六西格玛是哪六个？「六个西格玛」到底是什么意思？

若干年前，优思学院写了一篇原创文章，题为「六西格玛是哪六个？」当时有感很多初学者第一次接触六西格玛时，都会问同一个问题：

六西格玛是哪六个？是不是六种管理方法、六个实施阶段，或者六项质量工具？

直到最近，我们才发现，今天仍有许多人在搜索「六西格玛是哪六个？」。因此，我们决定重新探讨这个老问题，看看六西格玛究竟是什么意思。优思学院认为，更值得深入讨论的是：为什么许多人觉得六西格玛很难？从一知半解到恍然大悟，又需要经历怎样的学习过程？

「六西格玛」中的「六」，指的是六个标准差；「西格玛」是希腊字母σ（Sigma）的音译，在统计学中通常代表标准差。因此，六西格玛最直接的含义，就是过程平均值与规格界限之间可以容纳六个标准差。

简单来说，六西格玛不是六个独立的「西格玛」，而是一种衡量过程波动、过程能力和缺陷风险的质量水平。

一、什么是西格玛（Sigma）？

Sigma写作希腊字母σ，在统计学中通常表示总体标准差。标准差的英文是Standard Deviation，常见缩写为SD。

标准差用来衡量一组数据围绕平均值的离散程度。

标准差越小，代表数据越集中，过程波动通常越小；标准差越大，代表数据越分散，过程波动通常越明显。

假设一家工厂生产目标直径为10毫米的零件。虽然设计目标是10毫米，但实际生产出来的零件不可能每一个都刚好等于10毫米，测量结果可能是：

9.98毫米、10.01毫米、10.03毫米、9.99毫米……

这些数据围绕10毫米上下波动，而标准差就是用来描述这种波动大小的统计指标。

如果大部分零件尺寸都集中在10毫米附近，代表标准差较小，生产过程相对稳定；如果尺寸分布得很分散，代表标准差较大，产品超出规格的风险也会增加。

因此，六西格玛关注的不只是平均值是否接近目标，还关注过程波动是否足够小。

优思学院：六西格玛是哪六个？六个西格玛是什么意思？

二、六西格玛是哪六个？

六西格玛并不是指六种工具，也不是指六个项目阶段。

它指的是：

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。

在理想状态下，如果过程平均值正好位于规格中心，那么从平均值到规格上限之间有六个标准差，从平均值到规格下限之间同样有六个标准差。

三、规格界限与控制界限不是同一回事

理解六西格玛时，还要分清「规格界限」与「控制界限」。

规格界限通常来自客户要求、产品设计、工程标准或行业规范，用来判断产品或服务结果是否符合要求。

例如，某个零件直径的允许范围是9.90至10.10毫米，那么：

LSL＝9.90毫米

USL＝10.10毫米

控制界限则根据过程数据计算，通常应用于控制图，用来判断过程是否存在特殊原因变异，以及过程是否处于统计受控状态。

规格界限回答的是：

客户允许的范围是什么？

控制界限回答的是：

过程本身通常会怎样波动？

两者的来源和用途不同，不能混为一谈。一个过程可能非常稳定，但仍然无法满足规格；也可能暂时满足规格，却存在明显的特殊原因变异。

四、为什么标准差可以代表质量水平？

如果过程数据服从或近似服从正态分布，大部分数据会集中在平均值附近，并形成一条中间高、两边低的钟形曲线。

正态分布通常具有以下规律：

平均值上下1个标准差，约包含68.27%的数据
平均值上下2个标准差，约包含95.45%的数据
平均值上下3个标准差，约包含99.73%的数据
平均值上下6个标准差，约包含99.9999998%的数据

这就是统计学中常见的「68—95—99.7法则」。

当规格上下限分别距离平均值六个标准差时，数据超出规格界限的概率会非常低。如果把超出规格界限的结果定义为缺陷，那么六西格玛过程就代表极低的缺陷风险。

不过，以上推算建立在数据服从或近似服从正态分布的前提下。如果数据明显偏斜、存在多个峰值，或者属于计数型及比例型数据，就不能机械套用正态分布结论。

实际开展六西格玛项目时，还需要检查数据分布、测量系统和过程稳定性。

五、用可视化工具看懂六个西格玛

单看标准差、正态分布和规格界限的定义，初学者可能仍然觉得抽象。

为此，优思学院开发了「Sigma Level不良率可视化工具」，让大家直接观察不同西格玛水平下，过程分布与规格界限之间的关系。

工具固定规格下限LSL与规格上限USL。当使用者把Sigma Level从1σ逐步调整至6σ时，可以看到正态分布曲线越来越窄，落在规格界限以外的不良区域也越来越小。

这里改变的不是规格要求，而是过程标准差。

Sigma Level较低，代表过程标准差相对较大，数据分布比较宽，产品或服务结果更容易超出规格；Sigma Level越高，代表过程波动越小，数据更加集中，超出规格的概率也随之下降。

例如：

3σ水平下，过程分布较宽，规格外仍然存在较明显的不良区域；
4σ水平下，分布明显收窄，不良率大幅下降；
5σ水平下，规格外的不良区域已经非常小；
6σ水平下，过程波动很小，规格外的尾部面积几乎看不见。

读者可以使用优思学院开发的「Sigma Level不良率可视化工具」，拖动Sigma Level滑块，比较1σ至7σ的DPMO、合格率和不良率。

六、理论上的六西格玛缺陷率是多少？

假设一个过程完全服从正态分布，过程平均值始终位于规格中心，而且从平均值到上下规格界限均为六个标准差，那么落在规格界限以外的概率约为：

0.00197 DPMO

DPMO是Defects Per Million Opportunities的缩写，中文通常称为「每百万机会缺陷数」。

0.00197 DPMO可以近似写成0.002 DPMO，代表在一百万个缺陷机会中，预计只会出现约0.002个缺陷。

换句话说，平均大约五亿个缺陷机会才可能出现一个超出规格的结果。

看到这里，很多人会产生另一个疑问：

为什么平常所说的六西格玛质量水平，一般是每百万机会3.4个缺陷，而不是0.002个缺陷？

这是因为两个数字采用的计算假设不同。

七、六西格玛的DPMO究竟是3.4还是0.002？

0.002 DPMO和3.4 DPMO都有相应的计算依据，但代表的情境不同。

1. 不考虑过程偏移：约0.002 DPMO

如果假设过程平均值长期保持不变，并且始终位于规格中心，那么真正的双侧六西格玛过程，其理论缺陷率约为0.002 DPMO。

这是纯粹根据标准正态分布计算出来的理论结果。

2. 考虑1.5σ长期偏移：约3.4 DPMO

现代六西格玛管理通常采用1.5西格玛偏移的传统换算惯例。

这种计算方式假设过程在长期运行中，平均值可能偏离原来的中心位置，偏移幅度按照1.5个标准差估算。

原本距离规格界限六个标准差的过程，在考虑偏移之后，平均值到较近一侧规格界限的距离便剩下：

6σ－1.5σ＝4.5σ

当平均值到最近规格界限的距离约为4.5个标准差时，超出该界限的概率约为每百万机会3.4个缺陷。

所以，六西格玛管理中常见的3.4 DPMO，是在「短期六西格玛能力加上1.5σ长期偏移」这一传统口径下计算出来的结果。

六西格玛计算口径	基本假设	每百万机会缺陷数
理论统计值	平均值不发生偏移，双侧均为6σ	约0.002 DPMO
六西格玛常用口径	加入1.5σ长期偏移	约3.4 DPMO

因此，当有人问「六西格玛的缺陷率究竟是3.4还是0.002」时，更准确的回答是：

不考虑过程平均值偏移时，理论缺陷率约为0.002 DPMO；按照六西格玛常用的1.5σ长期偏移惯例计算，则约为3.4 DPMO。

八、用工具比较0.002 DPMO与3.4 DPMO

优思学院的「Sigma Level不良率可视化工具」提供了1.5σ漂移开关，可以直接比较这两种计算情境。

关闭1.5σ漂移时，过程平均值位于LSL与USL的正中间。如果平均值与上下规格界限之间均能容纳六个标准差，双侧规格外的理论缺陷率约为0.002 DPMO。

打开1.5σ漂移后，工具会显示过程中心向其中一侧移动。此时，平均值到最近规格界限的距离由6σ缩短为4.5σ，相应缺陷率约为3.4 DPMO。

使用者还可以选择过程向LSL或USL方向偏移。无论偏向哪一边，靠近平均值的规格界限都会成为主要的缺陷风险来源。

通过这个互动演示可以直观看到：

0.002 DPMO与3.4 DPMO的差别，不是谁对谁错，而是两者采用了不同的过程偏移偏移假设。

九、什么是1.5西格玛偏移？

1.5西格玛偏移（1.5 Sigma Shift），是传统六西格玛质量水平换算中使用的一项经验性假设。

现实中的生产和服务流程，很难永远保持完全相同的运行状态。随着时间推移，过程平均值或波动程度可能发生变化。

常见影响因素包括：

设备磨损或重新调整
刀具逐渐磨耗
原材料批次发生变化
温度、湿度等环境条件改变
不同班次或操作人员之间存在差异
测量系统发生漂移
供应商或工作方法发生变化
设备维护和参数设定发生变化

这些因素可能使过程平均值逐渐偏离原来的中心，也可能使标准差扩大，造成长期过程表现不如短期数据所显示的结果。

需要说明的是，1.5σ并不是适用于所有过程的统计定律，也不代表每个过程都会刚好偏移1.5个标准差。

这一口径主要来自摩托罗拉发展六西格玛方法时所采用的经验模型，后来逐渐成为六西格玛领域常见的质量水平换算惯例。

在实际项目中，不应该直接认定某个过程一定发生了1.5σ偏移。更可靠的做法是收集长期数据，分别评估过程的短期波动、长期波动、稳定性和实际偏移程度。

十、短期西格玛水平与长期西格玛水平有什么区别？

短期过程能力主要观察较短时间内的自然波动。

在短期数据中，设备、人员、材料和环境条件可能比较一致，因此过程看起来相对稳定，计算出来的标准差也可能较小。

长期过程表现则覆盖更长的运行周期。长期数据可能包含不同班次、设备状态、材料批次、操作人员和环境条件，因此反映出来的总体波动通常更大。

这就是为什么一个过程的短期能力可能很好，长期表现却没有预期中理想。

实际分析时，可以使用Cp与Cpk评估过程相对于规格的能力，也可以使用Pp与Ppk观察较长期的总体表现。

如果Cp明显高于Cpk，通常说明过程平均值没有位于规格中心；如果Cpk明显高于Ppk，则可能说明长期数据包含了更多漂移、批次差异或其他变异来源。

不过，任何过程能力指数都应该在确认测量系统可靠、过程基本稳定，并充分理解数据分布的前提下使用。

十一、怎样从实际缺陷数据计算Sigma Level？

理解六西格玛的统计概念后，接下来会遇到一个实际问题：

企业已经拥有检查数量和缺陷数量，应该怎样计算DPMO和Sigma Level？

为此，优思学院给学员开发了「Cpk与Sigma Level转换工具」。它可以把实际检查数据转换成DPMO、合格率、Sigma Level和估算Cpk。

使用者只需输入三个数据：

样件数
每件产品或服务的缺陷机会数
实际发现的缺陷数

工具便会自动完成计算。

假设一家工厂检查了1000件产品，每件产品有5个关键质量要求，共发现12个缺陷。

缺陷机会总数为：

1000×5＝5000

DPMO的计算公式为：

DPMO＝缺陷数÷缺陷机会总数×1,000,000

代入数据：

DPMO＝12÷5000×1,000,000＝2400

这代表该过程平均每百万个缺陷机会中，预计会出现约2400个缺陷。

把1000、5和12输入工具后，系统会自动计算DPMO、合格率、Sigma Level和对应的Cpk估算值，让使用者更容易判断当前过程大约处于什么质量水平。

十二、缺陷数不等于不合格品数

使用工具计算DPMO时，需要分清「缺陷」与「不合格品」。

一件产品可能同时存在多个缺陷。

例如，一个零件既有尺寸超差，又有表面划伤。那么，它是一件不合格品，却可能包含两个缺陷。

不合格品率关注的是不合格产品占全部产品的比例；DPMO关注的则是每百万个缺陷机会中出现多少个缺陷。

因此，计算DPMO之前必须合理定义：

什么情况属于缺陷；
每个产品共有多少个缺陷机会；
不同产品的缺陷机会是否相同；
数据收集人员是否使用相同的判断标准。

如果不同人员对缺陷机会的定义不一致，计算出来的DPMO也无法直接比较。

十三、Cpk与Sigma Level有什么关系？

Cpk是过程能力指数，用来衡量过程平均值、过程波动与最近规格界限之间的关系。

Cpk的基本计算公式为：

Cpk＝min［（USL－Mean）÷3σ，（Mean－LSL）÷3σ］

其中，min表示取两个计算结果中较小的一个，因为距离平均值较近的规格界限代表较大的缺陷风险。

如果过程平均值位于规格中心，而且到最近规格界限的距离为6σ，那么：

Cpk＝6σ÷3σ＝2.00

因此，在不考虑1.5σ长期偏移的短期能力口径下，可以使用以下简化关系：

Sigma Level≈3×Cpk

常见换算结果为：

Cpk	对应的短期Sigma Level
1.00	约3σ
1.33	约4σ
1.67	约5σ
2.00	约6σ

读者可以使用优思学院的「Cpk与Sigma Level转换工具」，直接输入Cpk或Sigma Level，观察两者之间的换算关系。

不过，这里必须分清短期能力与加入1.5σ偏移后的长期表现。

十四、为什么六西格玛有时对应Cpk＝2.00，有时又是1.50？

如果过程平均值位于规格中心，并且不考虑长期偏移，从平均值到最近规格界限的距离为6σ：

Cpk＝6÷3＝2.00

如果加入1.5σ长期偏移，平均值到最近规格界限的距离由6σ缩短为4.5σ：

Cpk＝4.5÷3＝1.50

所以，以下两个说法可以同时成立：

计算情境	最近规格距离	对应Cpk	估算DPMO
短期居中，不考虑偏移	6σ	2.00	约0.002
加入1.5σ长期偏移	4.5σ	1.50	约3.4

学习六西格玛时，不能只记住「六西格玛等于哪个Cpk」，还要说明采用的是短期还是长期口径，以及是否加入1.5σ偏移。

否则，同一个六西格玛水平可能会出现Cpk＝2.00和Cpk＝1.50两种答案，容易造成混淆。

十五、两个优思学院工具应该怎样配合使用？

两个工具分别解决不同的学习问题。

「Sigma Level不良率可视化工具」适合用来理解概念。它通过正态分布图展示Sigma Level、标准差、规格界限、尾部不良区域和1.5σ偏移之间的关系。

「Cpk与Sigma Level转换工具」适合用来完成计算。它可以根据样件数、缺陷机会和缺陷数计算DPMO，也可以完成Cpk与Sigma Level之间的快速换算。

建议按照以下顺序使用：

先打开「Sigma Level不良率可视化工具」，观察1σ至6σ的分布如何逐步收窄；
关闭1.5σ漂移，观察居中过程的理论不良率；
打开1.5σ漂移，比较0.002 DPMO与3.4 DPMO；
再打开「Cpk与Sigma Level转换工具」，输入实际缺陷数据；
查看DPMO、合格率、Sigma Level和Cpk；
回到实际过程，判断应该缩小波动、调整过程中心，还是同时改善两者。

这样一来，「六西格玛是哪六个」就不再只是一个统计定义，而会变成一个可以看见、计算和应用的过程能力概念。

十六、常见Sigma Level、DPMO与合格率对照

按照六西格玛常用的1.5σ偏移口径，不同Sigma Level与DPMO的近似关系如下：

Sigma Level	每百万机会缺陷数DPMO	合格率
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%

这些数据可以帮助企业理解不同西格玛水平之间的差距。

从3σ提升至4σ，看起来只提高了一个西格玛水平，但DPMO会从约66,807下降至约6,210，缺陷数量减少超过九成。学员也可以使用优思学院的可视化工具模拟这些结果。

从4σ提升至5σ，DPMO又会从约6,210下降至约233。

Sigma Level的提升不是简单的线性变化。越接近六西格玛，缺陷率下降的幅度越明显，但进一步改善所需要的技术能力、过程控制和资源投入也可能更高。

十七、西格玛水平越高越好吗？

一般来说，Sigma Level越高，代表过程平均值距离规格界限越远，或者过程波动越小，超出规格的风险也越低。

不过，企业不一定要把所有流程都提升到六西格玛水平。

改善目标应该结合以下因素确定：

客户对质量的实际要求
缺陷可能造成的风险
质量问题带来的损失
改善所需的成本和时间
法律法规或行业标准
过程在整体价值链中的重要程度

例如，医疗安全、航空零部件、汽车关键特性或重要金融交易，可能需要极高的过程能力；某些低风险、低成本的内部流程，如果一味追求六西格玛水平，改善投入可能远高于所创造的价值。

六西格玛强调以数据支持业务决策，而不是为了达到一个漂亮的数字而过度改善。

十八、六西格玛只是一个缺陷率目标吗？

六西格玛最初与统计质量控制和过程能力密切相关，但今天所说的六西格玛，已经不只是「每百万机会3.4个缺陷」这个数字。

它也是一套以客户需求、过程数据和持续改善为基础的管理方法。

六西格玛项目通常通过DMAIC路线解决问题：

Define：定义问题、客户需求和项目目标
Measure：测量过程现状并确认数据可靠性
Analyze：分析变异和缺陷的根本原因
Improve：设计、筛选和验证改善方案
Control：建立控制机制，使改善成果持续保持

DMAIC共有五个阶段，所以六西格玛中的「六」并不是指DMAIC阶段的数量。

企业学习六西格玛，也不只是为了计算Sigma Level，而是为了把模糊的问题转化为可测量的问题，再通过数据找出关键原因，降低过程变异，改善质量、成本、交付和客户体验。

十九、六西格玛与六西格玛管理有什么区别？

「六个西格玛」主要描述统计意义上的质量水平，也就是过程平均值与规格界限之间能够容纳多少个标准差。

「六西格玛管理」则是一套完整的流程改善方法，涵盖客户需求、项目选择、数据测量、统计分析、方案验证、风险管理和持续控制。

两者的关系可以概括为：

六个西格玛是统计意义上的质量水平；六西格玛管理是帮助组织降低变异、减少缺陷和改善绩效的方法体系。

这也是为什么学习六西格玛不能只记住3.4 DPMO，还需要掌握过程思维、Y＝f(X)、测量系统分析、过程能力、假设检验、回归分析、实验设计和控制图等方法。

二十、关于六西格玛的常见问题

六西格玛是不是有六个阶段？

不是。六西格玛改善项目常用的DMAIC共有五个阶段，分别是定义、测量、分析、改善和控制。「六」指的是六个标准差，不是六个项目阶段。

六西格玛是不是六种质量工具？

不是。六西格玛会使用很多统计和质量管理工具，但「六西格玛」这个名称并不是由六种工具组成。

六西格玛是不是代表零缺陷？

严格来说不是。六西格玛代表极低的缺陷率，并非数学意义上的绝对零缺陷。按照行业常用的1.5σ偏移口径，六西格玛约为3.4 DPMO。

六西格玛的缺陷率是3.4还是0.002 DPMO？

两个数字的计算条件不同。不考虑平均值偏移时，双侧理论缺陷率约为0.002 DPMO；按照六西格玛常用的1.5σ长期偏移惯例计算，则约为3.4 DPMO。

六西格玛只能用于制造业吗？

不是。只要工作能够被视为一个重复运行的过程，并且可以定义客户要求、输出结果和测量数据，六西格玛便可以应用。

银行审批、保险理赔、医疗服务、物流运输、软件开发、供应链、客户服务和行政流程，都可以使用六西格玛方法改善。

达到六西格玛是否代表过程一定稳定？

不一定。

过程能力与过程稳定性是两个不同概念。一个过程可能暂时显示出很高的能力，却存在特殊原因变异；也可能非常稳定，但平均值偏离目标或波动过大，无法满足规格要求。

因此，通常应该先判断过程是否稳定，再评价过程能力。

3.4 DPMO是不是所有企业都必须达到的标准？

不是。3.4 DPMO是六西格玛管理的标志性质量水平，并不是所有过程都必须达到。企业应该根据客户要求、风险、成本和业务价值设定合理目标。

结语

六西格玛「是哪六个」？

答案并不是六种工具、六个阶段或六项管理原则，而是过程平均值与规格界限之间的六个标准差。

如果过程完全居中，而且不考虑平均值偏移，双侧六西格玛过程的理论缺陷率约为0.002 DPMO；如果按照六西格玛常用的1.5σ长期偏移惯例计算，则约为3.4 DPMO。

真正理解六西格玛，关键不只是记住这两个数字，而是理解数字背后的过程思维：

产品和服务出现缺陷，往往与过程变异有关。通过可靠的数据识别变异来源、缩小过程波动、调整过程中心并控制关键因素，才是六西格玛管理的核心。

读者可以配合优思学院开发的「Sigma Level不良率可视化工具」和「Cpk与Sigma Level转换工具」，亲自比较不同质量水平、1.5σ偏移、DPMO和Cpk之间的关系，把抽象的统计概念转化为可以观察和计算的实际结果。

优思学院的六西格玛绿带认证课程（CSSGB）与六西格玛黑带认证课程（CSSBB），系统涵盖DMAIC、MSA、SPC、过程能力、假设检验、回归分析、FMEA和DOE实验设计等内容，帮助学员从理解统计概念，逐步走向完整的六西格玛项目应用。

By 优思学院 | 2026年7月16日 | 六西格玛管理 |