极差 R 与标准差 S：何时换武器
一、先说结论
R 和 S 都是估计过程标准差 σ 的工具，本质上是同一件事的两种算法：
两条路殊途同归，差别在统计效率和可操作性这两头。n 小的时候两者几乎一样准，n 大了 R 就明显吃亏；反过来，R 的手算成本几乎为零，S 得平方、求和、开方。
换武器的判断线，工程上就三条：
- n ≤ 5 且靠人工填表 → 用 R，没商量；
- n ≥ 10，或者数据是机器自动采的 → 用 S；
- 子组大小不固定 → 用 S，R 的常数表会让你的控制限画成阶梯状。
中间的 n=6～9 属于灰区，看你的数据是怎么来的：手抄的用 R，系统里躺着的用 S。
二、核心知识点拆解
2.1 统计效率：R 到底浪费了多少数据
极差只用最大最小两个值，n 越大，被闲置的中间数据越多。统计上用相对效率衡量这个损失：以 s 的估计精度为 100%，R 的相对效率是——
| n | R 的相对效率 | 想达到同等精度，用 R 需多取的数据量 |
|---|---|---|
| 2 | 1.000 | 0% |
| 3 | 0.992 | +0.8% |
| 4 | 0.975 | +2.6% |
| 5 | 0.955 | +4.7% |
| 6 | 0.930 | +7.5% |
| 8 | 0.890 | +12.4% |
| 10 | 0.850 | +17.6% |
| 12 | 0.814 | +22.9% |
| 15 | 0.766 | +30.5% |
| 20 | 0.700 | +42.9% |
| 25 | 0.649 | +54.1% |
n=2 时两者完全等价（就俩数，极差和标准差差一个常数因子而已）；n=5 时才损失不到 5%，这点损失换来手算方便，完全值；到了 n=25，效率只剩 65%，等于你花了 25 件的检测费，只买到 16 件的信息量——这就说不过去了。
这张表就是"n≥10 换 S"这条经验规则的出处，它不是玄学。
2.2 子组不等大：R 的死穴，S 的主场
按时间窗取样（比如"每 15 分钟内下线的所有件"）时，各子组件数天然不一样，可能这组 9 件、那组 12 件。
用 R 图，你得逐组按 n 查 D₃、D₄、A₂，画出来的控制限是一段一段跳的阶梯，操作工看着就晕，判异准则里"连续 9 点同侧"之类的规则也不好套。
用 S 图就顺畅得多，可以先算合并标准差：
用 s_p 统一估 σ̂ = s_p / c₄（c₄ 按平均 n 或按各组 n 分别取），控制限虽然仍随 n 微调，但有统一的 σ̂ 做锚，逻辑清爽，软件也好实现。
2.3 抗干扰性：一个飞点，两把枪各是什么反应
拿一组真实的 n=8 数据试试。零件是轴承内圈宽度，单位 mm：
原始组： 20.01、20.03、19.99、20.02、20.00、20.02、19.98、20.01 X̄ = 20.0075 R = 20.03 − 19.98 = 0.05 Σ(x−X̄)² = 0.00195 → s = √(0.00195/7) = 0.0167 σ̂ 由 R：0.05 / 2.847 = 0.01756（d₂ₙ₌₈ = 2.847） σ̂ 由 s：0.0167 / 0.9650 = 0.01730（c₄ₙ₌₈ = 0.9650） 两条路差不到 1.5%，这就是"n=8 时两者都能用"的实证。
现在把第 7 件误记成 19.92（毛刺没去干净或者抄错一位）： R = 20.03 − 19.92 = 0.11，比原来涨了 120% X̄ = 20.0000，Σ(x−X̄)² = 0.0084 → s = √(0.0084/7) = 0.0346，涨了 107%
结论要说实话：两把枪都被这个飞点撑大了，R 稍微更暴烈一点。假设该工序历史 R̄=0.048、S̄=0.0165：
- R 图：UCL_R = 1.864 × 0.048 = 0.0895，实测 0.11 → 超限报警
- S 图：UCL_S = 1.815 × 0.0165 = 0.0300，实测 0.0346 → 超限报警
两张图都抓得住。所以别信"R 抗异常值差所以不能用"这种简化说法——在控制图这个用途上，对异常敏感恰恰是优点，真正的问题在于你有没有按第 23 篇讲的规矩去查因、去决定要不要剔除。
2.4 可操作性：别小看操作工手里那支笔
这一条在教科书里几乎不提，但在车间里是决定性的。
R 的计算：找最大、找最小、相减。小学水平，三秒钟，不用计算器，错了旁边人一眼能看出来。 s 的计算：算均值 → 逐个求偏差 → 平方 → 求和 → 除以 n−1 → 开方。六步，任何一步手滑就全错，而且错了很难被目视发现。
我开头讲的那家厂就栽在这儿：改 S 图之后，操作工填的 s 值有三成对不上，班组长复核不过来，最后数据可信度还不如原来的 R 图。
所以真正的判断线不是"n 多大"，而是"谁来算"。机器算，随便上 S；人手算，n≤5 就守着 R。
2.5 换枪决策表
| 场景 | 推荐 | 理由 |
|---|---|---|
| n=2～5，人工填表 | R | 效率损失<5%，手算成本几乎为零 |
| n=6～9，人工填表 | R | 效率损失 7%～12%，可接受，操作性优先 |
| n=6～9，系统自动算 | S | 反正电脑算，白拿的精度 |
| n ≥ 10 | S | 效率损失≥15%，且 R 图常数表实用范围本就到 10 左右 |
| 子组大小不固定 | S | 可用合并标准差统一处理，限不跳阶梯 |
| 全检 / 在线 100% 采集 | S | 数据现成，用 R 是浪费 |
| 客户模板/历史数据已用 R | 保持 R | 中途换枪会造成限的断层，见下条误区 |
三、车间真实案例：一次"该换没换"和一次"不该换硬换"
案例甲：该换没换。 某电子厂 SMT 锡膏厚度，激光在线测量，每块板测 16 点，取一块板为一个子组，n=16。他们一直用 Xbar-R。 按效率表，n=16 时 R 的效率约 0.75，等于 16 个测点只用出 12 个的效果。改成 Xbar-S 后：
- σ̂ 从 R 法的 0.0142 mm 变为 S 法的 0.0131 mm（R 法因个别测点跳动被撑大）
- 控制限半宽 3σ/√16 从 0.01065 收窄到 0.00983，收窄 7.7%
- 当月抓出两次刮刀压力缓慢衰减，原来都要等到客户端 AOI 才发现
案例乙：不该换硬换。 就是开头那家厂。他们的关键工序 n=4，人工卡尺测量、纸质记录。改 S 之后：
- 理论效率提升：0.975 → 1.000，也就是 2.5%
- 实际后果：填写错误率从 2% 涨到 30%，班组长每天多花 40 分钟复核，两个月后自行退回 R 图
2.5% 的理论收益，换来 30% 的记录错误率——这笔账，任何一个在车间待过的人都会算。
四、常见误区提醒
- "S 比 R 先进，所以要全面改用 S"。 统计效率只是决策的一个维度，另一个维度是谁在算、算得对不对。一份算错的 s，远不如一份算对的 R。技术选型要落到执行者的手上，不是落在 PPT 上。
- 中途换枪，却沿用老控制限。 R 法和 S 法估出来的 σ̂ 有细微差异（本文 n=8 那例差 1.5%），限自然也不同。换算法 = 重新做限，要用换枪后至少 20～25 组新数据重算，并在图上标注切换点，别让新旧两段数据在同一张图上首尾相接却用同一条限。
- 算 s 的时候把 R 图删了，或者反过来。 不管用哪套，"变异图先判、均值图后判"的规矩不变。S 图同样是 Xbar 图的地基，别因为换了个符号就忘了第 23 篇那条铁律。
五、小结 & 互动提问
R 和 S 不是先进与落后的关系，是两把用途重叠但手感不同的扳手。n 小、人工算，R 又快又不容易错；n 大、机器算，S 把每一个数据点的信息都榨出来。选型的时候，把"谁来算"这个问题摆在"哪个更准"前面，你的决策十有八九不会错。
互动提问：你们厂现在哪道工序的子组最大？如果 n 已经到 10 以上还在用极差，把最近 25 组数据分别用 R 法和 S 法算一次 σ̂，看看差多少——这个差值乘以 6，就是你每天在能力指数上白白让出去的那一截。
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。