本篇文章来源冰衡活跃图纸交流群群友Benson Yang，也欢迎大家踊跃投稿！
人生要有目标，做事要有目的。我们计算过程能力是为了什么目的？
这事还要从两者的公式来说。观察下面公式，可发现一个共同之处：
1.分母都是σ 2.分子都是SPEC 3. 考虑位置，Ppk& Cpk还有均值
“规格在上，6σ在下“到底比较什么？
让我们来看下标准是怎么解释的。
压根没有6σ！！！！
卷2的分母变为了 Δ ，描述了0.135%-99.865%的数据分布。换而言之整个数据的99.73%。Δ 由 中位数（midpoint/X50%）分割。
基于卷二的定义；当我们计算Cp/Pp 时，是为了比较 Δ（99.73%数据分布） 和 规格范围 考虑位置计算Cpk/Ppk 时，是为了比较 明确 分布中心位置(X50%/midpoint) 在SPEC中的位置。
中位数+99.73% vs 均值+6σ ， 不矛盾嘛？
正态分布时不矛盾
“正态分布”在生活中经常出现，如人的身高；机器制造的产品的大小；测量误差；血压；考试分数。又如高尔顿钉板。虽然初衷是为了验证二项分布，但是最后却成了正态分布。
（每个钉都是一个二项分布，不是向左就是向右。所以二项分布的极限接近于正态分布）
事物由很多原因造成的且没有一个主要原因，就会形成正态分布。
“ps：虽然正态分布又叫高斯发明是为了纪念高斯。高斯“只是”站在巨人的肩膀上，推导出了其函数。”
当数据呈现正态分布时，会有以下特征：
1、均值左右3个σ，覆盖了分布的99.73%。
2、均值=中位数=众数；
检验正态分布时，往往需要考虑分布的偏度和峰度。
当数据不服从正态分布时。例如偏态分布时，正态分布均值≠中位数≠众数。99.73%的数据并不集中在均值附近。
所以我们常见公式（带有σ和均值）只能用于正态分布的情况
但是实际生活中数据的分布有很多，也并不全部服从正态分布。
拿田径比赛为例，运动员的跑步成绩可能更加倾向于偏态分布甚至是泊松分布。比赛中，往往大部分人集中行程第二梯队，第一和第二名形成第一梯队，第三梯队由相互之间差距较大的一群人组成。
让我们重新回到ISO 22514-2。表4，表3 列举了各种方法
当数据呈现非正态分布（卷二除了 A 和 C1 以外的情况），描述位置使用2&4方法（中位数），分布（dispersion）使用1&5方法。*卷二中B不是正态分布，却可以用σ来评价。（表示不理解） 关于d1怎么操作。卷二 6.1.4 给出了 具体的操作方法。
说白了 按大小排列数数。
所需要的样本量巨头，至少1000的样本。
1000 个样本对于质量管控来说的代价是巨大的。虽然随着各种软件的出现，计算再也不是难事。
对于零件，获得1000个数据意味着耗费大量得实验测量资源。
所以无论是日常操作还是6σ的教材中，遇到非正态分布时，往往推荐转化正态分布的方法。
为何不在计算能力前，先看一下数据分布呢。
真正科学的质量管理在于 花 可能少的代价 管 好质量。
最后， 总结一下：
1、统计受控 ≠ 正态分布
2、统计不受控时不能计算Cpk & Cp
3、非正态分布不能使用 均值 和 σ ，使用前需先进行转化。
近期课表：
总有一群老法师，执着于最前沿的研发和质量领域，为中国制造业增强竞争力
专注研发流程优化和质量改善 - 冰衡中国
他们是：
研发流程专家
GD&T专家
CQI专家
创新设计思维专家
质量专家
...
他们是业界资深而低调的实战专家
