JBO竞博电子产品的测试评价，尤其是大批量产品，限于工作量的关系，几无可能做到全检，最常见的方法是抽样，对小量的抽取样机进行性能参数的测试，然后将每一台的测试结果与预期设计性能指标对比，如果都在指标要求范围内，则批次性放行。但是这种貌似验收合格的方法里，就蕴藏着一些潜在的隐患问题。

　　如何确认单台产品工作状态的稳定性、和多台产品批次生产质量控制的一致性这两个问题呢？而这两项正是产品长期工作稳定和批次稳定所必须的。这两个问题的验证方法工具就是测试数据的统计分析。

　　技术人员设计出来了一台样机，测试五次，精度测试结果分别为+3.4%、+4.5%、+2.9%、+3.6%、+3.9%，这种情况下，这台设备能否算是通过？

　　如果以±5%为判定标准，这两种情况都应该是合格。但实际上，如果大量的测试后，将数据做一个统计分析来看，这两种都隐藏着设计问题。

　　正常情况下的产品，工作时测出的批量数据应符合正态分布（如图1），μ是正态分布的位置参数，描述正态分布的集中趋势位置。概率规律为取与μ邻近的值的概率大，而取离μ越远的值的概率越小。正态分布以X=μ为对称轴，左右完全对称。正态分布的期望、均数、中位数、众数相同，均等于μ。而σ描述正态分布资料数据分布的离散程度，是正态分布的形状参数，σ越大，数据分布越分散，曲线越扁平；σ越小，数据分布越集中，曲线.4%，μ±3σ范围内的分布概率是99.73%。

　　基于“小概率事件”和“假设检验”的思想，“小概率事件”通常指发生概率 5%的事件，认为在一次试验中该事件是几乎不可能发生的JBO竞博。由此可见X落在（μ-3σ，μ+3σ）以外的概率 3%，在实际中常认为相应的事件是不会发生的，基本上可以把区间（μ-3σ，μ+3σ）看作是随机变量X实际可能的取值区间，这称之为正态分布的“3σ”原则。也就是说，实际的测量结果μ ± 3σ，必须落在μ ± 5%的范围之内。

　　但是实际的数据分布结果中，却常出现两种情况，一种如（图2），也就是上例中的第一种数据分布特征，分布图的分布趋势与标准的分布趋势没有差异，但是中心点（即预期的测量结果标称值）产生了明显偏移，这种误差是稳态误差，一般来自于设计原理中的器件参数没选对，通过工程计算查找到影响这个结果的具体参数，调整过来，即可将分布图平移成（图1）的趋势图，那就是理想的设计了。

　　另一种问题的现象是分布图如（图3），也就是上例中的第二种数据分布特征，中心点虽没漂移，但数据分布明显发散了，这种情况的产品是随机误差影响导致，一般是来自于布线，例如传感器的信号线离电源模块较近，电源的开关频率干扰串扰进信号线，就会形成测量结果的随机误差；或者放大电路的模拟信号接地采用单点串联接地，也会发生类似现象。把引入随机干扰的原因排除了，测量数据分布图也会收缩变瘦变成（图1）的形状。

　　以上示例解释的是单台产品多次测量后的分布图及其变异特性的工程含义。这种分析可以帮助验收人员发现潜在设计问题。

　　在批量设备生产中，也会有同样的规律，而且除了以上的三种趋势图外，还会产生其它的分布趋势（图4），从中发掘出其工程含义来，又可以帮助我们在验收设备时发现生产单位的过程质控问题。

　　（图4）是批次交货产品的参数分布图，针对某一个可测参数，将测试结果描出（图4）的曲线，图中曲线含义如下：

　　B曲线明显分布发散，质量控制水平较差，对生产厂家的来料检验、过程工艺要进行改善提升；

　　C曲线的胖瘦程度与A曲线类同，但中心点明显漂移，表明该生产企业的质控水平没有问题，很可能是加工设备/工装、测试检验设备/工装、抑或某批次器件供货参数有误造成，不是生产体系问题，找到设备或原材料问题根源，该问题可迎刃而解。

　　D曲线则说明该批次设备为两家生产、或两条生产线生产、或影响该被测参数指标的部件零件为两家供应商供货，且该两家供应商的货品不一致造成。

　　以上从单台产品多次测量数据的统计分析、和批次多台产品的单台每次测量数据的统计分析，给出了正态分布规律所表征的产品工程技术含义和批次制造质控含义。在实际工作中，验收设备时，无论是单台，还是批次产品，即使在具体参数上与标准要求对比没有问题，但通过这种数据统计分析方法，仍可以从中发现问题的隐患点，并能指导提出具体的改进措施。