在探讨SPC理论时，我们通常以gma理论来界定控制图的上下控制限。值得注意的是，教材在给出这些控制限时，σ并不总是代表着标准的样本标准差。
样本标准差介绍：
控制限的计算方式会根据不同的数据类型而有所不同。比如：
又或者采用其他计算方式。
那么为何不采用样本标准差，而选用其他计算方法呢？这些方法是否依然遵循gma理论？
在SPC中，不直接使用样本标准差的主要原因在于其可能无法准确反映出过程的实际波动性，特别是在小样本量或样本数量较少的情况下。取而代之的是，我们采用其他估计方法如平均极差（R̄）或过程标准差（σ̂）等来更稳定地评估过程的波动性。例如，平均极差在处理小样本量时表现得更合适，而移动极差则更适合用于单个数据点序列的场景。
关于是否符合6 Sigma理论的问题，关键在于如何定义和计算σ。6 Sigma理论是基于过程的标准差（σ）来进行的。在正态分布的假设下，数据点在±3σ范围内的概率大约是99.73%。如果我们选择的σ估计方法能够准确地反映出过程的波动性，那么在±3σ范围内的数据点比例仍然会保持在99.73%。只要我们能够合理地估计过程的标准差，并据此设定控制限，那么这些方法便符合6 Sigma理论的基本原则。
6 Sigma理论的核心在于通过减少过程的变异和提高产品质量，以实现每百万次机会中仅有不超过3.4个缺陷的目标。虽然不同的σ估计方法可能会导致控制限存在细微的差异，但只要这些方法能够真实地反映过程的波动性，它们都可以被用于监控过程并符合6 Sigma的理论要求。