SPC应用——常见的数据分布类型

关键词：SPC,数据分析,分布类型

大多数数据的表现可以用一些分布图形来表示，这些分布有不同的性质，不仅能揭示数据的特点，还有助于推测总体的性质，而这一点也是SPC的精髓，即采集数据、描点画图，通过观察图形中数据的分布来评估总体的性质，好或坏，稳定或不稳定。本文将主要介绍几种常见的数据分布类型。

SPC应用中最常见的分布类型是二项分布，它是一个概率分布，用以描述有两种可能结果的事件。比如，扔硬币会出现正面或反面的结果，分别称为“好的”和“坏的”，这就构成了一个二项分布。扔硬币时，出现正面和反面的可能性是一样的。把某个部件标为有缺陷时，情况也是这样的。图A表示一个二项分布。

SPC应用——常见的数据分布类型

如果每个结果的出现有相同的可能性，这种分布称为均匀的。比如，掷均匀的骰子，出现每一面的可能性是相等的。均匀分布的一个显著特征是它的对称性，如图B所示。有了对称性，还需要知道均值和标准差来描述分布。

正态分布是SPC应用中最重要的分布类型，SPC控制图就是由正态分布而来。在正态分布下，当观测值接近中心值或均值时，事件发生的可能性变大；观测值远离均值时，事件发生可能性变小。如图c所示，当数据服从正态分布时，其图像呈现常见的钟形。

可测量的数据往往服从正态分布，比如美国人的身高，或者把一定数目的试剂加到桶中所花的时间。数据来自于一个稳定过程的话，自然会服从正态分布。要描述正态分布同样要知道均值和标准差。正态分布是对称的，这意味着均值两侧图象形状是相同的。

SPC应用——常见的数据分布类型

假如抽了15张牌：3、4、5、5、6、7、7、7、7、8、8、9、9、10、11，均值、中位数、众数都是7，分布是近似正态的。如图D所示，其图象呈现正态曲线的形状。和均匀分布类似，可用均值和标准差来描述它。

第四种分布是泊松分布，得名于其提出者西蒙 •泊松。当事件发生的概率很小，试验次数很多的时候，用泊松分布可以描述其细节。比如，你可以用泊松分布来描述每天高峰时期通过十字路口的汽车数。泊松分布往往从零开始取值；只需知道均值就可以描述该分布。

以上就介绍了四种常见的数据分布类型，他们都是SPC应用过程中的重要因素。SPC中的不同控制图也是基于不同的分布类型而得出，通过观察与分析部分数据的分布类型，判断整体过程是否稳定，是否出现了异常因素，是否需要改进。由此可见，掌握分布类型对于掌握SPC的应用是十分重要的。