

不同检验员之间、检验员与标准之间是否一致。

一致性差→测量系统不可信。行业判定标准Kappa≥0.75→一致性良好

0.40≤Kappa<0.75→中等，需改进

Kappa<0.40→一致性差，测量系统不可用与卡方的联系同样建立在列联表与期望频数思想之上——判据都来自卡方家族。实践提醒：属性类测量系统先做Kappa评估，再谈数据采集——"测得不准"会让后续一切统计推断失真。31第四章·小结本章判断：卡方专管方差、频数与"是否独立"01单方差检验波动是否超标，看χ²比值02拟合优度检验实际频数符合理论分布吗03独立性检验两个分类变量是否关联04Kappa一致性属性测量系统的再现性使用前提：期望频数≥5（否则合并类别）；方差类检验要求数据近似正态。

下一章：F分布=两个方差之比，方差分析的总裁判。32第五章·F分布比多个均值、多个方差，谁来做裁判？F分布：两个方差之比，方差分析的统计学基石本章路线：双方差检验→方差分析ANOVA→回归整体显著性

→DOE因子筛选→章节小结0533第五章·F分布双方差检验：两组波动一样吗？用F比值说话df=(n₁−1,n₂−1)回答什么问题两组数据的方差是否相等？

H₀：σ₁²=σ₂²

F接近1→方差相近；F过大或过小→方差不齐。质量场景比较两条产线的波动水平

比较两个供应商来料一致性

双样本t检验前的方差齐性检查使用注意对正态性敏感；样本量不平衡时结论要谨慎。管理含义：均值达标不等于过程稳定——波动是否齐整，直接影响能否合并数据、能否信赖均值比较。34第五章·F分布单因素ANOVA：三个及以上均值，一次检验搞定自由度：组间k−1，组内N−k，总计N−1方差分解：波动来自哪里？总波动SST所有数据相对总均值的偏差平方和。组间SSB各组均值之间的差异——因子效应。组内SSW组内随机误差——本底波动。判定与后续：F大/P<0.05→拒绝H₀，至少一组均值不同；再两两比较（如Tukey）定位差异来源。

典型场景：三台设备、四条产线、多个供应商的均值一致性检验。35第五章·F分布回归模型的整体显著性：为什么也用F？整个模型是否真的有效？只看单个系数还不够——要一次检验"所有系数同时为0"。t检验·管单个每个回归系数各自检验看某一个X是否显著：

该系数能否被解释为0？F检验·管整体整个模型一起检验

所有系数是否同时为0？配合解读：F显著→模型整体有效，再看各系数t找关键变量；t显著但F不显著→警惕多重共线性，模型需重构。36第五章·F分布DOE试验设计：F检验是因子筛选的裁判DOE的标准流程①设计试验选定因子与水平，全因子或部分因子。②执行试验随机化、重复、区组化控制干扰。③ANOVA分析每个因子算F值、看P值。④定位优化显著因子进入优化与验证。为什么F检验是关键主效应与交互效应是否显著，都由方差分析中的F值判定；P<0.05的因子才是真正影响质量特性的关键因子（少数关键、多数次要）。示例：温度、压力、时间三因子对强度的影响——DOE一次试验即可识别主效应与交互效应，优于逐个单因子试错。37第五章·小结本章判断：F分布

是两个方差之比，也是方差分析的总裁判支柱一·机制两个卡方之比（各除以其自由度）构成F；比值接近1说明波动相当。支柱二·四用双方差检验、ANOVA多均值比较、回归整体显著性、DOE因子筛选。支柱三·分工t管"两个均值"，F管"多个均值、多个方差"。下一章预告四种分布已齐，怎么选？进入第六章：综合应用与实战。38第六章·综合应用四种分布已经学齐，

实战中到底怎么选？综合应用：选型流程、对比总表、实战案例与考试要点选型四步

P40对比总表

P41推导关系

P42实战案例

P45–4939第六章·综合应用四步选型：拿到问题，先问四个问题①数据类型连续计量：

正态/t/F

分类计数：

卡方②比较对象均值：z/t/F

方差：卡方/F

频数与独立：卡方③σ已知？已知：z检验

未知：t检验

（大样本也建议t）④比较几组1组：单样本

2组：t或F

≥3组：ANOVA(F)四问走完，方法自然落定：连续数据比均值→看σ→看组数，落在z/t/F；比较方差或处理频数→落在卡方/F。

记住：t是"均值、σ未知"的默认；F是"多个均值/方差"的总裁判；卡方是"频数与独立性"的唯一通道。40第六章·综合应用一张总表：四种分布各管什么分布统计量典型检验典型场景关键前提正态Zz检验、过程能力、置信区间σ已知的大样本均值与规格σ已知或大样本t分布单样本/配对/双样本tσ未知的均值推断、回归系数近似正态；df=n−1卡方χ²、方差/拟合优度/独立性方差、频数、列联表、Kappa方差需正态；期望频数≥5F分布、双方差/ANOVA/回归/DOE多组均值与方差比较正态；方差齐性（近似）41第六章·综合应用四种分布不是孤立的：一张推导关系图理解：Z是源头；平方和构成卡方；卡方与Z合成t；两卡方之比构成F。四种分布同根同源。42第六章·综合应用判定一：均值类问题，先问σ知道吗？连续数据+均值问题→总体标准差σ是否已知？分支A·σ已知→用z直接查标准正态表求P值、临界值；

常用于规格比对与西格玛水平换算。分支B·σ未知→用t小样本必须t；大样本（n≥30）t与z趋同，

实务建议默认t更稳妥。别忘了两个前提：①数据近似正态（严重偏态改用非参数）；②组数决定t的变体——1组用单样本、2组看配对/独立、≥3组交给ANOVA（F）。43第六章·综合应用判定二：方差、频数与多组比较，怎么落位？1问"散不散"：方差类单方差检验→卡方χ²；双方差比较→F检验2问"符不符"：频数类拟合优度、独立性→卡方χ²（列联表）3问"几个均值"：多组类≥3组均值比较→方差分析ANOVA（F）；2组也可用F先验方差齐性一句话落位："散不散"→χ²/F；"符不符、独不独立"→χ²；"多个均值"→F；属性测量一致性→Kappa（卡方底色）。44第六章·实战案例实战案例一：新工艺强度是否达到目标？01背景新工艺要求平均强度≥500MPa；

抽取25件测得x̄=512，s=18。02检验σ未知→单样本t检验；

t=(512−500)/(18/√25)=3.33，df=24。03判定3.33>临界值2.064（α=0.05单侧）→拒绝H₀，

均值显著高于目标。实验室测量是强度类数据的第一来源结论：均值达标≠全部达标——还需评估波动（s与规格关系）与过程能力Cpk。45第六章·实战案例实战案例二：两家供应商来料有差异吗？多供应商来料评估是采购质量管理的日常01背景A：n=20，x̄=10.02，s=0.12

B：n=20，x̄=9.98，s=0.1502检验先F检验方差齐性：F=0.15²/0.12²≈1.56，不显著；

再双样本t检验（合并方差）比均值。03判定P<0.05→拒绝H₀，两供应商均值差异显著，

需重新评估供应商工艺与来料控制。结论：标准流程=先验方差齐性（F）→再比均值（t）→依据结论管理供应商。46第六章·实战案例实战案例三：三台设备的平均强度一致吗？多设备对比试验是工艺稳定性的检验场背景：三台设备各抽12件测强度。检验：单因素ANOVA，F=MS组间/MS组内，df=(2,33)。

判定：P<0.05→至少一台显著不同→Tukey多重比较定位。结论：锁定差异设备，针对性维护与调机。47第六章·实战案例实战案例四：缺陷类型与班次有关吗？01背景早/中/晚三班次，按缺陷类型（划伤、色差、尺寸）

统计计数，构成3×3列联表。02检验卡方独立性检验：χ²=Σ(O−E)²/E；

df=(3−1)(3−1)=4。03判定P<0.05→拒绝"独立"假设，

缺陷结构与班次存在关联。缺陷数据的归集与分析支撑班次管理决策结论：锁定异常班次→用5Why等方法做专项原因分析，而不是全厂盲目排查。48第六章·实战案例实战案例五：过程能力Cpk综合评估整线过程能力评估是量产放行的关键关口01数据规格10±0.5mm；n=50，

x̄=10.02，σ=0.16。02计算Cpk=min[(10.5−10.02)/0.48,(10.02−9.5)/0.48]

=min[1.00,1.08]=1.00。03判定Cpk=1.00→临界水平（≈3σ），低于1.33底线，

需降波动或微调中心再验证。结论：先做正态性检验与SPC稳定性确认，Cpk才有意义；再决定调中心还是降波动。49第六章·考试要点考试要点一：四组公式与前提，先背熟分布统计量（必背）自由度关键前提正态Z—σ已知或大样本t分