计量型 vs 计数型：数据分错类全白干

一、先说结论

数据分两大类，选错图种，后面全错：

• 计量型（Variable）：能连续测量的数值，有单位、有小数。比如尺寸、重量、温度、时间。信息量大，控制图用 Xbar-R、I-MR 等。
• 计数型（Attribute）：数"个数"的结果，通常是合格/不合格的计数。比如不良品数、缺陷数。信息量小但好收集，控制图用 p、np、c、u 图。

一句话：能量出具体数的，是计量；只能数"有几个"的，是计数。 分错类，控制限公式全用错，图等于白画。

二、核心知识点拆解

2.1 计量型：连续、精准、信息密

计量型数据是"连续尺度"上的一个点：25.012 mm、36.7 ℃、12.3 N·m。它能告诉你偏多少、散多大，所以控制图能做均值+极差两个维度（Xbar-R），对小幅异常更敏感。

缺点：测量慢、要量具、成本高。

2.2 计数型：离散、好收集、信息少

计数型通常来自"判定"：这件合格吗（0/1）、这块板有几个缺陷（整数）。它只能告诉你"坏了几个"，不知道坏多少。控制图只能盯"率"或"数"（p/np/c/u）。

优点：检验员扫一眼就能记，适合大批量、多缺陷场景。

图 1 · 数据分类决策树：起点"测得具体数值？"→ 是=计量型（再问连续/子组→Xbar-R/I-MR）；否=计数型（再问"数不良品/数缺陷"→ p/np/c/u）。图注："第一步站错队，后面全白干"。

2.3 为什么分错类全白干

计量型控制图基于正态分布假设、用均值和 σ；计数型基于二项分布/泊松分布、用率和 n。把"不良品率"硬套 Xbar-R 图，控制限算出来毫无统计意义。

更坑的是：有人为了"凑计量型"把合格记 0、不合格记 1 当数值画图——这是错的，0/1 是属性不是尺度。

三、车间真实选择：焊接车间两套路

同一家焊装车间：

• 关键焊点强度 25.0±2.0 N·m → 计量型 → 用 Xbar-R 图，每天抽 5 件测扭矩。
• 车身外观焊疤/飞溅缺陷数 → 计数型（单位面积缺陷）→ 用 u 图，每车记缺陷数、按面积折算。

两套路并行，各管各的，谁也替代不了。当初有阵子老师傅嫌测扭矩麻烦，想用"合格/不合格"代替，结果小幅强度漂移在属性数据里根本看不见——差点出事。

图 2 · 上下两张小控制图：上"计量型 Xbar-R"能显示扭矩缓慢漂移，下"计数型只记合格否"全程平静（漏掉漂移）。图注："计量看得到'偏多少'，计数只看到'坏没坏'"。

四、常见误区提醒

1. 把 0/1 合格标记当计量数值画图。属性不是尺度，套错分布模型。
2. 为了省事全用计数型。损失了"偏多少"的信息，小漂移全漏。
3. 计量计数混排一张图。两类数据的控制限逻辑不同，不能硬凑。

五、小结 & 互动提问

计量和计数，是 SPC 的"两条赛道"。先认准手里数据是哪条道上跑的，图种自然就选对了。下一篇起，我们正式进控制图。

互动提问：你产线上现在用控制图的特性，是计量型多还是计数型多？有没有哪个其实该换赛道没换的？