六西格玛短期与长期能力
流程能力完整指南：工具与改善策略

流程能力回答实际问题：能否可靠满足客户规格？测变异并与限值比较，找到改善处。小变异有帮助，但也应适当居中并长期稳定。

六西格玛中的流程能力，是指流程产出落在规格限内的能力。它需要理解并量化流程变异，以确保流程持续满足客户要求。 控制图和能力指数帮助测量、分析、改进，获得更高表现和质量。

六西格玛短期与长期能力

流程能力简介

六西格玛流程能力 不仅是质量管理术语，更能改变流程。核心是减少变异缺陷、显著改善并满足客户，像厨师持续做出符合或超越标准的菜肴。

想象走进最喜欢的餐厅，点了平常爱吃的菜。每一次，这道菜的外观与味道都恰到好处——这种一致性与卓越，正是六西格玛在各行业追求的目标。

六西格玛不会像魔法一样，一夜之间让一切完美。它是一种严谨方法，强调数据驱动的决策、解决问题的技术，以及持续改进的承诺。通过理解变异、改善流程并检查表现，它帮助组织追求持续可靠的产品与服务，却不保证每次结果都完美。想象你在餐厅每次点最喜欢的菜，味道却总不一样——那肯定不会令人愉快，对吗？

六西格玛如何实现这种一致性？首先，测量流程产出是否能保持在客户公差限内，也就是了解流程具备怎样的能力，以及是否满足客户期望。

简单说，当组织关注 六西格玛流程能力时，就是努力在整个运营中维持高质量。

这种一致性帮助满足客户、减少浪费成本并增强竞争力。

从本质上说，六西格玛流程能力不只是达到标准，更是持续超越标准。这种对质量的承诺，帮助企业达到更高的效率与绩效水平，同时让客户满意。

谈到释放表现和卓越运营，下面看能力测量及标准差的重要性。

DMAIC 测量阶段——流程能力

先建立统计稳定、理解测量，再把能力估计视为可靠预测。能力比较稳定流程的变异和规格。

流程能力可分为两类：

短期能力

短期用组内变异。可比条件的合理子组，可区分温度、班次、操作者变化与组内波动。Cp、Cpk 描述此能力，不保证未来表现。

长期能力

长期表现涵盖整个研究及组间变化，数据应覆盖客户经历条件。Pp、Ppk 用整体变异，与 Cp、Cpk 比较并单独评估稳定，以了解技术与控制影响。

什么是流程西格玛？

流程西格玛以标准差为单位表示相对要求的表现。比较时应一致声明规格、模型和偏移约定；可比假设下，距相关限越远，模型缺陷风险越低。

流程西格玛计算——离散数据

• 什么是单位 ——正在处理的项目
• 什么是缺陷 ——未满足客户要求或表现标准
• 什么是机会 ——按标准测量的产品或服务特性
• 什么是不合格品 ——有一个或多个缺陷的单位
• 每百万机会缺陷数 ——每百万机会预计出现的缺陷数

DPMO 计算

每机会缺陷数
DPO = D / (O*U)
D = 缺陷总数
O = 每单位缺陷机会数
U = 单位总数

DPMO（每百万机会缺陷数）

DPMO = 1,000,000 * DPO = 1,000,000 * D/(O*U)

DPMO 依实际缺陷与定义机会计算，不强制等于 3.4。常见长期约 3.4 DPMO 基准采用 1.5 标准差偏移。本例有 2 个缺陷、每单位 18 个机会及 32,500 单位：

DPO = 2 / (18*32500) = 0.0000034188
DPMO = DPO × 1,000,000 ≈ 3.4188，保留一位小数为 3.4。

合格率

合格率是合格单位比例，需区分末阶段、全流程首次通过和各阶段滚动直通率。例子显示四阶段损失，没有返工环。

打开完整尺寸图表 ↗

六西格玛合格率定义与示例

最终检验合格率（本例称经典合格率 YC） ——末检合格单位／进入末检单位 = 65/70 ≈ 0.9286，即 92.86%。这是末阶段合格率，不是原始 100 输入的整体合格率。
首次通过率（Yft） ——首次正确完成单位／原始输入。本例无返工，65/100 = 0.65，即 65%。
滚动直通率（Ytp） ——合格率 1 × 合格率 2 × 合格率 3 × 合格率 4 = (91/100) × (82/91) × (70/82) × (65/70) = 0.65，即 65%。有返工时，应使用各阶段首次通过率。

流程西格玛计算——连续数据

结合流程情境、直方图、概率图和适当检验判断正态适用性。增大样本不会让个体观测变正态；中心极限定理在适当条件下讨论样本均值分布。例图横轴为数据值，纵轴概率尺度为累计位置，近似直线支持却不证明正态。

打开完整尺寸图表 ↗

六西格玛正态概率图

Z 值计算

z 分数是数值离均值的有符号标准差距离：z = (Y − μ)/σ。高于均值为正，低于为负。

打开完整尺寸图表 ↗

六西格玛 Z 值计算

Y = 所关注数据点的值
µ = 数据点均值
σ = 数据点标准差
Z = Y 与均值（µ）间的标准差数

看看几个例子：
假设英格兰板球队在单日国际赛设定目标时的跑分服从均值 250、标准差 23 的正态模型，超过 300 的概率是多少？本近似将分数视为连续，不作连续性修正。

打开完整尺寸图表 ↗

正态分布示例

打开完整尺寸图表 ↗

Z 计算示例

取整 z = 2.17，附录给 Φ(2.17) = 0.984996577。未取整 z = 50/23 ≈ 2.173913，累计约 0.985144167。有数值分布计算时，应到最后才取整。连续正态模型下，低于 300 约 98.5144%，低于零在本例可忽略。 超过 300 的概率约 1.4856%，即 1.49%。 用取整表项则约 1.50%，微小差异来自先把 z 取整。

同一模型下，得分在 216 至 273 跑分之间的概率是多少？

打开完整尺寸图表 ↗

正态分布示例

打开完整尺寸图表 ↗

Z 计算示例

用两个未取整 z 分数的累计概率。Z1 = (273 − 250)/23 = 1；Z2 = (216 − 250)/23 = −34/23 ≈ −1.478261。两位表应取 −1.48，不是 −1.47。
Z1 处累计面积：Φ(1) ≈ 0.841344746。
Z2 处累计面积：Φ(−34/23) ≈ 0.069668984。
界限之间面积：Φ(1) − Φ(−34/23) ≈ 0.771675763。
216 至 273 跑分的模型概率约 77.17%。 这里在取整前使用所给均值和标准差。

附录——正态分布表

Standard normal P(Z <= z), rounded to nine decimal places.

Z	0.00	0.01	0.02	0.03	0.04	0.05	0.06	0.07	0.08	0.09
0	0.500000000	0.503989356	0.507978314	0.511966473	0.515953437	0.519938806	0.523922183	0.527903170	0.531881372	0.535856393
0.1	0.539827837	0.543795313	0.547758426	0.551716787	0.555670005	0.559617692	0.563559463	0.567494932	0.571423716	0.575345435
0.2	0.579259709	0.583166163	0.587064423	0.590954115	0.594834872	0.598706326	0.602568113	0.606419873	0.610261248	0.614091881
0.3	0.617911422	0.621719522	0.625515835	0.629300019	0.633071736	0.636830651	0.640576433	0.644308755	0.648027292	0.651731727
0.4	0.655421742	0.659097026	0.662757273	0.666402179	0.670031446	0.673644780	0.677241890	0.680822491	0.684386303	0.687933051
0.5	0.691462461	0.694974269	0.698468212	0.701944035	0.705401484	0.708840313	0.712260281	0.715661151	0.719042691	0.722404675
0.6	0.725746882	0.729069096	0.732371107	0.735652708	0.738913700	0.742153889	0.745373085	0.748571105	0.751747770	0.754902906
0.7	0.758036348	0.761147932	0.764237502	0.767304908	0.770350003	0.773372648	0.776372708	0.779350054	0.782304562	0.785236116
0.8	0.788144601	0.791029912	0.793891946	0.796730608	0.799545807	0.802337457	0.805105479	0.807849798	0.810570345	0.813267057
0.9	0.815939875	0.818588745	0.821213620	0.823814458	0.826391220	0.828943874	0.831472393	0.833976754	0.836456941	0.838912940
1	0.841344746	0.843752355	0.846135770	0.848494997	0.850830050	0.853140944	0.855427700	0.857690346	0.859928910	0.862143428
1.1	0.864333939	0.866500487	0.868643119	0.870761888	0.872856849	0.874928064	0.876975597	0.878999516	0.880999893	0.882976804
1.2	0.884930330	0.886860554	0.888767563	0.890651448	0.892512303	0.894350226	0.896165319	0.897957685	0.899727432	0.901474671
1.3	0.903199515	0.904902082	0.906582491	0.908240864	0.909877328	0.911492009	0.913085038	0.914656549	0.916206678	0.917735561
1.4	0.919243341	0.920730159	0.922196159	0.923641490	0.925066300	0.926470740	0.927854963	0.929219123	0.930563377	0.931887882
1.5	0.933192799	0.934478288	0.935744512	0.936991636	0.938219823	0.939429242	0.940620059	0.941792444	0.942946567	0.944082597
1.6	0.945200708	0.946301072	0.947383862	0.948449252	0.949497417	0.950528532	0.951542774	0.952540318	0.953521342	0.954486023
1.7	0.955434537	0.956367063	0.957283779	0.958184862	0.959070491	0.959940843	0.960796097	0.961636430	0.962462020	0.963273044
1.8	0.964069681	0.964852106	0.965620498	0.966375031	0.967115881	0.967843225	0.968557237	0.969258091	0.969945961	0.970621020
1.9	0.971283440	0.971933393	0.972571050	0.973196581	0.973810155	0.974411940	0.975002105	0.975580815	0.976148236	0.976704532
2	0.977249868	0.977784406	0.978308306	0.978821730	0.979324837	0.979817785	0.980300730	0.980773828	0.981237234	0.981691100
2.1	0.982135579	0.982570822	0.982996977	0.983414193	0.983822617	0.984222393	0.984613665	0.984996577	0.985371269	0.985737882
2.2	0.986096552	0.986447419	0.986790616	0.987126279	0.987454539	0.987775527	0.988089375	0.988396208	0.988696156	0.988989342
2.3	0.989275890	0.989555923	0.989829561	0.990096924	0.990358130	0.990613294	0.990862532	0.991105957	0.991343681	0.991575814
2.4	0.991802464	0.992023740	0.992239746	0.992450589	0.992656369	0.992857189	0.993053149	0.993244347	0.993430881	0.993612845
2.5	0.993790335	0.993963442	0.994132258	0.994296874	0.994457377	0.994613854	0.994766392	0.994915074	0.995059984	0.995201203
2.6	0.995338812	0.995472889	0.995603512	0.995730757	0.995854699	0.995975411	0.996092967	0.996207438	0.996318892	0.996427399
2.7	0.996533026	0.996635840	0.996735904	0.996833284	0.996928041	0.997020237	0.997109932	0.997197185	0.997282055	0.997364598
2.8	0.997444870	0.997522925	0.997598818	0.997672600	0.997744323	0.997814039	0.997881795	0.997947641	0.998011624	0.998073791
2.9	0.998134187	0.998192856	0.998249843	0.998305190	0.998358939	0.998411130	0.998461805	0.998511001	0.998558758	0.998605113
3	0.998650102	0.998693762	0.998736127	0.998777231	0.998817109	0.998855793	0.998893315	0.998929706	0.998964997	0.998999218

打开完整尺寸图表 ↗

六西格玛正态分布表 1

Standard normal P(Z <= z), rounded to nine decimal places.

Z	0.00	0.01	0.02	0.03	0.04	0.05	0.06	0.07	0.08	0.09
3.1	0.999032397	0.999064563	0.999095745	0.999125968	0.999155261	0.999183648	0.999211154	0.999237805	0.999263625	0.999288636
3.2	0.999312862	0.999336325	0.999359047	0.999381049	0.999402352	0.999422975	0.999442939	0.999462263	0.999480965	0.999499063
3.3	0.999516576	0.999533520	0.999549913	0.999565770	0.999581108	0.999595942	0.999610288	0.999624159	0.999637571	0.999650537
3.4	0.999663071	0.999675186	0.999686894	0.999698209	0.999709143	0.999719707	0.999729912	0.999739771	0.999749293	0.999758490
3.5	0.999767371	0.999775947	0.999784227	0.999792220	0.999799936	0.999807384	0.999814573	0.999821509	0.999828203	0.999834661
3.6	0.999840891	0.999846901	0.999852698	0.999858289	0.999863681	0.999868880	0.999873892	0.999878725	0.999883383	0.999887873
3.7	0.999892200	0.999896370	0.999900389	0.999904260	0.999907990	0.999911583	0.999915043	0.999918376	0.999921586	0.999924676
3.8	0.999927652	0.999930517	0.999933274	0.999935928	0.999938483	0.999940941	0.999943306	0.999945582	0.999947772	0.999949878
3.9	0.999951904	0.999953852	0.999955726	0.999957527	0.999959259	0.999960924	0.999962525	0.999964064	0.999965542	0.999966963
4	0.999968329	0.999969641	0.999970901	0.999972112	0.999973274	0.999974391	0.999975464	0.999976493	0.999977482	0.999978431
4.1	0.999979342	0.999980217	0.999981056	0.999981862	0.999982635	0.999983376	0.999984088	0.999984770	0.999985425	0.999986052
4.2	0.999986654	0.999987231	0.999987785	0.999988315	0.999988824	0.999989311	0.999989779	0.999990226	0.999990655	0.999991066
4.3	0.999991460	0.999991837	0.999992199	0.999992545	0.999992876	0.999993193	0.999993497	0.999993788	0.999994066	0.999994332
4.4	0.999994587	0.999994831	0.999995065	0.999995288	0.999995502	0.999995706	0.999995902	0.999996089	0.999996268	0.999996439
4.5	0.999996602	0.999996759	0.999996908	0.999997051	0.999997187	0.999997318	0.999997442	0.999997561	0.999997675	0.999997784
4.6	0.999997888	0.999997987	0.999998081	0.999998172	0.999998258	0.999998340	0.999998419	0.999998494	0.999998566	0.999998634
4.7	0.999998699	0.999998761	0.999998821	0.999998877	0.999998931	0.999998983	0.999999032	0.999999079	0.999999124	0.999999166
4.8	0.999999207	0.999999245	0.999999282	0.999999317	0.999999351	0.999999383	0.999999413	0.999999442	0.999999470	0.999999496
4.9	0.999999521	0.999999545	0.999999567	0.999999589	0.999999609	0.999999629	0.999999648	0.999999665	0.999999682	0.999999698
5	0.999999713	0.999999728	0.999999742	0.999999755	0.999999767	0.999999779	0.999999790	0.999999801	0.999999811	0.999999821
5.1	0.999999830	0.999999839	0.999999847	0.999999855	0.999999863	0.999999870	0.999999877	0.999999883	0.999999889	0.999999895
5.2	0.999999900	0.999999906	0.999999911	0.999999915	0.999999920	0.999999924	0.999999928	0.999999932	0.999999935	0.999999939
5.3	0.999999942	0.999999945	0.999999948	0.999999951	0.999999954	0.999999956	0.999999958	0.999999961	0.999999963	0.999999965
5.4	0.999999967	0.999999968	0.999999970	0.999999972	0.999999973	0.999999975	0.999999976	0.999999977	0.999999979	0.999999980
5.5	0.999999981	0.999999982	0.999999983	0.999999984	0.999999985	0.999999986	0.999999987	0.999999987	0.999999988	0.999999989
5.6	0.999999989	0.999999990	0.999999990	0.999999991	0.999999991	0.999999992	0.999999992	0.999999993	0.999999993	0.999999994
5.7	0.999999994	0.999999994	0.999999995	0.999999995	0.999999995	0.999999996	0.999999996	0.999999996	0.999999996	0.999999996
5.8	0.999999997	0.999999997	0.999999997	0.999999997	0.999999997	0.999999998	0.999999998	0.999999998	0.999999998	0.999999998
5.9	0.999999998	0.999999998	0.999999998	0.999999998	0.999999999	0.999999999	0.999999999	0.999999999	0.999999999	0.999999999
6	0.999999999	0.999999999	0.999999999	0.999999999	0.999999999	0.999999999	0.999999999	0.999999999	0.999999999	0.999999999
6.1	0.999999999	1.000000000	1.000000000	1.000000000	1.000000000	1.000000000	1.000000000	1.000000000	1.000000000	1.000000000
6.2	1.000000000	1.000000000	1.000000000	1.000000000	1.000000000	1.000000000	1.000000000	1.000000000	1.000000000	1.000000000

打开完整尺寸图表 ↗

六西格玛正态分布表 2

测量能力与标准差作用

烤饼干即便配方精确，各批仍有软硬差异。流程能力同样关注每次变化多少，以保证一致质量。

这时就需要标准差。标准差衡量一组数据中的数值偏离平均值（均值）的程度。在流程能力分析中，它帮助我们理解流程数据的离散程度。 标准差越小，流程越一致。 就像饼干各批变异更少，每次几乎相同。

计算与解释标准差

求各值与均值之差并平方，合并平方差后开方。总体用平方和除总体大小；常用样本标准差则除 n − 1。应区分估计与总体量。

例如目标零件长 100 mm、测得标准差 2 mm。正态下约 68.27% 位于实际均值一个标准差内。仍需实际均值、规格、稳定和适合分布，才能判断 2 mm 是否可接受及有能力。

标准差应与均值和规格一同解释。小离散利于一致，但偏离目标仍可持续产错。能力兼顾变异与界限。

在流程能力分析中理解并运用标准差，可以为组织提供宝贵见解，推动改进、提高效率，并确保持续一致地交付高质量产品与服务。

继续以统计工具探索卓越运营，下面看控制图对能力评估的重要作用。

控制图在能力中的作用

控制图也称休哈特图或流程行为图，显示时间变化和可能影响能力的问题，主要区分普通与特殊原因变异。

普通原因属于流程本身，特殊信号提示故障、材料改变等异常影响，应调查。控制限描述预期行为，与客户规格限不同；稳定流程仍可能无能力满足要求。

构建与解释控制图

绘制控制图以观察模式趋势，类型包括 X-bar/R、X-bar/S、单值移动极差（I-MR）等，各有用途。 控制图选择取决于数据类型。

解释控制图不只是绘制数据点，还需要理解控制限的意义、所用数据点数量，以及用于识别模式和趋势的分析方法。 上下控制限由流程变异计算，区分预期波动和需干预信号。

多点超控制限或持续升降模式，可能提示需调查的特殊原因。

培训绘制解释控制图，有助监测稳定、响应变化证据，再结合独立能力分析识别机会、支持良好决定。

先使用控制图监测流程随时间的稳定性，再将稳定流程与客户规格进行比较，以评估能力。这将持续流程监测、改进决策与客户要求联系起来。

DMAIC 改善流程能力

DMAIC 即定义、测量、分析、改进和控制，是经过验证的结构化路径，处理能力挑战并保持质量效率改善。

定义

先明确目标、客户要求和需改善的流程。

测量

确定项目目标后，下一步是收集与目标流程相关的数据。通常会使用直方图、流程能力指数（Cpk）等统计工具评估当前状况，并为后续改进建立基线。

分析

分析阶段重点识别并理解造成流程变异或缺陷的根本原因。帕累托图、鱼骨图及假设检验等工具，有助于揭示影响流程能力的深层问题。

改进

团队发展实施针对根因的方案，须对应前期问题。DOE 测因素效应，FMEA 评失效风险，试点和适当性能测试验证方案。

控制

最后一个阶段，重点通过控制措施确保流程变更长期持续。这些措施包括记录新的标准操作程序、为修订后的流程提供培训，以及建立监测系统。

制造企业可用 DMAIC 减少变异，认真执行并匹配统计工具，处理能力限制，取得可测质量效率改善。

DMAIC 各阶段都处理能力限制。下面了解能力指数如何量化限制及相应质量等级。

能力指数和质量等级

Cpk 比较离散、中心与客户规格。结合稳定证据和适当模型，可指导目标和行动。

正态双规格限模型中，Cpk = min[(USL − μ)/(3σwithin), (μ − LSL)/(3σwithin)]，考虑较近限距与组内变异。Cp = (USL − LSL)/(6σwithin) 仅反映离散潜能。用适当估计并考虑不确定性，指数不保证每个输出合格。

按 Cpk 的质量等级

表中 Cpk 分类仅为教学示例。实际门槛取决客户、应用和研究，应使用约定标准，不是通用行业规则。

Cpk 低于 1 表示较近规格限距均值不足三个流程内标准差，风险是否接受取决于要求。高于 2 表示模型余量更大，但需稳定和适配，也不保证未来无缺陷。

理解这些等级，能帮助组织确定改进优先级，有效分配资源。决策者既能聚焦需要立即关注的领域，也能识别表现特别出色的流程。

理解 Cpk 数值的含义，不仅能为提高流程效率提供清晰路线图，也能为运营表现与客户期望保持一致奠定基础。

理解能力细节，是享受六西格玛众多收益的基础。

采用六西格玛流程能力的优势

六西格玛流程能力原则带来的收益，不限于确保质量。减少缺陷是最重要优势之一，也是卓越运营的基础。识别并解决缺陷根本原因，可以显著减少错误，提高产品或服务的可靠性。这种系统化方法不仅提升客户满意度，也培养长期忠诚，最终有助于建立良好品牌声誉。

精简流程提升效率

此外，六西格玛流程能力有助于组织精简流程，提高运营效率。在竞争日益激烈的环境中，效率成为成功的关键因素。借助数据见解和统计工具优化流程，可以降低成本、消除浪费，并提高整体生产率，帮助企业在快速变化的市场条件下保持敏捷和适应力。

成本节约和实际成果

将六西格玛流程能力方法融入组织实践，另一个显著优势是节约成本。研究显示，实施这些方法后，企业成本可以显著下降。缺陷率平均减少 25 至 75%，使组织在提高产品与服务质量的同时，获得可观财务收益。此外，流程周期时间和整体效率的改善，也会带来显著的运营成本节约，进一步说明采用这些策略的价值。

一家全面整合六西格玛的制造企业，一年内满意度提高 35%，周期减少 30%，增强客户保留并显著节省制造成本，展示实际成效。

利用流程能力，组织可取得长期成功：更少缺陷、更高效率和忠诚、显著节约。系统改善质量给竞争中的企业带来巨大潜力。

采用六西格玛流程能力方法，为组织提供有力框架，提高运营效率、减少缺陷并实现切实的成本节约。这些都是在当今竞争激烈的商业环境中取得成功的重要因素。

测量能力有什么目的？

回答： 六西格玛测量流程能力，旨在评估流程能否持续产出符合客户规格的产品或服务。理解流程能力后，组织可以识别改进领域，实施减少变异、提高质量的策略。Cp、Cpk 和 Ppk 等统计度量提供关于流程表现的客观见解，支持在流程改进中以数据为依据作出决策。

如何计算与解释流程能力？

回答： Cp 比较规格宽度与六个流程内标准差；Cpk 用较近规格限兼顾中心。Cp = 1 表示宽度等于模型六标准差范围。指数越大通常余量越大，但仍需考虑稳定、模型、不确定性和客户接受标准。

流程能力有哪些等级和意义？

回答： Cp、Cpk、Pp、Ppk 是能力表现指数，不是四个质量等级。前两者用组内变异，后两者用研究整体变异；Cpk、Ppk 均兼顾中心。应结合均值、规格、分布和稳定性解释。

哪些关键因素影响能力？

回答： 影响流程能力的关键因素，包括输入变异、设备可靠性、操作人员技能及环境条件。输入变异可能造成输出不一致，设备可靠性与人员技能则影响流程能否持续产出期望结果。此外，温度、湿度等环境条件，也可能影响某些流程的表现。六西格玛研究的统计数据表明，处理这些因素可以显著提高流程能力并减少缺陷。

如何提高六西格玛流程能力？

回答： 组织可以采用多种策略，提升六西格玛项目中的流程能力。首先，通过稳健的控制措施识别并消除变异来源，减少缺陷或错误，提高整体能力。其次，投资先进数据分析与统计工具，分析流程表现、发现改进机会，并以数据为依据作出决策。这些工具可以持续监测和衡量西格玛水平、流程能力指数（Cpk）等关键指标，追踪进展并确保改进持续。最后，应重视员工培训与参与，形成质量和持续改进文化。研究表明，培训充分、积极参与六西格玛项目的员工，能够显著促进流程能力提升。

什么是六西格玛流程能力？

回答： 能力比较稳定流程输出变异与客户规格，考虑中心、离散、测量与分布。黑带结合这些证据与改进控制方法，提升短期能力和长期表现。

流程能力越高、西格玛水平越高，是什么意思？

回答： 既定模型约定下，西格玛以标准差表示相对规格的表现，余量越大通常风险越低。比较时短期、整体与偏移假设要一致；值本身不找根因也不测效率。

什么是首次通过率？

回答： 首次通过率是无需返工纠正即合格的单位百分比，由合格与输入数估计。置信区间或检验可比较表现，但检验不是定义。声明流程边界和期间。

什么是短期能力？

回答： 短期能力以可比条件下组内变异描述潜能。Cp 比离散与规格宽度，Cpk 兼顾中心。需合理子组并检验假设；日历时间短不证明稳定或能力。

什么是长期能力？

回答： 长期表现包含期间条件和组间变异。Pp、Ppk 用总体变异描述。稳定性需另查；时间长本身不保证稳定或未来一致。

支持统计

• International Six Sigma Institute 研究发现，实施后流程能力平均改善 25–50%。
• International Six Sigma Institute 的研究显示，有效控制与统计分析让一家制造企业缺陷减少 60%。
• 该学院调查显示，员工高度参与项目的企业，三年内能力平均提高 4.7 个西格玛水平。

短期与长期能力回顾

流程能力比较变异与客户规格，帮助选择改善方向。 Cp、Cpk 描述流程内能力，Cpk 兼顾中心。分析需可靠测量、合理分组、适当模型及稳定证据。

长期流程能力则采用更广泛的视角，考虑较长时期内变异的影响。它分析流程随时间的稳定性与绩效趋势，使我们更全面地理解整体能力。 Pp、Ppk 常用于长期评估，发现处理长期表现问题。

欢迎下载免费《Six Sigma Revealed》，深入理解短期长期能力。 这份全面资源将提供有效实施六西格玛方法所需的知识与工具，帮助组织达到并保持高水平的质量及客户满意度。