过程明明很稳定，控制图上偶尔还是冒出一个出界点；过程明明已经跑偏了，图上却安安静静。这两件事，到底多久才会发生一次？
搞质量管理的人，几乎天天和控制图打交道，却很少有人能回答清楚：一张控制图，到底要等多久才会报警？
这个"等待时间"，有一个专门的名字——平均运行长度ARL（Average Run Length）。它是衡量一张控制图灵不灵的核心标尺。这篇文章用大白话把它讲透。
01 控制图上的两个经典困惑
画过控制图的人，多半都遇到过两种窝火的情况。
第一种：过程明明一切正常，操作者也很小心，可图上就是时不时蹦出一个超出控制限的点。你派人去查，设备、原料、工艺都好好的——这是不是误报？
第二种：过程其实已经悄悄漂移了，比如均值偏移了一个量，可连续十几个点都落在控制限之内，图上看着"一切正常"。等你发现时，不合格品已经流出一批了。
这两件事不是错觉，而是控制图固有的统计特性。问题是：误报多久来一次？失控后又要多久才被发现？这两个"多久"，就是ARL要回答的。
02 ARL 是什么：从现在开始，平均等几个点才报警
在2026版《AIAG VDA SPC》手册9.2.4.2节介绍到，平均运行链长(ARL)是指在预定的过程位置或过程变差条件下，直至出现导致失控状态的控制限超出为止，所抽取样本的预期平均数量。顾名思义，就是控制图上从一次抽样开始，到第一次触发判异为止，平均连续抽了多少个点子。
打个比方。它就像等公交车：每经过一辆车，它"是末班车（判异）"的概率是固定的 p。那么平均要等几辆才等到？答案是1/p。
这就是ARL 最核心的公式：ARL=1/p，其中p是单次抽样被判异的概率。
只要每次抽样是否报警相互独立、且单次报警概率p保持不变，等待报警的次数就服从几何分布，它的期望正好是1/p。这个简单的公式，是后面所有计算的总钥匙。
但关键来了：p不是一个数，而是取决于过程此刻是"好"还是"坏"。于是ARL也分成了两个。
03 受控看ARL0：为什么±3σ下是370
当过程受控（本应正常）时，我们关心的是：平均多少个点会误报一次？这个数叫ARL0。此时单次报警概率就是误报概率，也就是第一类风险α（生产方风险）。所以：
ARL0=1/α，以最经典的±3σ控制限、且只采用"点出界即判异"这一条准则为例。标准正态分布落在+3σ以外的单侧概率是0.00135，落在−3σ以外也是0.00135，两侧加起来：α=2×0.00135=0.0027
代入公式：ARL0=1/0.0027≈370
这就是质量管理里那个著名的"370"的来历。它的意思是：正常生产时，平均每抽370 个子组，才会出现一次误报警。换个角度说，误报其实没那么频繁——这正是人们愿意用±3σ限的原因。
顺带说一句直觉：ARL0越大越好。过程本来就正常，谁也不希望三天两头被误报折腾去排查。
04 失控看ARL1：同样漂移，n=4要等6次，n=16只要1次
当过程失控（已经漂移）时，关心的就变成：平均抽几次才能把它抓出来？这个数叫ARL1。
此时单次报警概率是"正确检出"的概率，等于1−β。β是第二类风险（使用方风险），即过程已经异常却仍落在控制限内、被漏掉的概率。所以：ARL1=1/(1−β)
新版SPC手册里给了个子组大小为2和10的比较，但是因为涉及到子组均值控制限计算的时候会用到开根号，所以我们把子组大小改为4和16来进行模拟。假设某个质量特性真实均值μ=0、标准差σ=1，控制限按±3σ设在样本均值x̄上。现在均值悄悄向上漂移了1个单位（μ'=1）。
情形一：子组样本量n=4。此时样本均值的标准差σx̄=σ/√n=0.5，控制限为±1.5。漂移后，均值中心移到了1，但控制限没变——新分布的大部分面积仍然挤在±1.5之内。算下来漏报概率β≈0.8413，单次只有0.1587的概率被检出：
ARL1=1/0.1587≈6.301
也就是说，漂移之后平均要再抽6次才能报警。这6次里，不合格品可能已经做出来不少了。
情形二：子组样本量n=16。σx̄缩小到0.25，控制限也跟着收窄到±0.75。漂移后的分布又高又窄，中心1已经基本跑到控制限外面去了。漏报概率β骤降到0.1587，单次检出概率高达 0.8413：
ARL1=1/0.8413 ≈1.189
几乎第一次抽样就报警了。
注意一个容易被忽略的点：从n=4到n=16，ARL0仍然是370，因为控制限还是±3σ、α没变；变的只有ARL1，从6.301一路降到1.189。
05一张表看懂：n到底改变了什么
把两个情形并排放在一起，结论一目了然：
读懂这张表，就抓住了样本量的本质：子组越大，样本均值越集中、控制限越窄，对同样大小的漂移就越灵敏；而误报水平ARL0保持不变。代价只是——每次抽样要测更多件，成本更高。
06 判异准则加得越多越好吗
除了扩大子组，另一个调灵敏度的旋钮是"判异准则"。除了最基础的"点出界"，人们还会叠加"连续 9 点在同侧""连续 6 点递增递减"等多条规则。
直觉上，规则越多越灵敏。但它是一把双刃剑：
只用准则一（点出界）：判异条件严格，α小，ARL0大（约370），误报少；但相应地，对漂移的ARL1也偏大。好比"只有一项罪名成立才定罪"——谨慎，但容易漏判。
叠加准则二、三、四……：判异条件变松，只要满足任一模式就报警，α随之变大。结果是ARL0变小（误报变频繁），同时ARL1也变小（报警变快）。好比"八项罪名任一成立即定罪"——灵敏，但更容易冤枉人。
这里没有免费的灵敏度：加准则，误报和漏报是一起向同一个方向动的。选几条准则，本质是在"少误报"和"快报警"之间做权衡，而不是越多越好。
总结
回过头看，控制图好不好用，最后就落在两个数上：
受控时看ARL0=1/α，越大越好——别让正常过程三天两头误报；
失控时看ARL1=1/(1−β)，越小越好——漂移了要尽快抓出来。
调子组样本量，可以在不增加误报的前提下加快报警；调判异准则，则会让两个 ARL 一起变化。设计一张控制图，说到底，就是在这两个互相拉扯的数字之间，找到适合自己产品和成本的那个平衡点。
下次再看到图上一个孤点出界、或一连十几个点"稳如泰山"时，你心里就该有这两个数在转了。
