【品質管理】讓數據說話：不可不知的SPC基本統計概念

SPC並非僅僅是圖表和公式的堆砌，其背後蘊含著深奧的統計學原理。讓我們深入淺出地介紹SPC所依賴的基本統計學概念，幫助大家理解SPC如何成為現代品質管理的重要工具。

前言

SPC是一種利用統計方法監控、分析和改進製程的技術。其核心目標是區分過程中固有的、隨機的變異（共同原因變異）和由特定原因引起的、異常的變異（特殊原因變異）。通過識別並消除特殊原因，我們可以使製程達到穩定、可預測的狀態（即“管制狀態”），然後再致力於減少共同原因變異，從而實現品質的持續提升。要理解SPC如何做到這一點，我們必須首先掌握幾個關鍵的統計學概念。

衡量數據的中心：均值（Mean）

在日常生活中，我們經常使用“平均”這個詞。統計學中的均值（Mean），通常指算術平均值（arithmetic mean），是描述一組數據資料的中心位置或中央趨勢最常用的指標。它代表了數據的“重心”所在。

母體平均值：（其中：μ：母體平均數；N：母體個數）
樣本平均值：（其中：：樣本平均數；n：樣本數）

衡量數據的離散程度：標準差（Standard Deviation）

僅僅知道數據的中心位置是不夠的，我們還需要了解數據的分散程度。
標準差（Standard Deviation）就是衡量數據點相對於均值的平均偏離程度的指標。標準差越小，表示數據點越集中在均值附近，製程越穩定；標準差越大，表示數據點越分散，製程波動越大。

母體標準差：　（其中：μ：母體平均數；N：母體個數）
樣本標準差：　（其中：：樣本平均數；n：樣本數）

自然界常見的模式：常態分佈（Normal Distribution）

常態分佈（如圖一）是統計學中的一個基本概念，並且在SPC的理論和應用中扮演著特別重要的角色。許多自然現象以及眾多工業和服務製程的輸出，大多遵循常態分佈，尤其是尺寸特性的產品。廣泛使用的休哈特管制圖的管制界限通常是基於製程數據（更具體地說，是樣本平均值）近似常態分佈的假設而建立的。

圖一、常態分佈

μ：母體之平均值；σ：母體之標準差
常態分佈於μ±σ之間的機率P（Probability）為：

P（μ－1σ＜X＜μ＋1σ）＝0.6827＝68.27％
P（μ－2σ＜X＜μ＋2σ）＝0.9545＝95.45％
P（μ－3σ＜X＜μ＋3σ）＝0.9973＝99.73％

許多SPC工具，特別是管制圖的管制界限（通常設置在均值±3個標準差位置，如圖二），其理論依據來自於常態分佈的特性。±3σ（99.73％）範圍幾乎涵蓋了所有由共同原因（Common Cause）引起的隨機變異，因此超出這個範圍點很可能意味著特殊原因（Special Cause）的出現。

圖二、管制圖與常態分佈對應圖

結論

休哈特博士（Dr. Shewhart）宣稱“變異”存在於製程系統過程中的每個地方，但是可以通過使用簡單的統計工具來瞭解變異，並監控製程的穩定性。大部分工業產品的品質特性數據分配大都符合常態分佈的定律，如能對常態分佈作一個瞭解，在以後應用到統計製程管制（SPC）的一些統計工具時，會更加熟練且有助於提升在SPC應用上的敏銳度。