现在我们看下面一张连串图,特别画圈表示出来的部分,图的各点表示在汽车前后两次加油期间每加仑所跑的里数。各点的数字变化很大,有时接近平均值,有时高过平均值,有时低于平均值。在温暖气候下,每加仑平均可跑25里。连续9次加油后所开的里数,突然都落在平均值以下,即图上连续9点都在平均值之下。这是什么原因呢?如果连续2点或3点在平均值之上或之下,这是可以预期的,但连续9点却指出变异是出自特殊原因。(休哈特称之为assignable cause 非机遇原因,戴明称之为special cause特殊原因)
特殊原因有各种可能的解释,可能为所有可能原因中的一个或数个的组合,如天气寒冷(可能在山区行驶)、不同的油质量、短路程、不同的司机、负载较重、火花塞不良等。所有这些或其他可能的原因都被考虑之后,只剩火花塞是唯一的可能。换上新的火花塞之后,里程数即提升到原有水平。
里程数的回复是否代表火花塞为问题所在呢?我们不能确定。我们心中仅能建立某种直观感受,那便是在任何车辆上发生同样的事件系列时,我们将把火花塞列为可能的原因之一。
作为这个案例的延伸,拥有自己的汽车及卡车的公司,都保存着有关行车里程及购油加仑数的精确记录。我们可以善用这些数据,即可以将每位司机的记录作成一张简单的连串图,以便指出问题所在。这张图会令司机着迷,并为他及车主打开一个新视界。统计图可以协助我们侦测出系统以外的变异原因是否存在,但它不能找出确切的原因。
统计课程通常从研究及比较分布开始。课堂上或书本中,大多数未警告学生,如果以分析型研究为目的的(如改善制程),那么除非数据是在统计管制状态下产生的,否则分布及平均数、众数、标准差、卡方分布、t检验等工具的计算,对流程的改善并不管用。因此,审查数据的第一步,就是要观察数据是否在统计的管制状态下产生的。审查数据最容易的方法,是将其按照生产次序绘点,然后才能知道数据所形成的分布是否可利用。