在生产与品控工作中，我们常会碰到这样的疑问：

“ 倘若工程不良率为  1% ，那抽取  100  个样本，是不是必然能抽到  1  个不良品呢？ ”

不少同行都秉持着这样的想法。他们坚信，既然不良率是  1% ，那么抽  100  个样本  “ 理应 ”  能发现  1  个不良品，抽  200  个  “ 理应 ”  能找到  2  个。这看起来似乎合情合理，但实际上，这是一个非常典型的统计认知误区！

今天，我们就来探讨抽样检验的正确方法，带你从统计学的角度，科学地估算 “ 究竟需要抽取多少个样本，才能确保抽到  1  个不良品 ” 。

首先，我们要纠正一个常见的错误认知：

不良率为  1% ，并不意味着每  100  个产品中就  “ 平均地 ”  分布着  1  个不良品。

我们所面对的是随机事件，每一次抽样都存在不确定性。用统计学的语言来讲，这种情况符合二项分布模型。

在不良率固定为  p=0.01  的条件下，抽取  n  个样本，抽到  k  个不良品的概率可通过以下公式计算：

P(k) = C(n, k) × p^k × (1-p)^(n-k)

这意味着：当你抽取  100  个样本时，有可能一个不良品都抽不到，也有可能抽到  2  个，甚至  3  个。这就是  “ 概率 ”  而非  “ 必然 ” 。

这就需要引入另一个核心概念 ——   置信水平 。

假设你希望有  95%  的把握能抽到至少  1  个不良品，那么我们就要从概率的角度进行计算。

我们需要先明确：抽取  n  个样本时，一个不良品都没有的概率是多少？这个概率为： P (0  个不良 ) = (1 - p)^n

而我们实际需要的是： P ( 至少  1  个不良 ) ≥ 95%

换算成公式就是： 1 - (1 - p)^n ≥ 0.95

将  p = 0.01  代入，解这个不等式就能得出  n  的值：

(1 - 0.01)^n ≤ 0.05

0.99^n ≤ 0.05

n ≥ log(0.05) / log(0.99) ≈ 298

结论 ：如果想有  95%  的信心抽到至少  1  个不良品，样本量需要达到  298  个，而非  100  个！

另一个常见的问题是：抽样之后，不良率的估计能达到多高的精确度？

这时我们就要用到置信区间公式。对于大样本而言， 样本不良率 的置信区间计算如下：

置信区间  =  样本不良率  ± z×√[ 样本不良率  ×(1 -  样本不良率 )/n]

其中：

• z  代表标准正态分布的分位数，例如在  95%  的置信水平下， z=1.96 ；

• n  为样本量；

• 公式中的后半部分可理解为可接受的误差范围  E 。

若你希望估计的不良率误差不超过 ±0.5% ，在  95%  的置信水平下，需要多少样本呢？

代入公式计算：

n = (1.96² × 0.01 × (1 - 0.01)) / 0.005² ≈ 1522

若你可以接受 ±1%  的误差，样本量则会降至：

n ≈ 381

这也印证了我们常说的： “ 精度越高、置信度越强，所需的样本量就越大。 ”

  在实际的抽样方案中，还需要考虑两个关键风险：

• α  风险（生产方风险） ： 合格品被误判为不合格品，可能导致合格批次被错误拒收，增加生产方的成本与损失；

• β  风险（使用方风险） ： 不合格品被误判为合格品，可能导致不合格批次流入市场，影响使用方的质量体验与利益。

合理的抽样方案必须平衡这两种风险。例如  AQL （接受质量限）抽样法，就是在这两种风险之间寻求最优解决方案，通过明确可接受的质量水平，既保护生产方的合理利益，也保障使用方的质量需求。

不良率  1%  时，抽取  100  个样本能抽到  1  个不良品吗？

答案是： 不一定！

• 抽取  100  个样本，只有约  63%  的概率能抽到至少  1  个不良品；

• 若要以  95%  的概率抽到  1  个不良品，需要抽取  298  个样本；

• 若要将不良率的估计误差控制在 ±0.5%  以内，则需要抽取  1522  个样本。

统计学并非魔法，但它是帮助我们做出科学决策的有力工具。

希望通过今天的分享，能让你在制定抽样计划时，不再仅凭感觉，而是依靠数据和概率来做出判断，让品控工作更精准、更高效！