做质量管控的小伙伴，可能会遇到这样的困惑：控制图上连续15个点都在 C区，没有出界也没有明显趋势波动，怎么就被判定为异常了？

今天就用2分钟讲清楚这个 “反直觉” 的判异规则——背后藏着控制图的核心逻辑。

首先我们需要先搞懂控制图的ABC几个区的划分

C 区：±1σ 之内

B 区：±1σ 到 ±2σ 之间

A 区：±2σ 到 ±3σ 之间

如下图所示：

上、下控制限分别位于中心线的上、下3σ距离处。将控制图分为6个区，每个区的宽度为1σ。6个区的标号依次为A,B,C,C,B,A,分别位于中心线两侧，关于中心线对称。

我们知道控制图的核心作用是判断 “过程是否稳定”，

而稳定的关键是 “波动符合随机规律”

为了直观观察波动规律，控制图以 ±3σ 为控制界限（这是因为正常过程中，99.73% 的点会落在这范围内，剩下 0.27% 属于 “小概率事件”

我们知道，C区是 “波动最小的安全区”，更不容易出界

正常情况下，大约 68.26% 的点会落在这个区间（符合正态分布规律）。

既然 C 区是 “安全区”，为什么点扎堆在这里反而算异常？

关键在 “概率” 两个字

控制图的判异逻辑，本质是寻找 “小概率事件”—— 如果某类现象发生的概率低于 0.27%，就可以判定为异常。

我们来算一下各个点落在C区的概率：

单个点落在 C 区的概率是 P=（1-0.1587*2）^1=68.26%

连续2个点落在C区的概率是P=（1-0.1587*2）^2=46.59%

连续3个点落在C区的概率是P=（1-0.1587*2）^3=31.81%

连续4个点落在C区的概率是P=（1-0.1587*2）^4=21.71%

连续5个点落在C区的概率是P=（1-0.1587*2）^5=14.82%

连续6个点落在C区的概率是P=（1-0.1587*2）^6=10.11%

连续7个点落在C区的概率是P=（1-0.1587*2）^7=6.91%

连续8个点落在C区的概率是P=（1-0.1587*2）^8=4.7%

连续9个点落在C区的概率是P=（1-0.1587*2）^9=3.21%

连续10个点落在C区的概率是P=（1-0.1587*2）^10=2.20%

连续11个点落在C区的概率是P=（1-0.1587*2）^11=1.50%

连续12个点落在C区的概率是P=（1-0.1587*2）^12=1.02%

连续13个点落在C区的概率是P=（1-0.1587*2）^13=0.70%

连续14个点落在C区的概率是P=（1-0.1587*2）^14=0.48%

休哈特为增强使用者的信心，把常规控制图的虚发警报概率α取得特别小，仅为α=0.27%

截止到连续14个点落在C区的概率0.48%大于0.27%，基于休哈特的理论，所以认为是正常的

接下来我们来到15个点这个临界值了

那么连续 15 个点都落在 C 区的概率是 0.3255%

看到这里同学们可能会疑惑：15 个点的概率（0.326%）明明比 0.27% 略高，为啥不算正常？

因为这是控制图的 “实战派” 认为：15个点的概率已经非常接近小概率阈值，这么小的概率但是确实发生了，这种 “过度集中” 往往暗示过程发生了某种变化，属于异常现象。

相比严格卡 0.27% 的理论值，15 个点的标准更能及时捕捉过程波动的异常。

那么遇到这种异常，该怎么办呢？

连续15个点扎堆C区，不一定是坏事，更可能是过程出现了 “特殊变化”：

第一步：先检查数据是否分层

如果样品来自不同生产线、不同班次，或者检测时分组不合理，可能导致数据 “假性集中”。

这时需要重新梳理数据来源，确保样本来自同一总体。

第二步：评估过程是否真的变好

如果排除了数据问题，很可能是过程波动真的减小了（比如设备精度提升、操作更规范）。

这时候需要重新计算控制上下限，用新的标准监控过程 —— 毕竟用旧的 3σ 界限，已经无法反映当前的稳定状态了

我们要明白，控制图的核心不是 “解决问题”，而是 “发现问题”。

连续15个点在C区的异常信号，是在提醒我们：

过程可能已经不一样了，该重新审视现状啦！

自习人课堂「备考四件套」，

用专业和陪伴，助你成为一个理论与实战兼备的六西格玛绿带或黑带！

备考六西格玛的同学可以添加六六老师微信liuxigema1v1免费领取海量六西格玛备考资料