從統計基礎到製程能力分析，一次搞懂品質工程師必備的數據分析工具

前言

在製造業與品質管理領域，標準差（Standard Deviation）、常態分佈（Normal Distribution） 和 CPK（製程能力指數） 是三個最基本也最重要的概念。本文將以實務導向的方式，從統計基礎出發，逐步建立完整的品質分析能力。

無論您是品質工程師、製程工程師，還是需要進行數據分析的技術人員，這篇文章都能幫助您建立紮實的基礎，並應用在實際工作中。

目錄

  1. 標準差：衡量數據分散程度
  2. 常態分佈：理解數據的分布規律
  3. CPK：評估製程能力
  4. 為什麼 CPK ≥ 1.33？

一、標準差 (Standard Deviation, σ)

定義

標準差是用來衡量數據分散程度的指標：

  • 標準差越大 → 數據越分散
  • 標準差越小 → 數據越集中

計算公式

σ = √[Σ(xi - μ)² / (n-1)]

符號說明：

  • xi = 第 i 個數據點
  • μ = 數據平均值
  • n = 樣本數
  • Σ = 加總符號

計算步驟

讓我們用系統化的方式理解計算流程：

1.計算平均值 μ

  • 將所有數據加總後除以樣本數

2.計算偏差

  • 每個數據與平均值的差：(xi - μ)

3.平方偏差

  • 將每個偏差平方：(xi - μ)²
  • 為什麼要平方？ 消除正負號，讓所有偏差都是正值

4.加總平方偏差

  • Σ(xi - μ)²

5.除以自由度

  • 除以 (n-1) 而非 n
  • 為什麼是 n-1？ 這是統計學上的「自由度修正」，使樣本標準差更接近母體標準差

6.開根號

  • 得到最終的標準差值

實際例子

情境： 測量 5 個零件的長度（單位：mm）

數據： 98, 100, 99, 101, 102

步驟計算：

1. 計算平均值

μ = (98 + 100 + 99 + 101 + 102) / 5
μ = 500 / 5 = 100 mm

2. 計算每個數據的偏差平方

  • (98–100)² = 4
  • (100–100)² = 0
  • (99–100)² = 1
  • (101–100)² = 1
  • (102–100)² = 4

3. 加總平方偏差

Σ(xi - μ)² = 4 + 0 + 1 + 1 + 4 = 10

4. 除以自由度

10 / (5-1) = 10 / 4 = 2.5

5. 開根號

σ = √2.5 ≈ 1.58 mm

結論： 這批零件的標準差為 1.58 mm，表示數據圍繞平均值的分散程度適中。

實務工具

  • Excel 函數： =STDEV.S(範圍)
  • 統計軟體： Minitab, JMP, R
  • Python： numpy.std(data, ddof=1)

Excel 範例：

假設數據在 A1:A5
輸入：=STDEV.S(A1:A5)
結果：1.58

二、常態分佈 (Normal Distribution)

什麼是常態分佈？

常態分佈是自然界和製程中最常見的數據分布形式，也稱為「高斯分佈」或「鐘形曲線」。

https://kenddg.tw/wp-content/uploads/2025/04/20250422-07-1024x576.jpg https://kenddg.tw/wp-content/uploads/2025/04/20250422-07-1024x576.jpg

核心特性

1.對稱的鐘形曲線

  • 以平均值為中心左右對稱

2.三值合一

  • 平均值 = 中位數 = 眾數

3.由兩個參數決定

  • μ（平均值）：決定曲線中心位置
  • σ（標準差）：決定曲線寬窄

4.尾部無限延伸

  • 理論上數據範圍是 -∞ 到 +∞

Sigma 涵蓋範圍：核心記憶表

這是品質管理中最重要的表格，務必熟記！

註：ppm = parts per million（百萬分之一） 註：ppm = parts per million（百萬分之一）

±3σ 法則：品質管理的黃金準則

核心概念： 在常態分佈下，99.73% 的數據會落在平均值的上下 3 個標準差範圍內。

實務意義：

  • 只有 0.27% 的數據會超出 ±3σ 範圍
  • 這相當於每 370 件產品約有 1 件不良
  • 這是品質管理中最常用的基準線

不同 Sigma 水準的實務意義

讓我們用更直觀的方式理解：

±1σ： 約 68% 合格率

  • 相當於每 3 件就有 1 件不良
  • 這是不可接受的品質水準

±2σ： 約 95% 合格率

  • 相當於每 20 件約 1 件不良
  • 一般消費品的最低門檻

±3σ： 約 99.73% 合格率

  • 相當於每 370 件約 1 件不良
  • 傳統品質管理的標準

±4σ： 約 99.99% 合格率

  • 相當於每 16,000 件約 1 件不良
  • 一般製造業的目標（對應 CPK = 1.33）

±6σ： 約 99.9999998% 合格率

  • 相當於每 500 萬件約 1 件不良
  • Six Sigma 品質水準，近乎零缺陷

三、CPK (Process Capability Index) 製程能力指數

定義

CPK 是用來評估製程是否能穩定地生產符合規格的產品的關鍵指標。

白話解釋： CPK 告訴我們「製程的實際表現」與「客戶規格要求」之間的關係。

計算公式

主公式：

CPK = min(CPU, CPL)

細部公式：

CPU (上限能力指數) = (USL - μ) / (3σ)
CPL (下限能力指數) = (μ - LSL) / (3σ)

符號說明：

  • USL = Upper Specification Limit（規格上限）
  • LSL = Lower Specification Limit（規格下限）
  • μ = 製程平均值
  • σ = 製程標準差
  • min() = 取最小值

為什麼取最小值？ 因為最弱的一邊決定了製程的整體能力。

計算步驟

步驟 1：收集數據

  • 建議至少 30 個樣本
  • 確保數據來自穩定製程

步驟 2：計算統計值

  • 計算平均值 μ
  • 計算標準差 σ

步驟 3：確認規格

  • 明確 USL（規格上限）
  • 明確 LSL（規格下限）

步驟 4：計算 CPU

CPU = (USL - μ) / (3σ)

步驟 5：計算 CPL

CPL = (μ - LSL) / (3σ)

步驟 6：取最小值

CPK = min(CPU, CPL)

實際案例計算

情境描述：

  • 產品規格：100 ± 10 mm
  • 規格上限 USL = 110 mm
  • 規格下限 LSL = 90 mm
  • 實測平均值 μ = 98 mm
  • 標準差 σ = 2 mm

計算過程：

1. 計算 CPU（上限能力）

CPU = (USL - μ) / (3σ)
CPU = (110 - 98) / (3 × 2)
CPU = 12 / 6
CPU = 2.0

2. 計算 CPL（下限能力）

CPL = (μ - LSL) / (3σ)
CPL = (98 - 90) / (3 × 2)
CPL = 8 / 6
CPL = 1.33

3. 取最小值得到 CPK

CPK = min(2.0, 1.33)
CPK = 1.33

結果分析：

  • CPK = 1.33：剛好在合格邊緣
  • 問題診斷： CPL < CPU，表示平均值偏離目標
  • 改善方向： 將平均值從 98 mm 調整至 100 mm（目標中心值）

改善後的效果預估：

假設調整後 μ = 100 mm，σ 維持 2 mm：

CPU = (110 - 100) / 6 = 1.67
CPL = (100 - 90) / 6 = 1.67
CPK = min(1.67, 1.67) = 1.67 ✓（改善至「良好」等級）

CPK 判讀標準

這是實務上最常用的判讀準則：

CPK 與 Sigma 水準對照表

關鍵洞察：

  • CPK = 1.33 → 製程能力達到 ±4σ
  • CPK = 2.00 → 製程能力達到 ±6σ（Six Sigma）

四、為什麼 CPK ≥ 1.33？

統計意義

CPK = 1.33 的數學意義：

CPK = 1.33
(USL - μ) / (3σ) = 1.33
(USL - μ) = 1.33 × 3σ = 4σ

解讀： 製程平均值到規格界限的距離是 4 個標準差。

在常態分佈下的含義：

  • ±4σ 涵蓋 99.9937% 的數據