我:
當前提是允許真實製程平均不良率 p=1% 時:
若批量數是151至280:
檢驗水準分別為:
(1)s-1至一般檢驗水準I,都是抽樣13pcs,Ac=0。
而(2)一般檢驗水準II至一般檢驗水準III,都是抽樣50pcs,Ac=1。
(1) 表示:若每批真實不良率都恰好是 p=1.0%,重複抽 100 萬批,理論上約 87.75 萬批會被允收,約 12.25 萬批會被拒收。這個 (n=13, Ac=0, Re=1) 計畫在 AQL 品質下的生產者風險約為 12.25%。
(2)
.白話解釋:即使整批真實有 1% 不良,n=13、Ac=0 仍約有 12.25% 的批次會因為抽到 1 件以上 NG 而被拒收;反過來說,約 87.75% 的批次會因抽到 0 件NG 而被允收。
請幫我計算這(2)的部份。
DeepSeek:
.前提:以下完全按你提供的第(2)條件計算,即 n=50、Ac=1、Re=2。也就是 50 件中允許 0 件或 1 件 NG;抽到 2 件及以上 NG 就拒收,觀察這個抽樣計畫長期重複執行的允收與拒收機率。
.計算公式:若不良率為 p,允收機率 Pa=P(X≤1)=P(X=0)+P(X=1)=(1-p)^50+50×p×(1-p)^49。這是二項分布。
.代入 p=0.01:Pa=(0.99)^50+50×0.01×(0.99)^49。
.數值計算:0.99^50≈0.605006067;0.99^49≈0.611117240;第二項 50×0.01×0.611117240≈0.305558620;所以 Pa≈0.605006067+0.305558620=0.910564687。
.百分比結果:允收機率 Pa≈91.0565%;拒收機率=1-Pa≈8.9435%。因此這個 n=50、Ac=1、Re=2 計畫在 p=1.0% 下的生產者風險約為 8.94%。
.百萬批的長期意義:若每批真實不良率都恰好是 1%,重複執行此抽樣計畫一百萬批,理論上約 910,565 批會被允收,約 89,435 批會被拒收。
.更細的百萬批拆分:50 件中抽到 0 件 NG 的機率約 60.5006%,約 605,006 批;抽到 1 件 NG 的機率約 30.5559%,約 305,559 批;抽到 2 件及以上 NG 的機率約 8.9435%,約 89,435 批。前兩者合計就是允收批數約 910,565 批。
.與第(1)的 n=13、Ac=0、Re=1 比較:
在 p=1.0% 時,n=13、Ac=0 的允收機率約 87.75%,拒收風險約 12.25%;
在 p=1.0% 時,n=50、Ac=1 的允收機率約 91.06%,拒收風險約 8.94%。
所以在你設定的 p=1.0% 前提下,n=50、Ac=1 對生產者而言拒收風險較低。
.白話解釋:即使整批真實有 1% 不良,n=50、Ac=1 仍約有 8.94% 的批次會因為抽到 2 件及以上 NG 而被拒收;反過來說,約 91.06% 的批次會因抽到 0 件或 1 件 NG 而被允收。
.若「百萬次抽樣」是指從一百萬件產品中抽 50 件,判批邏輯仍只看這 50 件;
批量很大時可用二項分布近似,批量相對樣本不大時則應更精確使用超幾何分布。
上述百萬批結果是「同一個 n=50、Ac=1、Re=2 計畫重複執行一百萬批」的長期統計預期。
.不能誤解:這不是說整批可有1% NG就一定過,也不是說抽50件看到1件NG就代表整批不良率低於1%。Ac=1只是把允收門檻放寬到樣本中可有1件NG;單批判定仍受隨機抽樣波動影響,AQL仍是長期多批的風險設計參數,不是單批良率的保證。
.不能誤解:這不是單純「抽樣數越多,生產者風險就一定降低」。生產者風險要看兩個東西一起變:樣本數 n 和允收數 Ac。生產者風險的定義是 1-Pa(p),其中 p 通常取 AQL 品質水準。Pa 是這個抽樣計畫在該不良率下被允收的機率。
.若 Ac 固定不變,尤其 Ac=0 時,抽樣數 n 增加反而會讓生產者風險上升。
因為 Pa=(1-p)^n,當 p=1% 時,n=13 的 Pa=(0.99)^13≈87.75%,生產者風險約12.25%;n=50 且仍 Ac=0 時,Pa=(0.99)^50≈60.50%,生產者風險約39.50%。所以「只增加 n、不放寬 Ac」會讓生產者更容易被拒收。
.你前面看到的 n=50、Ac=1 比 n=13、Ac=0 生產者風險低,不是因為抽樣數增加本身,而是因為允收數從 Ac=0 放寬到 Ac=1。n=50、Ac=1 在 p=1% 時 Pa≈91.06%,生產者風險≈8.94%;
這比 n=13、Ac=0 的12.25%低,是因為允收門檻放寬,抵銷了樣本變大的影響。
.抽樣數增加真正帶來的是 OC 曲線變陡,也就是判別力變強。
對不合格品質批,n 越大越容易抽到 NG,消費者風險會降低;
但對剛好處於 AQL 的合格品質批,n 越大也越有機會抽到少數 NG,若 Ac 沒有配套放寬,生產者風險就會升高。
.不能誤解:「AQL 越小且 Ac 越小,對生產者越嚴」。
生產者風險的正式定義是 1-Pa(p),而且 p 要取該計畫自己的 AQL。
AQL 變小時,p=AQL 也變小,樣本中出現 NG 的機率下降,Pa 反而可能上升。
Ac 變小會使風險上升,AQL 變小會使風險下降,兩者效果相反,淨效果要看 n、Ac、AQL 的實際組合,不是單調變高。
例如 n=13、Ac=0 時,
允許真實製程平均不良率 p=1% 時, AQL=1.0%,在 p=1.0% 下 Pa=(0.99)^13≈87.75%,生產者風險約12.25%;
允許真實製程平均不良率 p=0.1% 時, AQL=0.1%,在 p=0.1% 下 Pa=(0.999)^13≈98.71%,生產者風險約1.29%。
這時 AQL 更小、Ac 同為0,但在各自 AQL 處的生產者風險反而較低。所以不能說 AQL 越小,生產者風險通常越高。
.所以正確的說法是:抽樣數增加會讓抽樣計畫更敏感、OC 曲線更陡,但不是單調降低生產者風險。生產者風險是否降低,取決於 Ac 是否隨 n 調整。MIL-STD-105E 的樣本字碼與 Ac、Re 是一起設計的,不是只看 n 的大小;它透過樣本數與允收數的配套,把 AQL 附近的生產者風險控制在制度設計的範圍內。
.長期管控邏輯:MIL-STD-105E搭配AQL 1.0時,重點不是保證每一批在p=1.0%都必過,
而是用OC曲線、加嚴或減量檢驗轉換規則,對連續多批的供應商績效做長期管控。以(2)而言,其長期統計行為就是每批以Pa=(1-p)^50+50p(1-p)^49的機率被允收,並以1減去該機率的機率被拒收。
我:
我還有個問題,這兩種AQL都是全檢13PCS,但是如果現實因為各種原因影響,只能從13PCS中拿5PCS來測試時,統計機率會發生什麼事?
DeepSeek:
.先講結論:原本是 n=13、Ac=0、Re=1,若實際只能從這 13 件中拿 5 件來測試,則有效抽樣計畫就變成 n=5、Ac=0、Re=1。
統計機率要用 Pa(p)=(1-p)^5 計算,不是再用 (1-p)^13。只測 5 件時,若 5 件全良就允收;只要 5 件中出現 1 件 NG,就拒收。
.以 AQL=1.0%、p=1.0% 代入:Pa(0.01)=(0.99)^5=0.9509900499≈95.10%。生產者風險=1-Pa≈4.90%。
重複 100 萬批,理論上約 950,990 批允收、約 49,010 批拒收。
這比原本 n=13、Ac=0 的約 877,500 批允收、122,500 批拒收,拒收少了很多。
.以 AQL=0.1%、p=0.1% 代入:Pa(0.001)=(0.999)^5=0.995009990≈99.501%。生產者風險≈0.499%。
重複 100 萬批,理論上約 995,010 批允收、約 4,990 批拒收。原本 n=13、Ac=0 在 p=0.1% 時 Pa≈98.71%,約 987,100 批允收、12,900 批拒收;改成只測 5 件後,允收更多、拒收更少。
.但這不是「風險全面變好」。只測 5 件會讓 OC 曲線變平,判別力下降,對不合格批的消費者風險上升。
例如 p=5% 時,n=13、Ac=0 的 Pa=(0.95)^13≈51.33%,n=5、Ac=0 的 Pa=(0.95)^5≈77.38%。
例如 p=10% 時,n=13、Ac=0 的 Pa=(0.9)^13≈25.41%,n=5、Ac=0 的 Pa=(0.9)^5≈59.05%。也就是說,壞批更容易被允收。
.若批量是 151 至 280,嚴格來說應用超幾何分布,而不是二項分布;但批量相對 5 件很大時,二項近似已很接近。
以批量 N=200、p=1% 即約 2 件不良為例,抽 5 件全良的超幾何機率約 95.05%,與二項的 95.10% 很接近。批量越大,越接近二項分布結果。
.統計意義要說清楚:只測 5 件不能宣稱仍按 n=13、Ac=0 的抽樣計畫執行。
AQL 是表列計畫的參考品質水準;實際只測 5 件時,風險是由 n=5、Ac=0 決定,不是由原本的 n=13 決定。
若仍對外宣稱 AQL=1.0 或 AQL=0.1 且 n=13,但實際只測 5 件,這是抽樣計畫的偏離,OC 曲線與生產者風險、消費者風險都已改變。
.若 5 件是從 13 件中隨機取出,且 13 件原本就是從批量中簡單隨機抽出,則可近似視為直接從批量抽 5 件;
若 5 件不是隨機取,而是挑比較好測、比較好做的,統計模型就失效,上述機率不能直接套用。
實務上應補足 13 件、改成正式的 n=5 抽樣計畫,或改全檢與加嚴檢驗,不能把 5 件結果直接套用 13 件的判定結論。
.所以,只測 5 件時,在 AQL 附近看到的生產者風險會下降,但這是因為樣本變少、更不容易抽到 NG,代價是對不良批的辨識力變差,消費者風險上升。
這是抽樣數減少後 OC 曲線變平的典型結果,不是抽樣計畫變得更可靠。
我:
那這個抽樣計劃的真實意義是:AQL 是針對連續多批的「滿意製程平均」門檻,合格品質批被拒收的生產者風險、實際製程不良率、不合格批被允收的消費者風險、抽樣數量增加的主要效果是提高批次風險判别力,對供應商連續多批的績效做長期管控。
DeepSeek:
.可以這樣理解,但要把幾個詞換得更精確。
你這段話的大方向是對的:
AQL 不是單批良率保證,而是連續多批的「滿意製程平均」門檻;
抽樣計畫的本質是用 OC 曲線在生產者風險與消費者風險之間做長期平衡;
抽樣數增加的主要效果是提高批次判別力;
MIL-STD-105E 再靠正常、加嚴、減量等轉換規則做長期管控。
.但要修正一處:
不要說「合格品質批被拒收的生產者風險」,更精確的說法是「在 p=AQL 這個品質水平下,該批被拒收的機率」,也就是生產者風險=1-Pa(AQL)。
AQL 不是「合格批」的固定界線,而是制度上選定的參考品質水平。
.AQL 的真實定位:
AQL 是可接受品質水平,是針對連續多批的滿意製程平均門檻,不是保證每一批都一定允收。個別批的允收或拒收,要看該批真實不良率 p 落在 OC 曲線的哪一點。
.生產者風險:
在 p=AQL 時,Pa 是允收機率,生產者風險是 1-Pa。
這個風險不是固定不變,會隨 n、Ac、AQL 的組合而不同;不能只因為 AQL 小、Ac 小,就斷言生產者風險一定更高。
.實際製程不良率:
p 是 OC 曲線的橫軸位置。p 越低,Pa 通常越高;p 越高,Pa 通常越低。
同一個抽樣計畫對不同 p 的判別結果不同,所以不能只看 AQL 一個點。
.消費者風險:
消費者風險不是由 AQL 單獨決定,而是要看指定的不可接受品質水平,
例如 RQL 或 LTPD,在該品質水平下的允收機率。
AQL 越大、Ac 越大,通常計畫越寬鬆,對同一不合格品質水平的允收機率更高,消費者風險通常更高,但仍須看完整 OC 曲線與樣本數。
.抽樣數增加的主要效果:是讓 OC 曲線變陡,提高批次判別力。
對不合格批,n 越大越容易抽到 NG,消費者風險通常下降;
但若 Ac 不變,對 AQL 附近的批,n 越大也越容易抽到少數 NG,生產者風險反而可能上升。
所以 n 增加不是自動降低風險,而是提高判別力,必須和 Ac 配套設計。
.MIL-STD-105E 的長期管控:
它是用樣本字碼、AQL、Ac/Re 與正常、加嚴、減量、暫停檢驗等轉換規則一起設計,
根據連續多批的供應商績效做長期驗收管控。
它的真實意義不是保證單批在 AQL 必過,而是用抽樣計畫與轉換規則,把長期生產者風險與消費者風險控制在制度設計範圍內。
.所以你的總結建議改成:
AQL 是針對連續多批的「滿意製程平均」門檻;
抽樣計畫用 OC 曲線呈現實際製程不良率下的允收機率,並在生產者風險與消費者風險之間做長期平衡;
抽樣數增加的主要效果是提高批次判別力,但須與 Ac 及轉換規則配套;MIL-STD-105E 透過正常、加嚴、減量等規則,對供應商連續多批的績效做長期管控,而不是保證單一批一定允收。
沒有留言:
張貼留言