Xbar-S 图：大子组(n≥10)的姿势

一、先讲个真事

去年在一家调味品厂做产线数字化验收。灌装线上装了在线检重秤，每瓶都过称，数据自动进 MES，一个班能攒下两万多条净含量记录。

结果打开他们的 SPC 看板，用的是 n=5 的 Xbar-R 图——从每分钟 20 瓶里"抽"5 瓶出来算。我问为啥不用全部 20 个数据，工程师说："R 图的常数表我们只查到 n=10，再说 20 个数算极差也就那两个点管用嘛。"

他说对了一半：20 个数算极差，确实只有最大最小两个点在干活，中间 18 个纯属陪跑。但结论错了——大子组不该继续用极差，该换成标准差 S。

换成 Xbar-S 之后，同样的数据，σ 的估计精度提升了大约 18%，Xbar 的控制限收窄，一次灌装头轻微堵塞造成的 0.4 g 偏移，比原来早报警了近半小时，一个班少赔了两百多瓶的超灌损失。

数据是花钱买的，别只用两个点。

二、核心知识点拆解

2.1 S 图是什么：把"最大减最小"换成"每个点都参与"

极差 R = x_max − x_min，只用两个极端值；样本标准差 s 则把子组内每一个数据都算进去：

注意分母是 n−1（自由度），不是 n。这是无偏方差的要求，手算和 Excel 的 STDEV.S 一致；要是你不小心用了 STDEV.P（分母 n），算出来的 s 会偏小，限跟着变窄，假报警一片。

一组数据里，R 的信息利用率随 n 增大而急剧下降：n=2 时两个点全用上（R 和 s 等价），n=25 时 23 个点被浪费。n≥10 是行业公认的换枪节点。

2.2 Xbar-S 的控制限公式

计算流程和 Xbar-R 一个套路，换常数而已：

• 总均值：X̿ = ΣX̄ᵢ / k
• 平均标准差：S̄ = Σsᵢ / k

过程标准差估计换成：σ̂ = S̄ / c₄

c₄ 是无偏修正系数。为啥要修正？因为 s 是方差的无偏估计的平方根，而"平方根的期望"不等于"期望的平方根"——E(s) = c₄σ，s 天生略微低估 σ。n 小的时候低估很厉害（n=2 时 c₄=0.7979，低估两成），n 大了才慢慢收敛到 1。

2.3 常数表（A₃ / c₄ / B₃ / B₄）

有个细节很多人没留意：从 n=6 开始 B₃ 就大于 0 了，S 图开始有下控制限。这条下限不是摆设——变异突然变小同样是异常信号，常见于量具卡死、数据被"修饰"、或者某个自动检测通道离线了还在填上一次的值。R 图在 n≤6 时下限恒为 0，抓不到这类事。

图 1 · Xbar-S 双图示例。上栏 Xbar 图（横轴子组 1–25，纵轴净含量 g，CL/UCL/LCL 三线，深蓝 #1d6fb8 折线）；下栏 S 图（纵轴 s，画出 CL=S̄、UCL=B₄S̄、**以及一条 LCL=B₃S̄ 的下限线**，用翠绿 #0e9f6e 加粗并加箭头引注"n≥6 时 S 图有下限，能抓'变异异常变小'"）。右侧对照放一个灰色小图标：R 图（n≤6）的 LCL 压在 0 上，打叉。

2.4 什么时候必须上 Xbar-S

三种情形，别犹豫：

1. n ≥ 10，极差的信息效率已经掉到 85% 以下，继续用 R 是浪费；
2. 数据是自动采集的，子组内全量数据本来就现成，算 s 是计算机一行代码的事，没有手算负担；
3. 子组大小不固定（比如按时间窗取样，一窗多少件不确定），R 的常数表按 n 查、n 变了限就得变，而 s 可以用加权合并的方式统一处理，实操上顺畅得多。

反过来，n ≤ 5 且人工手算的场合，老老实实用 R 图：效率损失不到 5%，但操作工拿计算器就能算，培训成本低一大截。这是工程权衡，不是学术优劣。

三、车间真实案例：灌装净含量的 Xbar-S 手算

产品：500 mL 酱油瓶装，内控规格净含量 500 ± 1.5 g（法规限更宽，这是企业内控）。在线检重，每 5 分钟取连续 10 瓶为一个子组，取 10 组做试算限。

第一步：先把一组的 s 手算一遍，别只会按计算器

第 1 组的 10 个数（g）： 500.2、499.6、500.5、499.9、500.1、499.7、500.3、500.0、499.8、500.4

求和：5000.5 → X̄₁ = 5000.5 / 10 = 500.05 g

各点偏差与平方：

s₁ = √(0.8250 / 9) = √0.091667 = 0.303 g

顺带看一眼：这组的极差 R₁ = 500.5 − 499.6 = 0.9 g。R 只认了 499.6 和 500.5 这两瓶，其余 8 瓶的信息全在 s 里，不在 R 里。

第二步：10 组的汇总

Σ(X̄ − 500) = 0.05 − 0.02 + 0.12 + 0.02 − 0.05 + 0.08 + 0 + 0.06 − 0.03 + 0.03 = 0.26 X̿ = 500 + 0.26 / 10 = 500.026 g

Σs = 3.020 → S̄ = 3.020 / 10 = 0.302 g

第三步：套常数（n=10：A₃=0.975，B₃=0.284，B₄=1.716，c₄=0.9727）

S 图先判： UCL_S = B₄·S̄ = 1.716 × 0.302 = 0.518 g LCL_S = B₃·S̄ = 0.284 × 0.302 = 0.086 g 10 个 s 值范围 0.276～0.331，全在 0.086～0.518 之间，S 图受控，可以往上看 Xbar。

Xbar 图： A₃·S̄ = 0.975 × 0.302 = 0.2945 UCL_X̄ = 500.026 + 0.2945 = 500.320 g LCL_X̄ = 500.026 − 0.2945 = 499.732 g

过程标准差与能力： σ̂ = S̄ / c₄ = 0.302 / 0.9727 = 0.3105 g Cp = T / 6σ̂ = 3.0 / (6 × 0.3105) = 3.0 / 1.863 = 1.61 Cpu = (501.5 − 500.026) / (3 × 0.3105) = 1.474 / 0.9315 = 1.58 Cpl = (500.026 − 498.5) / 0.9315 = 1.526 / 0.9315 = 1.64 Cpk = 1.58

第四步：跟 n=5 的老方案比一比

原方案从 10 瓶里抽 5 瓶做 Xbar-R，控制限半宽 = 3σ/√5 = 3 × 0.3105 / 2.236 = 0.417 g； 新方案 n=10，半宽 = 3σ/√10 = 3 × 0.3105 / 3.162 = 0.295 g。

控制带收窄 29%。后来那次灌装头结垢造成的 0.4 g 系统性偏移，老方案下 X̄ 落在 500.43，还在 ±0.417 的限内不报警；新方案下 500.32 就报警了。同样的数据、同样的钱，只是换了张图，就把漏报变成了报警。

图 2 · 新旧方案对比图。同一时间轴上叠放两组控制限带：浅灰宽带（n=5，±0.417）与翠绿窄带（n=10，±0.295）；折线为实际 X̄ 走势，在第 18 组开始爬升，在第 21 组处画一个金橙星标——它落在窄带外、宽带内，旁注"n=10 报警 / n=5 漏报"。

四、常见误区提醒

1. 算 s 时用错了分母。 Excel 里 STDEV.S 是 n−1，STDEV.P 是 n，用错一个，n=10 时 s 会小 5%，限跟着窄 5%，一天多出好几次假报警。手算认准 n−1，公式里那个自由度不是装饰。
2. 忘了 c₄，直接拿 S̄ 当 σ。 n=10 时 c₄=0.9727，直接用 S̄ 会低估 σ 约 2.8%，Cp 被高估 2.8%——单看不多，但客户 PPAP 卡在 1.33 边缘时，这点差额足够让你从"合格"变"不合格"，或者反过来被抓造假。σ̂ = S̄/c₄，这个除法不能省。
3. S 图只画上限，不画下限。 n≥6 时 B₃>0，下限是有意义的。S 突然掉到 LCL 以下，第一嫌疑是数据不真实（复制粘贴上一组、传感器离线、量具卡死），第二嫌疑才是过程真的变好了——真变好了也得查明原因、固化下来、重算限。

五、小结 & 互动提问

R 图省事，S 图省数据。子组一旦上到 10 及以上，或者数据本来就是机器自动采的，Xbar-S 才是正经姿势：估计更准、限更窄、还多了一条能抓假数据的 S 图下限。换图这件事，成本几乎为零，收益实打实。

互动提问：你产线上有没有那种"全量采集了，却只挑两个点算极差"的工序？把那批历史数据拉出来重算一遍 Xbar-S，看看控制限能收窄多少——欢迎把前后对比数发出来。

如需配套互动练习、培训课件或软件试用，可搜索「东方大易」或访问大易官网 www.eastdayi.com（苏州东方大易管理咨询有限公司，电话 0512-65561989）联系客服获取。