西格玛水平（Sigma Level）是六西格玛中用来描述过程缺陷表现的一种指标。西格玛水平越高，通常代表单位机会中出现缺陷的概率越低，过程表现也越接近客户要求。
不过，西格玛水平并不是直接拿「合格率」套一个数字就完成。真正困难的地方，往往在计算之前：什么算一个缺陷？什么算一次缺陷机会？一个产品到底有多少次出错机会？
这些定义如果不同，即使两家公司制造完全相同的产品，算出来的DPMO和西格玛水平也可能不同。因此，学习西格玛水平时，与其只记转换表，不如先理解整个计算逻辑。
一、西格玛水平到底在衡量什么？
六西格玛中的Sigma Level，可以理解为把过程的缺陷表现转换成一个相对统一的质量尺度。
在缺陷机会模型中，通常先计算DPO（Defects Per Opportunity，每次机会缺陷数），再转换成DPMO（Defects Per Million Opportunities，每百万机会缺陷数），最后根据正态分布转换成相应的西格玛水平。
基本关系为：
DPO = 缺陷数 ÷ 总缺陷机会数
DPMO = DPO × 1,000,000
例如某过程一共有100,000次缺陷机会，其中发现200个缺陷：
DPO = 200 ÷ 100,000 = 0.002
DPMO = 0.002 × 1,000,000 = 2,000
得到DPMO以后，才进一步转换成Sigma Level。
二、第一步：先定义什么叫「缺陷机会」
这是整个计算过程中最容易产生争议的一步。
缺陷机会（Opportunity for Defect）是指在一个产品、服务或交易中，某项客户要求可能出现不符合的机会。
例如电子装配中的一个二极管，可能至少存在两种独立的不符合：
- 安装了错误型号的二极管；
- 二极管极性安装错误。
如果企业把这两项分别视为客户要求，那么一个二极管就可以定义为有两个缺陷机会。
假设一个组件中有10个这样的二极管，就可能拥有20个缺陷机会。
这里需要特别注意：
缺陷机会不能为了让DPMO变漂亮而任意增加。
如果把产品中的每一个理论上能够出错的细节都算成一个机会，机会数会变得非常大，DPMO自然下降，最后不同企业之间的数据也失去可比性。
因此，缺陷机会最好围绕明确的客户要求、CTQ或正式质量标准定义，并长期保持一致。
三、缺陷、缺陷品和缺陷机会不是同一件事
这三个概念非常容易混淆。
缺陷（Defect）是一次具体的不符合。
缺陷品（Defective Unit）是至少包含一个缺陷的产品或单位。
缺陷机会（Opportunity）则是可能发生缺陷的位置或要求。
例如一件产品有5项关键要求，最终发现其中2项不符合。
那么：
- 产品数量 = 1件；
- 缺陷机会 = 5次；
- 缺陷数量 = 2个；
- 缺陷品数量 = 1件。
因此，一个产品可以同时存在多个缺陷。
这也是为什么DPMO不能简单等同于「每百万件产品有多少不良品」。
四、第二步：清楚定义什么叫「缺陷」
定义了机会以后，还要明确什么情况才算缺陷。
这个定义最好来自客户要求、产品规格、法规或关键质量特性，而不是分析人员临时决定。
例如快递业务可以定义：
承诺24小时送达，超过24小时即属于一次交付时间缺陷。
制造业则可能定义：
轴径超出9.95～10.05 mm规格范围即属于尺寸缺陷。
如果缺陷定义本身含糊，后面的DPMO即使计算非常精确，也没有太大意义。
五、第三步：统计单位数、机会数和缺陷数
假设一家企业生产了10,000件产品，每件产品有4个明确的缺陷机会。
总缺陷机会数就是：
10,000 × 4 = 40,000次机会
如果最终发现80个缺陷：
DPO = 80 ÷ 40,000 = 0.002
进一步转换：
DPMO = 0.002 × 1,000,000 = 2,000
也就是说，如果按照相同的缺陷机会结构推算，每百万次机会约会出现2,000个缺陷。
六、第四步：由DPMO计算机会合格率
DPMO也可以转换成每次机会没有产生缺陷的比例，也就是Opportunity Yield。
机会合格率 = 1 − DPMO ÷ 1,000,000
以上例子DPMO为2,000：
1 − 2,000 ÷ 1,000,000 = 0.998
也就是：
99.8%
需要留意，这里的99.8%是每个缺陷机会的合格率，并不一定等于整件产品的最终良率。
如果每件产品存在很多缺陷机会，即使每次机会的合格率很高，整件产品完全无缺陷的概率仍可能明显降低。
七、第五步：把DPMO转换成西格玛水平
传统六西格玛管理通常使用以下转换方式：
Sigma Level = Φ−1(1 − DPMO / 1,000,000) + 1.5
其中Φ−1代表标准正态分布的反函数，而最后的+1.5就是传统六西格玛中的1.5σ长期偏移假设。
例如刚才的：
DPMO = 2,000
转换以后，长期西格玛水平大约为：
Sigma Level ≈ 4.38σ
通常实际工作不会手工计算正态分布反函数，而会使用统计软件、西格玛转换表或在线计算器。
八、为什么六西格玛还要加上1.5σ？
这是西格玛水平计算中最容易产生误解的地方。
如果完全按照标准正态分布计算，一个平均值距离最近规格界限6个标准差、而且过程长期始终完全居中的过程，其理论缺陷率远低于3.4 DPMO。
六西格玛管理中常说：
6σ = 3.4 DPMO
这是因为传统六西格玛换算引入了1.5σ长期过程偏移的假设。
也就是说，通常所谓的Sigma Level，需要先说明采用的是：
- 不含1.5σ偏移的短期统计水平；还是
- 采用传统1.5σ偏移的六西格玛长期水平。
如果没有说明，两种计算方式可能相差约1.5个Sigma Level。
九、用一个供电时间案例理解整个计算过程
为了让概念更直观，可以用一个简化的电力供应例子。
假设某供电系统一年总共观察：
525,600分钟
其中累计有：
500分钟没有正常供电
如果为了教学演示，我们暂时把每一分钟正常供电定义为一次机会，每一分钟停电定义为一个缺陷，那么：
总机会数 = 525,600
缺陷数 = 500
因此：
DPO = 500 ÷ 525,600 ≈ 0.0009513
DPMO ≈ 951
机会合格率为：
(525,600 − 500) ÷ 525,600 ≈ 99.9049%
采用传统1.5σ偏移换算后：
Sigma Level ≈ 4.60σ
也就是说，这个简化例子的供电表现约相当于4.6 Sigma Level。
十、不过，供电可靠性并不适合只看DPMO
上面的电力公司例子适合帮助理解DPMO计算，但在真正的电力可靠性管理中，只用「停电分钟数」转换DPMO会丢失很多信息。
例如两家公司一年都停电500分钟。
A公司只发生一次500分钟的大停电。
B公司却发生100次，每次停电5分钟。
如果只按照总停电分钟计算，两家的结果完全一样。
但对客户来说，100次短暂停电与一次长时间停电造成的体验和运营影响可能完全不同。
因此实际分析还需要考虑停电频率、影响客户数量、恢复时间和系统可用率等可靠性指标。
这个例子也说明：
西格玛水平只是把某一种缺陷定义转换成统一尺度，并不能取代真正的业务指标。
十一、99.9%的合格率大约是多少Sigma？
很多人会直接问：「99.9%到底是多少西格玛？」
如果99.9%指的是每次机会合格率，那么：
缺陷率 = 0.1%
DPMO = 1,000
采用传统1.5σ偏移后，大约为：
4.59σ
因此，99.9%虽然听起来非常高，但按照六西格玛惯用换算，距离6σ仍然有相当大的差距。
6σ传统长期表现对应的是约：
99.99966%机会合格率，也就是3.4 DPMO。
十二、常见西格玛水平与DPMO对照
| 西格玛水平 | DPMO | 机会合格率 |
|---|---|---|
| 1σ | 约691,462 | 约30.85% |
| 2σ | 约308,537 | 约69.15% |
| 3σ | 约66,807 | 约93.32% |
| 4σ | 约6,210 | 约99.379% |
| 5σ | 约233 | 约99.9767% |
| 6σ | 约3.4 | 约99.99966% |
以上属于采用传统1.5σ长期偏移假设的六西格玛惯用转换值。
十三、DPMO和产品良率为什么不能直接混用？
假设一件产品有100个缺陷机会，每个机会的缺陷率都只有0.1%。
单看每个机会：
机会合格率 = 99.9%
似乎已经非常不错。
但一件产品要100个机会全部没有缺陷，其无缺陷概率在简单独立假设下大约为：
0.999100 ≈ 90.48%
也就是说，机会层面99.9%的合格率，并不代表最终产品良率也是99.9%。
所以比较六西格玛数据时，一定要知道对方谈的是：
Yield、First Pass Yield、Rolled Throughput Yield、DPU、DPO，还是DPMO。
这些指标不能随意互换。
十四、西格玛水平和Cpk有固定换算关系吗？
很多西格玛计算器还会同时显示Cpk，因此容易让人以为Sigma Level和Cpk之间永远存在固定关系。
在特定假设下，两者确实可以建立近似关系。
例如对于一个稳定、近似正态、过程均值位置已知的连续型过程，过程能力可以通过均值、标准差和规格限计算。
但DPMO模型是根据缺陷机会计算，而Cpk是根据连续型过程分布与规格界限之间的距离计算。
两者的出发点并不相同。
因此，不能在任何情况下都把：
Sigma Level ÷ 3 = Cpk
当作无条件成立的公式。
尤其当数据非正态、过程偏心、不稳定，或者Sigma Level来自离散缺陷数据时，更需要谨慎解释。
十五、西格玛水平最大的价值，是建立改善基线
企业计算Sigma Level，不应该只是为了说：
「我们现在是4.3σ。」
真正有意义的是把它作为改善前后的统一衡量尺度。
例如：
改善前：DPMO = 12,000
改善后：DPMO = 2,500
只要缺陷和机会的定义保持一致，就能够清楚看到过程表现改善。
如果每次计算都更改缺陷机会定义，让数字越来越漂亮，这个指标也就失去了管理价值。
十六、六西格玛项目并不是为了追求所有过程都达到6σ
六西格玛这个名称容易让人产生一种误解：所有企业的所有流程都应该达到6σ。
实际上，不同流程的风险、成本和客户要求完全不同。
航空安全关键零件、医疗剂量和普通办公室文件处理，对缺陷的容忍程度显然不同。
某个过程从3σ改善到4σ，可能已经为企业创造巨大价值；另一个安全关键过程即使已经达到很高能力，仍需要进一步降低风险。
所以真正应该问的是：
目前的缺陷水平是否满足客户、法规和业务风险要求？继续改善的成本与收益是否合理？
十七、从西格玛水平进入DMAIC改善
西格玛水平只能告诉我们「现在表现到什么程度」，却不会自动告诉我们为什么会这样。
如果发现DPMO过高，接下来才是真正的六西格玛工作。
通过DMAIC：
Define明确问题、客户需求和项目范围；
Measure确认数据可靠，并建立当前Sigma Level或其他基线指标；
Analyze找出造成缺陷的关键X；
Improve设计和验证解决方案；
Control防止缺陷水平重新回升。
所以西格玛水平不是六西格玛项目的终点，而更接近一个起点。
结语：计算公式不难，真正困难的是定义正确
计算西格玛水平的数学过程其实并不复杂：
定义缺陷 → 定义机会 → 统计缺陷和机会 → 计算DPO → 转换DPMO → 换算Sigma Level。
真正困难的是前面两个步骤。
如果缺陷定义不符合客户要求，或者缺陷机会为了方便而随意设定，那么后面的DPMO和Sigma Level即使计算到小数点后很多位，也未必有实际意义。
优思学院认为，学习六西格玛绿带时，应该先真正理解缺陷、机会、DPU、DPO、DPMO和Yield之间的关系，再学习如何使用转换表或软件。
如果进一步学习六西格玛黑带，还需要把这些指标与过程能力、统计分布、假设检验和实际项目收益联系起来。
六西格玛的重点从来不是把一个数字换算成另一个数字，而是利用这些数字更准确地认识过程，并找到值得改善的地方。
