7.2 六標準差與常態分配#

本章導言#

「六標準差」（Six Sigma）一詞有兩個含義：一個是口號，承諾把不良率壓到百萬分之 3.4；另一個是數學，一整套以常態分配為骨幹、以流程能力指標為儀表、以 DMAIC 為骨架的管理系統。前者誕生於 1986 年摩托羅拉工程師 Bill Smith 致執行長的備忘錄，後者則是 7.1 節 Shewhart 管制圖、統計假說檢定與製程能力分析在 1980–1990 年代的系統化收成。本節要把「百萬分之 3.4」這個神奇數字徹底算清楚——它牽涉常態分配的尾面積、 \(1.5\sigma\) 長期偏移的爭論，以及 \(C_p\) 、 \(C_{pk}\) 這類「規格與製程對話」的指標。常態分配是本書的共同主角（《機率統計》詳述其理論），本節展示它如何直接變成管理報表上的數字。

從 3σ 到 6σ：一場被不良率逼出來的競賽#

1970–80 年代，日本家電與汽車以遠低於美國的不良率侵入美國市場。當時美國電子業典型不良率約 500 ppm（百萬分之五百），而 Motorola 的工程師估算：若以 6 個標準差作為規格邊界（規格限距均值 \(\pm 6\sigma\) ），常態製程的理論不良率僅約 \(2 \times \Phi(-6) \approx 2 \times 9.9 \times 10^{-10}\) ，即約每 10 億件 2 件——工程上「幾乎零缺陷」。但 Motorola 認識到製程均值會隨時間漂移，故引入長期 1.5σ 偏移的經驗修正：以有效偏移 \(6\sigma - 1.5\sigma = 4.5\sigma\) 計單尾面積，

這就是「六標準差＝3.4 百萬分之一」的來歷。需強調：1.5σ 偏移不是從常態分配推導出的定理，而是經驗法則——批評者認為它缺乏理論依據，支持者認為它合理反映長期製程漂移。無論立場為何，它都示範了管理數學的一個特徵：把理論數字（ \(2 \times 10^{-9}\) ）修正為可被組織當作目標的實務數字（3.4 ppm），中間靠的是對「長期 vs 短期」變異結構的判斷。

流程能力指數：規格與製程的對話#

設規格下限 \(LSL\) 、規格上限 \(USL\) ，製程服從 \(\mathcal{N}(\mu, \sigma^2)\) 。定義：

\(C_p\) 只看「規格寬度是製程寬度的幾倍」，不管製程是否對中； \(C_{pk}\) 把偏心也算進去。兩者關係恆為 \(C_{pk} \le C_p\) ，等號成立當且僅當 \(\mu\) 恰為規格中心。經驗門檻： \(C_{pk} \ge 1.33\) 為可接受， \(\ge 1.67\) 為良好， \(\ge 2.0\) 勉強夠得上六標準差水準（因為 \(C_{pk}=2\) 對應單側 \(6\sigma\) ，再考慮 1.5σ 偏移即 3.4 ppm 量級）。注意 \(C_{pk}\) 與不合格率的換算仍依賴常態假設：

當製程偏斜、長尾（如蝕刻深度、等待時間）時，常態換算會嚴重低估不良率——此時須用百分位數法或 Bootstrap（《機率統計》推論章），這是六標準差黑帶的實戰常識。

例題 7.2.1#

例題 7.2.1：某封裝製程的規格為 \(LSL = 2.0\) mm、 \(USL = 10.0\) mm，量測得 \(\hat\mu = 6.2\) mm、 \(\hat\sigma = 0.8\) mm。(1) 求 \(C_p\) 與 \(C_{pk}\) ；(2) 估算不合格率；(3) 若改善製程使 \(\hat\sigma\) 降為 0.5 mm（均值不變）， \(C_{pk}\) 與不合格率如何變化？(4) 以 1.5σ 偏移觀點，步驟 (1) 的製程相當於幾標準差水準？

解：

(1) \(C_p = (10-2)/(6 \times 0.8) = 8/4.8 \approx 1.667\) 。 \(C_{pk} = \min\big( (10-6.2)/2.4,\; (6.2-2)/2.4 \big) = \min(1.583,\; 1.750) = 1.583\) 。 \(C_{pk} < C_p\) ，製程略偏下側，但仍大於 1.33 的門檻。

(2) 不合格率 \(= \Phi\big((2-6.2)/0.8\big) + 1-\Phi\big((10-6.2)/0.8\big) = \Phi(-5.25) + 1 - \Phi(4.75)\) 。 \(\Phi(-5.25) \approx 7.6 \times 10^{-8}\) ； \(1-\Phi(4.75) \approx 1.0 \times 10^{-6}\) 。合計約 \(1.1 \times 10^{-6}\) ，即約 1.1 ppm——幾乎全部不合格來自上側。

(3) \(\sigma = 0.5\) ： \(C_{pk} = \min(3.8/1.5,\; 4.2/1.5) = \min(2.533,\; 2.800) = 2.533\) 。 不合格率 \(= \Phi(-8.4) + 1-\Phi(7.6) \approx 2 \times 10^{-17}\) ，工程上為零。同一均值、縮小波動，指標與不良率同時大幅改善——六標準差「變異是萬惡之源」的口號在此有具體數字。

(4) 距最近規格邊的標準差數：下側 \(k = (6.2-2)/0.8 = 5.25\sigma\) ，上側 \(3.75\sigma\) 。以最窄的上側 \(3.75\sigma\) 計，再扣 \(1.5\sigma\) 長期偏移，有效距離 \(2.25\sigma\) ，對應單尾不合格率 \(\Phi(-2.25) \approx 1.2\%\) 。可見 \(C_{pk} \approx 1.58\) 的製程距「六標準差」（ \(C_{pk}=2\) ）尚有明顯距離——這解釋了為何六標準差專案要以「降低 \(\sigma\) 」而非「調整 \(\mu\) 」為主攻方向。

DMAIC：把統計包進流程改善#

六標準差的作業骨架 DMAIC（Define–Measure–Analyze–Improve–Control）可視為 Shewhart PDCA 的統計強化版：

組織配套亦是「數學」的一部分：黑帶、綠帶的認證體系，專案財務收益的折現計算（與《金融的數學》第 1 章時間價值同構），以及 GE 1990 年代把六標準差與績效考核綁定的管理設計。1995 年 GE 在 Welch 主導下全面導入，宣告節省逾百億美元，使六標準差從工程方法變為通用管理語言——也引來「過度追求指標而忽略創新」的批評。

前因後果與驅動關係#

• 驅動：日本品質趕超使美國企業第一次用「ppm」而非「百分比」思考不良率；半導體與航空業的安全要求把「近零缺陷」變成生存條件。7.1 節的管制圖提供監控手段，但缺少「整體能力對規格」的量化總結—— \(C_p/C_{pk}\) 補上這一塊，常態分配則是換算的通貨。
• 回頭改變實務：3.4 ppm 成為跨產業目標語彙； \(C_{pk}\) 寫進供應商合約；GE 等企業把統計訓練推廣到數十萬員工，大幅提高了管理階層的「變異素養」。這也為 7.3 節實驗設計與第 10 章資料驅動決策準備了組織土壤。
• 交叉引用：常態分配與尾面積理論見《機率統計》；不良率與檢驗的關係見《會計的數學》第 9 章機率估計；「變異→風險」的思維與《金融的數學》第 7 章風險度量（VaR 亦用分位數）遙相呼應。

練習#

1. 製程 \(\mu=50\) 、 \(\sigma=1\) ，規格 \(48\) – \(52\) 。求 \(C_p\) 、 \(C_{pk}\) 與不合格率（用常態表）。
2. 上題若均值漂移至 50.8 而 \(\sigma\) 不變，求新 \(C_{pk}\) 與不合格率；討論「均值校正」與「變異縮減」何者對改善 \(C_{pk}\) 更有效。
3. 計算 \(\Phi(-4.5)\) 的近似值並換算為 DPMO，驗證「3.4 ppm」；再計算不含 1.5σ 偏移的 \(2\Phi(-6)\) ，比較兩者相差幾個數量級。
4. 某供應商宣稱 \(C_{pk}=1.0\) 。在常態假設下估算其單側不合格率量級；若其實際分配為右偏長尾，這估算會高估還是低估？為什麼？
5. 思考題：六標準差批評者主張「追求 \(6\sigma\) 邊際收益遞減，不如把資源投入創新」。試用本節的 \(C_p\) 數字與「改善成本—不良成本」權衡（對照 4.3 節服務水準最佳化）為此批評給出一個量化論證框架。

名詞速查表#

• DPMO：百萬機會缺點數；六標準差口號值為 3.4。
• 1.5σ 長期偏移：對製程均值漂移的經驗修正法則。
• ** \(C_p\) **：規格寬度與製程 \(6\sigma\) 寬度之比，不含偏心資訊。
• ** \(C_{pk}\) **：考慮偏心的單側最小能力指標。
• DMAIC：Define–Measure–Analyze–Improve–Control 改善流程。
• 黑帶／綠帶：六標準差專案的專職與兼職改善人員認證。

（本節完）