那玩意儿在参数管住图里确实有点绕。 别老想着往那玩意儿上套那些教科书级的定义，那玩意儿说白了就是个“计数器”，专门负责数数。它被圈在标准差那个概念里，专门用来衡量数据的离散程度，也就是大家常说的“波动”有多大。
说白了，就是看这批产品，每一步走出来的步长，到底稳不稳。 要是这数量级跟样本标准差差不多，那东西就是个鸡肋，没啥用。但要是大于样本标准差，要么恰好等于它，这时候就要看样本标准差到底能不能覆盖掉那个上限。 举个例子，咱拿一个造出来的零件来算。
要是这零件的标准差是 0.02，而我们要设定的容差上限是 0.04。
这时候，样本标准差就是 0.02。
既然 0.02 小于 0.04，那说明这个样本的标准差还能跑到上限之外去，也就是说这个分布的尾巴还没把边界给切掉了。
这时候，只要往这范围里插一个值，大约率都能落在合格线之下。 要是你往里再往深插一点，比如插一个值，使得样本标准差变成了 0.03。钱钟书当年写《围城》里那个比喻，还管用吗？不好使了。
这时候，样本标准差 0.03 已经穿透了原来的上限 0.04 了。
这意味着啥？意味着要是原分布是常态分布，那新的分布形态大约率就形成了漂移。
这时候，你如何判？直接判不合格就行。出于目前这“波动”忒猛了，能不能合格，已经不确定了。 这就引出了个核心难题，就是样本标准差能不能“吃”掉上限。能不能？得看具体数据。 看具体数据吧。咱拿一组数据来验算。
比如有一批数据，最大值是 100，最小值是 90，中位数是 95。算出来样本标准差大约是 5。
这时候你要设定的容差上限是 80。
显然，5 远小于 80，数据分布彻底没踩到边界。
这时候，你在数据中间随意选个位置，肯定跑不到 80 之上。 再往后推。
要是你把数据中的几个点往高里挤，让最大值变成 95，最小值保持 90。
这时候样本标准差大约率会变成 2 左右。2 小于 80，数据还没到极限。 再挤。最终几个点又往高里冲，最大值直接顶到 98。
这时候样本标准差又回去了，可能变成 1 多点。1 还是小于 80。 这时候你再往高拎，再往高拎。一旦样本标准差大到 70 以上，那这 70 就直接把 80 给盖过了。
这时候，甭管你如何选中间的点，只要落在分布里，跑不到 80 之外。出于分布的中心和方差都已经被这高出来的 70 给拖动了。 故此，样本标准差能不能吃掉上限，取决于它能不能大到把原分布的边界给吞没。
要是吞没不了，那中间随意找个点，大约率都能过；要是吞没了，那只要落在分布里，大约率就过不了。 这就有个有趣的现象了。
有时候你认定数据波动大，实际上是出于均值跑偏了；有时候你认定数据稳定，实际上是样本标准差忒小，根本避不开那些“临界点”。 比如，你说你这批产品的质量稳定性挺好。
那你得看样本标准差到底是不是接近上限。
要是样本标准差只是个虚数，根本够不着上限，那就算你数据分布再对称，你也得奇迹般地把数据往“合格”那一侧挤。但这时候，数据一旦略微往“不合格”那侧挤，样本标准差就能瞬间突破上限，直接把判定权批下来。 这就挺割裂的。样本标准差忒小，好办给你投名状；样本标准差忒大，又好办给你贴标签。 那这时候该如何办？
难道得把数据往中间挤？ 往中间挤这事儿，得看具体情况。
要是数据分布本身挺对称，那往中间挤，样本标准差可能会略微变大一点点。但这点变大，能不能把上限给吞没？关键看上限到底在哪。 要是上限就在数据分布的某个“临界区域”，往中间挤可能就能把样本标准差推大到 70 以上，进而吞掉上限。
这时候，原本出于分布偏移害得的不合格，可能被样本标准差的“伸长”给救回来了。 但要是上限实际上就在分布的“腰部”，要么就是那个被数据强行撞上的地方，往中间挤可能也没用。
这时候，样本标准差再大，也顶多把它拉平，但无法转变它已经被撞上的事实。 这就好比你在推一个箱子。箱子本身挺轻（数据分布宽），但你要推它撞到墙上（超过上限）。
只要箱子够重（样本标准差够大），你推多远它都能撞墙。但要是箱子本身结构松散，要么墙的位置刚好在中间，就算你推得再用力，它可能也只是撞得“想起身来”，要么只是“擦着碰了”，根本达不到“撞死”的效果。 故此，这时候就得小心了。
要是往中间挤，样本标准差可能只会变大，但能不能达到“吞掉上限”那个级别，尚不确定。万一它只是变大了一点点，上半截过了，下半截没过，那风险依然挺大。 这时候，就得换个思路。
要是往中间挤没啥用，不如先看看数据的分布形态。
要是数据本身就挺聚拢，那往中间挤凑合，样本标准差变大，上限可能被吞掉。
要是数据本身就挺发散，那往中间挤可能效果有限，样本标准差别看会变大，但未必能吞掉上限。 这时候，就得看具体的上限位置了。
要是上限在数据的最边缘，往中间挤可能还能趁虚而入；但要是上限就在数据的中部，要么就是数据被强行挤压的那个“硬骨头”，往中间挤可能只能把你从“合格”推向“不合格”的河底。 这时候，就得看样本标准差到底能不能跑到那个位置去。
要是样本标准差能跑到 70 以上，那就算上限在 60，那数据扩散得再了得，样本标准差也能吞掉它。但要是样本标准差只能跑到 50，那上限在 60，数据就算聚拢，样本标准差也帮不上忙，反而会出于样本标准差忒小，害得数据分布忒窄，上限反而成了个“死门”。 故此，样本标准差能不能吃掉上限，这事儿不能光靠直觉，得靠数据讲话。你得把具体的数值摆上台面，看着数据自己在里面挣扎。 要是数据分布挺宽，样本标准差是个虚数，那往中间挤，只要数据分布略微偏一点，样本标准差就能变大，把上限给吞掉。
这时候，原本出于分布偏移害得的不合格，可能被样本标准差的“伸长”给救回来了。 但要是数据分布挺窄，样本标准差是个实数，那往中间挤可能没啥用。
这时候，样本标准差再大，也顶多把它拉平，但无法转变它已经被撞上的事实。 这时候，就得换个思路。
要是往中间挤没啥用，不如先看看数据的分布形态。
要是数据本身就挺聚拢，那往中间挤凑合，样本标准差变大，上限可能被吞掉。
要是数据本身就挺发散，那往中间挤可能效果有限，样本标准差别看会变大，但未必能吞掉上限。 这时候，就得看具体的上限位置了。
要是上限在数据的最边缘，往中间挤可能还能趁虚而入；但要是上限就在数据的中部，要么就是数据被强行挤压的那个“硬骨头”，往中间挤可能只能把你从“合格”推向“不合格”的河底。 这时候，就得看样本标准差到底能不能跑到那个位置去。
要是样本标准差能跑到 70 以上，那就算上限在 60，那数据扩散得再了得，样本标准差也能吞掉它。但要是样本标准差只能跑到 50，那上限在 60，数据就算聚拢，样本标准差也帮不上忙，反而会出于样本标准差忒小，害得数据分布忒窄，上限反而成了个“死门”。 故此，样本标准差能不能吃掉上限，这事儿不能光靠直觉，得靠数据讲话。你得把具体的数值摆上台面，看着数据自己在里面挣扎。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。 要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。 要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 故此，这事儿到底该如何弄，得看具体情况。
要是数据分布挺散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 故此，这事儿到底该如何弄，得看具体情况。
要是数据分布挺散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推，要么干脆换个指标。
要是数据分布忒窄，往中间挤可能反而会让样本标准差变大，这时候就得赶紧往中间挤，把上限给吞掉。
要是数据分布的“中心”就在上限附近，往中间挤可能反而会让样本标准差变小，这时候就得赶紧往两边推，要么干脆换个指标。 那这时候，到底该如何选？该往中间挤就往中间挤，该往别处去就别往中间挤。
要是数据分布忒散，往中间挤可能反而会让样本标准差变小，这时候就得赶紧疏散一下，把数据往两边推