2. 统计学基础
SPC（统计过程控制）不是“画一张控制图”那么简单，它的底层是一套统计学语言：用样本推断总体，用分布描述波动，用中心极限定理把“平均值”变成可判断、可预警的信号。理解这些概念，才能正确设置控制限、判读异常、避免误报与漏报。
一、总体与样本：SPC推断的起点
总体是我们真正关心的全部对象，例如某条产线一天内生产的全部零件、某工序连续运行的所有产品。总体参数（均值μ、标准差σ）通常未知，且不可能全检。样本是从总体中按一定规则抽取的一部分观测值，用样本统计量（样本均值x̄、样本标准差s）去估计总体参数。
SPC的核心逻辑是：过程稳定时，样本统计量的波动遵循已知分布。因此，控制图并不是在监控单个产品，而是在监控“样本统计量”的分布位置与离散程度。若抽样不随机、样本量过小或分组不合理，控制图就会失去统计意义。
二、数据类型：连续与离散决定图表选择
数据类型直接决定SPC工具的选择。连续型数据（计量型）如长度、重量、温度、时间，可计算均值和标准差，常用X̄-R图、X̄-s图、I-MR图；离散型数据（计数型）如不合格品数、缺陷数，常用p图、np图、c图、u图。
| 数据类型 | 典型例子 | 统计量 | 常用控制图 |
|---|---|---|---|
| 连续型（计量） | 直径、重量、温度 | 均值、极差、标准差 | X̄-R、X̄-s、I-MR |
| 离散型（计数） | 不合格品数、缺陷数 | 比例、频数 | p、np、c、u |
误区：把计数型数据硬套X̄-R图，或把连续型数据人为分成“合格/不合格”再画p图，都会损失信息、降低灵敏度。
三、描述性统计：用四个指标看清过程
描述性统计是SPC的“体检报告”，最常用的是：
- 均值x̄：过程中心位置，反映整体水平。
- 标准差s：过程波动大小，反映稳定性。
- 极差R：样本内最大值与最小值之差，计算简单，常用于小样本。
- 中位数：抗异常值能力强，适合初步观察。
在SPC中，控制限通常按“均值±3倍标准差”设置。这里的标准差不是单个产品的标准差，而是样本统计量的标准差，即标准误。样本量越大，标准误越小，控制限越窄，对微小偏移越敏感。
示例：某轴径抽样5件，测得 10.02, 10.01, 10.03, 10.00, 10.02
x̄ = 10.016
R = 10.03 - 10.00 = 0.03
若 R̄ = 0.025，查表 A2 = 0.577
UCL = x̄ + A2·R̄ = 10.016 + 0.577×0.025 ≈ 10.030
LCL = x̄ - A2·R̄ = 10.016 - 0.577×0.025 ≈ 10.002四、正态分布与中心极限定理：控制限的统计依据
正态分布是SPC最重要的分布模型。当过程受随机因素影响且稳定时，质量特性常近似服从正态分布N(μ, σ²)。在正态分布下：约68.27%的数据落在μ±1σ内，95.45%落在μ±2σ内，99.73%落在μ±3σ内。因此，3σ控制限意味着：过程受控时，点落在控制限外的概率仅约0.27%，一旦出现就是小概率事件，提示存在异常因素。
中心极限定理（CLT）指出：无论总体是否正态，只要样本量n足够大，样本均值x̄的分布会近似正态，且均值等于μ，标准差等于σ/√n。这解释了为什么X̄-R图对非正态数据也有一定稳健性，也解释了为什么“子组均值”比“单个值”更适合做控制图。
五、案例与复盘：一次误判的纠正
某注塑车间对产品重量做X̄-R图，子组大小n=5，每小时抽一组。某天连续3点接近上控制限，操作员立即调机，结果后续点反而跑到下控制限附近。复盘发现：
- 抽样未按时间顺序，把不同班次产品混在一组，导致组内波动被放大；
- 控制限用历史数据计算后长期未更新，过程已发生漂移；
- 操作员把“接近控制限”误判为“失控”，忽略了链、趋势等判异规则。
纠正措施：固定抽样时间与子组构成，定期用稳定期数据重算控制限，并培训“8种判异准则”。这说明：SPC的统计基础不牢，控制图就会变成“事后解释图”，而不是“事前预警图”。
总结来说，总体与样本决定了推断对象，数据类型决定了工具选择，描述性统计提供了过程画像，正态分布与中心极限定理则给出了控制限的概率依据。只有把这些统计学基础与现场抽样、判异规则、持续改进结合起来，SPC才能真正实现“统计过程控制与质量预警”的价值。