อย่าพลาดค่าผิดปกติด้วยแผนภูมิควบคุม

Visualize

อย่าพลาดค่าผิดปกติด้วยแผนภูมิควบคุม

เมื่ออยากติดตามความแปรผันของจำนวนเคสหรือผลผลิต แผนภูมิควบคุมช่วยได้มาก การวาดขีดจำกัดทางสถิติทำให้ตรวจจับค่าผิดปกติได้ทันที

import numpy as np
import matplotlib.pyplot as plt

rng = np.random.default_rng(5)
values = 45 + rng.normal(0, 3, size=28)
values[[6, 18]] += np.array([12, -10])  # ใส่ค่าผิดปกติ

mean = values.mean()
std = values.std(ddof=1)
ucl = mean + 3 * std
lcl = mean - 3 * std

fig, ax = plt.subplots(figsize=(6.4, 3.6))
ax.plot(values, marker="o", color="#0ea5e9")
ax.axhline(mean, color="#334155", linewidth=1.3, label="ค่าเฉลี่ย")
ax.axhline(ucl, color="#ef4444", linestyle="--", label="UCL")
ax.axhline(lcl, color="#ef4444", linestyle="--", label="LCL")

ax.set_xticks(range(0, len(values), 4), labels=[f"W{i+1}" for i in range(0, len(values), 4)])
ax.set_title("แผนภูมิควบคุมเวลาจัดการสาย")
ax.set_ylabel("เวลาเฉลี่ย (วินาที)")
ax.grid(alpha=0.2)

for idx, val in enumerate(values):
    if val > ucl or val < lcl:
        ax.annotate(
            "ผิดปกติ",
            (idx, val),
            xytext=(idx + 0.5, val + 4),
            arrowprops=dict(arrowstyle="->", color="#ef4444"),
            color="#ef4444",
        )

ax.legend(loc="upper right")
fig.tight_layout()

plt.show()

ขีดจำกัดควบคุมทำให้เห็นค่าผิดปกติได้ทันที

อ่านอย่างไร #

  • ลากเส้นขีดจำกัด (±3σ) รอบค่าเฉลี่ยเพื่อเห็นจุดผิดปกติทางสถิติทันที
  • หากมีค่าผิดปกติต่อเนื่อง อาจสะท้อนการเปลี่ยนแปลงของกระบวนการ ควรสืบหาเหตุ
  • ปรับรูปแบบเส้นและมาร์กเกอร์ให้เข้ากับโทนรายงานได้ง่ายขึ้น