六西格玛公式大全：从基础理论到实战计算
六西格玛（Six Sigma）不仅仅是一种质量管理方法，更是一套基于数据和统计的分析体系。无论是DFSS（六西格玛设计）还是DMAIC（六西格玛改进），其核心都依赖于精确的六西格玛公式计算。本页旨在为用户提供全面、深入的六西格玛公式指南，涵盖从过程能力指数、缺陷率计算到假设检验的统计基础。
在实际应用中，许多工程师和质量管理人员经常混淆Cpk与Ppk，或者不清楚如何准确计算DPMO。通过本页面提供的详细公式推导、Excel计算示例及实战案例，您将能够掌握这些关键工具，从而有效提升过程稳定性与产品质量。
① 过程能力指数
深入解析 Cpk, Ppk, Cp, Cpk 的计算逻辑与适用场景，理解潜在能力与实际性能的区别。
② 缺陷率换算
掌握 DPMO (每百万机会缺陷数) 与 Sigma水平 的换算关系，结合1.5σ漂移模型进行长期性能评估。
③ 统计假设检验
涵盖T检验、ANOVA、卡方检验等核心六西格玛公式，用于识别影响质量的关键因子。
DFSS核心公式：稳健设计的基础
DFSS（Design for Six Sigma，六西格玛设计）强调在产品设计阶段就消除缺陷。其核心在于利用田口方法和响应曲面法来优化参数。以下是DFSS中常用的关键公式：
1. 信噪比（Signal-to-Noise Ratio, SNR）
田口方法中，信噪比用于衡量特性值对噪声因素的稳健性。对于“越大越好”特性：
| 特性类型 | 信噪比公式 (SN) | 说明 |
|---|---|---|
| 越大越好 (Larger-the-better) | SN = -10 log₁₀(Σ(1/yᵢ²)/n) | yᵢ为观测值，n为重复次数。SN越大越好。 |
| 越小越好 (Smaller-the-better) | SN = -10 log₁₀(Σ(yᵢ²)/n) | yᵢ为观测值，n为重复次数。SN越大越好。 |
| 目标值 (Nominal-the-better) | SN = 10 log₁₀(ȳ²/σ²) | ȳ为均值，σ为标准差。SN越大越好。 |
2. 响应曲面法（RSM）中的二次模型
在优化阶段，常使用二次多项式模型来拟合输入变量X与输出Y之间的关系：
Y = β₀ + ΣβᵢXᵢ + ΣβᵢⱼXᵢXⱼ + ΣβᵢᵢXᵢ² + ε
其中，β₀为截距，βᵢ为线性系数，βᵢⱼ为交互作用系数，βᵢᵢ为二次系数，ε为误差项。通过回归分析求解这些系数，可以找到最佳工艺参数组合。
DMAIC关键计算：从测量到改进
DMAIC（Define, Measure, Analyze, Improve, Control）是六西格玛改进项目的标准流程。每个阶段都有特定的统计工具支持。
测量系统分析（MSA）
在计算任何六西格玛公式之前，必须确保测量系统可靠。关键指标包括：
- GR&R (%P/T)：量具重复性和再现性占公差带的百分比。<10%为优秀，10%-30%为可接受，>30%为不可接受。
- 公式：%P/T = (6 σ_measurement / Tolerance) 100%。其中σ_measurement = √(σ_repro² + σ_rep²)。
此外，还需计算ndc（数值区分度）：ndc = 1.41 (σ_part / σ_measurement)，要求ndc ≥ 5。
假设检验公式
用于验证因子对响应是否有显著影响。以双样本T检验为例：
H₀: μ₁ = μ₂, H₁: μ₁ ≠ μ₂
T统计量计算公式：
| 假设条件 | T统计量公式 |
|---|---|
| 方差相等 (Pooled) | T = (X̄₁ - X̄₂) / (S_p √(1/n₁ + 1/n₂)) |
| 方差不等 (Welch) | T = (X̄₁ - X̄₂) / √(S₁²/n₁ + S₂²/n₂) |
其中，S_p = √[((n₁-1)S₁² + (n₂-1)S₂²) / (n₁+n₂-2)]。若P值 < α (通常0.05)，则拒绝H₀，认为均值存在显著差异。
DOE效应估计
在实验设计（DOE）中，主效应计算公式为：
Effect_A = (A高时的平均响应 - A低时的平均响应)
交互作用效应AB = (AB高AB高时的平均 - AB高AB低时的平均) - (AB低AB高时的平均 - AB低AB低时的平均) / 2
通过计算各因子的效应大小，可以绘制帕累托图，识别关键少数因子，并进行回归建模。
Cpk与Ppk详解：过程能力的核心
这是网民最关心的六西格玛公式之一。许多初学者容易混淆Cpk和Ppk。简单来说，Cpk关注过程的“潜在能力”（短期，组内变差），而Ppk关注过程的“实际性能”（长期，整体变差）。
1. 基本定义与公式
| 指数 | 公式 | 标准差估计 | 适用场景 |
|---|---|---|---|
| Cp | (USL - LSL) / (6σ_within) | 基于Rbar/d2或Sbar/c4 | 评估过程潜在精度，不考虑中心偏移 |
| Cpk | min[(USL-μ)/(3σ_within), (μ-LSL)/(3σ_within)] | 基于Rbar/d2或Sbar/c4 | 评估过程实际能力，考虑中心偏移 |
| Pp | (USL - LSL) / (6σ_overall) | 基于整体标准差σ_overall | 评估过程长期性能精度 |
| Ppk | min[(USL-μ)/(3σ_overall), (μ-LSL)/(3σ_overall)] | 基于整体标准差σ_overall | 评估过程长期实际性能 |
2. 如何计算σ_within（组内标准差）？
在子组数据中，通常有两种估计方法：
- 极差法：σ_within = R̄ / d₂。适用于子组大小n ≤ 10的情况，计算简便。d₂为依赖子组大小的常数（如n=5时，d₂=2.326）。
- 标准差法：σ_within = S̄ / c₄。适用于所有子组大小，精度更高，尤其在n > 10时。c₄为依赖子组大小的常数。
3. 解读Cpk等级
❌ 不足 (Cpk < 1.0)
过程能力严重不足，几乎必然产生缺陷。需立即进行过程改进，消除特殊原因变异。
⚠️ 可接受 (1.0 ≤ Cpk < 1.33)
过程能力勉强合格，但风险较高。需加强监控，寻找改进机会。
✅ 充足 (1.33 ≤ Cpk < 1.67)
过程能力良好，能满足大多数客户要求。可维持现状，但需持续监控。
🌟 优秀 (Cpk ≥ 1.67)
过程能力优秀，达到或超过六西格玛水平。可考虑减少检验频次，降低成本。
DPMO与Z值：六西格玛水平的量化
DPMO（Defects Per Million Opportunities）是将缺陷率标准化为百万分之一的指标，便于不同复杂度产品的比较。Z值（Sigma水平）则直接对应正态分布下的合格率。
1. DPMO计算公式
DPMO = (缺陷总数 / (产品总数 × 机会数)) × 1,000,000
示例：某生产线生产10,000个电路板，每个电路板有50个焊点（机会）。检验发现200个虚焊缺陷。
DPMO = (200 / (10,000 × 50)) × 1,000,000 = (200 / 500,000) × 1,000,000 = 400
2. Sigma水平换算表（含1.5σ漂移）
六西格玛方法论假设过程均值在长期运行中会发生1.5σ的漂移。以下是常见Sigma水平对应的DPMO和合格率：
| Sigma水平 | DPMO | 合格率 (%) | 说明 |
|---|---|---|---|
| 3σ | 66,807 | 93.32% | 传统工业水平，缺陷率较高 |
| 4σ | 6,210 | 99.38% | 良好水平，需持续改进 |
| 5σ | 233 | 99.977% | 优秀水平，接近六西格玛 |
| 6σ | 3.4 | 99.99966% | 世界级水平，几乎零缺陷 |
注意：若不使用1.5σ漂移，6σ的DPMO仅为0.002，但实际工业环境中，1.5σ漂移模型更为现实。
常见问题解答（FAQ）
Cpk（过程能力指数）使用组内变差（通常由Rbar/d2或Sbar/c4估计），反映过程的潜在能力，假设过程处于统计受控状态。Ppk（过程性能指数）使用整体标准差（σoverall），反映过程的实际性能，包含组间和组内变差。如果Cpk接近Ppk，说明过程稳定；若Cpk远大于Ppk，说明过程存在特殊原因变异，需要改进。
DPMO（Defects Per Million Opportunities，每百万机会缺陷数）的计算公式为：DPMO = (缺陷总数 / (产品总数 × 机会数)) × 1,000,000。例如，如果生产1000个产品，每个产品有5个检查点，发现10个缺陷，则DPMO = (10 / (1000 5)) 1,000,000 = 2000。
Sigma水平通常基于1.5σ的长期漂移进行换算。短期Z值（Z.st）可以通过标准正态分布表查得。例如，99.73%的合格率对应3σ水平。考虑1.5σ漂移后，长期合格率会降低。6σ水平对应的长期DPMO为3.4，其对应的短期Z值约为4.5（单侧）。具体换算可使用Excel函数NORM.S.INV(1-DPMO/1000000) + 1.5。
样本量取决于所需的统计功效（Power）、显著性水平（Alpha）、效应大小（Effect Size）以及过程的标准差。通常，对于均值差异检验，每组至少需要30个样本才能近似正态分布。但在六西格玛的M阶段，建议收集至少100-200个数据点以确保对过程能力的准确评估。具体可使用Minitab中的样本量计算工具确定。