在精益六西格玛持续改进、统计质量管理和SPC中，评价过程的过程能力（Process Capability）都是必不可少的重要步骤。在用控制图确认过程处于统计受控状态之后，进行过程能力分析可以进一步判断过程能力是否达到客户的要求。过程能力分析也是六西格玛项目中评价过程基线和改进方向的重要手段。
对计量型的过程数据而言，如果数据服从正态分布，我们可以很方便地计算出相应的过程能力指数Cp，Cpk等。但当数据呈现非正态分布状态时，如果直接按普通的计算过程能力的方法处理就会存在较大的风险。一般而言，对此类数据计算过程能力的方法主要有如下几类：
第一类方法是将非正态数据转换成正态数据进行计算，常用的转换方式包括我们在Minitab软件中经常用到的Box-Cox转换和Johnson转换等；第二类方法是拟合数据的实际分布，然后根据实际的分布估算其均值、标准差等，进而计算过程能力指数（比如在Minitab和JMP中，我们都可以比较方便地拟合所有连续分布）；第三类方法以非参数统计方法为基础，基于百分位数方法来计算过程能力。下面分别进行简单说明：
方法1：Box-Cox变换法的步骤
1. 估计合适的Lambda（λ）值；
2. 计算出变换后的数据Yx，
3. 根据原数据的USL和LSL，计算求出变换后的USLx和LSLx，
4. 对Yx用USLx和LSLx计算过程能力指数。
方法2：Johnson变换法的步骤
1. 根据Johnson判别原则确定转换方式；
2. 计算出变换后的数据Yx，
3. 根据原数据的USL和LSL，计算出变换后的USLx和LSLx，
4. 对Yx用USLx和LSLx计算过程能力指数。
关于上述两种方法的一个重要的问题是，并不是所有的非正态数据都能经过转换得到相应的服从正态分布的数据。当出现这种情况时，准确的过程能力还是无法计算。
方法3：非参数计算法
对于非正态数据，或者说上述两种方法中经过转换仍无法转换为正态分布的数据，我们可以使用这种方法计算过程能力指数，这时不需对原始数据做任何转换，可以直接使用以下公式计算过程能力指数Cp和Cpk：
其中，Xupper和Xlower是随机数据X的百分位数，通常取Xupper为X99.865%，取Xlower为X0.135%，对应于正态分布时覆盖99.73%的数据范围（±3σ）；也可取Xupper为X99.5%，取Xlower为X0.5%。 u*表示过程的实际“位置(Location)”，根据ISO22514，u*通常取随机数据X的中位数（总体的中位数，而不是样本数据的中位数），也可以取X的算术平均数Xbar（总体的均值）。
值得一提的是，严格来讲，这种方法中所使用的分位数（包括中位数）、均值都不应该通过样本数据直接计算得到（如前一段括号中的注释），而是应该先找到数据实际服从何种分布，然后通过这种分布来计算其分位数和均值。在实际工作中，对数据拟合其实际服从的分布模式并不是一件很容易的事情（涉及拟合模型和假设检验），而且有些数据我们往往并不能找到其合适的分布模型。这种情况下，我们可以考虑用样本数据进行估算。
过程能力分析是统计过程控制（SPC）、设备及过程能力评估、工业统计及六西格玛持续改进DMAIC中十分重要的内容，也是我们评价过程基线及改进方向和目标的重要工具。因此，在六西格玛项目中，过程能力分析是测量阶段的一项重要工作，其中，检验数据的正态性以及采用相应的方法计算过程能力就显得尤为重要了。在实践中，往往结合应用上述方法，以便根据实际情况获得正确的结果。QuAInS数字化检测和质量大数据系统能较好地对上述方法和过程进行支持。
本文主要参考文献包括QuAInS系统开发手册、《六西格玛管理》、《六西格玛管理统计指南》、ISO 22514相关内容、Minitab及JMP软件相关技术文献等
对计量型的过程数据而言，如果数据服从正态分布，我们可以很方便地计算出相应的过程能力指数Cp，Cpk等。但当数据呈现非正态分布状态时，如果直接按普通的计算过程能力的方法处理就会存在较大的风险。一般而言，对此类数据计算过程能力的方法主要有如下几类：
第一类方法是将非正态数据转换成正态数据进行计算，常用的转换方式包括我们在Minitab软件中经常用到的Box-Cox转换和Johnson转换等；第二类方法是拟合数据的实际分布，然后根据实际的分布估算其均值、标准差等，进而计算过程能力指数（比如在Minitab和JMP中，我们都可以比较方便地拟合所有连续分布）；第三类方法以非参数统计方法为基础，基于百分位数方法来计算过程能力。下面分别进行简单说明：
方法1：Box-Cox变换法的步骤
1. 估计合适的Lambda（λ）值；
2. 计算出变换后的数据Yx，
3. 根据原数据的USL和LSL，计算求出变换后的USLx和LSLx，
4. 对Yx用USLx和LSLx计算过程能力指数。
方法2：Johnson变换法的步骤
1. 根据Johnson判别原则确定转换方式；
2. 计算出变换后的数据Yx，
3. 根据原数据的USL和LSL，计算出变换后的USLx和LSLx，
4. 对Yx用USLx和LSLx计算过程能力指数。
关于上述两种方法的一个重要的问题是，并不是所有的非正态数据都能经过转换得到相应的服从正态分布的数据。当出现这种情况时，准确的过程能力还是无法计算。
方法3：非参数计算法
对于非正态数据，或者说上述两种方法中经过转换仍无法转换为正态分布的数据，我们可以使用这种方法计算过程能力指数，这时不需对原始数据做任何转换，可以直接使用以下公式计算过程能力指数Cp和Cpk：
其中，Xupper和Xlower是随机数据X的百分位数，通常取Xupper为X99.865%，取Xlower为X0.135%，对应于正态分布时覆盖99.73%的数据范围（±3σ）；也可取Xupper为X99.5%，取Xlower为X0.5%。 u*表示过程的实际“位置(Location)”，根据ISO22514，u*通常取随机数据X的中位数（总体的中位数，而不是样本数据的中位数），也可以取X的算术平均数Xbar（总体的均值）。
值得一提的是，严格来讲，这种方法中所使用的分位数（包括中位数）、均值都不应该通过样本数据直接计算得到（如前一段括号中的注释），而是应该先找到数据实际服从何种分布，然后通过这种分布来计算其分位数和均值。在实际工作中，对数据拟合其实际服从的分布模式并不是一件很容易的事情（涉及拟合模型和假设检验），而且有些数据我们往往并不能找到其合适的分布模型。这种情况下，我们可以考虑用样本数据进行估算。
过程能力分析是统计过程控制（SPC）、设备及过程能力评估、工业统计及六西格玛持续改进DMAIC中十分重要的内容，也是我们评价过程基线及改进方向和目标的重要工具。因此，在六西格玛项目中，过程能力分析是测量阶段的一项重要工作，其中，检验数据的正态性以及采用相应的方法计算过程能力就显得尤为重要了。在实践中，往往结合应用上述方法，以便根据实际情况获得正确的结果。QuAInS数字化检测和质量大数据系统能较好地对上述方法和过程进行支持。
本文主要参考文献包括QuAInS系统开发手册、《六西格玛管理》、《六西格玛管理统计指南》、ISO 22514相关内容、Minitab及JMP软件相关技术文献等
