Một quá trình ít biến động vẫn có thể nằm lệch mục tiêu
Trong gia công chi tiết, các kích thước đo được có thể tập trung rất chặt nhưng tập trung ở vị trí không mong muốn. Chỉ nhìn độ phân tán sẽ bỏ qua độ lệch của trung bình. Ngược lại, trung bình đúng tâm không đủ khi phân bố quá rộng. Hai chỉ số Cp và Cpk giúp tách hai khía cạnh này trong một mô hình năng lực quá trình.
NIST trình bày năng lực quá trình bằng cách so phân bố của một quá trình ổn định với giới hạn yêu cầu. [1] Bài này dùng một kích thước giả định và giả thiết phân bố chuẩn để tính. Những con số giới hạn trong ví dụ được đặt riêng cho bài, không trích từ bản vẽ hoặc một tiêu chuẩn nghiệm thu dầu khí.
Các đại lượng và công thức
Gọi LSL và USL là giới hạn dưới và trên của yêu cầu, μ là trung bình quá trình, σ là độ lệch chuẩn dương. Tất cả dùng cùng đơn vị kích thước. Với yêu cầu hai phía:
Cp = (USL − LSL)/(6σ).
CPU = (USL − μ)/(3σ); CPL = (μ − LSL)/(3σ); Cpk = min(CPU, CPL). [1]
Các chỉ số không có đơn vị vì tử và mẫu cùng đơn vị. Cp chỉ phụ thuộc độ rộng yêu cầu và độ phân tán; Cpk còn phụ thuộc vị trí trung bình. Cpk chọn phía có khoảng cách ngắn hơn, nên thông tin về phía xa hơn không còn được thể hiện đầy đủ trong một số duy nhất.
Ví dụ kích thước quanh 50 mm
Giả định LSL = 49,5 mm, USL = 50,5 mm, μ = 50,2 mm và σ = 0,10 mm. Khoảng yêu cầu rộng 1,0 mm, còn 6σ = 0,60 mm. Cp = 1,0/0,60 = 1,6667.
Khoảng cách từ trung bình đến giới hạn trên là 0,30 mm, nên CPU = 0,30/0,30 = 1. Khoảng cách đến giới hạn dưới là 0,70 mm, nên CPL = 0,70/0,30 = 2,3333. Cpk bằng một. Sự chênh lệch giữa Cp và Cpk cho thấy phần tiềm năng do độ phân tán nhỏ chưa được tận dụng vì trung bình đang lệch về phía trên.
Không nên chuyển ngay giá trị Cpk này thành quyết định đạt hay không đạt cho hợp đồng thực. Mức yêu cầu đối với chỉ số và phương pháp ước lượng phải do bối cảnh kỹ thuật, khách hàng và quy trình đánh giá xác định. Ví dụ chỉ giúp đọc ý nghĩa của từng thành phần.
Hai hướng cải tiến tạo kết quả khác nhau
Phương án thứ nhất giữ σ = 0,10 mm nhưng đưa μ về giữa khoảng, tức 50,0 mm. Cp vẫn 1,6667, CPU và CPL cùng bằng 0,50/0,30 = 1,6667, nên Cpk tăng lên 1,6667. Tác động đến từ việc dịch trung bình, không phải giảm phân tán.
Phương án thứ hai giữ μ = 50,2 mm nhưng giảm σ xuống 0,08 mm. Cp thành 1/(6 × 0,08) = 2,0833, trong khi Cpk = 0,30/(3 × 0,08) = 1,25. Quá trình hẹp hơn nhưng vẫn lệch tâm. Hai phương án có thể cần hành động kỹ thuật khác nhau nên không nên gộp thành một yêu cầu chung “tăng Cpk”.
Nếu trung bình chuyển thành 50,6 mm với σ = 0,10 mm, CPU = −0,10/0,30 = −0,3333 và Cpk âm. Dấu âm phản ánh trung bình đã nằm ngoài một giới hạn yêu cầu trong công thức. Không nên ép kết quả về không chỉ để biểu đồ trông thuận mắt.
Cách ước lượng độ lệch chuẩn phải được công bố
Trong dữ liệu thực, μ và σ thường chưa biết. Minitab phân biệt các chỉ số tiềm năng dùng độ lệch chuẩn trong nhóm, đồng thời lưu ý Cp không xét vị trí quá trình. [2] Nếu một báo cáo dùng biến động trong nhóm còn báo cáo khác dùng độ lệch chuẩn toàn bộ dữ liệu, hai chỉ số có thể khác dù cùng bộ phép đo.
Vì vậy, báo cáo cần ghi cách chia nhóm, thời gian lấy mẫu và phương pháp ước lượng. Một loạt phép đo rất gần nhau có thể chưa bao phủ thay đổi giữa ca hoặc giữa lô. Việc chọn mẫu chỉ trong giai đoạn thuận lợi sẽ không đại diện cho điều kiện sản xuất cần đánh giá.
Từ mô hình chuẩn đến xác suất ngoài yêu cầu
Nếu X thật sự có phân bố chuẩn với trung bình μ và độ lệch chuẩn σ đã giả định, đặt Φ là hàm phân bố chuẩn hóa. Xác suất ngoài hai giới hạn là Φ[(LSL−μ)/σ] + 1 − Φ[(USL−μ)/σ]. Tài liệu SciPy mô tả phân bố chuẩn, hàm tích lũy và hàm xác suất đuôi dùng cho phép tính này. [3]
Với μ = 50,2 và σ = 0,10, hai giá trị chuẩn hóa là −7 và 3. Xác suất ngoài khoảng bằng khoảng 0,001349898, tức 0,13499%, tương đương gần 1.350 trên một triệu theo mô hình. Nếu đưa trung bình về 50,0 với cùng σ, hai giới hạn cách tâm năm độ lệch chuẩn; xác suất ngoài khoảng còn khoảng 0,0000005733, tương đương 0,5733 trên một triệu.
Đây là dự báo từ phân bố giả định, không phải tỷ lệ đã quan sát trong xưởng. Một mẫu nhỏ không thể xác nhận trực tiếp một mức hiếm cỡ phần triệu chỉ vì không thấy lỗi. Sai khác ở đuôi phân bố, xu hướng theo thời gian hoặc phép đo có thể làm kết quả thực khác đáng kể.
Cùng Cpk chưa chắc cùng tổng tỷ lệ ngoài giới hạn
Trong ví dụ lệch tâm, Cpk bằng một vì phía gần cách trung bình ba σ, còn phía kia cách bảy σ. Xét một mô hình khác với cả hai phía cùng cách trung bình ba σ; Cpk cũng bằng một, nhưng tổng xác suất ngoài khoảng chuẩn xấp xỉ 0,002699796, gần gấp đôi trường hợp một phía ba σ và phía kia bảy σ.
Lý do là phép min giữ phía bất lợi nhất nhưng không mô tả đầy đủ phía còn lại. Khi cần dự báo tỷ lệ ngoài yêu cầu, nên dùng cả hai giới hạn, trung bình và phân bố thay vì chỉ tra một con số từ Cpk.
Độ nhạy với sai số đo
Xét một mô hình phụ: biến động đo quan sát có σobs = 0,10 mm, trong khi thành phần sai số đo độc lập có độ lệch chuẩn 0,06 mm. Nếu sai số đo không chệch và độc lập với kích thước thật, phương sai cộng được, nên σprocess = √(0,10² − 0,06²) = 0,08 mm.
Phép tính cho thấy hệ thống đo có thể ảnh hưởng chỉ số, nhưng không cho phép tự trừ một con số độ không đảm bảo bất kỳ khỏi dữ liệu để nâng Cpk. Cần xác minh mô hình đo, loại thành phần phương sai và tính độc lập. Nếu phương sai đo ước lượng lớn hơn tổng quan sát, mô hình hoặc dữ liệu cần được xem lại, thay vì lấy căn của số âm.
Đọc kết quả cùng trạng thái quá trình
Một kết luận có thể kiểm tra nên kèm giới hạn yêu cầu, đơn vị, đồ thị dữ liệu theo thời gian, cách chia nhóm, μ và σ ước lượng, Cp, CPU, CPL và Cpk. Nếu dùng phân bố chuẩn để tính đuôi, phải ghi rõ giả thiết ấy. Khi quá trình đang dịch chuyển hoặc có nhiều cấu hình trộn lẫn, một chỉ số tổng cần được xem như mô tả giới hạn của tập dữ liệu, chưa phải lời bảo đảm cho đầu ra tương lai.
Nguồn tham khảo
[1] NIST/SEMATECH e-Handbook, 6.1.6 — What is Process Capability? — National Institute of Standards and Technology (NIST). Truy cập ngày 09/11/2026.
[2] Potential (within) capability for Normal Capability Analysis — Minitab. Truy cập ngày 09/11/2026.
[3] scipy.stats.norm — Normal continuous random variable — SciPy developers. Truy cập ngày 09/11/2026.
Rà soát nội dung: 09/11/2026.
Trong gia công chi tiết, các kích thước đo được có thể tập trung rất chặt nhưng tập trung ở vị trí không mong muốn. Chỉ nhìn độ phân tán sẽ bỏ qua độ lệch của trung bình. Ngược lại, trung bình đúng tâm không đủ khi phân bố quá rộng. Hai chỉ số Cp và Cpk giúp tách hai khía cạnh này trong một mô hình năng lực quá trình.
NIST trình bày năng lực quá trình bằng cách so phân bố của một quá trình ổn định với giới hạn yêu cầu. [1] Bài này dùng một kích thước giả định và giả thiết phân bố chuẩn để tính. Những con số giới hạn trong ví dụ được đặt riêng cho bài, không trích từ bản vẽ hoặc một tiêu chuẩn nghiệm thu dầu khí.
Các đại lượng và công thức
Gọi LSL và USL là giới hạn dưới và trên của yêu cầu, μ là trung bình quá trình, σ là độ lệch chuẩn dương. Tất cả dùng cùng đơn vị kích thước. Với yêu cầu hai phía:
Cp = (USL − LSL)/(6σ).
CPU = (USL − μ)/(3σ); CPL = (μ − LSL)/(3σ); Cpk = min(CPU, CPL). [1]
Các chỉ số không có đơn vị vì tử và mẫu cùng đơn vị. Cp chỉ phụ thuộc độ rộng yêu cầu và độ phân tán; Cpk còn phụ thuộc vị trí trung bình. Cpk chọn phía có khoảng cách ngắn hơn, nên thông tin về phía xa hơn không còn được thể hiện đầy đủ trong một số duy nhất.
Ví dụ kích thước quanh 50 mm
Giả định LSL = 49,5 mm, USL = 50,5 mm, μ = 50,2 mm và σ = 0,10 mm. Khoảng yêu cầu rộng 1,0 mm, còn 6σ = 0,60 mm. Cp = 1,0/0,60 = 1,6667.
Khoảng cách từ trung bình đến giới hạn trên là 0,30 mm, nên CPU = 0,30/0,30 = 1. Khoảng cách đến giới hạn dưới là 0,70 mm, nên CPL = 0,70/0,30 = 2,3333. Cpk bằng một. Sự chênh lệch giữa Cp và Cpk cho thấy phần tiềm năng do độ phân tán nhỏ chưa được tận dụng vì trung bình đang lệch về phía trên.
Không nên chuyển ngay giá trị Cpk này thành quyết định đạt hay không đạt cho hợp đồng thực. Mức yêu cầu đối với chỉ số và phương pháp ước lượng phải do bối cảnh kỹ thuật, khách hàng và quy trình đánh giá xác định. Ví dụ chỉ giúp đọc ý nghĩa của từng thành phần.
Hai hướng cải tiến tạo kết quả khác nhau
Phương án thứ nhất giữ σ = 0,10 mm nhưng đưa μ về giữa khoảng, tức 50,0 mm. Cp vẫn 1,6667, CPU và CPL cùng bằng 0,50/0,30 = 1,6667, nên Cpk tăng lên 1,6667. Tác động đến từ việc dịch trung bình, không phải giảm phân tán.
Phương án thứ hai giữ μ = 50,2 mm nhưng giảm σ xuống 0,08 mm. Cp thành 1/(6 × 0,08) = 2,0833, trong khi Cpk = 0,30/(3 × 0,08) = 1,25. Quá trình hẹp hơn nhưng vẫn lệch tâm. Hai phương án có thể cần hành động kỹ thuật khác nhau nên không nên gộp thành một yêu cầu chung “tăng Cpk”.
Nếu trung bình chuyển thành 50,6 mm với σ = 0,10 mm, CPU = −0,10/0,30 = −0,3333 và Cpk âm. Dấu âm phản ánh trung bình đã nằm ngoài một giới hạn yêu cầu trong công thức. Không nên ép kết quả về không chỉ để biểu đồ trông thuận mắt.
Cách ước lượng độ lệch chuẩn phải được công bố
Trong dữ liệu thực, μ và σ thường chưa biết. Minitab phân biệt các chỉ số tiềm năng dùng độ lệch chuẩn trong nhóm, đồng thời lưu ý Cp không xét vị trí quá trình. [2] Nếu một báo cáo dùng biến động trong nhóm còn báo cáo khác dùng độ lệch chuẩn toàn bộ dữ liệu, hai chỉ số có thể khác dù cùng bộ phép đo.
Vì vậy, báo cáo cần ghi cách chia nhóm, thời gian lấy mẫu và phương pháp ước lượng. Một loạt phép đo rất gần nhau có thể chưa bao phủ thay đổi giữa ca hoặc giữa lô. Việc chọn mẫu chỉ trong giai đoạn thuận lợi sẽ không đại diện cho điều kiện sản xuất cần đánh giá.
Từ mô hình chuẩn đến xác suất ngoài yêu cầu
Nếu X thật sự có phân bố chuẩn với trung bình μ và độ lệch chuẩn σ đã giả định, đặt Φ là hàm phân bố chuẩn hóa. Xác suất ngoài hai giới hạn là Φ[(LSL−μ)/σ] + 1 − Φ[(USL−μ)/σ]. Tài liệu SciPy mô tả phân bố chuẩn, hàm tích lũy và hàm xác suất đuôi dùng cho phép tính này. [3]
Với μ = 50,2 và σ = 0,10, hai giá trị chuẩn hóa là −7 và 3. Xác suất ngoài khoảng bằng khoảng 0,001349898, tức 0,13499%, tương đương gần 1.350 trên một triệu theo mô hình. Nếu đưa trung bình về 50,0 với cùng σ, hai giới hạn cách tâm năm độ lệch chuẩn; xác suất ngoài khoảng còn khoảng 0,0000005733, tương đương 0,5733 trên một triệu.
Đây là dự báo từ phân bố giả định, không phải tỷ lệ đã quan sát trong xưởng. Một mẫu nhỏ không thể xác nhận trực tiếp một mức hiếm cỡ phần triệu chỉ vì không thấy lỗi. Sai khác ở đuôi phân bố, xu hướng theo thời gian hoặc phép đo có thể làm kết quả thực khác đáng kể.
Cùng Cpk chưa chắc cùng tổng tỷ lệ ngoài giới hạn
Trong ví dụ lệch tâm, Cpk bằng một vì phía gần cách trung bình ba σ, còn phía kia cách bảy σ. Xét một mô hình khác với cả hai phía cùng cách trung bình ba σ; Cpk cũng bằng một, nhưng tổng xác suất ngoài khoảng chuẩn xấp xỉ 0,002699796, gần gấp đôi trường hợp một phía ba σ và phía kia bảy σ.
Lý do là phép min giữ phía bất lợi nhất nhưng không mô tả đầy đủ phía còn lại. Khi cần dự báo tỷ lệ ngoài yêu cầu, nên dùng cả hai giới hạn, trung bình và phân bố thay vì chỉ tra một con số từ Cpk.
Độ nhạy với sai số đo
Xét một mô hình phụ: biến động đo quan sát có σobs = 0,10 mm, trong khi thành phần sai số đo độc lập có độ lệch chuẩn 0,06 mm. Nếu sai số đo không chệch và độc lập với kích thước thật, phương sai cộng được, nên σprocess = √(0,10² − 0,06²) = 0,08 mm.
Phép tính cho thấy hệ thống đo có thể ảnh hưởng chỉ số, nhưng không cho phép tự trừ một con số độ không đảm bảo bất kỳ khỏi dữ liệu để nâng Cpk. Cần xác minh mô hình đo, loại thành phần phương sai và tính độc lập. Nếu phương sai đo ước lượng lớn hơn tổng quan sát, mô hình hoặc dữ liệu cần được xem lại, thay vì lấy căn của số âm.
Đọc kết quả cùng trạng thái quá trình
Một kết luận có thể kiểm tra nên kèm giới hạn yêu cầu, đơn vị, đồ thị dữ liệu theo thời gian, cách chia nhóm, μ và σ ước lượng, Cp, CPU, CPL và Cpk. Nếu dùng phân bố chuẩn để tính đuôi, phải ghi rõ giả thiết ấy. Khi quá trình đang dịch chuyển hoặc có nhiều cấu hình trộn lẫn, một chỉ số tổng cần được xem như mô tả giới hạn của tập dữ liệu, chưa phải lời bảo đảm cho đầu ra tương lai.
Nguồn tham khảo
[1] NIST/SEMATECH e-Handbook, 6.1.6 — What is Process Capability? — National Institute of Standards and Technology (NIST). Truy cập ngày 09/11/2026.
[2] Potential (within) capability for Normal Capability Analysis — Minitab. Truy cập ngày 09/11/2026.
[3] scipy.stats.norm — Normal continuous random variable — SciPy developers. Truy cập ngày 09/11/2026.
Rà soát nội dung: 09/11/2026.


