Theo dõi quá trình qua những mẫu có kích thước khác nhau
Trong chế tạo, số sản phẩm được kiểm tra mỗi ca hoặc mỗi lô thường không giống nhau. Một lô có sáu sản phẩm không phù hợp trên 50 đơn vị và một lô có 22 trên 200 không thể được so chỉ bằng số đếm. Biểu đồ p theo dõi tỷ lệ không phù hợp, đồng thời điều chỉnh mức biến động kỳ vọng theo cỡ mẫu.
ASQ mô tả biểu đồ kiểm soát là cách quan sát dữ liệu theo thời gian với đường trung tâm và các giới hạn để tìm tín hiệu thay đổi. [1] Bài này sử dụng một mô hình nhị thức và số liệu giả định để minh họa. Kết quả không xác định sản phẩm nào đạt yêu cầu kỹ thuật; trạng thái đạt hay không phù hợp phải có tiêu chí riêng trước khi thu thập dữ liệu.
Định nghĩa đơn vị trước khi tính tỷ lệ
Gọi nᵢ là số sản phẩm trong mẫu i và dᵢ là số sản phẩm không phù hợp trong chính mẫu đó. Tỷ lệ quan sát pᵢ = dᵢ/nᵢ, với nᵢ dương. Một sản phẩm có ba khuyết tật vẫn chỉ được đếm một lần trong dᵢ. Nếu mục tiêu là số khuyết tật, cần một mô hình số đếm khác.
Quy tắc phân loại phải được giữ ổn định giữa các kỳ. Nếu đổi phương pháp kiểm tra hoặc tăng độ nhạy phát hiện mà không ghi nhận, tỷ lệ có thể tăng dù quá trình chế tạo chưa thay đổi. Do đó, ngày kiểm, cấu hình, tiêu chí phân loại và phạm vi kiểm tra là những thông tin cần đi cùng số đếm.
Giả thiết nhị thức và giới hạn ba độ lệch chuẩn
NIST trình bày mô hình nhị thức cho số sản phẩm không phù hợp và công thức biểu đồ p. [2] Nếu từng sản phẩm có cùng xác suất không phù hợp p và các kết quả độc lập trong mô hình, số d của mẫu n có trung bình np và phương sai np(1−p). Từ p mẫu = d/n, phương sai tỷ lệ bằng p(1−p)/n.
Khi dùng tỷ lệ tham chiếu p₀, các giới hạn dạng ba độ lệch chuẩn là UCLᵢ = p₀ + 3√[p₀(1−p₀)/nᵢ] và LCLᵢ = p₀ − 3√[p₀(1−p₀)/nᵢ]. Vì tỷ lệ chỉ nằm từ không đến một, giới hạn hiển thị được chặn trong khoảng đó. Đây là giới hạn kiểm soát của mô hình, không phải khoảng tin cậy 95% cho p và cũng không phải dung sai sản phẩm.
Một bộ số liệu tham chiếu giả định
Giả sử giai đoạn tham chiếu có 40 mẫu, mỗi mẫu 200 sản phẩm, tổng cộng 400 sản phẩm không phù hợp trong 8.000 sản phẩm. Tỷ lệ gộp là p₀ = 400/8.000 = 0,05. Để minh họa phép tính, bài giả định quá trình tham chiếu đã được xem xét và có thể dùng mức này làm mốc; chỉ biết tổng 400 chưa đủ để tự chứng minh tính ổn định.
Với một mẫu mới n = 200, độ lệch chuẩn tỷ lệ theo mốc là √(0,05 × 0,95/200) ≈ 0,015411. UCL ≈ 0,096233 và LCL ≈ 0,003767. Biểu diễn phần trăm, hai giới hạn là 9,6233% và 0,3767%.
Nếu mẫu mới có d = 22, tỷ lệ bằng 11%, nằm trên UCL. Tín hiệu này là căn cứ để kiểm tra dữ liệu và điều tra nguyên nhân. Nó chưa cho biết nguyên nhân là vật liệu, thiết bị, cách kiểm tra hay một biến động khác; cần đối chiếu hồ sơ thực tế.
Cỡ mẫu làm thay đổi độ rộng của dải
Giữ p₀ = 0,05 nhưng n = 50, UCL tăng lên khoảng 0,142466; LCL tính thô âm nên chặn về không. Mẫu d = 6 có tỷ lệ 12%, chưa vượt giới hạn trên này. Trong khi đó mẫu 22/200 có tỷ lệ thấp hơn 12% nhưng lại phát tín hiệu ở cỡ mẫu 200.
Điều đó phù hợp với mức biến động do lấy mẫu: tỷ lệ từ một mẫu nhỏ dao động rộng hơn trong cùng mô hình. Khi n tăng lên 800, UCL khoảng 0,073117 và LCL khoảng 0,026883. Tăng cỡ mẫu bốn lần từ 200 lên 800 làm độ rộng nửa dải giảm một nửa vì nó tỷ lệ với 1/√n.
Không nên vẽ một cặp giới hạn cố định lấy từ n trung bình khi các cỡ mẫu khác nhau đáng kể mà không giải thích phương pháp. Khi người đọc nhìn thấy dải thay đổi theo thời gian, cần có nhãn cỡ mẫu để hiểu vì sao dải rộng hoặc hẹp.
Tỷ lệ trung tâm cần gộp đúng trọng số
Xét một ví dụ riêng với hai mẫu: mẫu thứ nhất có 5 không phù hợp trên 50, mẫu thứ hai có 4 trên 200. Trung bình cộng hai tỷ lệ là (0,10 + 0,02)/2 = 0,06. Nhưng tỷ lệ của toàn bộ 250 sản phẩm là (5 + 4)/(50 + 200) = 0,036.
Nếu mục tiêu là ước lượng tỷ lệ trên tập sản phẩm gộp, phải dùng tổng d chia tổng n. Trung bình cộng tỷ lệ chỉ tương đương khi các cỡ mẫu bằng nhau, hoặc khi câu hỏi chủ ý gán trọng số ngang cho từng nhóm. Việc chọn cách gộp phải theo định nghĩa, không theo kết quả thuận lợi hơn.
Tính rời rạc làm mức báo động khác xấp xỉ chuẩn
Với n = 200 và UCL = 0,096233, điều kiện p mẫu vượt UCL tương đương d ít nhất 20. Không thể có 19,2466 sản phẩm lỗi; số đếm là số nguyên. Nếu xác suất thật đúng bằng 0,05 và các thử nghiệm độc lập, có thể cộng xác suất nhị thức từ d = 20 đến 200 để tính xác suất vượt giới hạn trên.
Theo công thức nhị thức NIST, xác suất một số đếm k là C(n,k)pᵏ(1−p)^(n−k). [3] Thay các giá trị trong ví dụ và cộng cho phần đuôi trên được khoảng 0,00266458, tức 0,26646%. Đây chỉ là xác suất phía trên với p đã giả định biết; không phải xác suất rằng quá trình đã hỏng khi quan sát thấy một điểm.
Khi p được ước lượng từ dữ liệu, khi các mẫu phụ thuộc hoặc khi dùng thêm nhiều quy tắc chuỗi điểm, xác suất báo động của toàn bộ cách giám sát sẽ khác. Vì vậy, không nên gán tự động một tỷ lệ báo động chuẩn cho mọi biểu đồ mang tên “ba sigma”.
Dữ liệu không đồng nhất cần được nhận diện
Nếu các sản phẩm trong một mẫu cùng chịu một lô vật liệu hoặc một điều kiện thiết bị, kết quả có thể tương quan. Nếu trộn hai cấu hình có tỷ lệ nền khác nhau, biến động giữa các mẫu có thể lớn hơn mô hình nhị thức đơn giản. Việc này cần được xem xét trước khi nới giới hạn để làm mọi điểm nằm trong dải.
Một bước hữu ích là phân nhóm theo điều kiện thực hiện, kiểm tra lịch thay đổi và xác nhận quy tắc chọn mẫu. Mẫu thuận tiện chỉ lấy những sản phẩm dễ tiếp cận có thể không đại diện cho phần sản xuất cần theo dõi.
Từ tín hiệu đến phản hồi
Khi có điểm ngoài giới hạn, trước hết đối chiếu mẫu số, số đếm và tiêu chí; sau đó kiểm tra các thay đổi trong đúng khoảng thời gian. Nếu tìm được nguyên nhân và thực hiện cải tiến, cần theo dõi giai đoạn mới trước khi xác lập lại mốc. Không xóa điểm chỉ vì nó làm biểu đồ xấu. Một quá trình ổn định ở tỷ lệ không phù hợp cao vẫn có thể chưa đáp ứng mục tiêu chất lượng; ổn định thống kê và đáp ứng yêu cầu là hai đánh giá cần được trình bày riêng.
Nguồn tham khảo
[1] Control Chart — Statistical Process Control Charts — American Society for Quality (ASQ). Truy cập ngày 09/11/2026.
[2] NIST/SEMATECH e-Handbook, 6.3.3.2 — Proportions Control Charts — National Institute of Standards and Technology (NIST). Truy cập ngày 09/11/2026.
[3] NIST/SEMATECH e-Handbook — Binomial Distribution — National Institute of Standards and Technology (NIST). Truy cập ngày 09/11/2026.
Rà soát nội dung: 09/11/2026.
Trong chế tạo, số sản phẩm được kiểm tra mỗi ca hoặc mỗi lô thường không giống nhau. Một lô có sáu sản phẩm không phù hợp trên 50 đơn vị và một lô có 22 trên 200 không thể được so chỉ bằng số đếm. Biểu đồ p theo dõi tỷ lệ không phù hợp, đồng thời điều chỉnh mức biến động kỳ vọng theo cỡ mẫu.
ASQ mô tả biểu đồ kiểm soát là cách quan sát dữ liệu theo thời gian với đường trung tâm và các giới hạn để tìm tín hiệu thay đổi. [1] Bài này sử dụng một mô hình nhị thức và số liệu giả định để minh họa. Kết quả không xác định sản phẩm nào đạt yêu cầu kỹ thuật; trạng thái đạt hay không phù hợp phải có tiêu chí riêng trước khi thu thập dữ liệu.
Định nghĩa đơn vị trước khi tính tỷ lệ
Gọi nᵢ là số sản phẩm trong mẫu i và dᵢ là số sản phẩm không phù hợp trong chính mẫu đó. Tỷ lệ quan sát pᵢ = dᵢ/nᵢ, với nᵢ dương. Một sản phẩm có ba khuyết tật vẫn chỉ được đếm một lần trong dᵢ. Nếu mục tiêu là số khuyết tật, cần một mô hình số đếm khác.
Quy tắc phân loại phải được giữ ổn định giữa các kỳ. Nếu đổi phương pháp kiểm tra hoặc tăng độ nhạy phát hiện mà không ghi nhận, tỷ lệ có thể tăng dù quá trình chế tạo chưa thay đổi. Do đó, ngày kiểm, cấu hình, tiêu chí phân loại và phạm vi kiểm tra là những thông tin cần đi cùng số đếm.
Giả thiết nhị thức và giới hạn ba độ lệch chuẩn
NIST trình bày mô hình nhị thức cho số sản phẩm không phù hợp và công thức biểu đồ p. [2] Nếu từng sản phẩm có cùng xác suất không phù hợp p và các kết quả độc lập trong mô hình, số d của mẫu n có trung bình np và phương sai np(1−p). Từ p mẫu = d/n, phương sai tỷ lệ bằng p(1−p)/n.
Khi dùng tỷ lệ tham chiếu p₀, các giới hạn dạng ba độ lệch chuẩn là UCLᵢ = p₀ + 3√[p₀(1−p₀)/nᵢ] và LCLᵢ = p₀ − 3√[p₀(1−p₀)/nᵢ]. Vì tỷ lệ chỉ nằm từ không đến một, giới hạn hiển thị được chặn trong khoảng đó. Đây là giới hạn kiểm soát của mô hình, không phải khoảng tin cậy 95% cho p và cũng không phải dung sai sản phẩm.
Một bộ số liệu tham chiếu giả định
Giả sử giai đoạn tham chiếu có 40 mẫu, mỗi mẫu 200 sản phẩm, tổng cộng 400 sản phẩm không phù hợp trong 8.000 sản phẩm. Tỷ lệ gộp là p₀ = 400/8.000 = 0,05. Để minh họa phép tính, bài giả định quá trình tham chiếu đã được xem xét và có thể dùng mức này làm mốc; chỉ biết tổng 400 chưa đủ để tự chứng minh tính ổn định.
Với một mẫu mới n = 200, độ lệch chuẩn tỷ lệ theo mốc là √(0,05 × 0,95/200) ≈ 0,015411. UCL ≈ 0,096233 và LCL ≈ 0,003767. Biểu diễn phần trăm, hai giới hạn là 9,6233% và 0,3767%.
Nếu mẫu mới có d = 22, tỷ lệ bằng 11%, nằm trên UCL. Tín hiệu này là căn cứ để kiểm tra dữ liệu và điều tra nguyên nhân. Nó chưa cho biết nguyên nhân là vật liệu, thiết bị, cách kiểm tra hay một biến động khác; cần đối chiếu hồ sơ thực tế.
Cỡ mẫu làm thay đổi độ rộng của dải
Giữ p₀ = 0,05 nhưng n = 50, UCL tăng lên khoảng 0,142466; LCL tính thô âm nên chặn về không. Mẫu d = 6 có tỷ lệ 12%, chưa vượt giới hạn trên này. Trong khi đó mẫu 22/200 có tỷ lệ thấp hơn 12% nhưng lại phát tín hiệu ở cỡ mẫu 200.
Điều đó phù hợp với mức biến động do lấy mẫu: tỷ lệ từ một mẫu nhỏ dao động rộng hơn trong cùng mô hình. Khi n tăng lên 800, UCL khoảng 0,073117 và LCL khoảng 0,026883. Tăng cỡ mẫu bốn lần từ 200 lên 800 làm độ rộng nửa dải giảm một nửa vì nó tỷ lệ với 1/√n.
Không nên vẽ một cặp giới hạn cố định lấy từ n trung bình khi các cỡ mẫu khác nhau đáng kể mà không giải thích phương pháp. Khi người đọc nhìn thấy dải thay đổi theo thời gian, cần có nhãn cỡ mẫu để hiểu vì sao dải rộng hoặc hẹp.
Tỷ lệ trung tâm cần gộp đúng trọng số
Xét một ví dụ riêng với hai mẫu: mẫu thứ nhất có 5 không phù hợp trên 50, mẫu thứ hai có 4 trên 200. Trung bình cộng hai tỷ lệ là (0,10 + 0,02)/2 = 0,06. Nhưng tỷ lệ của toàn bộ 250 sản phẩm là (5 + 4)/(50 + 200) = 0,036.
Nếu mục tiêu là ước lượng tỷ lệ trên tập sản phẩm gộp, phải dùng tổng d chia tổng n. Trung bình cộng tỷ lệ chỉ tương đương khi các cỡ mẫu bằng nhau, hoặc khi câu hỏi chủ ý gán trọng số ngang cho từng nhóm. Việc chọn cách gộp phải theo định nghĩa, không theo kết quả thuận lợi hơn.
Tính rời rạc làm mức báo động khác xấp xỉ chuẩn
Với n = 200 và UCL = 0,096233, điều kiện p mẫu vượt UCL tương đương d ít nhất 20. Không thể có 19,2466 sản phẩm lỗi; số đếm là số nguyên. Nếu xác suất thật đúng bằng 0,05 và các thử nghiệm độc lập, có thể cộng xác suất nhị thức từ d = 20 đến 200 để tính xác suất vượt giới hạn trên.
Theo công thức nhị thức NIST, xác suất một số đếm k là C(n,k)pᵏ(1−p)^(n−k). [3] Thay các giá trị trong ví dụ và cộng cho phần đuôi trên được khoảng 0,00266458, tức 0,26646%. Đây chỉ là xác suất phía trên với p đã giả định biết; không phải xác suất rằng quá trình đã hỏng khi quan sát thấy một điểm.
Khi p được ước lượng từ dữ liệu, khi các mẫu phụ thuộc hoặc khi dùng thêm nhiều quy tắc chuỗi điểm, xác suất báo động của toàn bộ cách giám sát sẽ khác. Vì vậy, không nên gán tự động một tỷ lệ báo động chuẩn cho mọi biểu đồ mang tên “ba sigma”.
Dữ liệu không đồng nhất cần được nhận diện
Nếu các sản phẩm trong một mẫu cùng chịu một lô vật liệu hoặc một điều kiện thiết bị, kết quả có thể tương quan. Nếu trộn hai cấu hình có tỷ lệ nền khác nhau, biến động giữa các mẫu có thể lớn hơn mô hình nhị thức đơn giản. Việc này cần được xem xét trước khi nới giới hạn để làm mọi điểm nằm trong dải.
Một bước hữu ích là phân nhóm theo điều kiện thực hiện, kiểm tra lịch thay đổi và xác nhận quy tắc chọn mẫu. Mẫu thuận tiện chỉ lấy những sản phẩm dễ tiếp cận có thể không đại diện cho phần sản xuất cần theo dõi.
Từ tín hiệu đến phản hồi
Khi có điểm ngoài giới hạn, trước hết đối chiếu mẫu số, số đếm và tiêu chí; sau đó kiểm tra các thay đổi trong đúng khoảng thời gian. Nếu tìm được nguyên nhân và thực hiện cải tiến, cần theo dõi giai đoạn mới trước khi xác lập lại mốc. Không xóa điểm chỉ vì nó làm biểu đồ xấu. Một quá trình ổn định ở tỷ lệ không phù hợp cao vẫn có thể chưa đáp ứng mục tiêu chất lượng; ổn định thống kê và đáp ứng yêu cầu là hai đánh giá cần được trình bày riêng.
Nguồn tham khảo
[1] Control Chart — Statistical Process Control Charts — American Society for Quality (ASQ). Truy cập ngày 09/11/2026.
[2] NIST/SEMATECH e-Handbook, 6.3.3.2 — Proportions Control Charts — National Institute of Standards and Technology (NIST). Truy cập ngày 09/11/2026.
[3] NIST/SEMATECH e-Handbook — Binomial Distribution — National Institute of Standards and Technology (NIST). Truy cập ngày 09/11/2026.
Rà soát nội dung: 09/11/2026.


