全网第一个讲清楚CPK如何计算的,Step by step,Excel和Python同时实...

 在网上搜索CPK的计算方法，几乎全是照搬教材的公式，在实际工作做作用不大，甚至误导人。
比如这个
又比如这个：
CPK=min（（X-LSL/3s），（USL-X/3s）） 还有这个 ， 很 规范的公式 ，也很清晰

很多人对上面的K T s和σ都不清楚如何计算的，并且网上大部分的资料也没有说清楚。如果你想用excel实现cpk的计算，那艰难程度可想而知。
主要是对组内σ的计算没有说清楚。
既然这样，今天我就和大家说说详细的CPK的计算过程，并且在excel中实现，同时也在python中实现，最后提供excel文件和python文件给大家下载。
数据
算法和EXCEL实现
CPK的算法不复杂，下面列出CP CPU CPL和CPK的计算，其实看起来上网上介绍的差不多，对，确实差不多。但网上说的基本上没有说清楚σ是怎么算的，我们这次就认真和大家分享一下σ的算法，并且和minitab用同一份数据核对。
CP = (USL-LSL)/3σ CPU = （USL-μ）/3σ
CPL=（μ-LSL）/3σ
CPK = min（CPU，CPL)
CPK就是从CPU和CPL中去最小一个值。 第一步：计算组内标准差 上面的μ是所有数据的平均数，这个很简单没有什么疑问的。USL和LSL是人工设定的一个规格限。那么这里就剩下σ如何计算了。 这里的σ我们称之为组内标准差，用σ组内表示，公式如下： 不急，我们一个一个参数来确定计算方法。

可能有一些朋友对这样的公式不太了解，我们详细解释一下，专家可以跳过。
看我们上面提供的数据，一个有25行数据，每行有5个值。
上面的公式就是计算每行的平均值，在每一行内，每个值分别和行平均值相减取平方，得到5个结果，25行得到125个结果，把这些结果求和，得到的是上述公式的根号里面的分子部分。 数据中每行5个 ni-1就是4，得到25个4，即100，得到的是上述公式的根号里面的分母部分。 最终sp =0.01002576680 接下来我们计算C4(d+1) d是自由度，d=100，即每行的5减去1得到4，25行*4=100
不用怕这个公式，我们代入数据看看 代入后的公式是很简单的，我们看看Γ(n)是怎么算的，这个gamma函数，我们手工是算不出来的，我们通过excel的函数来计算。 最终gamma(50.5)/gamma(50)= 7.053412515 最终分母部分等于0.997503164 σ组内 =0.01002576680/0.997503164 = 0.010050862 同一组数据，我们用minitab核对一下结果
看出来是一样的结果。 第二步：计算CPK
组内σ已经计算出来了。接下来我们就可以计算CPK了，再把CPK计算公式贴一次： CPU = （USL-μ）/3σ
CPL=（μ-LSL）/3σ
CPK = min（CPU，CPL) 我们设定USL=74.05，LSL=73.95，上面的μ= 74.0012  于是 CPU=(74.05-74.0012)/(3*0.010050862)=1.62 CPL=(74.0012-73.95)/(3*0.010050862)=1.70
CPK就是CPU和CPL中最小的一个值，即 CPK=1.62 和minitab的结果核对

Excel文件已经弄好了，不知道公众号文章怎么提供下载的，请在公众号回复“cpk”下载excel文件。
python实现 上面的数据，我们用一个列表来表示。

      
          data =[[74.03, 74.002, 74.019, 73.992, 74.008],
        
        
           [73.995, 73.992, 74.001, 74.011, 74.004],
        
        
           [73.988, 74.024, 74.021, 74.005, 74.002],
        
        
           [74.002, 73.996, 73.993, 74.015, 74.009],
        
        
           [73.992, 74.007, 74.015, 73.989, 74.014],
        
        
           [74.009, 73.994, 73.997, 73.985, 73.993],
        
        
           [73.995, 74.006, 73.994, 74.0, 74.005],
        
        
           [73.985, 74.003, 73.993, 74.015, 73.988],
        
        
           [74.008, 73.995, 74.009, 74.005, 74.004],
        
        
           [73.998, 74.0, 73.99, 74.007, 73.995],
        
        
           [73.994, 73.998, 73.994, 73.995, 73.99],
        
        
           [74.004, 74.0, 74.007, 74.0, 73.996],
        
        
           [73.983, 74.002, 73.998, 73.997, 74.012],
        
        
           [74.006, 73.967, 73.994, 74.0, 73.984],
        
        
           [74.012, 74.014, 73.998, 73.999, 74.007],
        
        
           [74.0, 73.984, 74.005, 73.998, 73.996],
        
        
           [73.994, 74.012, 73.986, 74.005, 74.007],
        
        
           [74.006, 74.01, 74.018, 74.003, 74.0],
        
        
           [73.984, 74.002, 74.003, 74.005, 73.997],
        
        
           [74.0, 74.01, 74.013, 74.02, 74.003],
        
        
           [73.982, 74.001, 74.015, 74.005, 73.996],
        
        
           [74.004, 73.999, 73.99, 74.006, 74.009],
        
        
           [74.01, 73.989, 73.99, 74.009, 74.014],
        
        
           [74.015, 74.008, 73.993, 74.0, 74.01],
        
        
           [73.982, 73.984, 73.995, 74.017, 74.013]]
        
      

      
          
            #计算每行平均数
          
        
        
          row_means = [sum(row) / len(row) for row in data]
        
        
          
            #计算行的每个值和平均数之差的平方
          
        
        
          squared_diffs = [[(x - mean)**2 for x in row] for row, mean in zip(data, row_means)]
        
        
          
            #对所有结果求和
          
        
        
          total_sum = sum(sum(row) for row in squared_diffs)
        
        
          
            

        
        
          
            

        
        
          
            #计算自由度和标准差
          
        
        
          degrees_of_freedom=len(data)*(sizes-1)
        
        
          pooled_std_dev = np.sqrt(total_sum/degrees_of_freedom)
        
        
          
            

        
        
          
            

        
        
          
            #计算C4(d+1)，【标准差修正用】
          
        
        
          c4 = np.sqrt(2/degrees_of_freedom)*gamma((degrees_of_freedom+1)/2)/gamma(degrees_of_freedom/2)
        
        
          
            #修正标准差，即组内标准差
          
        
        
          
            

        
        
          pooled_std_dev_unbiased = pooled_std_dev/c4
        
        
          
            

        
        
          print("组内标准差",pooled_std_dev_unbiased)
        
      

完整的Python文件，请在公众号回复“cpk”下载。
我们介绍的CPK计算用到的σ的算法，是minitab做能力分析默认的组内标准差的计算方法，叫做合并标准差。当然还有其他的算法来计算组内标准差，我们这里详细介绍了minitab默认的，应该是大家最最常用的了。看了我们这篇文章，绝对让你清晰了解了cpk的计算，不像网上的都是照本宣科的教程。