深度解读QC七大工具 · 直方图
写在前面
只看平均值，你可能会被数据骗了两次。
两个班组的平均不良率都是3%，但一个班稳定在2.5%-3.5%之间，另一个班从0.5%到8%剧烈波动——你能接受哪一个？
平均值掩盖了数据的分布。而直方图，就是揭示数据分布的照妖镜。
第一章：直方图的本质
1.1 什么是直方图
直方图（Histogram） 是一种将数据的分布情况用柱状图展示出来的统计工具。它将数据的取值范围划分为若干个等宽的区间（组距），然后统计每个区间内数据出现的频次，用柱子的高度表示。
核心逻辑：
连续的数据 → 按区间分组 → 统计每组频次 → 画成柱子
通过柱子的分布形态判断：
数据的中心在哪里？数据有多分散？数据呈什么分布形态？
1.2 为什么不用平均值就够了
假设两组数据，平均值都是50：
数据A：49, 50, 51, 49, 50, 51, 49, 50, 51
→ 平均值=50，波动很小
数据B：10, 30, 50, 70, 90, 40, 60, 20, 80
→ 平均值=50，但波动极大
两组数据的平均值完全一样，但质量水平天差地别！
平均值只是数据的一个特征。直方图能告诉你更多：
- 数据的中心在哪里？（平均值/中位数）
- 数据的离散程度有多大？（范围/标准差）
- 数据的分布形态是什么？（正态？偏态？双峰？）
- 数据是否超出规格限？（是否合格？）
1.3 直方图的三大作用
| 作用 | 说明 | 适用场景 |
|---|---|---|
| 了解过程状态 | 判断过程是否稳定、是否正常 | 过程能力分析、初始过程确认 |
| 发现异常模式 | 双峰、偏态、孤岛等异常形态 | 过程异常诊断 |
| 评估过程能力 | 对比规格限，计算CP/CPK | SPC、过程能力研究 |
1.4 直方图 vs 柱状图
很多人把直方图和柱状图搞混，但它们是不同的：
| 维度 | 直方图 | 柱状图 |
|---|---|---|
| 数据类型 | 连续数据（长度、重量、温度） | 分类数据（不良类型、班组） |
| 横轴 | 数值区间（连续） | 类别名称（离散） |
| 柱子排列 | 按数值顺序，不能调换 | 可任意排列顺序 |
| 柱子间距 | 无间距（连续分布） | 有间距（分类） |
| 展示内容 | 分布形态 | 比较大小 |
第二章：直方图的绘制与解读
2.1 绘制7步法
Step 1：收集数据
最少收集50个数据点，建议100个以上
Step 2：确定数据范围
最大值 - 最小值 = 全距（R）
Step 3：确定组数
经验公式：组数 k = √n 或 k = 1 + 3.3lg(n)
常用参考：50个数据→7组，100个→10组，200个→12组
Step 4：确定组距
组距 = 全距 / 组数（取整，方便计算）
Step 5：确定组界
每组的上限和下限，不重叠
Step 6：统计频次
统计每个区间内的数据个数
Step 7：画直方图
X轴 = 数值区间，Y轴 = 频次
画出柱子，标注规格限（如有）
2.2 直方图的几种典型形态
① 正态型（钟形）
频次 ^
7 | █
6 | █
5 | █ █ █
4 | █ █ █
3 | █ █ █ █ █
2 | █ █ █ █ █ █ █
1 | █ █ █ █ █ █ █
+—————————————————————→ 数值区间
过程正常，最常见
② 偏态型（左偏/右偏）
右偏（偏小）
频次 ^
6 | █
5 | █ █
4 | █ █ █
3 | █ █ █ █
2 | █ █ █ █ █
1 | █ █ █ █ █ █ █
+—————————————————————→ 数值区间
左偏（偏大）
频次 ^
6 | █
5 | █ █
4 | █ █ █
3 | █ █ █ █
2 | █ █ █ █ █
1 | █ █ █ █ █ █ █
+—————————————————————→ 数值区间
③ 双峰型
频次 ^
6 | █ █
5 | █ █
4 | █ █
3 | █ █ █ █
2 | █ █ █ █ █ █ █
1 | █ █ █ █ █ █ █
+—————————————————————→ 数值区间
两种不同的分布混合在一起
原因：不同设备/不同班次/不同材料
④ 平顶型
频次 ^
5 | █ █ █ █ █ █ █
4 | █ █ █ █ █ █ █
3 | █ █ █ █ █ █ █
2 | █ █ █ █ █ █ █
1 | █ █ █ █ █ █ █
+—————————————————————→ 数值区间
多个平均值不同的数据混合
⑤ 孤岛型
频次 ^
7 | █
6 | █ █ █
5 | █ █ █
4 | █ █ █ █ █ █
3 | █ █ █ █ █ █
2 | █ █ █ █ █ █ █ █
1 | █ █ █ █ █ █ █ █ █
+———————————————————————————→ 数值区间
少数数据偏离主体
原因：短暂异常、测量错误
⑥ 锯齿型
频次 ^
6 | █
5 | █ █ █
4 | █ █ █ █ █
3 | █ █ █ █ █ █ █
2 | █ █ █ █ █ █ █ █ █
1 | █ █ █ █ █ █ █ █ █
+———————————————————————————→ 数值区间
组距设置不当或数据四舍五入问题
第三章：直方图的实战案例
案例1：制造业——轴的直径分布
背景：某机加工车间车削轴的直径，规格要求 φ50±0.1mm
收集了100个数据
直方图分析：
→ 正态分布，中心在50.02mm（略偏上限）
→ 全部在规格限内（49.90-50.10mm）
→ 分布宽度约为规格宽度的60%
结论：
✓ 过程能力充足（CPK≈1.2）
✓ 但中心偏向上限，需留意刀具磨损趋势
建议：
将目标值设为50.00mm，给刀具磨损留出空间
案例2：双峰型——不同设备的混合数据
背景：某注塑车间收集了产品重量数据
直方图呈现明显的双峰分布
分析：
按设备分层后发现：
→ 设备A：平均重量102g
→ 设备B：平均重量98g
→ 两个设备的平均值差异显著
根因：
两台设备的温度设定不同
行动：
统一两台设备的工艺参数
调整后直方图恢复正态分布
案例3：偏态型——服务业等待时间
背景：某银行窗口客户等待时间数据
直方图呈现明显的右偏分布（长尾在右侧）
分析：
→ 大部分客户等待3-8分钟
→ 但有少量客户等待超过20分钟
→ 这是服务行业典型的"长尾分布"
行动：
── 设置15分钟超预警
── 高峰期增加窗口
── 针对超长等待客户进行专项分析
案例4：孤岛型——发现测量错误
背景：某电子厂测量电阻值
直方图主体在100-105Ω之间正态分布
但在95Ω处有一个孤岛（3个数据点）
调查发现：
→ 这3个数据来自一个新来的检验员
→ 使用的是未校准的量具
行动：
── 重新校准量具
── 重新培训检验员
── 召回该批次的测量数据重新测量
第四章：直方图的常见误区
误区1：样本量不足
× 错误做法：
只收集了20个数据就画直方图
→ 柱子高低不平，看不出真实分布
✓ 正确做法：
最少50个，建议100个以上
样本越多，分布形态越清晰
误区2：组数设置不当
× 组数太少：
只分3-4组，信息大量丢失
看不出分布细节
× 组数太多：
分20多组，柱子太多，分布杂乱
看不出整体趋势
✓ 正确做法：
根据公式 k = √n 或经验法确定
50个数据→7组，100个→10组
误区3：不对比规格限
× 错误做法：
只画直方图，不画规格上下限
→ 看了分布也不知道是否合格
✓ 正确做法：
在直方图上标注规格上下限（USL/LSL）
直观判断过程能力是否充足
误区4：看到异常形态不追查
× 错误做法：
看到双峰/偏态/孤岛，就那样了
→ 浪费了发现问题的机会
✓ 正确做法：
异常形态是线索！
双峰 → 不同来源数据混合 → 分层分析
孤岛 → 特殊原因 → 调查根源
偏态 → 过程不稳定 → 参数调整
误区5：只看形状，不看数据量
× 错误做法：
30个数据，画出一个漂亮的"正态分布"
→ 以为过程很好
✓ 正确做法：
小样本可能偶然呈现任何形态
样本量越大，结论越可靠
先用控制图判断过程是否受控
第五章：直方图与其他工具的组合
5.1 直方图 + 控制图
最佳搭档：
控制图 → 判断过程是否受控（时间维度）
直方图 → 判断分布的形态和位置（静态维度）
组合使用：
① 先用控制图判断过程是否受控
② 过程受控后，用直方图分析分布形态
③ 对比规格限，评估过程能力
④ 用控制图持续监控
5.2 直方图 + 层别法
组合使用：
第一步：画出整体直方图，发现异常形态（如双峰）
第二步：用层别法按设备/班次/材料分层
第三步：对每一层分别画直方图
第四步：找出差异源，针对性改善
→ 直方图发现"有问题"，层别法找出"在哪里"
5.3 直方图 + 正态性检验
判断数据是否服从正态分布，有两种方式：
定性：看直方图是否呈钟形
定量：做正态性检验（如：Anderson-Darling检验）
为什么重要：
→ 如果数据不服从正态分布
→ 计算CPK、CP的公式可能不适用
→ 需要先转换数据或使用非参数方法
5.4 直方图 + 规格限 → 过程能力指数
过程能力指数（CP/CPK）的计算前提：
① 过程受控（控制图确认）
② 数据服从正态分布（直方图确认）
CP = (USL - LSL) / 6σ
CPK = min(CPL, CPU)
其中 CPL = (μ - LSL) / 3σ
CPU = (USL - μ) / 3σ
判断标准：
CPK ≥ 1.33 → 过程能力充足
1.0 ≤ CPK < 1.33 → 过程能力尚可，需关注
CPK < 1.0 → 过程能力不足，需改善
第六章：直方图的进阶用法
6.1 直方图 + 规格限（过程能力可视化）
最佳实践直方图包含：
── 柱子：数据分布
── 两条竖线：USL（规格上限）和LSL（规格下限）
── 一条竖线：目标值（Target）
── 标注：均值、标准差、CPK值
→ 一张图就能判断过程是否满足要求
6.2 改善前后的对比直方图
改善前直方图：
── 分布中心偏离目标
── 分布宽度大
── 有超出规格限的数据
改善后直方图：
── 分布中心对准目标
── 分布宽度缩小
── 所有数据在规格限内
→ 两张图并列对比，直观展示改善效果
6.3 分组直方图
在同一张图上用不同颜色显示不同组别的直方图
（使用半透明填充，重叠部分可以看到）
价值：
── 直观比较不同组别的分布差异
── 快速找出哪个组别需要改善
── 避免双峰型分布的误判
第七章：直方图的评价标准
| 评价维度 | 好的标准 | 不好的表现 |
|---|---|---|
| 样本充足 | 100个以上数据点 | 50个以下 |
| 组数合理 | 根据公式确定组数 | 组数过多或过少 |
| 刻度清晰 | 坐标轴标注明确 | 刻度混乱，无单位 |
| 规格标注 | 标注USL/LSL/目标值 | 无规格限 |
| 分析正确 | 结合形态、位置、离散度 | 只看形状不看位置 |
| 有行动输出 | 异常形态有追查结果 | 画完就结束了 |
总结：直方图的"道"与"术"
术（怎么画）：
── 收集100个以上数据
── 确定组数和组距
── 画柱子，标注规格限
── 观察分布形态
道（为什么画）：
── 不是为了画一张"好看的分布图"
── 是为了"看清平均值背后藏着的真相"
── 是为了"在数据中发现问题、在分布中寻找改善方向"
直方图最大的价值不是"描述数据"，而是"揭穿平均值的谎言"。
一个只关注平均值的管理者，他的团队可能在极度不稳定的过程中生产——而他还以为一切正常。
直方图，就是那个让他看清真相的工具。
文档版本：v1.0 生成日期：2026-05-03 作者：卓越质量智库
第6期： 直方图（Histogram）