在统计过程控制（SPC）中，Xbar 图是一种常用的控制图，用于监控生产过程中的平均值变化。Xbar 图通常与 R 图（极差图）一起使用，以同时监控过程的中心趋势和变异性。 下面是一个使用 Python 和 `matplotlib`、`pandas` 以及 `numpy` 生成 Xbar 图的示例。 ```python import numpy as np import pandas as pd import matplotlib.pyplot as plt # 模拟数据：假设有20个子组，每个子组有5个观测值 np.random.seed(0) num_subgroups = 20 subgroup_size = 5 data = np.random.normal(loc=10, scale=1, size=(num_subgroups, subgroup_size)) # 将数据转换为DataFrame df = pd.DataFrame(data) # 计算每个子组的均值和极差 df['Xbar'] = df.mean(axis=1) df['R'] = df.iloc[:, :-1].max(axis=1) - df.iloc[:, :-1].min(axis=1) # 计算总体均值和平均极差 overall_xbar = df['Xbar'].mean() average_range = df['R'].mean() # Xbar 图的控制限 A2 = 0.577 # 当子组大小为5时的A2系数 UCL_xbar = overall_xbar + A2 * average_range LCL_xbar = overall_xbar - A2 * average_range # 绘制Xbar图 plt.figure(figsize=(12, 6)) plt.plot(df.index, df['Xbar'], marker='o', linestyle='-', color='blue', label='Xbar') plt.axhline(y=overall_xbar, color='black', linestyle='--', label='Overall Mean') plt.axhline(y=UCL_xbar, color='red', linestyle='--', label='UCL') plt.axhline(y=LCL_xbar, color='red', linestyle='--', label='LCL') plt.title('Xbar Chart') plt.xlabel('Subgroup') plt.ylabel('Xbar') plt.legend() plt.grid(True) plt.show() # 打印统计信息 print(f"Overall Mean (X̄̄): {overall_xbar:.2f}") print(f"Average Range (R̄): {average_range:.2f}") print(f"UCL for Xbar: {UCL_xbar:.2f}") print(f"LCL for Xbar: {LCL_xbar:.2f}") ``` ### 解释： 1. **模拟数据**： - 使用 `numpy.random.normal` 生成正态分布的数据，模拟 20 个子组，每个子组有 5 个观测值。 - 假设数据的均值为 10，标准差为 1。 2. **计算子组均值和极差**： - 对每个子组计算均值 (`Xbar`) 和极差 (`R`)。 - 极差是子组中的最大值减去最小值。 3. **计算总体均值和平均极差**： - `overall_xbar` 是所有子组均值的平均值。 - `average_range` 是所有子组极差的平均值。 4. **Xbar 图的控制限**： - 使用 `A2` 系数（当子组大小为 5 时，`A2 = 0.577`）来计算控制限。 - `UCL_xbar` 是上控制限，`LCL_xbar` 是下控制限。 5. **绘制 Xbar 图**： - 使用 `matplotlib` 绘制 Xbar 图。 - 图中显示了每个子组的均值 (`Xbar`)，总体均值 (`X̄̄`)，以及上、下控制限 (`UCL` 和 `LCL`)。 6. **打印统计信息**： - 输出总体均值、平均极差、上控制限和下控制限。 ###