【引言】
在日常质量数据分析中，你是否遇到过这样的“灵异事件”？
客户发来一张Excel表，要求计算**不平度（Flatness）**的Cpk，规格要求是 Max 0.02。你信心满满地打开JMP，导入数据，在列属性里设置规格限：
心想：“不平度嘛，当然不可能小于0，物理极限就是0，设个0肯定没错。”
结果一运行能力分析，傻眼了——JMP算出来的Cpk只有0.5，而客户Excel表里算出来却是1.6！
是你算错了？还是软件出Bug了？
今天就和大家聊聊这个让无数工程师踩坑的**“单边公差”**设置问题。
01 还原案发现场：冤枉的“双边”
为什么结果会差这么大？
因为当你同时输入了 下限（0） 和 上限（0.02） 时，JMP会默认这是一个双边公差。
根据Cpk的定义，双边公差的计算公式是：
Cpk = min(Cpl, Cpu)
这意味着，软件不仅要考察数据离上限（0.02）有多远，还要考察数据离下限（0）有多远。
对于不平度这种参数，工艺控制得越好，数值就越小（比如0.002, 0.003），也就是越接近0。
这时候尴尬的事情发生了：
JMP发现你的数据离下限（0）非常近，判定：“哎呀，你的数据这就快要超下限了，这很危险啊！” 于是它算出了一个极低的 $Cpl$，直接拉低了最终的Cpk。
但我们在工程上都知道：不平度越接近0越完美，怎么反而变成“危险”了呢？
02 核心误区：把“墙壁”当成了“悬崖”
这个问题的根源，在于混淆了**“物理自然边界”与“统计规格界限”**。
我们可以用一个形象的比喻来区分：
规格限（Spec Limit）是“悬崖”：
如果数据掉出这个范围（比如大于0.02），产品就报废了（NG）。Cpk计算的是**“你离悬崖有多远”**。离悬崖越远，你就越安全，Cpk越高。
自然边界（Natural Boundary）是“墙壁”：
比如不平度的0，或者绝对零度。这是物理世界的尽头，你即使紧紧贴着它，也穿不过去。
关键逻辑来了：
如果你把LSL设为0，软件会误以为0也是一个“悬崖”。
当你背靠着坚实的墙壁（0），觉得无比安全时；软件却以为你站在悬崖边瑟瑟发抖，从而给出了差评。
这就是典型的**“由于过于优秀而被误判为高风险”**。
03 深度剖析：不存在的“不合格品”
作为一名专业工程师，我们还要从更深一层的逻辑来看待这个问题。
我们为什么要设规格限？
是为了拦截“可能出现的不合格品”。
只有当“存在产生不合格品的可能性”时，设定规格限才有统计意义。
结论：
凡是物理上无法逾越、或者质量上永远被接受的那个方向，在软件里必须“留空”！
04 正确的JMP操作姿势
回到软件操作层面，正确的做法非常简单：
只设关注的那一边，另一边留空！
(1) 针对不平度/同轴度/圆跳动（只有上限要求）：
(2) 针对拉力/推力（只有下限要求）：
05 进阶彩蛋：如果不服从正态分布怎么办？
读到这里，你已经解决了90%的Cpk计算错误。但为了严谨（防杠），我们最后再聊一个进阶话题。
细心的朋友可能发现了：不平度这种受物理边界“0”限制的数据，往往天然不服从正态分布。
因为数据被“0”这堵墙挡住了，无法向左延伸，只能向右拖尾。这在统计上通常表现为右偏分布（Skewed Distribution）。
如果你直接用传统的 Cpk 公式（基于正态分布假设），哪怕去掉了下限，计算结果在理论上其实还是有偏差的。
对于这种非正态数据，更专业的做法是：
寻找最佳拟合分布（Best Fit）：JMP 分布分析的界面，展示出 “比较分布 (Compare Distributions)” 的那个列表，上面列着 LogNormal, Weibull, Normal 等等，并且有一个被高亮选中为 Best Fit。
数据变换： 在JMP中使用Johnson变换或Box-Cox变换，把数据“拉”成正态再计算。
百分位法（Percentile）：（推荐）ISO标准中推荐的方法，直接根据数据在分布中的实际位置（如99.865%分位点）来评估能力，不依赖正态假设。
当然，在大多数日常工程交付中，只要你做到了**“下限留空”**，用正态公式算出来的结果通常已经在客户接受范围内了。但如果我们要追求极致的专业度，记得关注一下数据的分布形态哦！
10个月宝宝每天需要喝多少奶粉？
