在搞那些质量掌控的活儿时，有人跟我说缺陷数管住图这事儿样本量得死板地定死，不能动。
这话听着像定论，实际上没那么玄乎。
说到底，样本量这事儿真没个固定死板的数字，它得看你的体系大不大，数据密度够不够，那是个动态平衡的事儿。 大量人图省事，认定样本少点效率高点，毕竟人肉统计也撇脱。但这路子走不通，出于小样本自带噪声，波动大得像在泥坑里打滚，根本看不清底细。
只有样本充足大，曲线才能平滑下来，把真的缺陷分布露出来。
举个例子，你刚建完一个实验室，设备刚调试完，这时候你抓 50 个样本画个图，结局曲线纹丝不动，全是锯齿状，这时候你敢断定机器在哪段有难题？绝对不中。你得慢慢往深里钻，把样本加到 300 个以上，这时候趋势才淡定下来，能跟实际缺陷率合拍。 还有个坑，就是样本量是不是忒小害得没法做判断。标准里说样本量起码得覆盖 95% 以上的点，但实际操作里，核心变量一般只有几种状态。
要是变量少，样本来得宽，不能盯着一个点或几个点瞎看。你得有底气说，你看拿到的点能代表整体，对吧？这就得靠样本厚了。样本厚了，曲线就稳，离真值就越近，也就越接近“无偏估摸”。
这不是数学公式，是经验活计，得靠你心里有数。 有人嫌样本多浪费人力，认定这样画出来的曲线虚得挺。
实际上反正是为了让人类去判断，不是机器去算。机器算的是概率、是分布，但人眼得看暴发、看浪涌。
要是样本量忒小，浪涌可能就一闪而过，等于没看到。
这时候你拿个样本图去跟工艺卡比，发现明明工艺卡写了 0.1%，但你手画的图里波动大得离谱，那这说明啥？说明你的样本没量够，要么你的抽样方式不对。你得把样本量再拉大，直到曲线成型，再上柱状图，再上直方图，最终才是管住图。 实际上就是，样本量大了，你就敢往下推，敢把标准条往下移。样本量小了，你就只能站在原地，不敢给数据讲话。
这就好比开车，车速忒快你看不清弯道，就得慢慢降速，松油门，等车慢下来，风向稳了，你才能看清前方的路，心里才有谱。 并且，样本量还得跟工艺复杂度挂钩。工艺越复杂，变量越多，管住起来就越难，这时候得像做登山一样得一步步来。
要是你当作一次登山能直接登顶，结局腿抖了，摔了个跟头，那肯定不中。你得循序渐进，先抓几个核心变量，把基础打牢，再慢慢拉高样本量，覆盖更多场景。 总而言之，样本量这事儿，不是雷打不动的数字，而是动态调整的参数。你要是不懂这个，画出来的图就是瞎画，拿着图找茬就是找错。
故此，别死守教科书上那几个死数字，得结合你的现场情况，摸着石头过河，直到曲线讲话为止。样本量够了，你就不用怕出错，曲线自然就是真的写照，那是你没经历过的，你得自己去跌跌撞撞地摸出来。


相关标签：