自从统计学被应用在产品质量过程控制之后，品质管理就转变成一种可以用数据以及预测模型表示的科学，此方法适用于各行各业，而且历久弥新，一直被沿用至今日的大数据时代，SPC统计过程控制显得更加的重要与关键。既然SPC是统计过程控制，所以在学习SPC之前，我们首先要了解统计学的原理。 
 一、什么是统计？ 统计就是用样本数据进行对总体描述的一个过程，其中包含了描述统计与推理统计两种。 •  描述统计：对总体的数据特性进行描述，如资料的集中与分散趋势、偏态与峰态的数值、资料分布呈现的图形…等等。  •  推理统计：对总体的分布进行推论，如数值的机率分布、数值的趋势分析、过程的因果关系…等等。   所以统计学就是数据经过计算之后转换成对我们有意义的一个过程。 
 二、SPC统计过程控制中最重要分布-正态分布 说到SPC统计过程控制的理论基础，都来自于一个非常重要的分布，叫做正态分配，我们又称高斯分布，这个理论重要的原因是因为它将标准化后的平均数的概率计算出来如下图所示：
  　　 三、SPC判异规则 所以由此正态概率分布图，我们可以算出每一个点出现在每个标准差区域间的概率，再由各点出现概率的次数，算出各种状况的可能性，将SPC控制图上数据波动的原因分为可特殊因素与随机因素，进而订定出SPC标准八大判异规则。 •  随机因素(random causes) 随机因素是一个过程固有的变异，它们随时存在且无法人为控制，对过程的影响小。我们称为自然变异。  •  特殊因素(special causes) 是制造材料产生差异或制造过程的人为操作导致的（包括人、机、料、法、环），使产品质量发生重大变异，这类因素对过程影响相当大但可以避免。   
 SPC八大判异规则： 1.  1个点远离中心线超过3倍标准差  2.  连续7个点在同一侧  3.  连续6个点持续上升或下降  4.  14个点交互升降  5.  连续3个点，有2个点远离中心线2倍标准差  6.  连续5个点，有4个点远离中心线1倍标准差  7.  连续15点在中心线在1倍标准差之内  8.  连续8点在中心线的1倍标准差之外   
  
 四、SPC三倍标准差的由来 　　在上面的判异规则中，我们已经知道判异规则的由来，也知道SPC是用3倍标准差来定义控制限的，或许有人会有疑问说为什么一定要用3倍标准差，难道用2倍标准差覆盖95.44%不够吗？或者用4倍标准差覆盖99.99%不是更好吗？  详细的研究，请看《SPC控制图为什么是±3σ而不是±2σ或者±4σ》 
 五、SPC过程能力指标 SPC除了控制图判定之外，还有相关的指标可以统计整体的过程能力状况，对过程能力进行整体数据性的评比，分别为Ca、Cp以及Cpk。  Ca(Capability of Accuracy过程准确度)：表示过程特性中心位置偏离规格中心或是目标值的程度。此值若等于零，即表示过程特性中心值未偏移规格中心或是目标值，也就是说过程的平均数即刚好等于规格中心值或是目标值。绝对值越大偏移量越大，越小偏移量越小。 Cp(Capability of Precision过程精密度)：表示过程特性的一致性程度。此值越大表示过程中所产生的变异数或是标准差越小，在此时特性值越集中，越小则表示过程的变异数或是标准差越大，过程特性也就越分散。 Cpk(Capability of Process Index制程综合能力指标)：此一指标同时考虑到过程偏移与变异性。  
 CPK如何计算，请看《全网第一个讲清楚CPK如何计算的，Step by step，Excel和Python同时实现》
 
 六、SPC判定异常所代表的意义 如果检测数据被判定为异常，它所代表的意义为何？一定是不好吗？这个答案恐怕是不一定的，我们只能说我们发现有另一种正态分布正在形成中，而其平均数或是标准差与先前设定的正态分布不同，有可能朝发散的方向发展也有可能朝向更好更集中的方向发展，如果趋势变差我们是需要探究变差的原因，但是如果趋势变好，我们更要有研究的精神，去找出趋势变好的原因，将这些失败与成功的经验搜集起来作为企业往后生产改善的知识库。 
 七、SPC后续发展趋势 随着智能制造的兴起和人工智能的发展，制造业正在经历一场深刻的变革。制造数据的大量采集和处理能力的提升，使得企业在质量管理和生产控制中采用即时化的统计过程控制（SPC）分析变得越来越重要。SPC不仅可以显著提升生产产品的质量和合格率，还为开发线上系统及联网应用提供了坚实基础。