シックスシグマと検査設計｜オペレーションズマネジメント

🎓 レベル：応用　|　重要度：A（必須）

📎 前提：工程能力指数（シグマ水準 $=3C_{pk}$ ）　|　抜取検査の確率（二項）：ベルヌーイ分布・二項分布　|　OC曲線・生産者危険α/消費者危険β：品質管理・第一種の過誤・第二種の過誤・検出力（2種類の誤りとトレードオフ・サンプルサイズ設計）（統計）

要点（BLUF）

シックスシグマは、 $6\sigma$ という統計用語の顔をしていますが、中身は改善のマネジメント手法です。中核が DMAIC（Define・Measure・Analyze・Improve・Control）という、データで原因を突き止め改善を定着させる5段サイクル。
シグマ水準 → DPMO（Defects Per Million Opportunities）の対応で品質を測ります。有名な 「 $6\sigma$ ＝3.4 DPMO」は、長期的に工程平均が $\pm1.5\sigma$ ずれるという慣行の約束込みの値で、 $\Phi(-(6-1.5))=\Phi(-4.5)\approx3.4\times10^{-6}$ 。シフトを置かなければ $6\sigma$ は約2 ppb（桁が全然違う）。
品質コストは PAF——予防（Prevention）・評価（Appraisal）・失敗（Failure）——に分け、1-10-100 の法則（源流で防げば1、検査で捕まえれば10、顧客に届いてからは100）が示すとおり、上流に金をかけるほど総額は下がる。
検査設計を OM の意思決定として扱います。OC曲線・生産者危険 $\alpha$ ／消費者危険 $\beta$ の理論は品質管理・第一種の過誤・第二種の過誤・検出力（2種類の誤りとトレードオフ・サンプルサイズ設計）に譲り、本稿は検査の経済性——全数検査・無検査・抜取のどれが安いか。デミングの「全数か無か（all-or-none）」ルール：安定工程では中途半端な抜取は損で、不良率 $p$ が損益分岐 $p^\*=k_1/k_2$ を超えれば全数、下回れば無検査が最適です。

1. シックスシグマと DMAIC——手法であって魔法ではない

シックスシグマは、モトローラ／GE が広めた全社的な品質・プロセス改善の枠組みです。統計（管理図・能力指数・検定・実験計画）を道具箱として使いますが、本質は「測れるものにして、原因をデータで突き止め、改善を標準に固定する」というマネジメントの規律です。中核の改善サイクルが DMAIC。

flowchart LR
  D["Define 定義<br/>問題・顧客要求(CTQ)・目標"] --> M["Measure 測定<br/>現状の能力・DPMOを測る"]
  M --> A["Analyze 分析<br/>原因をデータで特定"]
  A --> I["Improve 改善<br/>対策・最適条件を実装"]
  I --> C["Control 管理<br/>管理図で定着・再発防止"]
  C -->|"次の課題へ"| D

最後の C（Control）が管理図（統計的工程管理）です。改善した状態を $\bar X$ - $R$ 管理図で見張り、元に戻らないよう固定する——DMAIC は前章までの道具を改善のプロセスに組み込んだもの、と捉えると腑に落ちます。

2. シグマ水準と DPMO——なぜ $6\sigma$ が 3.4 なのか

DPMO は不良率を百万機会あたりに正規化した指標です。

\mathrm{DPMO}=\frac{\text{不良数}}{\text{機会数}}\times10^{6}

工程能力（工程能力指数）で見たとおり、シグマ水準 $=$ 最寄り規格までが何 $\sigma$ かで、短期（工程が中心に静止）なら片側不良率は $1-\Phi(\text{シグマ水準})$ 。ところがシックスシグマでは、長期には工程平均がじわじわ $\pm1.5\sigma$ ほど動くという経験則を織り込み、シグマ水準から $1.5$ を引いて不良率を見積もります。これが「 $6\sigma$ ＝3.4 DPMO」の正体です。

\text{(1.5σシフト) } \mathrm{DPMO}=\Phi\!\bigl(-(\text{シグマ水準}-1.5)\bigr)\times10^{6}

6\sigma:\quad \Phi(-(6-1.5))=\Phi(-4.5)\approx3.398\times10^{-6}\;\Rightarrow\;3.4\ \mathrm{DPMO}

シフトを置かなければ $6\sigma$ は $1-\Phi(6)\approx9.9\times10^{-10}$ （片側）、両側で約 2 ppb——3.4 DPMO とは6桁違います。「6σ＝3.4」は1.5σシフトを仮定した約束事だと押さえるのが肝心です。

3. シグマ水準 → DPMO 対応表（コード）

scipy.stats.norm で、シフト無し（短期）と1.5σシフト（長期）の DPMO を並べ、 $6\sigma$ ＝3.4 DPMO を再現します。

import numpy as np
import pandas as pd
from scipy.stats import norm

# シグマ水準 Z（最寄り規格までの距離が何 sigma か）-> DPMO
#   短期（シフト無・片側）  : (1 - Phi(Z))     * 1e6
#   長期（1.5sigmaシフト・片側）: (1 - Phi(Z-1.5)) * 1e6
rows = []
for Z in [1, 2, 3, 4, 4.5, 5, 6]:
    rows.append({"sigma水準": Z,
                 "DPMO_no_shift": (1 - norm.cdf(Z)) * 1e6,
                 "DPMO_1.5shift": (1 - norm.cdf(Z - 1.5)) * 1e6})
df = pd.DataFrame(rows)
print(df.to_string(index=False, float_format=lambda x: f"{x:.3f}"))

z6_shift = (1 - norm.cdf(6 - 1.5)) * 1e6
z6_noshift_two_ppb = 2 * (1 - norm.cdf(6)) * 1e9
print(f"\n6 sigma（1.5sigma シフト・片側）= {z6_shift:.4f} DPMO   ＝ 約 3.4")
print(f"6 sigma（シフト無・両側）       = {z6_noshift_two_ppb:.4f} ppb  ＝ 約 2")

出力：

 sigma水準  DPMO_no_shift  DPMO_1.5shift
   1.000     158655.254     691462.461
   2.000      22750.132     308537.539
   3.000       1349.898      66807.201
   4.000         31.671       6209.665
   4.500          3.398       1349.898
   5.000          0.287        232.629
   6.000          0.001          3.398

6 sigma（1.5sigma シフト・片側）= 3.3977 DPMO   ＝ 約 3.4
6 sigma（シフト無・両側）       = 1.9732 ppb  ＝ 約 2

出力の意味：右列（1.5σシフト）が、よく見るシックスシグマの DPMO 表そのものです—— $3\sigma$ で66807、 $4\sigma$ で6210、 $5\sigma$ で233、そして $6\sigma$ で 3.398 ≒ 3.4 DPMO。多くの企業が出発点とする「 $3\sigma$ 品質」は実は約6.7%の不良（66807 DPMO）で、 $6\sigma$ までに5桁以上改善する余地があることがわかります。一方の左列（シフト無し）では $6\sigma$ は $0.001$ DPMO（両側でも約2 ppb）——同じ「6σ」でも、1.5σシフトを置くかどうかで3.4 と 0.002 のあいだを動く。数字を引用するときはどちらの約束かを必ず確認します（要最新確認）。

4. 品質コスト——PAF と 1-10-100

品質は「お金をかけるほど高い」のではなく、かけ方の配分で総額が決まります。費用を3つに分けるのが PAF モデル。

予防コスト（Prevention）：そもそも不良を出さないための投資（設計・教育・工程改善・標準化）。
評価コスト（Appraisal）：できたものを調べる費用（検査・試験・測定）。
失敗コスト（Failure）：内部失敗（出荷前の手直し・廃棄）＋外部失敗（顧客クレーム・返品・リコール・信用失墜）。

経験則の 1-10-100 の法則は、同じ1個の不良を捕まえるコストが、下流ほど桁で膨らむことを言います——源流の予防なら 1、工程内の検査で捕まえれば 10、顧客に届いてからは 100。だから予防に前払いするほど、評価＋失敗の総額が下がる。検査（評価）を厚くするのは「10で食い止める」手当てに過ぎず、根治は予防（上流で作り込む）です。次の検査の経済性は、この「10 と 100」の綱引きを定量化したものと読めます。

5. 検査設計——デミングの「全数か無か」

検査をいくらやるか。OC曲線・生産者危険 $\alpha$ ／消費者危険 $\beta$ で抜取計画 $(n,c)$ を設計する理論は品質管理・第一種の過誤・第二種の過誤・検出力（2種類の誤りとトレードオフ・サンプルサイズ設計） に譲り、ここでは経済性で考えます。デミングは「工程が安定（管理状態）なら、中途半端な抜取検査は最悪手」と説きました（ $k_p$ ルール）。費用を2つ置きます。

$k_1$ ：製品1個を検査するコスト（評価コスト）。
$k_2$ ：不良1個が検査をすり抜けて後工程・顧客に流れたときの損害（失敗コスト＝1-10-100 の「100」側）。

不良率 $p$ のロット（ $N$ 個）に対し、2つの極端な方策のコストは

\text{全数検査}=N\,k_1\quad(\text{不良率によらず一定}),\qquad \text{無検査}=p\,N\,k_2\quad(\text{流出した不良の損害})

両者が等しくなる不良率が損益分岐です。

N\,k_1=p\,N\,k_2\;\Longrightarrow\;\boxed{\,p^{\*}=\dfrac{k_1}{k_2}\,}

安定工程では、最適は両極のどちらかになります（中間の抜取は両方の悪いとこ取り）。

$p>p^{\*}$ （不良が多い）→ 全数検査（流出損害が検査費を上回る）。
$p<p^{\*}$ （不良が少ない）→ 無検査（検査費が流出損害を上回る＝検査するだけ損）。

6. 検査の経済性を可視化する（コード）

$k_1=2$ 円/個・ $k_2=100$ 円/個（流出損害は検査費の50倍）、ロット $N=10000$ 。全数と無検査の総コストを不良率 $p$ に対して描き、損益分岐 $p^\*=k_1/k_2$ を確かめます。

import numpy as np
import matplotlib.pyplot as plt
import japanize_matplotlib

# デミングの「全数か無か」：k1=1個の検査費、k2=不良1個が後工程へ流れた損害
k1 = 2.0       # 円/個（検査費＝評価コスト）
k2 = 100.0     # 円/個（不良流出の損害＝失敗コスト。1-10-100 の "100"）
N = 10000      # ロットサイズ

p_star = k1 / k2
print(f"検査費 k1 = {k1:.0f} 円/個、不良流出の損害 k2 = {k2:.0f} 円/個")
print(f"損益分岐の不良率 p* = k1/k2 = {p_star:.4f}（= {p_star * 100:.1f}%）")
print()
print("不良率p   全数検査 N*k1   無検査 p*N*k2    安い方")
for p in [0.005, 0.010, 0.020, 0.030, 0.050]:
    full = N * k1
    none = p * N * k2
    cheaper = "全数検査" if full < none else "無検査"
    print(f"{p:.3f}     {full:10.0f}    {none:10.0f}     {cheaper}")

# 図：両ポリシーの総コスト vs 不良率
ps = np.linspace(0, 0.05, 200)
full_cost = np.full_like(ps, N * k1)
none_cost = ps * N * k2
plt.figure(figsize=(10, 5.5))
plt.plot(ps * 100, full_cost, color="#1f77b4", lw=2, label=f"全数検査 N*k1 = {N * k1:.0f}円（不良率によらず一定）")
plt.plot(ps * 100, none_cost, color="#d62728", lw=2, label="無検査 p*N*k2（不良の流出損害）")
plt.axvline(p_star * 100, color="green", ls="--", label=f"損益分岐 p* = k1/k2 = {p_star * 100:.1f}%")
plt.fill_between(ps * 100, none_cost, full_cost, where=(ps <= p_star), color="#d62728", alpha=0.10)
plt.fill_between(ps * 100, full_cost, none_cost, where=(ps > p_star), color="#1f77b4", alpha=0.10)
plt.text(0.6, N * k1 * 1.04, "p < p*：無検査が安い", color="#d62728")
plt.text(2.7, N * k1 * 1.04, "p > p*：全数検査が安い", color="#1f77b4")
plt.xlabel("ロットの不良率 p（%）"); plt.ylabel("総コスト（円）")
plt.title("検査の経済性：全数 vs 無検査の損益分岐 p*=k1/k2（デミングの全数か無か）")
plt.legend(loc="upper left"); plt.tight_layout(); plt.show()

出力：

検査費 k1 = 2 円/個、不良流出の損害 k2 = 100 円/個
損益分岐の不良率 p* = k1/k2 = 0.0200（= 2.0%）

不良率p   全数検査 N*k1   無検査 p*N*k2    安い方
0.005          20000          5000     無検査
0.010          20000         10000     無検査
0.020          20000         20000     無検査
0.030          20000         30000     全数検査
0.050          20000         50000     全数検査

出力の意味： $k_1=2,\ k_2=100$ なら損益分岐は $p^\*=k_1/k_2=2\%$ 。不良率が $2\%$ より低ければ（ $0.5\%,1\%$ ）、全数検査の2万円より無検査の流出損害（5千〜1万円）の方が安く、検査しない方が得。 $2\%$ を超えると（ $3\%,5\%$ ）流出損害が3万〜5万円に膨らみ、全数検査が得になります。図では、青い水平線（全数＝一定2万円）と赤い直線（無検査＝ $p$ に比例）が $p^\*=2\%$ で交差し、左側は無検査、右側は全数が下にきます。安定工程では抜取（中間）に意味は薄く、 $p$ と $p^\*$ の大小で all-or-none に振る——これがデミングの主張です。ただし大前提は工程が管理状態であること（統計的工程管理）。 $p$ が群ごとに暴れる不安定工程では、この単純比較は使えません。

⚠️ よくある誤解

「6σ＝3.4 DPMO はシフト無しの厳密値」ではない：3.4 は工程平均が $\pm1.5\sigma$ ずれるという慣行を織り込んだ値（ $\Phi(-4.5)$ ）。シフトを置かなければ $6\sigma$ は約2 ppb で、6桁違います。引用時は1.5σシフトの約束込みかを必ず確認（要最新確認）。
「DMAIC をやれば品質が上がる」ではない：DMAIC は問題解決の型であって魔法ではありません。CTQ（顧客が本当に求める品質特性）の取り違え・測定システムの不備があれば空回りします。道具（管理図・能力指数・検定）を正しく当てて初めて効きます。
「検査を厚くすれば品質が上がる」ではない（最重要）：検査は良品と不良品を仕分けるだけで、品質そのものを作りません（デミング）。品質は工程で作り込むもの（源流の予防＝1-10-100 の「1」）。検査（評価＝「10」）を増やすのは流出を食い止める最後の砦に過ぎず、根治ではありません。
「安定工程でも抜取検査が無難」ではない：管理状態の工程では、 $p$ と $p^\*=k_1/k_2$ の大小で全数か無検査に振るのが経済的（all-or-none）。中途半端な抜取は両方の悪いとこ取りになりがちです。一方、ロットごとに品質が変わる不安定工程や、供給者の受入判定では、OC曲線で設計した抜取検査が活きます（理論は品質管理）——どちらが適切かは工程の安定性しだいです。