4. 控制图统计基础与控制限计算原理

控制图之所以能区分“正常波动”与“异常波动”，根本原因在于它建立在统计学的抽样分布之上。理解中心线、控制限与3σ原则的数学含义，掌握过程波动的分解方式，并正确设计合理子组与抽样方案，是后续所有计算与判读工作的前提。本节围绕这五个相互关联的知识点展开，为控制图的定量计算打下基础。

一、中心线与控制限的统计含义

控制图的中心线（CL）代表过程在受控状态下的统计基准，通常取所绘统计量的期望值。以均值控制图为例，若子组大小为 n，子组均值的中心线取过程均值 μ，即 CL = μ；实际计算时用历史数据的总体均值估计。极差控制图的中心线则是子组极差的期望值 d₂σ，其中 d₂ 是随子组大小变化的常数。

控制限不是规格限，也不是公差限，它描述的是“统计量自身抽样分布的波动范围”。上控制限 UCL 与下控制限 LCL 一般写成：

UCL = CL + 3·σ_stat
LCL = CL − 3·σ_stat

其中 σ_stat 是该统计量的标准差。对均值图，σ_stat = σ/√n；对极差图，σ_stat = d₃σ。这里 σ 是过程的标准差。控制限由过程自身数据算出，与客户要求无关；规格限由产品功能决定，与过程无关。二者混用是初学者最常见的错误。

二、3σ原则与两类风险

若统计量服从正态分布，则落在 μ±3σ 之外的概率约为 0.27%，即约 370 次中出现 1 次。3σ 限正是利用这一小概率事件原理：当点落在限外，说明“过程未变”的假设已很难成立，于是判为异常。放宽到 2σ 会频繁误报（约 4.55%），收紧到 4σ 则灵敏度不足。3σ 是误报率与检出力的折中，也是休哈特控制图的经典约定。

需要强调，3σ 原则依赖“统计量近似正态”这一前提。子组均值在 n 较大时依中心极限定理趋于正态；而极差、标准差等统计量分布偏斜，因此极差图的下控制限在 n 较小时可能算成负值，此时应取 LCL = 0，表示极差不可能为负，并非过程真的存在负向异常。

三、过程波动的分解

任何过程的输出波动都可分解为两部分。普通原因（common cause）波动是过程固有的、由大量微小随机因素叠加而成，表现为稳定的小幅散布，属于“受控波动”。特殊原因（special cause）波动由可识别的外部扰动引起，如刀具磨损、原料批次切换、操作失误，表现为突变、趋势或超限，属于“失控波动”。

控制图的设计目标，就是让控制限恰好包住普通原因波动，使特殊原因一旦出现就能被检出。因此估计 σ 时必须排除特殊原因数据，否则控制限会被“污染”而变宽，导致灵敏度下降。常用估计方法有两种：一是用子组内极差或标准差估计（R̄/d₂ 或 s̄/c₄），只反映组内波动；二是用移动极差估计，适用于单值数据。前者对特殊原因更稳健，是首选。

四、合理子组与抽样方案

合理子组（rational subgroup）的核心思想是：让组内波动只包含普通原因，组间波动才可能反映特殊原因。若把不同班次、不同机台的产品混在同一子组，组内波动被人为放大，控制限变宽，反而掩盖异常。因此子组划分应遵循“组内同质、组间异质”原则：同一子组尽量在短时间内、同一设备、同一操作条件下连续抽取。

抽样方案需确定三件事：子组大小 n、抽样频率、子组数量。n 常取 4～5，兼顾灵敏度与成本；n 越大，均值图越灵敏，但极差图对非正态更敏感。抽样频率应使子组间隔能捕捉过程变化，如每小时抽一组。建立控制限时，一般要求至少 20～25 个子组，以保证 σ 估计稳定。下表给出一个示例性的抽样设计，参数为合理假设，仅用于说明方法。

以示例数据说明计算：若 25 组、每组 5 个观测，算得总均值 X̄̄ = 50.20，平均极差 R̄ = 1.86。查表 n=5 时 d₂ = 2.326，则 σ 估计为 1.86/2.326 ≈ 0.80。均值图控制限为 50.20 ± 3×0.80/√5 ≈ 50.20 ± 1.07，即 UCL ≈ 51.27、LCL ≈ 49.13；极差图中心线为 1.86，UCL = D₄R̄ = 2.114×1.86 ≈ 3.93，LCL = D₃R̄ = 0（n=5 时 D₃=0）。以上数值均为示例演算，实际应以现场数据重新计算。

综上，中心线给出基准，3σ 原则给出判异尺度，波动分解解释了“为何要分普通与特殊原因”，合理子组与抽样方案则保证 σ 估计不被污染。这四者环环相扣，共同构成控制限计算的统计基础。