OC曲線とは？抜取検査の性能をグラフで読む完全ガイド｜α・β・AQL・LTPDの全てがわかる

• 「OC曲線」と聞いても、何のグラフなのかピンとこない
• α（生産者危険）とβ（消費者危険）の違いを聞かれると説明できない
• AQL・LTPD・p₀・p₁という記号が出てくると混乱する
• 「抜取検査方式（n, c）を設計せよ」と言われたが、どこから手をつけるべきかわからない
• 二項分布・ポアソン分布・超幾何分布、いつどれを使えばいいか曖昧
• QC検定でOC曲線の問題が出るたびに諦めている

• OC曲線が「抜取検査の性能を測る成績表」であることが直感的にわかる
• α・β・AQL・LTPDの関係が1枚の図で頭に入る
• OC曲線の形からn・cがどう設計されるかが理解できる
• 二項・ポアソン・超幾何の使い分けの判断基準が明確になる
• QC検定・実務でそのまま使える「OC曲線の読み方・描き方」が身につく

OC曲線（Operating Characteristic Curve、検査特性曲線）とは、抜取検査の「性能」を1枚のグラフにしたものです。
横軸＝ロットの真の不良率 p、縦軸＝そのロットが合格する確率 L(p)。
曲線の形を読めば、抜取検査の合格しやすさ・厳しさ・誤判定リスクがすべて見えます。
OC曲線は n（サンプル数）と c（合格判定数） で決まり、これを設計することが「抜取検査方式の設計」です。
AQL・LTPD・α・βはすべて、このOC曲線の上にある「具体的な点」だと理解すると、一気にスッキリ整理されます。

OC曲線（Operating Characteristic Curve、検査特性曲線）とは、
「ロットの真の不良率 p」 と 「そのロットが合格する確率 L(p)」 の関係を表したグラフ。
抜取検査ごとに固有のOC曲線が描けて、その形を見れば検査の性能（厳しさ・甘さ・精度）が一目でわかる。

OC曲線の典型的な特徴：
　・p = 0%（完全に良いロット） → L(p) = 100%（必ず合格）
　・p が小さい（良いロット） → L(p) は高い（よく合格する）
　・p が中くらい（境界ロット） → L(p) は急激に下がる
　・p が大きい（悪いロット） → L(p) は低い（よく不合格になる）
　・p = 100%（完全に悪いロット） → L(p) = 0%（絶対不合格）

現実の抜取検査は、「サンプリングという情報の不完全さ」から逃れられません。
OC曲線がL字でないということは、「誤判定が必ず一定割合で起きる」ということ。
抜取検査の設計とは、「どこまでの誤判定を許容するか」を決めて、それを実現するnとcを選ぶことです。

• 横軸（X軸）：ロットの不良率 p　[%または小数]
  例：0%, 1%, 2%, 5%, 10%……
• 縦軸（Y軸）：合格する確率 L(p)　[0〜1または0〜100%]
  例：1.0（100%）, 0.95（95%）, 0.5（50%）, 0.1（10%）……

曲線の傾きが急であるほど、良いロットと悪いロットの区別がハッキリつきます。
つまり「ちょっと不良率が増えただけで一気に合格率が下がる」＝感度が高い検査。

逆に、傾きがなだらかだと「良いロットも悪いロットも似た確率で合格してしまう」＝区別力が弱い検査になります。

αとは、「本当は合格レベルのロットなのに、たまたまサンプリングで不合格になる確率」。
生産者にとっての"濡れ衣"なので「生産者危険」と呼ばれる。
OC曲線上では、「合格レベルの不良率 p₀」での L(p₀) = 1 − α として読み取れる。
一般的に α = 0.05（5%）に設定。

βとは、「本当は不合格レベルのロットなのに、たまたまサンプリングで合格になる確率」。
消費者にとっての"見逃し"なので「消費者危険」と呼ばれる。
OC曲線上では、「不合格レベルの不良率 p₁」での L(p₁) = β として読み取れる。
一般的に β = 0.10（10%）に設定。

OC曲線上の4つの重要点

横軸 p₀（AQL）での 縦軸 = 1 − α
　→ 「良いロットがちゃんと合格する確率」
　→ ここで α は曲線の上にある"取りこぼし"領域

横軸 p₁（LTPD）での 縦軸 = β
　→ 「悪いロットを誤って合格させてしまう確率」
　→ ここで β は曲線の下にある"見逃し"領域

OC曲線を左へシフト（cを下げる）すると：
　→ β は下がる（消費者にとって安全）
　→ でも α は上がる（生産者には不利）

OC曲線を右へシフト（cを上げる）すると：
　→ α は下がる（生産者には有利）
　→ でも β は上がる（消費者には危険）

両方を同時に下げるには、サンプル数nを増やして曲線を急峻にするしかありません。
つまり「α と β を両方下げたければ、サンプル数を増やすしかない」のです。

• p₀ と p₁ は取引先との合意で決める（実用例：p₁ = 5 × p₀）
• α と β は慣習的に 5%・10%がよく使われる
• これらは業界・製品によって変える（医療機器なら β をもっと小さく）

条件①：L(p₀) ≥ 1 − α　（点(p₀, 1−α)より上を通る）
条件②：L(p₁) ≤ β　（点(p₁, β)より下を通る）

この2つを同時に満たす n と c の組み合わせを探すのが設計。

例題：p₀ = 1.0%、p₁ = 5.0%、α = 0.05、β = 0.10 の場合

STEP 1：JIS Z 9002の表を開く
STEP 2：横軸「p₀」=1.0、縦軸「p₁」=5.0の交点を探す
STEP 3：交点のセルに 「n=120, c=3」と書かれている

→ 結論：120個サンプルを取り、不良が3個以下なら合格、4個以上なら不合格

p = p₀ = 1.0% のとき：L(0.01) ≒ 0.974 → α ≒ 1 − 0.974 = 2.6%（≤ 5% ✅）
p = p₁ = 5.0% のとき：L(0.05) ≒ 0.151 → β ≒ 15.1%（≤ 10% は微妙）

厳密にβ=10%を満たしたい場合は、cを下げるか、nを増やす調整が必要。

AQLとは、「これ以下の不良率なら合格とみなしてよい」という品質レベル。
生産者が「ここまでなら認めてほしい」と主張する不良率の上限。
p₀（合格させたいロットの不良率）と同じと考えてOK。

LTPD（またはLQ：Limiting Quality）とは、「これ以上の不良率は絶対に許容しない」という品質レベル。
消費者が「これより悪いロットは絶対合格させたくない」と主張する不良率。
p₁（不合格にしたいロットの不良率）と同じと考えてOK。

実務では、「LTPD = 4〜5倍のAQL」と設定することが多いです。
例：AQL = 1.0% なら、LTPD = 4〜5%

なぜか？
LTPDをAQLに近づけすぎると、検査が"見極められない"領域に入り、サンプル数が膨大になるから。
逆に離しすぎると、検査の意味がなくなる（境界が広すぎる）。

L(p) = Σ_x=0^c [C(D, x) × C(N−D, n−x)] / C(N, n)

N：ロットサイズ　D：ロット内の不良数（=Np）　n：サンプル数　x：サンプル内の不良数　C(a,b)：組合せ

使う場面：
　・ロットサイズN が サンプル数nの10倍以下の小ロット
　・教科書的な厳密計算が求められるとき
　・QC検定1級レベルの理論問題

L(p) = Σ_x=0^c C(n, x) × p^x × (1−p)^n−x

n：サンプル数　p：不良率　x：サンプル内の不良数　c：合格判定数

使う場面：
　・ロットサイズN ≥ サンプル数n × 10（最も一般的）
　・JIS Z 9002の標準的な抜取検査
　・QC検定2級の計算問題

L(p) = Σ_x=0^c [e^−np × (np)^x / x!]

np：平均（パラメータm = np）　e：自然対数の底（≒2.718）　x：不良数

使う場面：
　・np ≤ 5（不良率が小さい場合）
　・実務で素早く近似計算したいとき
　・「不適合数」を扱うとき（c管理図など）

Q1：ロットサイズNはサンプル数nの10倍以上か？
　├─ NO（N < 10n） → 超幾何分布を使う
　└─ YES（N ≥ 10n）→ Q2へ

Q2：np（不良数の期待値）は5以下か？
　├─ YES（np ≤ 5）→ ポアソン分布で近似（計算がラク）
　└─ NO（np > 5）→ 二項分布で計算

実務的には、ポアソン分布での近似計算でほぼ問題ないケースが多いです。
計算の正確さより、素早く意思決定できることの方が重要な場面も多いから。
一方、QC検定や学術論文では厳密性が求められるので、二項分布や超幾何分布を使うのが一般的です。

n=20, c=1 の抜取検査で、不良率 p=5%（0.05）のロットが合格する確率 L(0.05) を求めなさい。
ロットサイズは十分大きいとする。

合格条件：不良数 x が 0 または 1。
つまり：L(0.05) = P(x=0) + P(x=1)

n=20, c=1 の抜取検査では、不良率5%のロットでも73.5%は合格してしまう。
これがOC曲線の (0.05, 0.735) という1点になります。
同様にp=0.01, 0.02, 0.03……と計算していけば、OC曲線全体が描けます。

ExcelのBINOM.DIST関数を使えば、一発で計算できます。

=BINOM.DIST(c, n, p, TRUE)
　・c：合格判定数（1）
　・n：サンプル数（20）
　・p：不良率（0.05）
　・TRUE：累積確率を計算

例：=BINOM.DIST(1, 20, 0.05, TRUE) → 0.735

あとは p の値を変えながら（0.01, 0.02, 0.03……）計算すれば、OC曲線の表が完成。
グラフ機能で散布図にすれば、自分でOC曲線が描けます。

シーン：取引先が「サンプル数を200から100に減らしてほしい」と要求してきた。

OC曲線の活用：
n=200とn=100の2つのOC曲線を重ねて見せる。
「n=100にすると、不良率5%のロットの合格率が10% → 25%に上がります。お客様への不良品流出リスクが2倍以上になりますがよろしいですか？」

効果：定量的な根拠を持って交渉できるため、結果として双方納得の落とし所が見つかる。

シーン：「なぜこの検査方式なのか？」と上司に聞かれた。

OC曲線の活用：
「現在の検査方式（n=80, c=2）のOC曲線です。AQL=1%でαは3%、LTPD=5%でβは8%です。社内基準のα≤5%、β≤10%を満たしているため、この方式を採用しています」

効果：抽象的な"こんな検査やってます"ではなく、定量的に検査性能を説明できる。

シーン：工程改善により不良率が大幅に下がった（5% → 1%）。検査を緩めてコストを下げたい。

OC曲線の活用：
新しい不良率レベルに合わせてAQLを再設定（例：1.5%）。OC曲線を見ながら、サンプル数を半分にしても要求性能を満たすかを確認。

効果：感覚ではなく、データに基づいた合理的なコスト削減判断ができる。

• OC曲線は「ロットの不良率p」vs「合格する確率L(p)」のグラフ
• 典型的にはL字に近いS字カーブで、nを増やすほどL字に近づく
• OC曲線上の2つの重要点：(p₀, 1−α) と (p₁, β)
• α（生産者危険）：良いロットを不合格にする確率（典型値5%）
• β（消費者危険）：悪いロットを合格させる確率（典型値10%）
• AQL = p₀（合格させたい不良率）、LTPD = p₁（不合格にしたい不良率）
• 抜取検査の設計は α・β・p₀・p₁ → n, c を決めること
• 計算分布の使い分け：N<10n → 超幾何、標準 → 二項、np≤5 → ポアソン
• サンプル数nは絶対量で性能が決まる。ロットサイズNの比率ではない

「OC曲線って何？」と聞かれたら、こう答えられればOK。
「抜取検査の性能を1枚に表したグラフ。横軸が不良率、縦軸が合格確率。曲線の形からα・βや検査の厳しさが読み取れます」

📚 次に読むべき記事