很多人第一次学习六西格玛，会先碰到一个看似简单、其实很容易混淆的问题：为什么叫「六西格玛」？六个西格玛到底代表什么？它和99.99966%的合格率、3.4 DPMO之间又有什么关系？
要理解这些问题，需要先从三个基础概念开始：平均值、标准差和规格界限。把这三个概念弄清楚以后，西格玛水平、过程能力和DPMO之间的关系就会容易理解很多。
为什么99%的合格率，在高频流程中仍然可能不够？
99%听起来已经非常优秀。假设一项工作只做100次，99%代表只有1次错误，似乎可以接受。
问题在于，现代企业很多流程每天都会重复成千上万甚至数百万次。只要次数足够多，剩下的1%就可能累积成非常大的损失。
例如一个系统每年处理100万次关键操作，如果长期维持99%的正确率，理论上仍可能出现约10,000次错误。若这些错误涉及医疗、航空、支付、汽车安全或关键工业设备，1%的失败率已经远远不能令人满意。
这也是六西格玛强调降低变异和缺陷的原因。真正重要的不是「99%看起来已经很好」，而是剩余的错误在实际业务规模下到底代表多少风险和损失。
先理解Sigma：它本来就是标准差
Sigma通常写成希腊字母σ，在统计学中代表标准差（Standard Deviation）。
标准差用于描述数据围绕平均值的分散程度。
如果某个加工尺寸的标准差很小，说明大多数数据都集中在平均值附近，过程波动相对较小；如果标准差很大，说明数据分散范围较宽，过程输出更加不稳定。
因此，在其他条件相同的情况下：
标准差越小，过程分布越窄；标准差越大，过程分布越宽。
不过，「标准差小」并不自动代表过程有能力满足客户规格，因为还需要看平均值位于什么位置，以及客户允许的规格范围有多宽。
六西格玛真正比较的是过程波动与规格之间的距离
客户或设计部门通常会为产品特性设定规格界限。
USL代表规格上限（Upper Specification Limit），LSL代表规格下限（Lower Specification Limit）。
如果某零件的尺寸要求为10.00±0.06 mm，那么：
LSL = 9.94 mm，USL = 10.06 mm。
假设过程平均值刚好为10.00 mm，那么平均值距离任意一侧规格限都是0.06 mm。
如果过程标准差σ为0.01 mm，那么：
也就是说，从过程平均值到最近的规格界限之间，可以容纳六个标准差。
这就是「6 Sigma」最直观的统计意义之一。
为什么西格玛水平越高，缺陷风险通常越低？
假设规格界限不变。
如果过程波动很大，标准差也大，那么规格范围只能容纳较少个σ，分布尾部就更容易超出规格。
随着标准差逐渐缩小，相同规格范围内可以容纳更多个σ，过程分布也会越来越窄，因此超出规格的概率下降。
所以从直观上可以理解：
1σ过程的波动很大，2σ稍好，3σ进一步收窄，而6σ代表过程波动相对于规格已经非常小。
但这里还必须加入一个条件：过程平均值不能严重偏向某一侧规格限。
过程很窄，也可能生产大量不良品
这是理解六西格玛时很重要的一点。
假设一个过程的标准差已经非常小，分布看起来很窄，但平均值已经逐渐移动到USL附近，那么即使过程本身波动不大，右侧仍然可能产生大量超规格产品。
所以，一个优秀过程需要同时考虑两个方面：
波动是否足够小，以及过程中心是否处在合理位置。
这也是为什么实际质量分析中不能只看标准差，还会进一步使用Cp、Cpk等过程能力指标。
短期6σ和3.4 DPMO为什么看起来对不上？
这是六西格玛概念中最容易让初学者困惑的地方。
如果一个正态分布过程完全居中，而且平均值距离上下规格界限各有6σ，那么理论上的双侧缺陷率其实远低于3.4 DPMO。
纯粹按照标准正态分布计算，±6σ以外的概率大约只有0.002 DPMO左右。
可是六西格玛管理中最著名的数字却是：
两者为什么相差这么大？
原因是传统六西格玛体系引入了1.5 Sigma Shift，也就是1.5σ长期偏移假设。
1.5 Sigma Shift是什么意思？
早期六西格玛实践认为，一个过程短期内可能表现得非常稳定，但随着时间推移，过程平均值可能受到设备、原材料、环境、操作条件和其他因素影响而发生漂移。
因此，传统六西格玛换算中采用了一个经验假设：长期过程中心可能相对于短期中心发生约1.5σ的偏移。
于是，一个短期达到6σ的过程，在长期换算时，最近一侧规格限与平均值之间的有效距离就变成：
标准正态分布超过单侧4.5σ的概率大约是3.4百万分之一，因此得到：
这就是六西格玛最经典的3.4 DPMO来源。
1.5σ偏移不是统计学定律
这一点需要特别说明。
1.5σ偏移不是说所有企业、所有流程长期运行以后都会刚好移动1.5个标准差。
它是一种六西格玛传统体系采用的经验性长期换算假设。
现实过程中，有些过程漂移可能远小于1.5σ，也有些过程可能更严重。因此，在真正进行过程能力分析时，不应该机械假定所有过程都一定具有相同程度的偏移。
理解这一点，也能避免把3.4 DPMO误认为纯统计意义上「6个标准差」必然产生的数字。
不同西格玛水平大约对应多少DPMO？
如果采用传统1.5σ长期偏移假设，常见换算如下：
| 西格玛水平 | DPMO | 参考合格机会率 |
|---|---|---|
| 1σ | 约691,462 | 约30.85% |
| 2σ | 约308,538 | 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% |
这张表最适合用来理解一个趋势：西格玛水平从3σ提升到4σ，再从4σ提升到5σ，缺陷数量并不是线性下降，而是会大幅减少。
DPMO到底是什么？不要和不良率混为一谈
DPMO是Defects Per Million Opportunities，即「每百万缺陷机会中的缺陷数」。
这里有一个关键词：机会（Opportunity）。
假设生产1,000件产品，每件产品有10个可能发生缺陷的质量机会，那么总机会数是：
如果实际发现20个缺陷：
因此，DPMO和「每百万件产品有多少不良品」并不完全相同。
同一件产品可能同时存在多个缺陷，在产品不良率中可能只算一件不良品，但在DPMO中则可以对应多个缺陷。
西格玛水平和Cpk是什么关系？
在稳定、近似正态的过程能力语境下，可以看到一个常见近似关系：
例如：
- Cpk = 1.00，约对应3σ；
- Cpk = 1.33，约对应4σ；
- Cpk = 1.67，约对应5σ；
- Cpk = 2.00，约对应6σ。
原因可以从Cpk公式理解。Cpk衡量过程平均值距离最近规格限有多少个3σ，因此把Cpk乘以3，就可以近似得到平均值距离最近规格限有多少个σ。
不过，这里说的是过程能力意义上的短期Sigma距离。如果再进一步换算成3.4 DPMO，就又涉及传统的1.5σ长期偏移假设。
为什么不能只看「合格率」？
假设两个过程目前抽检结果都是99.5%合格，看起来差不多。
但第一个过程可能非常稳定，只是平均值稍微偏离中心；第二个过程可能每天剧烈变化，只是这次抽样碰巧多数产品合格。
如果只看合格率，很难知道哪一个过程未来更可靠。
因此，六西格玛强调的不只是最终有多少产品合格，还包括：
- 过程是否稳定；
- 过程变异有多大；
- 平均值是否偏移；
- 数据是否可靠；
- 过程是否具有长期满足规格的能力。
这也是为什么SPC、MSA和过程能力分析经常会一起出现。
现实企业真的会达到6σ吗？
可以，但需要正确理解「达到六西格玛」这句话。
一家企业可能在某些关键产品特性或流程上达到非常高的过程能力，但这并不代表企业的每一道工序、每一个指标和每一个业务过程都长期保持完全相同的6σ表现。
在航空航天、汽车、半导体、医疗器械等行业，一些安全或性能关键特性确实需要非常低的缺陷风险。
例如关键尺寸、材料强度、焊接质量、扭矩和药物剂量都可能要求极严格控制。
这些过程不能只靠最终检验筛掉不良，而需要从设计、测量、过程控制和风险预防等多个环节降低失败发生的机会。
所有过程都需要追求6σ吗？
不一定。
质量越高通常需要投入更多设计、设备、控制、测试和改善资源。如果一个低风险内部流程，即使偶尔出现错误也不会带来明显客户影响或经济损失，强行要求极高Sigma水平可能并不划算。
真正合理的做法，是根据客户要求、风险、缺陷后果和改善成本决定目标。
对于安全关键特性，容忍度当然应该非常低；对于一般行政流程，企业可能更加关注成本、速度和改善投入之间的平衡。
六西格玛的重点不是让所有指标机械地达到6σ，而是让重要过程达到与风险和客户要求相匹配的能力。
六西格玛真正想解决的不是一个数学题
如果只把六西格玛理解成「把标准差缩小到可以塞六个进去」，很容易忽略它真正的管理价值。
企业真正需要解决的是：为什么过程会波动？哪些因素造成缺陷？测量系统可靠吗？平均值为什么会漂移？怎样让改善长期保持？
这也是DMAIC存在的意义。
通过Define、Measure、Analyze、Improve和Control，团队从业务问题出发，逐步找到真正影响输出的关键因素，再降低波动并建立控制。
学习六西格玛时，应该怎样理解6σ？
可以把它分成三个层次。
统计层面：σ是标准差，反映过程变异。
过程能力层面：Sigma水平可以描述过程平均值距离最近规格限有多少个标准差。
六西格玛管理层面：传统6 Sigma与3.4 DPMO之间的换算采用了1.5σ长期偏移假设。
把这三层分开以后，很多常见争论就容易理解了。
结语
六西格玛之所以叫六西格玛，最直观的统计解释，是过程平均值与最近规格限之间可以容纳六个标准差。
标准差越小，过程分布通常越集中，超出规格的风险也越低；但真正优秀的过程还需要保持适当的中心位置和长期稳定性。
至于大家熟悉的「6 Sigma = 3.4 DPMO」，则来自传统六西格玛体系在短期6σ能力基础上加入1.5σ长期偏移后的换算，而不是纯粹正态分布±6σ直接产生的结果。
优思学院认为，学习六西格玛时最重要的不是背下3.4、233、6,210这些数字，而是理解数字背后的过程逻辑：
客户给了我们多大的规格空间？过程本身有多大的波动？平均值在哪里？长期运行以后，这个过程还能不能稳定满足要求？
理解这些问题以后，六西格玛就不再只是一个听起来很厉害的质量等级，而会变成一套真正能够分析和改善过程的方法。
