-
Cpk算出来1.35，就能说过程能力达到1.33吗？
Cpk算出来1.35，就能证明过程能力达到1.33吗？
假设客户要求Cpk≥1.33。
我们收集了最近25个批次的检测数据，计算出来的Cpk是1.35。
1.35大于1.33，看起来没什么问题，过程能力达标了。
但这里有个问题：我们算出来的Cpk=1.35，真的能够代表过程的实际能力吗？
未必。
因为我们计算Cpk时使用的均值和标准差，都是根据有限的检测数据估计出来的。既然是估计，就不可避免地存在抽样误差。
这也是近期一项关于小样本过程能力批准的研究所讨论的问题：当Cpk刚好超过要求时，我们究竟有多大把握认为过程能力真的达标了？
一、Cpk=1.35，其实只是一个估计值
大家都很熟悉Cpk的计算公式：
其中，μ是总体均值，σ是总体标准差。
但实际生产中，我们并不知道总体真实的均值和标准差，只能根据收集到的检测数据进行估计。
比如我们用25个数据计算Cpk，得到1.35。
如果换另外25个数据重新计算，结果还会是1.35吗？
通常不会。
可能是1.28，也可能是1.42，甚至更高或者更低。
即使生产过程一直保持稳定，没有发生任何实际变化，不同样本计算出来的Cpk也可能不一样。
原因很简单：每次抽取的数据不同，计算出来的均值和标准差自然也会有差异。
这就是抽样误差。
而且，样本量越少，抽样误差通常越明显。
所以，我们看到的Cpk=1.35，并不意味着真实过程能力就恰好等于1.35。
二、同样是Cpk=1.35，25个数据和1000个数据有多大区别？
我们可以用SPC软件中常见的滚动计算来理解。
假设一个生产过程一直保持稳定，每个批次采集一个检测数据。我们始终使用最近25个数据计算Cpk。
例如：
T时刻，使用T−24～T的25个数据。
到了T+1时刻，使用T−23～T+1的25个数据。
再到T+2时刻，使用T−22～T+2的25个数据。
每增加一个新数据，就去掉最早的一个数据，重新计算一次Cpk。
这样持续下去，我们会得到一条不断变化的Cpk曲线。
有时候是1.35，有时候是1.29，有时候又变成1.41。
这很正常。即使过程没有发生变化，Cpk也不可能每次都完全相同。
不过要注意，相邻两个滚动窗口有24个数据是重复的，所以这些Cpk结果并不是相互独立的。
如果我们想研究Cpk估计值本身的抽样波动，就需要引入一个统计概念：标准误（Standard Error，SE）。
标准误是什么意思？
我们平时说的标准差，通常是描述检测数据本身的离散程度。
而这里的标准误，是描述Cpk这个估计值的波动程度。
可以这样理解：
假设过程真实状态始终不变，我们一次又一次地从这个过程中抽取25个数据，每次都计算一个Cpk。
那么，这些Cpk会有多大的波动？
标准误就是用来衡量这种波动的。
如果重复抽样1000次，就会得到1000个Cpk值。
这1000个Cpk值的标准差，就可以用来估计Cpk的标准误。
标准误越大，说明Cpk估计值越不稳定；标准误越小，说明估计值通常越精确。
如果我们不再使用25个数据，而是每次使用100个，甚至1000个数据计算Cpk，结果又会怎样？
在过程稳定、数据满足相应统计假设的情况下，样本量越大，Cpk估计值的标准误通常就越小。
这里有个区别需要说清楚：
样本量增加，并不会让过程真实的Cpk变大，它只是让我们对真实Cpk的估计更加精确。
三、25个数据与1000个数据，差别到底有多大？
我们来看一组计算结果。
假设不同样本量计算出来的Cpk都是1.35。
在数据独立、服从正态分布，且采用普通样本标准差估计等条件下，可以近似计算出：
样本量 Cpk估计值 近似标准误 近似95%单侧置信下限 25 1.35 0.202 1.02 50 1.35 0.143 1.11 100 1.35 0.101 1.18 200 1.35 0.071 1.23 1000 1.35 0.032 1.30 说明：这是一组特定统计假设下的近似计算示例。不同的标准差估计方法、抽样设计和数据分布，结果可能不同。
先看第三列，标准误。
25个数据计算出来的Cpk=1.35，标准误约为0.202。
如果增加到1000个数据，虽然Cpk同样是1.35，但标准误只有0.032。
这说明，后者的估计精度明显更高。
不过，真正值得注意的是最后一列：95%单侧置信下限。
什么叫95%单侧置信下限？
简单来说，我们不仅想知道Cpk估计值是多少，还希望根据样本数据，给真实Cpk建立一个有统计保证的下限。
这里的95%，指的是采用这种方法反复抽样时，所构建的下限有大约95%的机会不高于真实Cpk。
例如，25个数据计算得到Cpk=1.35，但对应的近似95%单侧置信下限只有1.02。
这并不是说真实Cpk就是1.02。
而是说，考虑到小样本的抽样不确定性，我们目前还无法以这种置信标准确认真实Cpk至少达到1.33。
再看看1000个数据。
Cpk仍然是1.35，95%单侧置信下限提高到了1.30。
估计已经精确了很多，但1.30还是小于1.33。
也就是说，即使收集了1000个数据，如果Cpk只有1.35，按照这种95%单侧置信下限的批准规则，仍然不能认定已经满足批准条件。
原因并不复杂。
1.35距离1.33只有0.02，实在太接近了。哪怕估计误差已经很小，也可能影响最终判断。
当然，这不代表过程一定不合格。
只是我们还没有足够的统计证据，以这种置信标准证明它已经达到要求。
四、那究竟应该怎样判断Cpk是否达到1.33？
传统的判断方式很直接。
客户要求Cpk≥1.33，我们算出来1.35，于是认为满足要求。
这种做法比较方便，也是很多企业目前采用的方式。
但它没有直接考虑Cpk估计值的抽样不确定性。
2026年发表的一项研究《Risk-calibrated process capability approval with finite samples》，讨论了如何在有限样本条件下，将抽样误差和错误批准的风险纳入过程能力判断。
其中一个容易理解的思路是：
不只是要求Cpk估计值达到1.33，还要求考虑统计不确定性后，仍然能够达到1.33。
例如，我们可以采用95%单侧置信下限作为批准依据。
计算方法是：
为什么是1.645？
它是正态近似下95%单侧置信水平对应的统计系数。这里不展开推导。
拿前面的25个数据举例：
结果只有1.02，没有达到1.33。
如果采用这套规则，就不能批准。
这里一定要说明：这是一种考虑统计风险的批准方法，并不意味着所有客户、所有行业都必须采用95%单侧置信下限作为强制要求。
如果客户明确规定按Cpk点估计进行判断，仍然需要遵循客户约定的验收规则。
我们讨论的是另一个问题：除了满足数值要求之外，是否有足够的统计证据支持这个判断？
五、为什么要考虑错误批准和错误拒绝？
如果只比较Cpk是否达到1.33，其实存在两种可能的判断错误。
一种是错误批准。
过程真实的Cpk没有达到1.33，但因为这次抽取的样本比较“幸运”，计算出来的Cpk超过了1.33。
企业据此批准生产，后续可能出现较高的不良率，甚至造成客户投诉和批量质量问题。
另一种是错误拒绝。
过程真实的Cpk已经满足要求，但由于抽样波动，计算出来的Cpk偏低，或者没有通过更严格的统计批准条件。
企业因此要求继续收集数据、改善过程，甚至推迟生产。
这同样会造成损失。
但两种错误的代价，往往不一样。
比如汽车安全零部件、医疗器械或者半导体关键工序，错误批准的代价可能非常高。
相比之下，多收集一些数据、延长验证时间，虽然会增加成本，但可能更容易接受。
所以，究竟采用多严格的批准条件，不能只看一个统计公式，还要结合产品风险、客户要求和错误决策可能造成的损失。
这也是这项研究值得关注的地方。
需要指出的是，Cpk置信区间并不是什么全新的统计方法，早在几十年前就已经有相关研究。
这篇研究更有价值的地方，是把有限样本下的估计不确定性，与实际的批准风险联系起来。
六、实际使用时，还有两个问题不能忽略
首先，25个数据到底够不够？
这个问题不能一概而论。
如果只是初步了解过程能力，25个数据当然可以提供一些信息。
但如果希望以较高的置信水平证明真实Cpk超过1.33，尤其计算结果只有1.35时，25个数据通常很难提供充分证据。
还有，25个单值数据，与25组、每组5个数据，也不是同一回事。
不同的抽样方式、标准差估计方法，会影响Cpk估计的精度，不能直接套用同一套标准误计算公式。
其次，过程本身是否稳定？
前面所有关于标准误和置信下限的讨论，都有相应的统计假设。
如果生产过程的均值不断漂移，或者波动程度随着时间变化，那么问题就不只是样本量大小了。
比如我们用最近1000个数据计算Cpk，但这1000个数据跨越了多次设备调整、刀具更换、原材料批次变化。
此时，简单地把它们当作同一个稳定过程的数据，计算一个Cpk及其置信下限，未必具有我们希望的统计意义。
所以，样本量并不是越大就一定越好。
数据是否来自同一个具有代表性的过程，往往比单纯增加数据量更加重要。
七、最后说几句
平时我们评价过程能力，经常会把Cpk当成一个确定的数字。
Cpk=1.20，认为过程能力不足。
Cpk=1.35，认为过程能力满足要求。
Cpk=1.67，认为过程能力很好。
这样的判断简单、直观，也方便交流。
但从统计学角度来看，事情没有这么简单。
因为Cpk不是直接测量出来的，而是根据有限样本估计出来的。
同样是Cpk=1.35，使用25个数据和1000个数据计算，估计精度可能相差很大。
而且，即使计算出来的Cpk已经超过1.33，也不代表我们一定有足够的统计证据，证明真实过程能力已经达到1.33。
因此，评价过程能力时，我们不妨多问两个问题：
这个Cpk是根据多少数据计算出来的？
我们对这个估计结果，究竟有多大把握？
Cpk超过1.33，和有充分证据证明真实Cpk超过1.33，其实是两回事。
这也是为什么过程能力分析不能只盯着最后那个数字。
参考文献
Jiang, F., & Yang, L. (2026). Risk-calibrated process capability approval with finite samples. The International Journal of Advanced Manufacturing Technology.
DOI：https://doi.org/10.1007/s00170-026-18284-2
--end--
玩转SPC系列文章：
本页面文章与公众号同步。
微信扫码关注