excel 如何畫p-chart：駕馭試算表，精準掌握製程品質變異

Byadmin

嘿，你是不是也遇過這種情況？小陳最近在負責他們工廠的品管監測，每天面對一大堆生產數據，像是每批產品的不合格數量、抽檢樣本大小等等。他總覺得這樣看數字雖然也能知道狀況，但總少了那麼一點「感覺」，很難直觀地判斷製程到底穩不穩定，有沒有什麼異常狀況發生。尤其當老闆問起：「我們的產品良率最近波動大不大？有沒有超出正常範圍？」的時候，小陳常常只能支支吾吾地回答，心裡卻很清楚，他需要一個更科學、更視覺化的工具來監控。沒錯，這時候，Excel 裡頭的 P-chart (不良率管制圖) 就是你的救星啦！

精確明確回答標題問題：要在 Excel 裡繪製 P-chart，你主要會經歷數據準備（收集樣本大小與不合格品數）、計算各樣本的不良率、計算管制圖的中心線（平均不良率）以及上下管制界線。接著，利用 Excel 的「散佈圖」或「折線圖」功能，將這些計算結果視覺化呈現，並進行必要的圖表美化與解讀。這整個過程，其實比你想像的還要簡單，而且威力無窮喔！

什麼是 P-chart？為什麼它這麼重要？

你或許會問，P-chart 到底是什麼碗糕？簡單來說，P-chart (Proportion Chart)，中文叫做「不良率管制圖」或是「不合格品率管制圖」，它是一種非常實用的統計製程管制 (Statistical Process Control, SPC) 工具，主要用來監控在重複性製程中，單位樣本內「不合格品」的比例（或者說不良率）隨時間變化的趨勢。它的核心目的是要幫助我們判斷製程是否處於「統計管制狀態」下。

想想看，我們的生產線上，產品是不是常常只有「合格」或「不合格」兩種狀態？比如，手機組裝線上的功能測試，要嘛通過，要嘛失敗；或是印刷廠的成品，要嘛顏色正確，要嘛色偏。P-chart 就是專門處理這類「計數型數據」的工具，它關心的是在一定數量的抽樣中，有多少比例是不符合規範的。跟一些監測「量測型數據」（比如長度、重量）的管制圖（像 X-bar R chart）很不一樣喔！

P-chart 的重要性，在我看來，主要體現在以下幾點：

  • 及早發現異常： 透過視覺化的圖表，你能一眼看出不良率是否突然升高或降低，或者是否有持續的趨勢，這些都可能是製程發生變化的訊號。越早發現問題，就能越快介入處理，避免更大的損失。
  • 區分變異源： P-chart 能幫助我們區分兩種變異：一種是「隨機性變異」（Common Cause Variation），這是製程本身固有的、無法避免的波動；另一種是「特殊性變異」（Special Cause Variation），這是由於某些特定原因造成的，是可以被識別和消除的。P-chart 的管制界限，就是用來判斷什麼是正常波動，什麼是異常波動的標準。
  • 評估製程改善效果： 當你實施了任何製程改善措施後，可以繼續繪製 P-chart 來觀察不良率是否有顯著且持續的下降，並且製程是否重新回到穩定狀態。這提供了一個客觀的數據來評估你的努力有沒有白費。
  • 溝通工具： 一張清晰的 P-chart 比一堆冰冷的數字更容易讓團隊成員、管理層理解製程現狀。大家都能看懂圖表，更容易達成共識，共同推動品質改進。

所以說，P-chart 不僅僅是畫一張圖那麼簡單，它背後蘊含的是一種 proactive (積極主動) 的品質管理思維。它讓我們從「事後補救」轉變為「事前預防」，這才是真正提升品質的關鍵所在，你說是不是這個道理？

P-chart 的基本原理與計算公式

在我們動手在 Excel 上操作之前，先來搞懂 P-chart 背後的「理論基礎」，這樣你才能真正理解每個步驟在做什麼，而不是只會「照貓畫虎」喔！P-chart 其實是基於二項式分佈 (Binomial Distribution) 的概念，因為我們關心的是一個事件（產品不合格）在固定次數（樣本大小）中發生的次數。但是，管制圖的計算為了簡化，通常會使用常態分佈 (Normal Distribution) 來近似，尤其當樣本數夠大的時候，這個近似效果會非常好。

P-chart 主要由三個核心元素組成：

  1. 中心線 (Central Line, CL)： 代表製程的平均不良率。
  2. 上限管制界線 (Upper Control Limit, UCL)： 製程不良率的最高預期值。
  3. 下限管制界線 (Lower Control Limit, LCL)： 製程不良率的最低預期值。

來，我們一個個來看怎麼計算：

1. 樣本不良率 (p_i)

這是每一個抽樣批次的不良率。

p_i = (該樣本的不合格品數量) / (該樣本的總數量 n_i)

舉例來說，如果我抽檢了 100 個產品，其中有 5 個是不合格的，那麼這個樣本的不良率 p_i 就是 5/100 = 0.05。

2. 中心線 (CL 或 p_bar)

這個中心線代表的是所有觀測樣本的「平均不良率」。它是一條水平線，是我們判斷製程是否穩定的基準。

p_bar = (所有樣本的不合格品總數量) / (所有樣本的總數量總和)

假如你總共抽檢了 20 個批次，每個批次都有各自的不合格品數和樣本總數，你必須把所有批次的不合格品數加起來，再除以所有批次的樣本總數加起來，這樣才能得到最準確的平均不良率喔。

3. 上下管制界線 (UCL, LCL)

這兩條線是判斷製程是否失控的「警戒線」。它們通常設定在距離中心線正負 3 倍標準差的位置。這個「3 倍標準差」是一個經驗法則，在統計上，如果數據服從常態分佈，那麼大約有 99.73% 的數據點會落在這兩條線之間。如果有點跑出去，那就很可能是製程有「特殊原因」介入了！

管制界線的計算公式如下：

UCL = p_bar + 3 * SQRT[ p_bar * (1 - p_bar) / n_i ]

LCL = p_bar - 3 * SQRT[ p_bar * (1 - p_bar) / n_i ]

這裡有幾個要特別注意的地方：

  • n_i： 在管制界線的計算中，這個 n_i 代表的是「每個樣本的總數量」。這很重要！如果你的每一次抽樣的樣本大小是固定的，那 UCL 和 LCL 就會是兩條水平線。但實際工作中，很多時候我們的樣本大小是「不固定」的（比如每天的生產量不同，抽樣比例相同但數量不同）。在這種情況下，UCL 和 LCL 就會是兩條隨著每個樣本大小不同而變動的「階梯狀」或「波動狀」的線。 這點是 Excel 繪製 P-chart 時一個很關鍵的細節，也是很多人容易忽略的地方喔！
  • LCL 的最小值： 如果計算出來的 LCL 小於 0，那麼我們一律將 LCL 設定為 0。因為不良率不可能為負數嘛！

理解了這些基本公式，我們就可以信心滿滿地打開 Excel，開始我們的實戰操作啦！是不是感覺沒那麼抽象了呢？

Excel 如何畫 P-chart：一步步圖解教學

好啦，理論知識講得差不多了，現在讓我們把手弄髒，實際來操作如何在 Excel 上把 P-chart 畫出來吧！我會盡量詳細地列出步驟，保證你跟著做一定能成功！

第一步：準備你的數據

這是所有分析的基礎，數據一定要正確無誤！你需要兩欄最基本的數據：

  1. 樣本編號/批次 (Subgroup)： 這是你的時間序列，比如日期、批次號等。
  2. 樣本總數 (Sample Size, n)： 每次抽檢的產品總數。
  3. 不合格品數量 (Number of Non-conforming, D)： 每次抽檢中，發現不合格品的數量。

建議你在 Excel 的工作表上建立一個這樣的表格。我們以一個虛構的生產線為例，數據如下：

日期 (A欄) 樣本總數 (n_i) (B欄) 不合格品數 (D_i) (C欄)
2023/10/01 150 3
2023/10/02 145 2
2023/10/03 160 4
2023/10/04 155 3
2023/10/05 150 5
2023/10/06 140 2
2023/10/07 165 4
2023/10/08 150 3
2023/10/09 160 6
2023/10/10 155 3
2023/10/11 140 2
2023/10/12 160 5
2023/10/13 150 4
2023/10/14 160 7
2023/10/15 150 3
2023/10/16 155 4
2023/10/17 145 2
2023/10/18 160 5
2023/10/19 150 3
2023/10/20 160 8

將這些數據輸入到 Excel 的 A1:C21 儲存格中。從 A1 開始，列標題可以放在第一行。

第二步：計算各樣本的不良率 (p_i)

在 D 欄（假設是 D1）輸入「樣本不良率 (p_i)」作為標題。然後在 D2 儲存格中輸入公式：

=C2/B2

這個公式就是用不合格品數除以樣本總數。輸入完後，將 D2 的公式拖曳複製到 D3 到 D21，這樣所有批次的 p_i 就都算出來了。是不是很簡單？

第三步：計算平均不良率 (p_bar) 作為中心線 (CL)

在某個空儲存格，例如 E1，輸入「平均不良率 (p_bar) / 中心線 (CL)」。這個值只需要計算一次。

首先，你需要計算所有不合格品數量的總和，以及所有樣本總數量的總和。

在 E2 儲存格輸入：

=SUM(C2:C21)/SUM(B2:B21)

這個值就是你的中心線 (CL)。為了方便後續繪圖，我們可以將這個值複製到 E3 到 E21，讓它成為一個常數欄位。

在 E3 儲存格輸入：

=$E$2

然後拖曳複製到 E21。這裡用 $E$2 是絕對引用，確保每個單元格都指向同一個平均不良率。

第四步：計算上下管制界線 (UCL, LCL)

這是最關鍵也是稍微複雜一點的部分，因為 UCL 和 LCL 可能會隨著樣本大小變動。我們會在 F 欄建立「UCL」，在 G 欄建立「LCL」。

1. 計算 UCL (Upper Control Limit)

在 F1 儲存格輸入「UCL」作為標題。在 F2 儲存格輸入以下公式：

=$E$2 + 3 * SQRT($E$2 * (1 - $E$2) / B2)

這裡 $E$2 是我們剛剛計算出來的 p_bar (中心線)，它是一個固定值。B2 則是當前這一行的樣本總數。這個公式會根據每個樣本的 n_i 值，計算出對應的 UCL。將 F2 的公式拖曳複製到 F3 到 F21。

2. 計算 LCL (Lower Control Limit)

在 G1 儲存格輸入「LCL」作為標題。在 G2 儲存格輸入以下公式：

=MAX(0, $E$2 - 3 * SQRT($E$2 * (1 - $E$2) / B2))

這裡我們用了 MAX(0, ...) 函數。這是為了確保 LCL 不會出現負值，如果計算結果小於 0，它會自動取 0。同樣，將 G2 的公式拖曳複製到 G3 到 G21。

到這裡，你的數據準備和計算工作就大功告成了！表格大概會長這樣：

日期 樣本總數 (n_i) 不合格品數 (D_i) 樣本不良率 (p_i) 中心線 (CL) UCL LCL
2023/10/01 150 3 0.0200 0.0256 0.0688 0.0000
2023/10/02 145 2 0.0138 0.0256 0.0699 0.0000
2023/10/03 160 4 0.0250 0.0256 0.0668 0.0000
2023/10/04 155 3 0.0194 0.0256 0.0678 0.0000
2023/10/05 150 5 0.0333 0.0256 0.0688 0.0000
2023/10/06 140 2 0.0143 0.0256 0.0709 0.0000
2023/10/07 165 4 0.0242 0.0256 0.0658 0.0000
2023/10/08 150 3 0.0200 0.0256 0.0688 0.0000
2023/10/09 160 6 0.0375 0.0256 0.0668 0.0000
2023/10/10 155 3 0.0194 0.0256 0.0678 0.0000
2023/10/11 140 2 0.0143 0.0256 0.0709 0.0000
2023/10/12 160 5 0.0313 0.0256 0.0668 0.0000
2023/10/13 150 4 0.0267 0.0256 0.0688 0.0000
2023/10/14 160 7 0.0438 0.0256 0.0668 0.0000
2023/10/15 150 3 0.0200 0.0256 0.0688 0.0000
2023/10/16 155 4 0.0258 0.0256 0.0678 0.0000
2023/10/17 145 2 0.0138 0.0256 0.0699 0.0000
2023/10/18 160 5 0.0313 0.0256 0.0668 0.0000
2023/10/19 150 3 0.0200 0.0256 0.0688 0.0000
2023/10/20 160 8 0.0500 0.0256 0.0668 0.0000

（註：表格中的中心線、UCL、LCL數值已根據假設數據進行計算，僅為示例，實際值會依據你的數據而定。）

第五步：繪製 P-chart

現在是時候把這些數字變成一目了然的圖表了！

  1. 選取數據： 選取 A 欄的「日期」（作為 X 軸）以及 D 欄的「樣本不良率 (p_i)」、E 欄的「中心線 (CL)」、F 欄的「UCL」、G 欄的「LCL」這些數據（作為 Y 軸的線）。也就是選取 A1:A21 以及 D1:G21。

  2. 插入圖表： 點擊 Excel 上方選單的「插入」分頁，然後在「圖表」區塊中找到「散佈圖」或「折線圖」。通常我們會選擇「帶有標記的折線圖」，這樣能清楚看到每個數據點。

    小撇步： 如果你的日期欄位是日期格式，Excel 可能會自動判斷 X 軸為日期軸。如果 X 軸是批次編號等序數，用「帶有標記的折線圖」效果最好。

  3. 調整圖表：

    • 標題： 將圖表標題改為「P-chart – [你的製程名稱]」，例如「P-chart – 手機組裝線不良率」。
    • 軸標題： 加入 X 軸標題「日期/批次」和 Y 軸標題「不良率」。
    • 線條樣式：
      • 「樣本不良率 (p_i)」這條線：你可以選擇讓它帶有明顯的數據標記，線條顏色可以鮮豔一點，讓它成為圖表的主角。
      • 「中心線 (CL)」：通常會用虛線來表示，顏色可以選灰色或淺藍色，代表參考基準。
      • 「UCL」和「LCL」：這兩條管制界線通常也用虛線或點線，顏色可以比中心線深一點，例如紅色或深藍色，以示警戒。
    • 資料標籤： 如果有需要，可以為「樣本不良率 (p_i)」這條線加入資料標籤，顯示每個點的具體數值，但通常在 P-chart 上不加，以免圖表過於擁擠。
    • 刪除網格線： 為了讓圖表更清晰，有時可以將背景的網格線刪除。

鏘鏘！這樣一張專業又美觀的 P-chart 就呈現在你眼前了！是不是很有成就感呢？

如何解讀 P-chart：發現製程的異常訊號

畫出來了，那要怎麼看懂它呢？這才是 P-chart 真正發揮作用的地方！解讀 P-chart 的目的，就是要找出製程中是否存在「特殊原因」造成的變異，也就是我們常說的「失控點」。一旦發現失控，就要立即介入調查原因並採取改進措施。

管制圖的判讀通常會參考一套廣泛被接受的準則，這些準則被稱為「韋氏法則」(Western Electric Rules) 或其他類似的判斷準則。以下是一些最常見且重要的判斷準則，如果你的 P-chart 出現這些情況，就代表製程可能已經失控，需要你特別注意了：

判讀 P-chart 的主要準則：

  1. 點超出管制界限：

    狀況： 任何一個數據點（樣本不良率）落在 UCL 之上或 LCL 之下。

    意義： 這是最明顯也最常見的失控訊號。表示該批次的不良率異常地高（或低），極有可能存在特殊原因。高於 UCL 通常是壞消息，例如設備故障、原材料品質出問題、操作員失誤等；低於 LCL 則可能是好消息，但仍需調查，看是不是因為新的改進措施奏效，或是測量系統有問題，甚至可能是因為誤報，無論好壞，都需要深入了解原因。

  2. 連續多點位於中心線同側：

    狀況： 連續 7 個或 8 個數據點都落在中心線的同一側（無論是上方或下方）。

    意義： 即使這些點沒有超出管制界線，但長時間偏離中心線，也表示製程可能已經產生某種系統性的偏移，不再是隨機波動。例如，連續多批次不良率都略高於平均值，這可能意味著原材料批次有輕微但持續的問題。

  3. 趨勢持續上升或下降：

    狀況： 連續 6 個點持續上升或下降。

    意義： 這表示製程存在一個穩定、持續的變化趨勢，例如不良率逐漸升高，這可能是機台磨損、原料逐漸變質或操作員疲勞累積的結果。如果是持續下降，那當然是好消息，但同樣需要探究其原因，以便將這個好經驗標準化。

  4. 週期性模式：

    狀況： 數據點呈現有規律的上下波動，像波浪一樣。

    意義： 這可能與某些週期性因素有關，例如日夜班交替、季節性溫度變化、設備維護週期等。找出這些週期性因素，你就能更好地理解和控制它們對製程的影響。

  5. 太多的點集中在中心線附近或管制界線附近：

    狀況： 數據點過於集中在中心線附近（缺乏變異），或者過於集中在管制界線附近（變異過大）。

    意義： 前者可能暗示數據採集或測量系統有問題，或是過度管理導致的假象；後者則表示製程不穩定，有多個來源的變異共同作用。這些情況雖然不常見，但一旦出現也需要警惕。

我個人經驗是，判讀管制圖時，一開始會先看有沒有點超出界線，這是最直觀的。如果沒有，再仔細觀察有沒有連續點同側、趨勢、週期等情況。這就像偵探辦案一樣，你需要細心觀察每一個細節，才能找出真正的「兇手」！

我的觀點： 我覺得很多人在用 P-chart 的時候，常常只看有沒有點超出管制線，這其實只利用了 P-chart 功能的一小部分。真正專業的品管人員，會像一位醫生在看心電圖一樣，透過觀察這些「模式」來診斷製程的健康狀況。學會了這些判斷準則，你的 P-chart 就不再只是一張圖，而是製程的「健康報告」了！

實務應用中的 P-chart 考量與常見問題

雖然 P-chart 看起來很直觀也很強大，但在實際應用中，我們還是有一些細節和常見問題需要注意的。畢竟，數據不是死的，應用的人才是活的嘛！

1. 樣本大小的選擇

這是一個很重要的問題！通常來說，樣本大小 n 應該要足夠大，以確保每次抽樣中，有「不合格品」出現的機會是足夠的。如果樣本太小，很多時候你可能都抽不到不合格品，不良率就一直是 0，這樣 P-chart 就失去了監控意義。

一般的經驗法則是，n * p_bar （樣本大小乘以平均不良率）的值至少要大於或等於 5。這樣才能保證二項式分佈的常態近似是有效的，並且 LCL 不會經常性地落在 0，導致無法監測不良率降低的潛在好消息。如果你的不良率非常低，可能需要非常大的樣本量，這時候你可能就要考慮改用 C-chart 或 U-chart (如果是不合格數，而不是不合格率)。

2. 如何處理變動的樣本大小

我們在 Excel 教學中已經處理了這個問題，也就是 UCL 和 LCL 會跟著每個樣本的 n_i 變動。這是正確的做法。但如果你發現樣本大小變化非常劇烈，大到會讓管制界線波動得非常誇張，那麼你可能需要考慮將數據分層，或是採用某些統計軟體（如 Minitab, R, Python）來處理，因為 Excel 在極端情況下視覺效果可能不夠好。

3. 管制界線的重新計算

P-chart 的管制界線是根據過去的數據計算出來的。一旦製程發生了顯著的變化（例如，你實施了重要的改善措施，或者發現並消除了嚴重的特殊原因），那麼原有的管制界線就不再適用了。這時候，你就需要重新收集一段時間的數據，並重新計算新的 p_bar、UCL 和 LCL。

這是一個動態的過程，管制圖不是畫一次就一勞永逸的。它需要定期審視和更新，才能真實反映製程的現狀。

4. 數據的品質與來源

記住，任何統計分析都逃不過「Garbage In, Garbage Out」（垃圾進，垃圾出）的原則。P-chart 的有效性完全取決於你輸入的數據是否準確、是否具有代表性。確保你的抽樣方法是隨機的、一致的，並且不良品的判斷標準是客觀且統一的。

5. 與其他管制圖的搭配使用

P-chart 是針對「不良率」的監控。在實際的品質管理中，你可能還需要同時使用其他類型的管制圖。例如，如果你同時關心產品的某個連續性量測值（如重量、長度），那麼你可能還需要 X-bar R chart 或 X-bar S chart。不同的管制圖針對不同類型的數據，它們是互補的工具，而不是相互替代的。

6. 專業軟體的優勢

雖然 Excel 繪製 P-chart 綽綽有餘，而且對於大多數中小企業來說很方便實用，但如果你需要更進階的功能，例如自動標記失控點、更複雜的判斷法則、數據管理與報告自動化，那麼像 Minitab 這類的專業統計軟體會是更好的選擇。它們通常能提供更多自動化的分析功能，讓你可以把更多精力放在解讀數據和改善製程上。

但別擔心，Excel 已經是個非常棒的起點了！掌握了在 Excel 中繪製 P-chart 的技巧，你已經跨出了統計製程管制非常重要的一步！

常見相關問題 (FAQ)

Q1: P-chart 和 NP-chart 有什麼不同？我該選用哪一種？

這是一個很好的問題，因為它們確實很相似，常常讓人搞混呢！

P-chart (Proportion Chart) 監控的是「不合格品率 (proportion of non-conforming items)」。它的 Y 軸是百分比或小數，例如 0.05 (5%)。這表示每次抽樣的不良率會被計算出來，然後在圖上呈現。P-chart 的管制界限是根據平均不良率和樣本大小來計算的，當樣本大小不一致時，UCL 和 LCL 會隨之變動，就像我們在教學中示範的那樣。

NP-chart (Number of Non-conforming Chart) 監控的則是「不合格品的數量 (number of non-conforming items)」。它的 Y 軸是實際的不合格品個數，例如 5 個。NP-chart 的一個重要前提是，所有的樣本大小 (n) 都必須是固定的。如果樣本大小每次都一樣，那麼管制界限就會是兩條水平線，計算起來相對簡單一些。它的中心線是 n * p_bar，而管制界限則是在中心線的基礎上，加減 3 倍的平方根 n * p_bar * (1 – p_bar)。

該選哪一種呢？

主要看你的數據特性和方便性：

  • 當樣本大小不一致時： 你必須使用 P-chart。 因為 NP-chart 的前提是固定樣本大小。如果硬要用 NP-chart，管制界限就無法準確反映製程的變異。

  • 當樣本大小一致時： P-chart 和 NP-chart 都可以使用。選擇哪一種主要看你習慣以「比例」還是「數量」來思考。如果你想直接看不良品的數量變化，NP-chart 可能更直觀；如果你想比較不同批次或製程之間的不良率表現（即使樣本大小不同），P-chart 就更合適。從專業角度看，P-chart 的應用範圍更廣，因為它能處理樣本大小變動的情況。

所以，我的建議是：如果你不確定或樣本大小可能變動，那就用 P-chart 吧，它適用性更廣。

Q2: 如果我的製程不良率非常低，P-chart 還適用嗎？

這個問題很常見，尤其在高科技產業或精密製造業，良率動不動就 99.9% 甚至更高，不良率低到不可思議。在這種情況下，使用傳統的 P-chart 可能會遇到一些問題：

首先，如果不良率 p_bar 太低，例如 0.001 (0.1%)，那麼計算出來的 LCL (下限管制界限) 很可能會變成負數，然後我們會把它設為 0。這表示你將無法偵測到不良率「顯著降低」的訊號，因為它總是會被 0 擋住。所有的點都會在中心線上方，這樣就無法看出製程是否有進一步改善的潛力。

其次，如前面提到的，如果 n * p_bar 的值小於 5，P-chart 的統計假設（使用常態分佈近似二項式分佈）可能就不那麼精確了，導致管制界限的判斷力下降。

那該怎麼辦呢？

當不良率非常低時，你應該考慮使用其他更適合「稀有事件」的管制圖：

  • C-chart (Count Chart) 或 U-chart (Unit Chart)： 這兩種管制圖是用來監控「單位產品中的缺陷數」或「單位樣本中的缺陷數」，而不是不合格品數。一個產品可能有多個缺陷，但仍然是「合格品」。例如，一塊晶圓上可能有好幾個微小的刮痕（缺陷），但它可能依然可以正常運作（不合格品數為0）。

    C-chart 適用於樣本大小固定，監控每單位產品的缺陷總數。U-chart 則適用於樣本大小可變動，監控每單位平均缺陷數。

  • G-chart (時間間隔圖) 或 T-chart (時間圖)： 這些管制圖則是用來監控事件發生的「時間間隔」，例如兩次故障之間的時間。如果你的不良事件發生得非常罕見，監控時間間隔可能比監控不良率更有意義。

總之，當不良率極低時，P-chart 的效果會打折扣。這時候，你需要根據你的數據特性和想監控的目標，選擇更合適的管制圖。這也彰顯了 SPC 工具的多樣性與彈性。

Q3: P-chart 為什麼通常使用 3-sigma 管制界線，而不是 2-sigma 或 1-sigma？

這是一個非常核心的統計問題，關係到管制圖的靈敏度和誤報率！

首先，管制圖的目的是要區分「隨機性變異」和「特殊性變異」。

「隨機性變異」是製程本身固有的，無法避免的，它會讓數據點在中心線附近「正常」地波動。而「特殊性變異」則是製程中出現了異常狀況，導致數據點產生了非隨機的變化。

如果製程只受到隨機性變異的影響，並且數據服從常態分佈，那麼：

  • 約 68.27% 的數據點會落在 ±1 倍標準差 (sigma) 範圍內。
  • 約 95.45% 的數據點會落在 ±2 倍標準差 (sigma) 範圍內。
  • 約 99.73% 的數據點會落在 ±3 倍標準差 (sigma) 範圍內。

當我們選擇管制界線時，就是在權衡兩種錯誤的風險：

  1. 型一錯誤 (Type I Error)： 也稱為「誤報」(False Alarm)。就是製程其實是穩定的，但管制圖卻錯誤地判斷為失控。這會導致不必要的調查和調整，浪費資源。

  2. 型二錯誤 (Type II Error)： 也稱為「漏報」(Missing Alarm)。就是製程其實已經失控了，但管制圖卻沒有偵測出來。這會導致問題持續存在，影響品質和效率。

如果我們使用 ±1 或 ±2 sigma 作為管制界線，管制圖就會變得非常「敏感」。許多正常、隨機的波動都可能會被誤判為失控。例如，用 2-sigma 界線，就有將近 5% 的點會「正常地」落在界線之外（因為 100% – 95.45% = 4.55%）。這誤報率太高了，會讓大家疲於奔命地去調查根本不存在的「問題」，導致對管制圖失去信任。

而 ±3 sigma 的界線，將誤報率控制在非常低的水平 (0.27%)。 這表示只有極少數的隨機波動會超出這個範圍。因此，當一個點真的超出 3-sigma 界線時，我們有很高的信心認為這絕對不是偶然，而是製程真的發生了「特殊原因」的變化。這讓管制圖成為一個可信賴的「警報系統」，只在真正需要時才發出警告。

這項原則是統計製程管制領域經過長期實踐和驗證的結果，也是美國質量學會 (ASQ) 等權威機構推薦的標準做法。當然，在某些極端情況下，例如高風險醫療設備製造，可能會調整管制界線以達到更高的靈敏度（但通常會犧牲誤報率），但對於大多數製程，3-sigma 是一個非常平衡且實用的選擇。

Q4: P-chart 什麼時候會失效或者不適用？

P-chart 雖然功能強大，但也不是萬能的。它有其適用範圍，如果你在不適合的場景中使用它，反而會得到誤導性的結果：

1. 數據不是計數型數據：

P-chart 專門處理「計數型數據」，也就是你數了多少個「不合格品」。如果你監測的是產品的長度、重量、溫度、電壓等「量測型數據」，P-chart 就完全不適用了。這時候你應該考慮 X-bar R chart、X-bar S chart、I-MR chart 等專門處理量測型數據的管制圖。

2. 樣本大小不固定且過於小或大：

P-chart 可以處理樣本大小不固定的情況，但如果樣本大小波動太大，或者樣本大小本身就很小（導致 n * p_bar < 5），那麼管制界線的計算精確度就會下降，LCL 可能會一直停在 0，導致圖表失去一部分監控能力。在這種情況下，如前面提到的，可能需要考慮 U-chart 或其他管制圖。

3. 不良品的定義不明確或不一致：

如果你的品管人員對什麼是不合格品有不同的判斷標準，或者這些標準會隨時間變化，那麼 P-chart 的數據就會缺乏一致性，圖表上呈現的波動很可能只是判斷標準的變異，而不是製程本身的變異，這會嚴重誤導你的判斷。

4. 製程本身就不穩定，且沒有歷史數據：

P-chart 的管制界線是根據過去穩定的製程數據計算出來的。如果你的製程從來就沒有穩定過（例如，總是處於失控狀態），那麼你計算出來的 p_bar、UCL 和 LCL 就沒有參考價值，因為它們不是一個穩定製程的「標準」。在這種情況下，你需要先進行製程改善，讓製程達到某種程度的穩定後，再開始使用管制圖來監控。

5. 樣本數據不是來自於隨機抽樣：

統計學的基礎是「隨機性」。如果你的抽樣方法有偏頗（例如，總是只抽檢好產品，或者只抽檢壞產品），那麼你的 P-chart 就無法真實反映製程的狀況，結果自然是不可靠的。

簡單來說，P-chart 是一個強大的工具，但它需要正確的數據、合適的製程情境和正確的解讀方法才能發揮其最大價值。在應用之前，務必先確認你的情況是否符合其基本假設和適用條件，這樣才能避免「盲人摸象」的窘境。

希望這些詳細的解釋，能讓你對 P-chart 在 Excel 中的應用有更深入的理解，並且能夠在實際工作中靈活運用，真正地提升你們的品質管理水平！加油！

excel 如何畫p-chart