ゲージR&Rのサンプルの選び方｜「結果が悪い」のは測定器のせいじゃなく選定ミスかもしれない

※本記事にはプロモーション（広告）が含まれています。

ゲージR&R（Gage Repeatability and Reproducibility）は、測定システムの能力を評価するための手法です。IATF 16949の要求事項であるMSA（測定システム解析）の中核をなすもので、自動車業界をはじめとする製造業では避けて通れない分析です。

しかし、実務でゲージR&Rを実施すると、「測定器は問題ないはずなのに %GRR が基準を超えてしまう」という状況に頻繁に遭遇します。その原因の多くは、測定器の性能ではなく「サンプルの選び方」にあります。

この記事では、なぜサンプル選定が結果を左右するのか、どう選べば正しい評価ができるのかを、図解を交えて丁寧に解説していきます。

なぜサンプルの選び方で結果が変わるのか？｜「分母」の正体を理解する

ゲージR&Rの結果が良いか悪いかを決めるのは、実はとてもシンプルな「割り算」です。まず、この割り算の構造を正しく理解しましょう。

ここで重要なのは、分母の「全体のバラつき」は何で決まるかです。

つまり、サンプル間のバラつきが大きいほど分母が大きくなり、%GRRの数値は「良く」なるのです。逆に、たまたま似たようなサイズのサンプルばかりを選んでしまうと、分母が小さくなって%GRRは「悪く」なります。

たとえば、秤（はかり）の精度を評価するとします。秤の測定誤差は常に同じ（±0.5g）です。

どちらの場合も秤の精度は同じ ±0.5g です。変わったのはサンプルのバラつきだけ。この現象を知らないまま「測定器を買い替えなきゃ」と判断するのは、非常にもったいない話です。

Minitabの公式統計ブログでは、1,000回のシミュレーションを使って各サンプリング方法の影響を検証しています。その結果をもとに、やりがちなNG選定パターンを3つ紹介します。

Minitabの統計ブログが1,000回のシミュレーションで出した結論は明快です：「ランダムに選べ（Sample randomly）」。これが最も正確にサンプル間のバラつきを推定できる方法です。

サンプル選定の話の前に、判定基準そのものを正しく押さえておきましょう。%GRR と ndc は表裏一体の関係にあります。

「サンプルの選び方で結果が変わる」のは困る、もっと安定した評価方法はないのか？という声に応えるのが%Tolerance（公差比）です。

%GRR との違いは分母です。%GRR の分母が「全体のバラつき（＝サンプル間のバラつきを含む）」だったのに対し、%Tolerance の分母は「公差幅（規格の上限−下限）」です。公差幅は図面で決まっている固定値なので、サンプルの選び方に一切影響されません。

この続きと一緒に読まれている記事

サンプルの「選び方」と同様に、「何個取るか」「何回繰り返すか」「何人で測るか」も結果に大きく影響します。ここでは実務的な目安を整理します。

項目	AIAG推奨	最低限	精度を上げたい場合
サンプル数	10個	5個（非推奨）	15個以上
繰り返し数	2〜3回	2回	3回以上
測定者数	3人	2人	3人以上
総測定回数	10×3×2＝60回	5×2×2＝20回	15×3×3＝135回