六西格玛水平怎么换算？Sigma、DPMO、合格率与Cpk之间的关系

学习六西格玛时，经常会看到这样一句话：

「六西格玛水平代表每百万次机会只有3.4个缺陷。」

很多人第一次看到都会觉得奇怪。

如果正态分布的平均值距离规格限真的有6个标准差，那么超出±6σ的概率应该远远低于3.4 ppm，为什么六西格玛却经常与3.4 DPMO联系在一起？

关键就在于六西格玛体系中一个很特别的假设：1.5 Sigma Shift，也就是1.5西格玛偏移。

理解这个概念以后，Sigma水平、合格率、DPMO甚至Cpk之间的关系就会清楚很多。

先弄清楚：Sigma水平到底是什么？

Sigma（σ）本身是统计学中的标准差，用来描述数据的离散程度。

在六西格玛管理中，「Sigma Level」则进一步被用来表示过程表现水平。简单来说，Sigma水平越高，代表过程输出超出要求的机会越少。

按照六西格玛常见的长期换算方式，可以得到以下近似关系：

这里要特别注意：这张表不是纯粹按照±1σ、±2σ、±3σ的正态分布概率直接计算出来的，而是已经加入1.5σ偏移假设。

为什么6 Sigma不是0.002 DPMO，而是3.4 DPMO？

如果一个正态过程完全居中，而且平均值永远不会移动，那么规格限距离平均值±6σ时，超出规格的概率会极低。

理论上，两侧合计大约只有：

也就是每百万机会远远不到一个缺陷。

但六西格玛传统体系并没有直接采用这个数字。

在早期摩托罗拉的六西格玛实践中，引入了一个长期过程平均值可能相对于短期中心位置发生约1.5σ偏移的经验性假设。

于是，当短期能力达到6σ时，在长期换算中就相当于最近规格限距离过程平均值约：

正态分布中超过单侧4.5σ的概率大约为：

换成每百万机会缺陷数，就是：

这就是六西格玛最著名的「3.4个缺陷／百万机会」数字的来源。

1.5 Sigma Shift到底代表什么？

这里很容易出现一个误解。

1.5σ偏移并不等于说：「长期生产一定会发生1.5个标准差的特殊原因变异。」

它更准确地说，是六西格玛传统换算体系采用的一项长期漂移经验假设。

现实中的过程可能因为刀具磨损、环境变化、不同原材料批次、设备状态、人员调整等因素，导致长期平均值相对于短期状态发生变化。

但实际偏移到底是不是1.5σ，要看具体过程。

有些过程可能小于1.5σ，有些可能大于1.5σ，也有过程长期控制得非常稳定。

所以1.5σ不能被理解成一条自然定律。

短期Sigma和长期Sigma为什么会不同？

短期数据通常来自相对稳定、时间较短的生产条件，因此捕捉到的主要是过程内部的短期波动。

长期数据则可能覆盖更多班次、设备状态、原材料批次、季节和环境变化，因此整体波动通常会更大。

例如一台设备在上午连续生产两小时，尺寸非常稳定。

但如果观察半年，期间可能经历：

• 刀具磨损；
• 不同原料批次；
• 机器维修；
• 操作员变化；
• 环境温度变化。

长期表现自然可能比最初那两小时看到的短期表现差。

这也是六西格玛区分短期能力与长期表现的基本背景。

如何把合格率换算成Sigma水平？

最简单的方法当然是查看Sigma水平对照表。

例如过程合格率为98%，不良率就是：

即：

按照传统1.5σ偏移的六西格玛换算，大约相当于：

所以98%的合格率，大致落在3.5到3.6 Sigma之间。

这也是为什么利用对照表快速估算时，通常会看到：

3.5 Sigma约对应97.7%左右的合格率，而3.6 Sigma则接近98.2%。

如果不用对照表，可以怎样计算？

如果使用六西格玛传统的长期换算方法，可以先根据合格率求标准正态分布的Z值，再加入1.5σ偏移。

常见表达可以写成：

例如Yield = 0.98：

再加上1.5：

也就是约3.55 Sigma。

如果没有采用1.5σ偏移，则得到的只是标准正态Z值，两者不要混在一起。

DPMO和合格率是不是完全一样的概念？

不完全一样。

DPMO是Defects Per Million Opportunities，也就是每百万缺陷机会的缺陷数。

它的计算考虑的是每一个产品可能出现多少个缺陷机会。

例如每件产品有10个关键质量机会，生产1,000件产品，总机会数就是：

如果出现20个缺陷：

而「产品合格率」通常关心的是整件产品是否合格。

一件产品即使同时存在三个缺陷，在产品不良率中仍可能只算一个不良品，但在DPMO中则可能计算三个缺陷。

所以不能在所有情况下直接把DPMO和产品不良率当成同一个指标。

Sigma水平和Cpk又是什么关系？

这两个指标确实有关联，但要先明确采用的是哪一种定义。

对于稳定、近似正态且过程居中的情况，短期Sigma水平与Cpk常见的近似关系为：

例如：

如果再套用六西格玛传统的1.5σ长期偏移概念，则长期表现的换算会不同。

因此，看到「Cpk=2就是3.4 DPMO」时，背后其实隐含了两个条件：

第一，短期过程能力大约达到6σ；第二，再采用1.5σ偏移来估计长期缺陷率。

如果不说明这些假设，很容易把Cpk、Sigma Level和DPMO混成一个概念。

为什么99%的合格率看起来很好，Sigma水平却不算特别高？

99%在日常生活中听起来已经很好。

但在高产量过程里，剩下的1%可能代表非常庞大的失败数量。

例如一家工厂一年有100万次关键操作：

而六西格玛传统水平：

两者差距非常大。

这也是为什么航空、医疗器械、半导体、汽车零部件等高风险或高产量场景，不能简单满足于「99%已经很好」。

Sigma水平高，就代表企业管理能力一定强吗？

不能这样直接推论。

有些早期六西格玛宣传资料会把Sigma等级进一步对应到「管理能力」「企业竞争力」甚至「客户忠诚度」。

这种关系更多属于管理上的宣传性描述，并不是统计学可以直接推出的结论。

一个过程达到6 Sigma，并不能自动证明企业整体管理卓越，也不能证明客户一定忠诚。

反过来，一个Sigma水平较低的过程，也不能直接说明整家企业没有竞争力。

Sigma Level主要反映的是特定过程相对于缺陷机会的表现。

企业竞争力和客户忠诚度还受到产品设计、价格、品牌、服务、创新、交付和市场竞争等大量因素影响。

Sigma水平不是越高越好，还要考虑经济性

如果把所有过程都要求做到6 Sigma，企业可能需要投入巨大的检验、设备和控制成本。

某些关键安全特性值得追求极低缺陷率，但一些低风险内部流程未必需要相同标准。

真正的质量管理应该结合：

• 客户要求；
• 风险程度；
• 缺陷后果；
• 改善成本；
• 商业价值。

六西格玛的重点并不是机械地把每一个过程都推到6 Sigma，而是利用数据改善真正重要的过程。

对照表什么时候最方便？

如果只是快速了解过程大概处于什么水平，Sigma对照表很方便。

例如看到DPMO大约6,000，就知道大致接近4 Sigma；看到200多DPMO，则大约接近5 Sigma。

但是需要精确计算时，最好使用统计软件或标准正态分布函数，而不是只靠表格插值。

尤其当涉及单侧规格、非正态数据、多个缺陷机会或实际过程能力分析时，简单换算表未必足够。

结语

六西格玛水平、DPMO、合格率和Cpk之间确实存在一定关系，但这些关系建立在特定统计假设和换算规则上。

最需要记住的是：

传统六西格玛中的6 Sigma = 3.4 DPMO，是加入1.5 Sigma Shift以后得到的长期表现换算，而不是纯粹±6σ正态分布的天然结果。

优思学院认为，理解这一点以后，再去看3 Sigma、4 Sigma、5 Sigma和6 Sigma对照表，会比单纯背诵数字有意义得多。

统计分析真正重要的不是记住「6 Sigma等于3.4」，而是知道这个数字是怎样来的、用了什么假设，以及在自己的实际过程里，这些假设是否合理。

常见问题

6 Sigma真的等于3.4 DPMO吗？

在传统六西格玛长期换算体系中是的，因为其中采用了1.5σ平均值偏移假设。如果不加入1.5σ偏移，一个完全居中的±6σ正态过程理论缺陷率会远低于3.4 DPMO。

4 Sigma的合格率是多少？

按照含1.5σ偏移的六西格玛传统换算，4 Sigma约等于6,210 DPMO，也就是约99.379%的合格机会率。

98%的合格率大约是多少Sigma？

按照传统1.5σ偏移换算，大约为3.55 Sigma。

Cpk=2是不是代表6 Sigma？

在稳定、近似正态的过程能力语境下，常见的短期近似关系是Sigma Level≈3×Cpk，因此Cpk=2约对应短期6 Sigma。但若进一步讨论3.4 DPMO，还涉及1.5σ长期偏移假设。

1.5 Sigma Shift是统计学定律吗？

不是。它是六西格玛传统体系中的经验性长期漂移假设，不代表所有实际过程都会恰好漂移1.5个标准差。