情境
你量了 30 個零件，算出平均值和標準差，然後算 Cpk，信心滿滿交出報告。品保主管回來問：「你有做常態性檢定嗎？」你：「什麼？」
白話翻譯
Cpk、t-test、ANOVA、迴歸分析——這些工具都有一個共同的前提假設：
你的數據符合常態分布（鐘形曲線）。
如果數據不是常態，套這些公式算出來的結果就不可信。
常態性檢定工具：
- Anderson-Darling Test：製造業最常用，對中段分布敏感
- Shapiro-Wilk Test：小樣本（n < 50）效果好
- 直方圖 + 常態概率圖：視覺判斷，快速篩選
P-value > 0.05 = 無法拒絕常態假設 = 可以用常態相關的統計工具
實戰判斷
數據不是常態怎麼辦：
- 先找原因：是不是資料有錯誤？混入了兩個不同製程的資料？
- Box-Cox 轉換：把偏態數據數學轉換成近常態
- 改用無母數方法：Cpk 改用「非常態製程能力指數」，ANOVA 改用 Kruskal-Wallis
哪些情況數據通常不是常態：
- 良率%（接近 0 或 100 時）
- 時間類數據（等待時間、故障間隔）
- 計數型數據（缺陷數量）
InsightFab 怎麼做
上傳數據後，InsightFab 自動先做常態性檢定，如果不通過，自動切換到適合非常態數據的分析方法，並在報告中說明「此數據偏態，Cpk 已使用非常態修正方法計算」。
金句
「用錯公式算出來的 Cpk，比沒有算更危險——因為你以為自己知道答案。」