控制图到底该抽多少样本？25组×5个的科学依据，不仅仅是经验值！
关键词：质量管理，统计过程控制，SPC，抽样，控制图
导语： 在质量管理和统计过程控制（SPC）中，"抽取25组，每组5个样本"几乎是一条金科玉律。但很多老师只告诉你这是"经验值"，背后其实有严格的统计计算逻辑。今天一次讲清楚为什么是25组，以及为什么是每组5个。
一、先搞清楚核心问题：我们在平衡什么？
设计控制图时，本质上是三个目标的博弈：
估计精度：对过程标准差的估计有多准？
检测能力：过程出现异常时，多快能发现？
经济性：抽样成本是否可接受？
"25组×5个"这个组合，正是这三个维度下的最优平衡点。
二、为什么是每组5个？检测能力与成本的黄金分割
首先和漏报概率β有关系，就是实际已经发生偏移，但控制图没报警的概率，计算公式是：
Φ：累积分布函数，Cumulative Distribution Function，CDF
k ：过程均值偏移量（以标准差 σ 为单位，如 k=1 表示偏移 1σ ）
n ：每组样本量
3：对应 3σ 控制限的 z 值
假设
• 每组样本量 n=5
• 过程实际偏移了 1σ （即 k=1 ）
• 使用常规的 3σ 控制限
通过公式计算可得 β=77.8%，说明：
当过程偏移 1σ 时，有 77.8% 的概率检测不出来（漏报）。
只有 1−0.778=22.2% 的概率能正确报警。
平均需要 ARL=1/（ 1−β）=1/0.222≈4.5组才能检出这个偏移。
关键概念：ARL（平均运行长度）
ARL（Average Run Length）指的是：从过程发生偏移开始，到控制图首次报警平均需要多少组样本。
ARL越小越好——意味着我们能更快发现问题。
以此类推，假设过程发生了1倍标准差（1σ）的小偏移，分别去1~7个样品的检测概率如下表所示：
|
样本量 |
漏报概率 |
检测概率 |
ARL（平均需多少组发现） |
评价 |
|
每组1个 |
97.7% |
2.3% |
43.9组 |
极差，几乎无法检测 |
|
每组2个 |
94.4% |
5.6% |
17.8组 |
响应太慢 |
|
每组3个 |
89.8% |
10.2% |
9.8组 |
可接受，但偏慢 |
|
每组4个 |
84.1% |
15.9% |
6.3组 |
良好 |
|
每组5个 |
77.8% |
22.2% |
4.5组 |
最优平衡点 |
|
每组6个 |
70.9% |
29.1% |
3.4组 |
检测力↑但成本↑ |
|
每组7个 |
63.8% |
36.2% |
2.8组 |
R图效率开始下降 |
解读：
n=5时，ARL=4.5组：意味着过程偏移后，平均只需4.5组（约5组）就能报警，响应速度可接受。
相比n=4（6.3组），检测效率提升29%；相比n=6（3.4组），成本降低但检测力损失不大。
那如果检测大偏移呢？
使用同样方法可以计算如果过程发生2σ偏移（较明显的异常）：
n=5时，检测概率达92.95%，ARL仅1.08组——几乎是立即检出。
而n=3-4也能做到1.2-1.5组，但n=5更保险。
如果发生3σ偏移（严重异常）：
n=5的检测概率达99.99%，瞬时检出，与n=6、7几乎没有差别。
结论： 对于最常见的1σ小偏移，n=5是性价比最高的选择；对于大偏移，n=5已经足够灵敏。再大的样本量（n≥6）边际效益递减，反而增加检验成本，且会影响极差（R）控制图的效率。如果要检测小于1σ的微小偏移，需配合CUSUM累积和控制图/EWMA指数加权移动平均控制图，而非单纯增大样本数n。
三、为什么是25组？标准差估计的精度保障
控制限的可靠性完全取决于你对过程标准差（σ）的估计精度。估计不准，控制限就"形同虚设"。
关键概念：COV（变异系数）
COV（Coefficient of Variation）用来衡量标准差估计值的相对误差：
COV = 1/√(2×自由度df)
COV越小，说明σ估计越准，控制限越可靠。
自由度df如何计算？
在Xbar-R图（均值极差控制图）中，自由度公式为：
df = 0.9×k×（n-1） （k为组数，n为每组样本数）
当n=5，k=25时：
df = 0.9×25×4 = 90
实际上25组×5个的实际自由度约为90，对应COV≈7.5%。
不同组数的精度对比
|
组数(k) |
自由度(df) |
COV（估计误差） |
控制限可靠性 |
评价 |
|
10组 |
36 |
11.8% |
太"软" |
误差大，风险高 |
|
20组 |
72 |
8.3% |
可接受 |
下限标准 |
|
25组 |
90 |
7.5% |
推荐标准 |
精度与成本的平衡 |
|
30组 |
108 |
6.8% |
更好 |
边际收益递减 |
为什么是25组？
1. 精度达标：COV≈7.5%意味着标准差估计误差控制在7.5%左右，这是一个保险值而非最低要求。
2. 安全边际：实际工作中难免遇到异常值。即使剔除3-4个异常组，剩余21-22组的COV仍保持在8-9%可接受范围。
3. 经济性：从25组增加到30组，COV仅从7.5%提升到6.8%，精度提升有限但成本增加20%，性价比不高。
（数据来源：Douglas Montgomery《Statistical Quality Control》）
四、实用速查指南
根据不同的监控需求，样本量选择策略：
|
检测目的 |
推荐样本量 |
理由 |
|
仅检测大偏移（≥3σ） |
n=2-3 |
成本低，瞬时检出 |
|
检测中等偏移（2σ） |
n=3-4 |
ARL≈1.2-1.5，响应迅速 |
|
检测小偏移（1σ）+成本控制 |
n=5 |
ARL=4.5，性价比最优 |
|
检测微小偏移（<1σ） |
n≥6+特殊控制图 |
需配合CUSUM累积和图或EWMA图，而非单纯增大n |
结语：从"经验"到"科学"
"25组×5个"不是拍脑袋的经验值，而是统计计算与工程实践的完美结合：每组5个：在检测1σ偏移时达到ARL=4.5组的黄金平衡点，兼顾了小偏移检测力和抽样成本。
25组：确保标准差估计的COV≈7.5%，即使剔除部分异常数据仍有足够的安全边际。
下次再有人问你为什么抽这么多，你可以自信地告诉他：这背后是漏报概率、ARL、COV的精密计算，是质量工程的最优解！
作者：谢鸣 （Frank），制造型企业质量及精益改善专家，六西格玛黑带。拥有20余年质量和精益领域工作经历，先后任职于西门子、施耐德等国际知名企业。