OC曲線における実際の欠陥率の推定この質問は少し変だと思います。
とにかく、私の質問は;
-ロットサイズ：10,000
-サンプルサイズ ; 500
-AQL（許容可能な障害）：0
-サンプルの実際の欠陥率：0％（0/500）
残りの9,000の不良率を見積もる方法はありますか？
抜取検査で検査不良率が0の場合の不良率の推定方法は？
OC曲線SPCRe：OC曲線の実際の欠陥率の推定こんにちはカレブ、
フレンドリーで頻繁なコメントありがとうございます。
今では少し明確に見えます。
prob = 0;
K = 9000;
alpha = 0.05; // change to your preference
While( prob < alpha,
prob = Hypergeometric Probability( 10000, K, 1000, 85 );
K--;
);
Print( K + 1 );
//
Re：OC曲線の実際の欠陥率の推定コードに別のバグが見つかりました。 上限については、上から見下ろす必要があります。 それが0と1の欠陥の場合に機能した理由は、分布のまぐれにすぎません。 最初の投稿のコードを更新し、別のメモを追加しました。
Re：OC曲線の実際の欠陥率の推定おい@IkjuShin ！
長い遅延をお詫び申し上げます。 どこかで通知を逃したに違いありません。
以前の返信を振り返ると、エラーがコードではなく、コーダーにあることを確認できます（通常のように）。 式では、「prob>=1-alpha」ではなく「prob>=alpha」が必要でした。 私の意図は正しかったが、私の公式は間違っていた。 私は戻って必要な修正を行い、将来の読者のためにメモを追加しました。
申し訳ありません！ でもいいキャッチ！
Re：OC曲線の実際の欠陥率の推定こんにちは、コーキング
親切なコメントありがとうございます。 私はあなたのコメントの意味を知っています。
ただし、Xの値（0、1、または2）に関係なく、結果は常に0になります。
スクリプトにどのようなエラーがあるのかわかりません。
Re：OC曲線の実際の欠陥率の推定あなたの質問で、500のサンプルで1つしか見つからなかった場合、残りの9500ユニットにある可能性のある欠陥の数の上限を計算したい場合、これは私の長年の言い方です。うん！」
Re：OC曲線の実際の欠陥率の推定こんにちはコーキング、
これは非常に役立つコメントです。 これについてさらに質問したいのですが。
N = 10,000 n = 500、n = 1（1/500）の実際の欠陥の数、
この状況で、残りの9500個の欠陥を推定するスクリプトは正しいですか？
ありがとう
prob=1;
K=0;
alpha=0.05; // change to your preference
While(prob>=1-alpha,
Print(K);
K++;
prob=Hypergeometric Probability(10000,K,500,1)
);
Re：OC曲線の実際の欠陥率の推定おい@IkjuShin ！
それは実際には非常に良い質問です！ あなたが思っているよりも頻繁に尋ねられるもの。
答えを2つに分けます。 まず、OC曲線が実際に何を示しているかについて説明します。 次に、直接あなたの質問に答えます。
まず、OC曲線は、特定の受け入れレベル（この場合はサンプルに0個の欠陥）と想定される真の欠陥レベル（ロットに存在する欠陥の想定される％）が与えられた場合にロットが受け入れられる可能性を示します。 言い換えれば、あなたはカーブでwhat-ifゲームをプレイしています。 たとえば、そこにある出力で、欠陥の真の％が約0.58％（10,000の多くで58の欠陥）である場合、約5％の確率でロットを受け入れます。 そのロットのうちかなり大きなサンプルサイズがあることを考えると、それは合理的なようです。 基本的に、OC曲線は、特定の不良率に対してロットを受け入れると予想される頻度を把握するのに役立ちます。 それはあなたが持っているかもしれない欠陥の数を決定するのにちょっと役立ちますが、明示的にではありません。
だから、それはあなたの質問に私たちをもたらします：私が0の欠陥を見た場合、いくつの欠陥があるかもしれないかについての私の見積もりは何である必要がありますか？ 明らかに、「欠陥はゼロでなければならない」と露骨に言うのは危険すぎるようです。 これに対処する1つの方法は、真の欠陥率の信頼区間を計算することです。 二項モデルと1-alphaの信頼水準を仮定すると、[0,1-alpha ^（1 / N）]のような間隔が得られます。ここで、Nはサンプルの数です（短いものを添付しました）参考のためにこれに関する記事）。 たとえば、1-alpha = 0.95（95％の信頼度）の場合、上限は0.00597（約0.6％）になります。 これは、点推定が実質的に0のときに真のレートを推定するための多くの方法の1つにすぎませんが、確かに最も簡単です。
ここで、サンプリングされていない残りの9,000ユニットにいくつの欠陥があるかについても質問があります。 これには別の答えが必要です。 このためには、超幾何モデルの下で操作する必要があります（これはウィキペディアのリンク詳細については）。 技術的には、それは私たちがずっと取り組んでいたはずのことですが、私たちが取り組んでいるこれらの非常に大きなサイズでは、以前の結果に大きな違いはありません。 質問を言い換えると、合計N=10,000の超幾何モデルでn=500をサンプリングする場合、k = 0の欠陥があるとすると、K（ロット内の欠陥の数）の可能性のある値は何であるかを尋ねています。私たちのサンプル？ これに答える簡単な方法は、二項モデルを仮定したときにpに対して行ったのと同様のことをKに対して行うことです。つまり、与えられた信頼度1-アルファの上限を計算します。 これを実行できるJSLコードのスニペットを次に示します。
prob=0;
K=9500;
alpha=0.05 // change to your preference
While(prob<ALPHA></ALPHA>Print(K+1);
基本的に、500ユニットのサンプルで0個の欠陥が観測される確率がアルファを下回らないように、Kの最大値を探します。 1-アルファ。したがって、あなたの例では、1-alpha = 0.95の場合、Kの上限は1です。したがって、あなたの例では、1-alpha = 0.95の場合、Kの上限は58です。
注：数式のエラーを修正しました。 Pr（Kの合計が与えられた場合に0個の欠陥）=alphaであるKを探す必要があります。
注2：もう1つの修正。数式は上から下に向かってKを探す必要があります
お役に立てば幸いです。
