XmR控制图控制限疑问：为何用移动极差而非总体3sigma？为何采用2.66×mR(avg)？

1. 为何采用移动极差（Moving Range），而非总体3sigma？ #

先明确XmR控制图的适用场景：它专门用于单值数据监控——比如化工反应器的每小时温度读数、每日唯一的缺陷统计值，这类场景下你没法从同一个子组里获取多个重复样本。

选择移动极差而非总体3σ的原因很实际：

• 总体σ几乎无法获取：现实生产中，你很难拿到过程的全部数据；就算能拿到，如果过程本身存在漂移或波动，用“总体σ”会把正常变异和异常变化混在一起，根本没法用来检测实时异常。
• 移动极差追踪的是当前过程变异：通过计算相邻两个数据点的极差，你其实是在估算过程短期、局部的变异水平——这正是SPC的核心目标：监控过程当下的表现变化，而不是用一个静态的长期变异平均值来掩盖问题。
• 单值数据无其他替代方案：对于单值数据，你没法计算子组标准差（每个子组只有一个值），移动极差是这种场景下唯一可行的变异估算方式。

2. 为何用2.66×mR(avg)估算控制限，而非直接用总体sigma？ #

先拆解背后的统计逻辑：
XmR默认用n=2的移动极差（即相邻两个数据点的差），此时平均移动极差mR(avg)是过程变异的无偏估计值。根据正态分布的统计特性，mR(avg) = 1.128σ（这个系数来自样本量为2时极差的期望值）。

把公式变形一下：σ = mR(avg)/1.128 ≈ 0.886×mR(avg)。而控制限的通用公式是X̄ ± 3σ，代入后就得到X̄ ± 3*(mR(avg)/1.128) = X̄ ± 2.66×mR(avg)。

至于为什么这个方案比总体σ更适用：

• 适配单值数据的特性：总体σ假设你有大量静态数据，但XmR是用来监控时序化的实时数据。2.66这个系数专门针对“用相邻点极差估算变异”的场景，而非针对全量总体。
• 保证统计合理性：这个系数能让控制限维持合适的误报率（正态过程下约0.27%），同时对过程的真实偏移保持敏感度。如果用总体σ，要么因为包含了过时数据让控制限过宽（漏检异常），要么因为用小样本估算σ让控制限过窄（误报频发）。
• 契合SPC的核心目标：SPC关注的是过程稳定性，而非单纯计算总体统计量。2.66×mR(avg)聚焦于能反映当前过程是否受控的短期变异，而不是跨所有时间的总变异。

内容的提问来源于stack exchange，提问作者stackinator