六西格玛中的正态分布：为什么它是过程能力的默认假设

核心结论

正态分布（Normal Distribution）是六西格玛方法论中最核心的概率分布模型。从过程能力指数的计算到控制图的构建，正态分布假设贯穿始终。理解正态分布的特性和适用边界，是正确解读六西格玛数据的基础。

正态分布的核心特征

正态分布呈现对称的钟形曲线，由两个参数完全确定：均值（μ）决定分布中心位置，标准差（σ）决定分布的宽窄程度。在六西格玛语境中，"西格玛"指的就是这个标准差σ。

正态分布有一个极其重要的性质：数据落在均值±1σ范围内的概率约为68%，±2σ范围内约为95%，±3σ范围内约为99.7%。这意味着，如果一个过程输出服从正态分布且处于统计控制状态，那么99.7%的产品应该落在规格限内——这正是六西格玛质量水平"3.4ppm缺陷率"的理论来源。

六西格玛水平与正态分布的关系

六西格玛水平（Sigma Level）的定义建立在正态分布假设之上。具体而言：

• 3σ水平：过程输出有99.73%落在规格限内，对应约2700ppm缺陷率
• 4σ水平：约99.994%，对应约63ppm
• 5σ水平：约99.99994%，对应约0.57ppm
• 6σ水平：约99.9999998%，对应约0.002ppm（考虑1.5σ漂移后为3.4ppm）

需要注意的是，六西格玛水平计算中的1.5σ漂移（Shift）是一个经验假设，用于反映过程长期运行中均值可能发生的小幅偏移。

正态性检验：你的数据真的服从正态分布吗？

在实际项目中，不能盲目假设数据服从正态分布。常用的正态性检验方法包括：

图形法：直方图目测、正态概率图（Q-Q图）。如果数据点大致落在一条直线上，说明正态性较好。

统计检验：Anderson-Darling检验、Shapiro-Wilk检验、Kolmogorov-Smirnov检验。这些检验会给出一个p值，通常p>0.05时认为数据服从正态分布。

如果数据不服从正态分布，过程能力指数Cp/Cpk的计算结果可能失真。此时可以考虑数据变换（如对数变换、Box-Cox变换）或使用非正态过程能力分析方法。

非正态数据的处理策略

当过程输出明显偏斜或存在多峰分布时，常用的应对策略包括：

• 分层分析：检查数据是否来自多个不同的过程条件，如果是，应分别分析
• 数据变换：对数变换、平方根变换、Box-Cox变换等
• 非正态方法：使用基于百分位数的非正态过程能力指数
• 非参数方法：使用不依赖分布假设的统计检验

学习建议

正态分布是六西格玛绿带和黑带考试的必考知识点。备考时不仅要记住正态分布的性质，还要理解如何在实际项目中判断正态性、处理非正态数据。众智商学院六西格玛课程包含完整的统计基础模块，从正态分布到假设检验逐步深入。绿带1580元，黑带1980元，具体课程安排可咨询冯老师。

常见问题

Q：所有质量数据都应该服从正态分布吗？

A：不是。例如缺陷数通常服从泊松分布，不合格品率服从二项分布。正态分布假设主要适用于连续型计量数据。

Q：数据不服从正态分布就不能做过程能力分析了吗？

A：可以做，但需要选用适当的方法。简单的做法是数据变换后分析，或者使用非正态过程能力分析方法。

Q：六西格玛水平的3.4ppm是怎么算出来的？

A：假设过程服从正态分布，考虑1.5σ长期漂移后，超出规格限的概率约为3.4ppm。

众智商学院专注六西格玛认证培训，提供绿带和黑带课程。如需了解课程详情或报考安排，请联系冯老师咨询。