{
  "id": "pareto-chart",
  "title": "帕累托图",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "帕累托图按各类别对总量的贡献排序，通常结合降序条形和累计百分比折线，辅助确定优先处理事项。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "排列图",
    "柏拉图"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/pareto-chart/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/pareto-chart/",
      "json": "https://aiwiki.page/en/pareto-chart.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "帕累托图是一种统计图，将各类别按照频数、成本或损失时间等非负数值从大到小排列。它通常由条形图和一条表示累计百分比的折线组成，尤其常用于质量控制，以识别哪些类别在所观察到的问题或结果中占比最大。其名称源于帕累托法则，这一法则常被表述为“二八法则”，但帕累托图既不要求数据满足这一特定的数值关系，也不能证明这种关系成立。"
    },
    {
      "heading": "结构与解读",
      "text": "标准的帕累托图包含：\n\n- 横轴上的类别，按贡献从大到小排列。\n- 表示各类别总量的条形，以左侧纵轴为刻度。\n- 累计百分比折线，以右侧从0%到100%的纵轴为刻度。\n\n累计折线上的第一个点表示最大类别占总量的百分比。此后的每个点都加上下一个类别的贡献，因此折线不会下降，并在最后一个类别处达到100%。\n\n条形回答的是“哪些类别的贡献最大？”，折线回答的是“前几个类别合计占总量的多少？”。图中可以加入一条水平参考线，通常设在80%处，以帮助确定达到所选覆盖比例的位置。这一阈值是辅助决策的工具，而非统计学标准。\n\n由于横轴表示的是经过排序的类别，而不是流逝的时间，折线的各段并不表示时间趋势。它们的斜率反映相继加入的各个类别使累计总量增加了多少。"
    },
    {
      "heading": "数学构造",
      "text": "假设有 \\(n\\) 个类别，其数值均为非负数，并按以下顺序排列：\n\n\\[x_1 \\geq x_2 \\geq \\cdots \\geq x_n \\geq 0.\\]\n\n设总量为\n\n\\[T=\\sum_{i=1}^{n}x_i,\\]\n\n其中 \\(T>0\\)。类别 \\(i\\) 的贡献百分比为\n\n\\[p_i=100\\frac{x_i}{T},\\]\n\n截至类别 \\(k\\) 的累计百分比为\n\n\\[C_k=100\\frac{\\sum_{i=1}^{k}x_i}{T}.\\]\n\n条形表示 \\(x_i\\) 或 \\(p_i\\)，累计折线表示 \\(C_k\\)。如果目标是找出合计至少占总量比例 \\(q\\) 的最少几个排名靠前的类别，则相应的索引为\n\n\\[k^*=\\min\\left\\{k:\\frac{\\sum_{i=1}^{k}x_i}{T}\\geq q\\right\\}.\\]\n\n这一计算描述的是观测数据的集中程度。它本身并不是统计假设检验，也不能证明针对这些类别采取措施就会使总量相应减少。\n\n示例\n\n假设记录了100起服务投诉：\n\n投诉类别 | 数量 | 百分比 | 累计百分比\n配送延迟 | 40 | 40% | 40%\n商品发错 | 25 | 25% | 65%\n商品损坏 | 15 | 15% | 80%\n账单错误 | 12 | 12% | 92%\n其他 | 8 | 8% | 100%\n\n前三个类别占投诉总数的80%。它们在五个类别中占60%，这说明累计占比达到80%并不必然意味着存在二八关系。\n\n该图表明，配送延迟是记录中数量最多的投诉类别。但它不能说明配送为何延迟、每起投诉有多严重，也不能确定哪种干预措施最有效。"
    },
    {
      "heading": "历史背景",
      "text": "帕累托图以意大利经济学家维尔弗雷多·帕累托命名，他曾研究收入和财富的不均等分布。后来，质量管理专家约瑟夫·朱兰将贡献集中这一思想应用于质量改进，即把“关键的少数”与数量众多、各自贡献较小的因素区分开来。\n\n帕累托图逐渐成为质量控制七种基本工具之一。其实用目的在于直观呈现问题分布的不均衡性，并帮助确定进一步调查的优先事项。\n\n帕累托法则是一种经验法则，而非普遍适用的数值定律。有些数据集高度集中，另一些数据集中各类别的贡献则相对均匀。无论是帕累托图，还是近似的二八模式，都不能证明观测数据服从幂律分布。"
    },
    {
      "heading": "绘制时的选择",
      "text": "选择度量指标\n\n度量指标决定类别的排序，因而也决定图表的含义。常见选择包括：\n\n- **频数：**缺陷、投诉、故障或事件的数量。\n- **成本：**与各类别相关的经济损失。\n- **时长：**停机、延误或返工所耗费的时间。\n- **加权影响：**将频数与严重程度或其他因素相结合、且有明确定义的评分。\n\n频繁发生的问题可能成本很低，而罕见的问题可能造成大部分损失。因此，按频数和按成本绘制的图可能给出不同的优先顺序。使用加权图时尤其需要谨慎，因为结论取决于所采用的定义和权重。\n\n界定类别与范围\n\n各类别应有明确的定义，且细分程度应保持一致。将几个不同的问题合并为一个宽泛的类别，可能使该类别显得占主导地位；将一个问题拆分成许多狭窄的类别，则可能掩盖其整体重要性。\n\n若要按通常的部分与整体关系进行解读，各类别应互不重叠，并合计涵盖所界定的全部总量。如果一个事件被赋予多个标签，那么图中表示的可能是标签数量，而非事件数量。必须明确说明这一区别，以免将重复计数误读为各类事件占不重复事件总数的比例。\n\n观察时段、总体、计量单位，以及缺失记录或未分类记录的处理方式，也会影响解读。有时，即使“其他”类别按数值本应排在别处，仍会将其放在最后；这种做法偏离了严格的降序排列，应在图中明确体现。"
    },
    {
      "heading": "应用",
      "text": "帕累托图用于在制造、维护、客户服务、软件缺陷管理、库存分析和行政流程中确定调查的优先顺序。当许多类别需要争取有限的调查或改进资源时，它尤其有用。\n\n帕累托图还可以辅助更深入的分析。对于占主导地位的类别，可以按产品、地点、失效模式或流程阶段进一步细分，以揭示其贡献来自何处。\n\n不同时期的比较可以显示各类别的贡献是否发生变化，但类别定义和测量方法必须保持一致。当业务总量发生变化时，仅看原始数量可能产生误导：缺陷减少可能只是产量下降的结果。因此，可能需要在图表之外，同时提供以适当暴露量为分母计算的发生率。"
    },
    {
      "heading": "局限性与相关图形",
      "text": "确定优先顺序不等于解释因果\n\n帕累托图是统计学中的一种描述性工具。图中的类别可能表示症状、地点、报告的原因或分类，而不一定是经过验证的原因。要确定问题为何发生，需要更多证据，并在适当情况下进行因果推断。\n\n同样，观测数量最多的类别并不自动成为最佳干预对象。可预防性、干预成本、相互依赖关系和后果都很重要。罕见但严重的故障即使在记录数量中占比很小，也可能值得关注。\n\n抽样与报告的影响\n\n排序可能随观察时段或样本量而变化。总量相近的类别可能仅因正常的抽样波动而互换位置。报告方式的差异或选择偏差也可能扭曲图中呈现的优先顺序。除非补充其他信息，否则标准帕累托图并不显示不确定性。\n\n与其他图表的关系\n\n帕累托图不同于直方图。直方图将数值观测值按区间分组，并保留这些区间的数值顺序。帕累托图中的类别则按贡献排序，因此顺序可能随数据变化而改变。\n\n其累计折线也不同于测量变量的累积分布函数：它按各类别贡献的大小排序并累加贡献，而不是按变量的数值大小排列并累积观测值。\n\n洛伦兹曲线同样表示集中程度，但通常将各单位从小到大排序，以单位数量的累计占比为横轴、总量的累计占比为纵轴。帕累托图则将类别从大到小排列，通常直接显示各类别的标签。\n\n最后，帕累托图并不是控制图。它既不保留时间顺序，也不提供用于评估过程稳定性的控制界限。"
    }
  ],
  "links": [
    "bar-chart",
    "pareto-principle",
    "statistical-hypothesis-testing",
    "vilfredo-pareto",
    "power-law",
    "statistics",
    "causal-inference",
    "sample-size",
    "selection-bias",
    "histogram",
    "cumulative-distribution-function",
    "lorenz-curve"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}