计数型误区：0 缺陷≠没问题
一、先说结论
一句话：低不合格率的场合，p 图的沉默不是好消息，是它已经睡着了。
原因有三层，一层比一层扎心：
第一层，图的下限被截断成 0。 前面几篇反复算过，n·p̄ < 9 时 LCL 恒为 0。过程真变好了，图不会告诉你；变好了多少，图也不知道。
第二层，图上大半是零点，信息量趋近于零。 假如 p̄ = 0.08%、n = 800，期望坏件数只有 0.64 个，那么有 53% 的子组，坏件数就是 0。一张过半点子重合在零轴上的图，人眼看不出任何模式，判异准则里那些"连续 9 点同侧""上升趋势"全部失效。
第三层，也是最要命的——实际报警风险和你以为的完全不是一回事。 3σ 限名义上的虚警率是 0.27%，但那是正态假设下的数。二项/泊松在低期望值时又离散又偏斜，实际虚警率会跳到 1%~3%，而检出真实劣化的能力却低得可怜。
所以那句"连续 40 天零缺陷"，正确的翻译是："连续 40 天，我们的监控手段什么也没测出来。"
二、核心知识点拆解
2.1 算一遍你就死心了：低 p 下的检出力
拿一组固定 n = 500 的数，把不同不合格率水平下的表现列出来。"报警门槛"指的是坏件数要达到几个才超 UCL；最后两列是过程恶化到 3 倍时的表现。
| p̄ | n | n·p̄ | 点子为 0 的比例 | 报警门槛 | 恶化 3 倍时检出概率 | 平均需等几个子组 |
|---|---|---|---|---|---|---|
| 0.05% | 500 | 0.25 | 78% | D ≥ 2 | 17% | 5.8 |
| 0.1% | 500 | 0.5 | 61% | D ≥ 3 | 19% | 5.2 |
| 0.5% | 500 | 2.5 | 8% | D ≥ 8 | 48% | 2.1 |
| 1% | 500 | 5.0 | 0.7% | D ≥ 12 | 82% | 1.2 |
看第一行。过程从 0.05% 恶化到 0.15%（整整三倍），这张图单个子组只有 17% 的概率报警，平均要等近 6 个子组。要是一天一个子组，那就是快一周。这一周里你还在开会表扬"零缺陷"。
再看最后一行。同样是恶化三倍，n·p̄ = 5 的图检出概率 82%，基本一两个子组就抓住了。差别不在算法，就在 n·p̄ 这个数。
2.2 虚警率也不听话：离散带来的锯齿
更麻烦的是，低 p 时实际虚警率不但偏高，还跳来跳去不可控。
以 n = 500、p̄ = 0.1% 为例：
``` n p̄ = 0.5 σ = √( n p̄ (1−p̄) ) = √(0.5 × 0.999) = 0.7067 UCL（件数） = 0.5 + 3 × 0.7067 = 2.62 ```
坏件数是整数，2.62 这个门槛意味着 D = 3 才算出界。过程完全正常时：
``` P(D ≥ 3 | λ=0.5) = 1 − e^(−0.5) × (1 + 0.5 + 0.125) = 1 − 0.6065 × 1.625 = 1 − 0.9856 = 0.0144 ```
1.44%，是名义 0.27% 的五倍还多。也就是说这张图每 70 个子组左右就要虚报一次，而它抓真问题的能力只有 17%~19%。虚警多、漏警更多，两头不讨好。
把 p̄ 换成 0.02%，算下来门槛变 D ≥ 2，实际虚警率反而降到 0.47%。你看，它随 n·p̄ 锯齿式跳动，没有规律可循——因为整数门槛在离散分布上跳台阶。这就是为什么低计数场合根本不该靠 3σ 属性图吃饭。
2.3 低不合格率场合的三条正经出路
出路一：把 n 加到 n·p̄ ≥ 5。 最直接，也最贵。p̄ = 0.05% 时，n 要 10 000 件才够一个子组。除非是全自动在线检测，人工检验根本扛不住。而且限宽只按 1/√n 收窄，钱花得不划算。
出路二：改用 g 图 / CCC 图（合格品间隔数）。 换个思路：不数"这批坏了几个"，而是记录"上一个坏件之后，连续做出了多少个好件"。这个间隔数服从几何分布，在极低不合格率下反而信息量很足——过程一劣化，间隔数立刻变短，图上马上体现。半导体、医疗器械这类 PPM 级行业用得很多。
出路三，也是我最推荐的：把属性数据换成计量数据。 别再判"合格/不合格"，直接测那个连续量。插拔力就测牛顿数，孔径就测毫米数，扭矩就测 N·m。同样的检验动作，计量数据的信息量比属性数据高一到两个数量级。 具体怎么转，第 39 篇整篇都在讲这个。
三、车间真实案例：连续 40 天零缺陷，到底藏了什么
开头那家连接器厂，端子插拔力工位。
属性口径的现状：
``` 每天检验 n = 800 件 历史不合格率 p̄ = 0.08%（800 PPM） n p̄ = 800 × 0.0008 = 0.64 σ = √(0.64 × 0.9992) = 0.7997 UCL（件数） = 0.64 + 3 × 0.7997 = 3.04 → D ≥ 4 才报警 点子为 0 的概率 = e^(−0.64) = 52.7% ```
过程实际恶化到 2400 PPM（三倍）时，这张图的表现：
``` 新的 λ = 800 × 0.0024 = 1.92 P(D ≥ 4) = 1 − e^(−1.92) × (1 + 1.92 + 1.843 + 1.180) = 1 − 0.1466 × 5.943 = 1 − 0.8712 = 0.1288 ```
12.9%。平均要等 1/0.1288 ≈ 7.8 天才报警一次。这 7.8 天里，产出 800×7.8 ≈ 6240 件，按 2400 PPM 算，约 15 件不良品已经流到客户手上。三起批量投诉，就是这么来的。
换成计量口径会怎样：
同一个工位，改成每小时抽 5 件测插拔力（原本就要做插拔试验，只是以前只记"过/不过"，现在记数值）。历史数据：规格 25–40 N，μ = 32.5 N，σ = 1.8 N。
``` 子组 n = 5，σ_x̄ = 1.8 / √5 = 0.805 UCL = 32.5 + 3 × 0.805 = 34.92 LCL = 32.5 − 3 × 0.805 = 30.08 ```
后来查出的真实劣化：端子镀层批次变化，插拔力均值滑到 29.8 N。注意——29.8 N 仍然在 25–40 N 的规格内，属性检验一律判"合格"，p 图永远看不到。
但 Xbar 图看得到：
``` 子组均值落到 LCL 以下的概率 = P( X̄ < 30.08 | μ=29.8, σ_x̄=0.805 ) Z = (30.08 − 29.8) / 0.805 = 0.348 P = Φ(0.348) = 0.636 ```
63.6% 的检出概率，平均 1.6 个子组就报警。 一小时一个子组，也就是不到两小时。
两相对比：属性图 7.8 天，计量图 1.6 小时。同一个工位、同一批件、同样的检验动作，差了两个数量级。
四、常见误区提醒
- 把"连续 N 天零缺陷"当成绩宣传。零点密集恰恰说明这张图丧失了分辨能力。 挂在墙上评标杆，等于把监控失效包装成管理成果，出事时最难解释。
- 低 p 下还相信"3σ 就是 0.27% 虚警"。那是正态假设的数字。 二项/泊松在低期望值下离散又偏斜，实际虚警率会跳到 1%~3%，且随 n·p̄ 锯齿式变化。判异准则的理论依据在这里是失效的。
- 拿"零缺陷天数"做班组 KPI。这条会直接诱发瞒报。 一个坏件的代价从"记录一下"变成"断掉连续记录"，人性所至，坏件就"消失"了。我见过把不良品塞进工装箱底的，也见过挪到下一班次记的。
- 只想着加大抽样量，不想着换数据类型。灵敏度按 1/√n 提升，成本按 n 上涨。 p̄ = 0.05% 想让图有用，n 要一万件。同样的钱投到"把判定改成测量"上，效果好得多。
五、小结 & 互动提问
计数型控制图不是不好，是有适用边界。这条边界就写在 n·p̄ 这个数上：低于 5，图开始迟钝；低于 1，图基本是摆设。 车间良率越做越高，这个问题只会越来越普遍。真到了 PPM 级，老实换路子——g 图，或者干脆转计量。
互动提问：翻一下你手上不良率最低的那个工位，算一下 n×p̄ 是多少。如果这个数小于 1，你打算加大 n、换 g 图，还是把那道"过/不过"的判定改成实测数值？
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。