为了保持可靠和持续的生产品质，精益生产方法和合适的机构控制一样是非常必要的。由于新的更严格对产品责任的规定，对质量文件的要求将会不断的增加。尤其汽车行业是这个方面先驱，并且已经对他们大量的供应商强制要求使用类似的测量方式。这些文件尤其适用在我们螺钉拧紧技术上。
除了需要显示选择合适测量仪器（扭矩，转角，深度，摩擦-扭矩等）， 也很有必要从统计学上评估装配的效果。
有几种不同的数学计算模型。螺钉装配可以很容易的用著名的高斯标准分布来表示，这种模型的优点是被广泛认可并且只需要相关的简单数学运算。
测量平均值可以定义为数学和几何值。在这一点上，数学值X总是可以用如下公式来计算：
测量数据是一系列的测量值，这些测量值都是在同一条件下进行的。为了得到一个统计报表，一组测试数据至少需要10个测试值，当然如果有50个更好。
测量数据的标准方差是每个测量值相对计算出的平均值的平均差决定的。标准方差是根据如下公式计算出来的:
既然标准方差是被称为绝对值，那么值的范围是通过标准方差来限制的，必须是可以接受的+/-区间。
通常，测量仪器或者工具的精度是通过相关的标准方差显示出来的。当导出附加的统计大小，这个相关的标准方差是最重要的。
理解标准方差的特性:
测量的平均值是有可能最接近真实值的。这个声明只有在使用充分足够的大量测量数据时才有效。在实际应用中，如果测量系列数据得到一个唯一的随机误差，结果分布适用于高斯标准方差。根据分布曲线，通过数学计算可以得出以下表述:
所有测量值的68.26%会在+/-1s区间内
所有测量值的95.44%会在+/-2s区间内
所有测量值的99.73%会在+/-3s区间内
所有测量值的99.99%会在+/-4s区间内
所有这些陈诉只能表示一定的概率，而不是绝对的。
在这一点上，精度<± 3 %标准方差的表述被进一步澄清了。3%是引用合适的平均值的标准方差的百分比计算出来的。但是实际测试显示，很多案例中德派螺刀的精度确实低于3%。
