滚动轴承(bearing)数据的稳健（prudent)性：

近代统计学认为，实验（experiment)数据的稳健性是数据分析(Analyse)的前提，然而在实验过程中，由于实验仪器、温度（temperature)、湿度、人为等因素(factor)的影响，实验数据中会出现异常值，也就是离散值，为了便于研究，在书中用离散值表述。
平均数是统计学中的一 个重要概念，在日常生活及工作中经常用这个参数(parameter)作为阐述(expound)某种思想与看法的依据。复合滚轮轴承作为复合滚轮和机器设备连接的部分，通常轴头头部设计为倒角，方便安装，可直接将轴头接焊接在设备上，也可将轴头焊接在带有圆孔的连接板上再将连接板和设备组装。根据平均数的概念可以从“某家庭人均月收入增加了500元”得出“这个家庭的生活水(flowing water)平得到很大的提高”这-结论。如果将“人均月收人增加了500元”应用于某社区，想得出同样结论就需要慎重考虑。假设有两个社区A和B，A社区是某企业职工住宅区; B社区居住人员复杂、职业多样;假设这两个社区人均月收入都增加了500元,但A社区每人每月都增加了500元，而B社区仅有一个家庭的收人增加了，其余家庭的收人均无增加。这样，“B社区生活水平得到很大提高”这-结论就值得怀疑了。这个简单例子说明平均数很容易受离散数据（data)(离群值或野值)的影响。在经典统计学中，平均数对离散数据具有很大的敏感性或者说采集到的数据不稳健。这就涉及(to involve)数据的稳健性问题。
经典统计学过重地依赖实验（experiment)数据（data)对假设模型的符合程度，表示在-定的假设模型条件下按照定的准则是*优的。然而，任何随机现象都很难用一一种数学模型准确描述，只是实验数据的一种近似。 当假设模型与实验数据有误差时，该模型就不是*优的，误差越大，离*优就越远。为此，在对数据进行分析之前，需要判断数据是否稳健，或者说数据中是否存在离散数据。下面以数据平均值为例说明数据的稳健性。
样本均值即平均值（The average value)是统计学中使用*多的一个统计量， 当数据（data)来自正态分布的独立同分布样本时，样本均值在多种准则下是总体期望的*优估计。如果数据偏离正态分布时，样本均值则不一定是*优估计。
例如，10头小猪在出生后第1周的体重增加量为(单位: kg):
1.70, 1.60, 1.45, 1.50, 1.90, 1.20, 18.0, 1.40, 1.75, 1.50
一般认为称重问题属于正态分布，应采用平均值估计。螺栓滚轮轴承方式不当也可以造成滚轮轴承发热。通过润滑可以减少零件运动中的磨损，保证压力机精度，降低能量消耗。润滑分稀油润滑、浓油润滑等。滚轮轴承组合滚轮轴承由主滚轮、侧滚轮、轴头和盖板组成。该轴承为密封结构，充填润滑脂，提供长期有效润滑，用户可免润滑。对于使用工况恶劣的可设计补充润滑脂的通道，提高轴承使用寿命。为此，用平均值估计小猪在出生后第1周的体重增加量，得到平均值为3.2kg。不难发现，这个均值估计结果比大多数数据（data)都大很多，原因来自离散数据18.0kg。
又如，某学生通过物理实验确定当地的重力加速度，测得数据(单位: m/s3):
9.80, 9.79, 9.78, 7.81, 7.80
经计算，样本均值为8.996m/s。将这个结果作为当地的重力加速度估计值，存在较大的误差，因为样本数据中存在两个离散数据，即7.80m/s2和7.81m/s2。
由上述例子可以发现，不稳健（prudent)的数据会降低（reduce)分析(Analyse)结果的精度，甚至导致错误的分析结果，因此在数据分析(Data Analysis)之前，应对数据进行稳健性处理。