計算過程能力CPK，CP，根據這兩個參數可以算出不良率（合格率）。但是前提是1.你所統計的數據服從正態分布2.你統計的數據是有效的（僅供參考）

正態分布的概率可以轉化為標準正態分布計算，需要查表。若隨機變量X服從一個數學期望為μ、方差為σ^2的正態分布，記為N（μ，σ^2）。其概率密度函數為正態分布的期望值μ決定了其位置，其標準差σ決定了分布的幅度。當μ=0，σ=1時的正態分布是標準正態分布。

正態分布標準化的公式：Y=（X-μ）/σ～N（0，1）。

證明；因為X～N（μ，σ^2），所以P（x）=（2π）^（-1/2）*σ^（-1）*exp{[-（x-μ）^2]/（2σ^2）}。

注：F（y）為Y的分布函數，Fx（x）為X的分布函數。

而F（y）=P（Y≤y）=P（（X-μ）/σ≤y）=P（X≤σy+μ）=Fx（σy+μ）。

所以p（y）=F'（y）=F'x（σy+μ）*σ=P（σy+μ）*σ=[（2π）^（-1/2）]*e^[-（x^2）/2]。從而，N（0，1）。正態分布標準化的意義是可以方便計算，是一種統計學概念。

原本的正態分布圖形有高矮胖瘦不同的形態，實際上是積分變換的必然結果，就好比是：

1.y=kx+b直線，它不一定過原點的，但是通過變換就可以了：大Y=y-b；大X=kx；===>大Y=大X。

2.y=a*b乘積，通過變換就可以變成加法運算：Ln（y）=Lna+Lnb。

3.y=ax2+bx+c通過變換就可以變成標準形式：y=a（x+b/（2a））2+（c-b2/（4a））

正態分布的標準化也只不過是“積分變換”而已，雖然高矮胖瘦不同的形態，但是變量的線性伸縮變換并不改變其量化特性，雖然標準化以后都變成期望是0，方差是1的標準分布了，但這種因變量自變量的依賴關系仍然存在，不用擔心會“質變”。

正態分布概率計算公式：F（x）=Φ[（x-μ）/σ]，正態分布也稱“常態分布”，又名高斯分布，正態曲線呈鐘型，兩頭低，中間高，左右對稱因其曲線呈鐘形，因此人們又經常稱之為鐘形曲線。

若隨機變量X服從一個數學期望為μ、方差為σ^2的正態分布，記為N（μ，σ^2）。其概率密度函數為正態分布的期望值μ決定了其位置，其標準差σ決定了分布的幅度。當μ=0，σ=1時的正態分布是標準正態分布。

一般正態分布的區間概率計算公式：c=U2t/R。正態分布（Normal distribution），也稱“常態分布”，又名高斯分布（Gaussian distribution），最早由棣莫弗（Abraham de Moivre）在求二項分布的漸近公式中得到。

在數學里，區間通常是指這樣的一類實數集合：如果x和y是兩個在集合里的數，那么，任何x和y之間的數也屬于該集合。 例如，由符合0 ≤ x ≤ 1的實數所構成的集合，便是一個區間，它包含了0、1，還有0和1之間的全體實數。

其他例子包括：實數集，負實數組成的集合等。