很多质量工程师天天把“六西格玛“挂在嘴边，但你问他6σ到底意味着什么、3.4ppm（Parts Per Million，百万分之缺陷数）怎么算出来的，十个人里能说清的不超过三个。今天把这件事讲透。

Sigma（σ）是什么

σ是希腊字母，在统计学里代表标准差——衡量数据波动的指标。σ越大，数据越分散，波动越大；σ越小，数据越集中，波动越小。质量管理里追求的就是减小波动。

举个直觉例子：两台机器都生产10.00g的零件，A机器的σ=0.01g，B机器的σ=0.05g。A机器的产品重量基本在9.97~10.03g之间，B机器的重量散布在9.85~10.15g。同样的目标值，波动小的质量更稳。

为什么是“6”个σ

如果规格上下限距离均值正好6个标准差（±6σ），理论上缺陷率是0.002ppm——几乎为零。但实际生产中过程均值不可能永远居中，会存在短期偏移。业界约定考虑1.5σ的均值偏移：即均值可能偏移1.5个标准差。

在这个偏移条件下，单侧6σ对应的缺陷率约为3.4ppm，双侧合计仍按3.4ppm计算（因为偏移后另一侧远超规格限的距离更大）。这就是“6σ水平=3.4ppm”的由来。

σ水平

规格范围

无偏移缺陷率(ppm)

1.5σ偏移后(ppm)

合格率

3σ

±3σ

2700

66807

93.3%

4σ

±4σ

63

6210

99.4%

5σ

±5σ

0.57

233

99.977%

6σ

±6σ

0.002

3.4

99.99966%

6σ不只是个数字，是一套方法论

六西格玛的真正价值不在3.4ppm这个数字，而在DMAIC（Define-Measure-Analyze-Improve-Control，定义-测量-分析-改进-控制）这套改进流程。

定义阶段确定要解决什么问题；测量阶段收集数据并验证测量系统；分析阶段用方差分析、假设检验等统计方法找根因；改进阶段用DOE实验设计验证最优方案；控制阶段用SPC控制图确保改善成果不反弹。每一步都有明确的统计工具支撑。

一个常见误区是跳过测量阶段直接分析。测量系统不可靠，后面所有分析都是“垃圾进垃圾出“。所以DMAIC的M阶段必须先做MSA确认数据可信，否则A阶段的方差分析结论可能是假显著。

一个容易误解的点

很多人以为“达到6σ水平“就是Cpk=2.0。严格来说，Cpk=2.0对应的是无偏移条件下的6σ；考虑1.5σ偏移后，Cpk=2.0的过程实际运行在约4.5σ水平，缺陷率约3.4ppm。所以客户要求Cpk≥2.0时，他期待的是“长期稳定在3.4ppm以内“，不是“理论上的零缺陷“。这也是为什么很多工厂Cpk报告上写着2.0，客户投诉却没断过——短期能力不等于长期表现。要验证长期稳定性，需要用SPC控制图持续监控，确认过程没有漂移趋势。像SPSSPRO QM这款质量管理统计工具会同时输出Cp和Cpk，两者差距大就说明均值有偏移，配合控制图就能判断是短期波动还是长期漂移。

六西格玛怎么落地

DMAIC的每个阶段都需要统计工具支撑。SPSSPRO QM覆盖了测量阶段的MSA、分析阶段的方差分析和假设检验、改进阶段的DOE实验设计、控制阶段的SPC控制图和过程能力分析——DMAIC全链路的统计需求在一个平台就能完成。

即刻联系，开启你的数智化质量管理统计之路吧！