一次报告评审中，我翻开一家企业送来的过程确认报告：原始数据、Excel模板、Cpk结果都齐。我问验证工程师："数据做正态性检验了吗？"他说："模板里没这一项。"我又问："30个点都不到，这个Cpk能说明什么？"他沉默了几秒。那一刻我特别理解他——他不是不认真，是早忘了统计，又找不到人问，只能信模板。

这个场景，做质量的人大概都不陌生。验证方案里写着"统计方法：Cpk"，模板一调、一填、一算，报告就出来了。可一旦审核老师问一句"为什么选Cpk""样本量依据是什么""数据服从正态分布吗"，很多工程师答不上来。因为方法不是他选的，是模板替他选的。今天我想把这件事讲透：统计方法在验证里到底解决什么问题，怎么一步步把它选对、用对，并且让报告经得起追问。

统计方法在验证里只回答三件事

我习惯先把框架立起来：抛开复杂的公式，验证统计本质上就回答三个问题——过程受控吗？能力够吗？差异显著吗？

·过程受控吗？用控制图判断。计量数据可参考GB/T 4091《常规控制图》中的Xbar-R图（子组均值-极差图）或I-MR图（单值-移动极差图），目的不是算一个指标，而是看过程有没有异常波动、有没有特殊原因。

·能力够吗？用过程能力指数判断。计量数据且近似正态时，常用Cpk或Ppk，衡量过程输出满足规格要求的程度。这里有个前提：过程先受控，再谈能力。

·差异显著吗？用假设检验判断。比如验证改进前后、批间差异是否真实存在，计量数据用t检验或ANOVA（方差分析），非正态时用Mann-Whitney U等非参数方法。

这三件事，必须在验证方案里预先规定。YY/T 0287-2017（等同采用ISO 13485:2016）的7.5.2条款要求，组织需要确定哪些过程需要确认，并规定确认的安排，包括使用的统计方法。FDA 2011年发布的《Process Validation: General Principles and Practices》指南同样强调，统计方法应在方案中预先定义，而不是事后补算。我们在做验证方案时，至少要在"统计方法"一栏写清楚：用哪种方法、为什么用、判定标准是什么。这才是"预先规定"的落地方式。

一张判断矩阵，替你完成"选方法"

下面这张矩阵是我在实际辅导中经常用的，目的是抛砖引玉，帮你建立自己的判断框架。它把"验证目标—数据类型—推荐方法—前提条件—常见误用"串在一起，选方法时对照着看就行。

使用说明：先在验证方案里写清"这项验证要证明什么"，再判断数据是计量型还是计数型，最后核对推荐方法的前提条件是否成立。矩阵是判断工具，不是填空题——每一格都要落到你手头的产品、工艺和数据上。

五个动作，把统计方法真正用对

矩阵帮你"选对方法"，下面五个动作帮你"用对方法"。每一步都能直接执行，做完一项勾掉一项。

1.先写"要证明什么"，再选方法。打开验证方案的"验证目标"和"统计方法"两栏，强制自己先写一句"这项验证要证明……"，再对照矩阵选方法。比如"证明灭菌工艺在设定参数下稳定受控，过程能力满足规格要求"，对应的就是先画控制图、再算Cpk。当你把目标写清楚时，方法通常已经自己浮出来了。

2.数据第一道关卡是正态性检验。在计算任何能力指数之前，先对样本数据做正态性检验。最直观的做法是画直方图看分布形态，再用Shapiro-Wilk检验做统计判断，P值大于0.05视为近似正态。若数据非正态，不要硬套Cpk——可以尝试Box-Cox变换，或改用非参数方法，并在验证方案里预先写明备选路径，而不是等结果出来再说。

3.样本量要有依据，不能拍脑袋。连续数据做过程能力评估，行业常见做法是不少于30个点（子组数≥20组）；计数型数据按抽样方案确定，比如按可接受质量水平（AQL）查表或按置信水平估算。验证方案里必须写明"为什么是这个数量"，审核老师最反感的就是"我们一直这么做"。

4.结论要连起来读，不能只报一个数。先展示控制图，确认过程受控；再展示Cpk值，说明能力达标；最后对能力不达标的点做解释。只报Cpk不附控制图，是审核中非常常见的挑战项——因为一个失控过程算出来的Cpk没有意义。

5.报告留痕，方法和人一起可追溯。验证报告里把数据来源、样本量依据、方法版本（如"基于GB/T 4091"）、正态性检验结果、判断人、审批人全部写清楚。这样任何时候被问到，你都能回答"是谁在什么条件下用什么方法得出的结论"。

从方法到落地：把统计判断权握在手里

这五个动作，靠人盯也能做，但长期看有一个现实问题：模板库越堆越多，版本越放越乱，换了人就更没人敢动统计方法。这时候需要工具把流程固化下来，把前提条件自动提示出来——这正是我为什么会在方案里推荐工具。唯智通 Vizy Copilot 在起草验证方案时，会按验证目标与数据类型调出对应的统计方法建议和前提条件清单，把"正态性检验""样本量依据"这类判断节点列成待确认任务，由工程师逐项确认后再进入结论。它把"按矩阵选方法"这个动作变成了系统里的标准流程，而不是每个工程师各自的Excel版本。

但有一点必须说清楚：AI在这里的作用是找方法、列条件、起草段落，它不替你下结论。数据是否真实、过程是否受控、结论是否放行，这些判断永远在工程师和质量负责人手里。验证报告上的"判断人""审批人"字段必须由人来填，AI不能代签，也不能自动关闭一个不合格项。所谓人在回路，就是AI把资料整理、初稿起草的时间省掉，把关键的判断节点留给人。

这个方法体系，既可以用在企业内部的Excel台账和模板管理上，也可以借助工具提速。不管用哪种方式，核心都指向同一件事：在验证方案里把"统计方法"四个字，从填空题变成论述题。

FAQ：验证统计常见疑问

算Cpk至少需要多少数据？

行业常见做法是连续数据不少于30个点（子组数≥20组），但具体数量需结合过程特性和风险评估确定。更关键的前提是过程先受控。以最新法规和标准要求为准。

数据不服从正态分布还能算Cpk吗？

不能直接套用。可先尝试Box-Cox等数据变换，或改用非参数方法（如分位数估计）。如果必须用Cpk，需要在验证方案中预先规定数据处理路径。以最新法规和标准要求为准。

合格率/不良率能不能算Cpk？

计数型数据不建议直接用正态假设下的Cpk。更常用的方法是置信区间法或卡方检验，判断不良率是否落在可接受范围内。以最新法规和标准要求为准。

审核老师最常挑战验证统计的哪几处？

常见有三处：样本量依据缺失、正态性检验未做、只报Cpk不附控制图。建议报告按"数据来源—抽样依据—控制图—能力分析—结论"的顺序呈现。以最新法规和标准要求为准。

Excel模板算出的结果能直接用吗？

Excel可以做计算工具，但方法选择、前提检验和结论判断不能交给模板。模板只负责算数，选方法靠判断矩阵，下结论靠工程师和QA。以最新法规和标准要求为准。

你今天就能动手的一件事：打开手头正在写的那份验证方案或报告，先写出一句"这项验证要证明什么"，再判断数据是计量型还是计数型——这一步会直接决定你是用Cpk、控制图，还是置信区间。写完这两行，你就已经把判断权从Excel模板那里拿回来了。

唯智通 Vizy Copilot可以帮你把这份判断矩阵固化成可复用的验证方案框架，并从数据出处开始留痕。如果你正被验证统计困扰，欢迎到官网（www.vizycopilot.com）或通过邮件（info@zwcxrobot.cn）聊聊你的具体场景。