控制图的数据类型

我有哪些类型的数据？

您使用的控制图取决于您要收集连续数据还是属性数据。如果您有多个连续变量，请考虑您是否拥有多变量数据。属性数据有两个子类型：二项和 Poisson。

连续变量可以有无限多个值，如 234.8 或 0.01。属性变量的值限制为指定类别或离散值。例如，属性值可以包括“通过”和“失败”类别。样本中的缺陷数也可以是属性变量。

连续测量值提供的信息一般比属性数据多。但是，属性数据往往更便于收集。因此，当难以获取连续测量值时，通常会收集属性数据。一般而言，属性数据是由操作员或质量控制人员分配的主观评分。

连续数据用于测量部件或过程的特征，如长度、重量或温度。此类数据通常包括分数（或小数）值。

例如，一家食品制造商要调查谷类产品的重量是否在一段时间内保持一致。为了收集数据，质量分析员将记录盒装谷类食品样本的重量。

如果您收集的是子组中的连续数据，可以使用统计 > 控制图 > 子组的变量控制图中的控制图之一。

如果您收集的是单个测量值的连续数据，则可以使用统计 > 控制图 > 单值的变量控制图中的控制图之一。

如果您从同一个过程收集多个连续变量，则将拥有多变量数据。当变量彼此相关时，可以在一个多变量控制图上监视多个变量。例如，您可以监控用来生产注塑件的过程的温度和压力。

要确定应使用单变量控制图还是多变量控制图，请创建变量的相关矩阵。如果变量彼此相关，请考虑创建多变量控制图。

如果数据包括相关变量，则为每个变量创建单独的控制图会产生误导，因为这些变量共同影响过程。如果在多变量情况下使用单独的单变量控制图，则下面各项不等于其预期值：

这些值的失真将随测量值变量的数量增加。

如果您有多变量数据，则多变量控制图将提供以下优势：

但是，与传统的 Shewhart 控制图相比，多变量控制图较难解释。例如，多变量控制图上的尺度与任何变量的尺度都没有关系。而且，多变量控制图中的失控信号不会显示哪些变量（或变量组合）导致了此信号。

如果您有从两个或多个相关变量收集到的连续数据，则可以使用统计 > 控制图 > 多变量控制图中的控制图之一。

对于控制图，属性数据通常是不符合性（也称为缺陷）或不合格单元（也称为缺陷品）的计数。不符合性指某个质量特征，不合格单元指整个产品。一个单元可能具有许多不符合性，但单元本身或者是合格单元，或者是不合格单元。例如，金属面板上的划痕就是一个不符合性。如果存在多个划痕，则整个面板可能被视为一个不合格单元。

Poisson 数据: Poisson 数据的值通常是缺陷或事件的计数。Poisson 数据通常用于对发生率建模，例如每单位缺陷数。; 例如，检查员每小时抽取 5 条沙滩巾并检查它们是否有褪色、撕裂和针脚错误。他们记录下样本中的缺陷总数。每条沙滩巾可能存在多个缺陷，如 1 处褪色和 2 处撕裂（3 个缺陷）。
二项数据: 二项数据的值被分类为两种类型中的一种，例如通过/失败，通过/通不过。二项数据通常用于计算比例或百分比，例如抽样部件为缺陷品的百分比。; 例如，自动检查过程将检查螺栓样本是否存在导致其不能使用的严重裂纹。对于每个样本，分析员将记录所检查的螺栓数以及被拒绝的螺栓数。

如果您拥有属性数据，则可以使用统计 > 控制图 > 属性控制图中的控制图之一。

稀有事件的控制图显示事件之间的时间量或机会数。稀有事件控制图上较高的标绘点指示事件之间的时间较长。稀有事件控制图上较低的标绘点指示事件之间的时间较短。

一些事件的发生频率如此之低，以至于您无法使用传统的控制图（如 Xbar-R 或 P 控制图）来监视数据。稀有事件的示例包括院内感染、用药错误或具有较低缺陷率的制造过程。

如果您拥有稀有事件数据，则可以使用统计 > 控制图 > 稀有事件控制图中的控制图之一。