做SPC的人大多会用控制图，但能解释清楚控制限怎么来的不多。数据丢进软件，中心线、UCL（Upper Control Limit，上控制限）、LCL（Lower Control Limit，下控制限）自动出来，异常点标红。可一到客户审核或现场复盘，别人问一句“UCL和LCL怎么算的“，很多人只能回答“软件自动算的“。再追问“±3Sigma的Sigma取的是哪个标准差“，就更说不清了。

这个问题搞不明白，控制图就只是软件生成的三条线；搞明白了，才会理解控制图在判断什么、用什么判断、为什么这样判断。

Sigma到底是什么

控制限中的Sigma不是整体数据的标准差，不是子组标准差的平均值，而是组内标准差——过程在仅有偶然因素影响时的固有变异水平。对于Xbar-R图，它通过R-bar/d2获得，其中d2是与子组样本量n相关的常数。

这里有一个常见的误解：不少人用STDEV（全部数据）×3来算控制限宽度，这是错的。整体标准差包含组间变异，数值通常大于组内标准差，直接使用会导致控制限过宽，降低对异常的检出灵敏度。正确做法是用组内变差估计Sigma，排除批次间、人员间等额外变异的干扰。

为什么是±3而不是±2或±4

理解这一点需要中心极限定理（Central Limit Theorem）。无论原始分布是什么形态，当子组样本量n足够大（通常n≥5即可近似）时，子组均值Xbar的分布近似正态，且均值的标准差等于σ/√n。

在正态分布下，±3Sigma范围覆盖99.73%的数据。也就是说，如果过程稳定，子组均值落在控制限以外的概率只有0.27%——不到千分之三。一旦出现，就值得优先调查。这就是±3Sigma的平衡点：足够宽，不会对正常波动频繁误报；又足够窄，真正的异常不会漏掉。

如果用±2Sigma，覆盖95.45%，误报率上升到约4.5%——每20个点就可能有一个误报，现场会被假警报淹没。如果用±4Sigma，覆盖99.994%，几乎不会误报，但对中等程度的异常也不敏感——等到超限时，问题可能已经严重了。±3是在灵敏度和误报率之间找到的统计平衡。

控制限宽度

覆盖率

误报率

特点

±2Sigma

95.45%

~4.5%

灵敏但误报多，现场疲于应对

±3Sigma

99.73%

~0.27%

灵敏度与误报率的平衡点

±4Sigma

99.994%

~0.006%

误报极少但漏报风险大

两种计算方法结果一致

传统公式法用控制图常数表查A2、D3、D4系数：UCL_X = Xbar-bar + A2×R-bar。均值标准差法从原理出发：先估计σ=R-bar/d2，再算σ_Xbar=σ/√n，最后UCL=Xbar-bar±3×σ_Xbar。两种方法结果完全一致，因为A2 = 3/(d2×√n)。后者优势在于清晰展示了“3Sigma”的实际含义。

某光伏电池片厂在审核中被问到控制限来源，工程师只能回答“软件默认值“。后来用SPSSPRO QM这款质量管理统计工具重新做SPC分析，系统不仅输出控制限，还标注了Sigma的估计方法（R-bar/d2或合并标准差）和计算过程。审核员追问时，工程师能清楚解释d2常数的含义、中心极限定理的作用、为什么选±3而不是其他值——从“会点软件“到“懂底层逻辑“，差的就是这一步。

图：SPC混合数据按设备/型腔/班次分层分析

SPSSPRO QM的控制图模块支持Xbar-R、Xbar-S、I-MR等多种类型，控制限计算逻辑透明可查，异常点自动标注并关联判异规则。理解了原理再去看图，每条线、每个点都有明确的统计含义。

即刻联系，开启你的数智化质量管理统计之路吧！