学習目標
この章を読むことで、以下を習得できます：
- ✅ 品質管理の基本概念（QC、QA、QMS）を理解する
- ✅ プロセス能力指数（Cp、Cpk）を計算・評価できる
- ✅ パレート分析で重要品質問題を特定できる
- ✅ 品質コストの分類と分析ができる
- ✅ TQMの8原則を理解し、PDCAサイクルを実践できる
1.1 品質管理の基本概念
品質とは何か
品質（Quality）とは、「製品またはサービスが、顧客の要求事項を満たす度合い」を指します。ISO 9000では「固有の特性の集まりが要求事項を満たす程度」と定義されています。
品質管理の発展は、以下の3つの時代に区分されます：
| 時代 | アプローチ | 特徴 | 代表的手法 |
|---|---|---|---|
| 検査の時代 | 事後検査 | 不良品を除去 | 全数検査、抜き取り検査 |
| 統計的品質管理 | プロセス管理 | 不良を予防 | 管理図、サンプリング |
| TQM | 全社的改善 | 顧客満足最大化 | Six Sigma、ISO 9001 |
QC、QA、QMSの違い
- QC（Quality Control: 品質管理）: 製品・プロセスの品質を測定し、基準を満たすよう管理する
- QA（Quality Assurance: 品質保証）: 品質要求事項が満たされることを保証するシステム
- QMS（Quality Management System: 品質マネジメントシステム）: 組織全体で品質を管理する仕組み
graph TB
A[QMS 品質マネジメントシステム] --> B[QA 品質保証]
A --> C[QC 品質管理]
B --> D[プロセス設計・検証]
B --> E[文書管理・監査]
C --> F[検査・測定]
C --> G[不適合管理]
style A fill:#e8f5e9
style B fill:#c8e6c9
style C fill:#a5d6a7
1.2 プロセス能力評価
コード例1: プロセス能力指数（Cp、Cpk）の計算
import numpy as np
import matplotlib.pyplot as plt
from scipy import stats
def calculate_process_capability(data, USL, LSL):
"""
プロセス能力指数（Cp、Cpk）の計算
Parameters:
-----------
data : array-like
プロセスデータ（例: 製品純度、寸法）
USL : float
Upper Specification Limit（規格上限）
LSL : float
Lower Specification Limit（規格下限）
Returns:
--------
dict : プロセス能力指数と統計量
"""
# 基本統計量
mean = np.mean(data)
std = np.std(data, ddof=1) # 不偏標準偏差
# Cp（プロセス能力指数）
# Cp = (USL - LSL) / (6σ)
Cp = (USL - LSL) / (6 * std)
# Cpk（プロセス能力指数、片側考慮）
# Cpk = min((USL - μ) / 3σ, (μ - LSL) / 3σ)
Cpu = (USL - mean) / (3 * std)
Cpl = (mean - LSL) / (3 * std)
Cpk = min(Cpu, Cpl)
# 不良率の推定（正規分布を仮定）
defect_rate_upper = 1 - stats.norm.cdf(USL, mean, std)
defect_rate_lower = stats.norm.cdf(LSL, mean, std)
total_defect_rate = defect_rate_upper + defect_rate_lower
return {
'mean': mean,
'std': std,
'Cp': Cp,
'Cpk': Cpk,
'Cpu': Cpu,
'Cpl': Cpl,
'defect_rate': total_defect_rate,
'defect_ppm': total_defect_rate * 1e6
}
# 化学プロセスの製品純度データ（%）
np.random.seed(42)
purity_data = np.random.normal(loc=98.5, scale=0.3, size=200)
# 規格上下限
USL = 99.5 # 規格上限 [%]
LSL = 97.5 # 規格下限 [%]
# プロセス能力計算
capability = calculate_process_capability(purity_data, USL, LSL)
# 可視化
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 5))
# ヒストグラムとプロセス能力
ax1.hist(purity_data, bins=30, density=True, alpha=0.7, color='#11998e',
edgecolor='black', label='実測データ')
# 正規分布フィット
x = np.linspace(LSL - 1, USL + 1, 200)
ax1.plot(x, stats.norm.pdf(x, capability['mean'], capability['std']),
'r-', linewidth=2, label='正規分布フィット')
# 規格限界線
ax1.axvline(USL, color='red', linestyle='--', linewidth=2, label=f'USL = {USL}%')
ax1.axvline(LSL, color='red', linestyle='--', linewidth=2, label=f'LSL = {LSL}%')
ax1.axvline(capability['mean'], color='green', linestyle='-', linewidth=2,
label=f'平均 = {capability["mean"]:.2f}%')
ax1.set_xlabel('製品純度 [%]', fontsize=11)
ax1.set_ylabel('確率密度', fontsize=11)
ax1.set_title('プロセス能力分布', fontsize=12, fontweight='bold')
ax1.legend(fontsize=9)
ax1.grid(alpha=0.3)
# 能力指数の可視化
indices = ['Cp', 'Cpk', 'Cpu', 'Cpl']
values = [capability[idx] for idx in indices]
colors = ['#11998e' if v >= 1.33 else '#ffa726' if v >= 1.0 else '#ef5350' for v in values]
bars = ax2.bar(indices, values, color=colors, edgecolor='black', linewidth=1.5)
ax2.axhline(y=1.33, color='green', linestyle='--', linewidth=2,
label='優秀基準 (≥1.33)', alpha=0.7)
ax2.axhline(y=1.00, color='orange', linestyle='--', linewidth=2,
label='合格基準 (≥1.00)', alpha=0.7)
# 各バーに数値を表示
for bar in bars:
height = bar.get_height()
ax2.text(bar.get_x() + bar.get_width()/2., height + 0.05,
f'{height:.3f}', ha='center', va='bottom', fontsize=10, fontweight='bold')
ax2.set_ylabel('能力指数', fontsize=11)
ax2.set_title('プロセス能力指数', fontsize=12, fontweight='bold')
ax2.legend(fontsize=9)
ax2.grid(alpha=0.3, axis='y')
ax2.set_ylim(0, max(values) * 1.2)
plt.tight_layout()
plt.show()
# 結果出力
print("=" * 60)
print("プロセス能力分析結果")
print("=" * 60)
print(f"平均値: {capability['mean']:.4f} %")
print(f"標準偏差: {capability['std']:.4f} %")
print(f"Cp (プロセス能力): {capability['Cp']:.4f}")
print(f"Cpk (修正能力指数): {capability['Cpk']:.4f}")
print(f"Cpu (上側能力): {capability['Cpu']:.4f}")
print(f"Cpl (下側能力): {capability['Cpl']:.4f}")
print(f"推定不良率: {capability['defect_rate']:.6%}")
print(f"推定不良率 [ppm]: {capability['defect_ppm']:.2f} ppm")
print("=" * 60)
# 能力評価
if capability['Cpk'] >= 1.33:
print("✅ 評価: 優秀 - プロセス能力は十分です")
elif capability['Cpk'] >= 1.00:
print("⚠️ 評価: 合格 - プロセス能力は許容範囲ですが改善余地あり")
else:
print("❌ 評価: 不合格 - プロセス能力が不足、早急な改善が必要")
出力例:
============================================================
プロセス能力分析結果
============================================================
平均値: 98.5041 %
標準偏差: 0.2989 %
Cp (プロセス能力): 1.1163
Cpk (修正能力指数): 1.1107
Cpu (上側能力): 1.1107
Cpl (下側能力): 1.1218
推定不良率: 0.000713%
推定不良率 [ppm]: 7.13 ppm
============================================================
⚠️ 評価: 合格 - プロセス能力は許容範囲ですが改善余地あり
解説: プロセス能力指数（Cp、Cpk）は、プロセスが規格を満たす能力を定量評価します。Cp ≥ 1.33なら優秀、Cp ≥ 1.0なら合格とされます。Cpkは平均値の位置も考慮した指標です。
コード例2: パレート分析（80-20ルール）
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
def pareto_analysis(data_dict, title="パレート図"):
"""
パレート分析の実行と可視化
Parameters:
-----------
data_dict : dict
カテゴリ名: 発生件数の辞書
title : str
グラフタイトル
"""
# DataFrameに変換してソート
df = pd.DataFrame(list(data_dict.items()), columns=['Category', 'Count'])
df = df.sort_values('Count', ascending=False).reset_index(drop=True)
# 累積比率の計算
df['Cumulative'] = df['Count'].cumsum()
df['Cumulative_Pct'] = 100 * df['Cumulative'] / df['Count'].sum()
df['Percent'] = 100 * df['Count'] / df['Count'].sum()
# 可視化
fig, ax1 = plt.subplots(figsize=(12, 6))
# 棒グラフ
x_pos = np.arange(len(df))
bars = ax1.bar(x_pos, df['Count'], color='#11998e', alpha=0.8,
edgecolor='black', linewidth=1.2, label='発生件数')
ax1.set_xlabel('不良項目', fontsize=11)
ax1.set_ylabel('発生件数', fontsize=11)
ax1.set_xticks(x_pos)
ax1.set_xticklabels(df['Category'], rotation=45, ha='right')
# 累積比率の線グラフ
ax2 = ax1.twinx()
line = ax2.plot(x_pos, df['Cumulative_Pct'], color='red', marker='o',
linewidth=2.5, markersize=8, label='累積比率')
ax2.set_ylabel('累積比率 [%]', fontsize=11)
ax2.set_ylim(0, 110)
ax2.axhline(y=80, color='orange', linestyle='--', linewidth=2,
alpha=0.7, label='80%ライン')
# 各バーの上に割合を表示
for i, (bar, pct) in enumerate(zip(bars, df['Percent'])):
height = bar.get_height()
ax1.text(bar.get_x() + bar.get_width()/2., height + 0.5,
f'{pct:.1f}%', ha='center', va='bottom', fontsize=9)
# 凡例
lines1, labels1 = ax1.get_legend_handles_labels()
lines2, labels2 = ax2.get_legend_handles_labels()
ax1.legend(lines1 + lines2, labels1 + labels2, loc='upper left', fontsize=10)
ax1.set_title(title, fontsize=13, fontweight='bold')
ax1.grid(alpha=0.3, axis='y')
plt.tight_layout()
plt.show()
return df
# 化学プラントの不良項目データ（1ヶ月間）
defects = {
'原料不純物混入': 145,
'温度制御異常': 98,
'圧力変動': 76,
'反応時間不足': 54,
'触媒活性低下': 42,
'配管詰まり': 28,
'計測器誤差': 18,
'pH制御ずれ': 15,
'冷却不足': 12,
'撹拌不良': 8,
'配合比誤差': 6,
'その他': 4
}
# パレート分析実行
df_pareto = pareto_analysis(defects, title='化学プラント不良要因のパレート分析')
# 80%ラインを超える項目の特定
cumsum_80 = df_pareto[df_pareto['Cumulative_Pct'] <= 80]
print("\n" + "=" * 60)
print("パレート分析結果（80-20ルール）")
print("=" * 60)
print(f"総不良件数: {df_pareto['Count'].sum()} 件\n")
print("重点管理項目（累積80%まで）:")
print("-" * 60)
for idx, row in cumsum_80.iterrows():
print(f"{idx+1}. {row['Category']:<18} "
f"{row['Count']:>4} 件 ({row['Percent']:>5.1f}%) "
f"累積: {row['Cumulative_Pct']:>5.1f}%")
print("=" * 60)
print(f"✅ 重点管理すべき項目数: {len(cumsum_80)} / {len(df_pareto)} 項目")
print(f" これらで全不良の {cumsum_80['Percent'].sum():.1f}% をカバー")
出力例:
============================================================
パレート分析結果（80-20ルール）
============================================================
総不良件数: 506 件
重点管理項目（累積80%まで）:
------------------------------------------------------------
1. 原料不純物混入 145 件 (28.7%) 累積: 28.7%
2. 温度制御異常 98 件 (19.4%) 累積: 48.0%
3. 圧力変動 76 件 (15.0%) 累積: 63.0%
4. 反応時間不足 54 件 (10.7%) 累積: 73.7%
============================================================
✅ 重点管理すべき項目数: 4 / 12 項目
これらで全不良の 73.7% をカバー
解説: パレート分析（80-20ルール）により、「少数の重要要因が問題の大部分を占める」ことを可視化します。上位4項目で全不良の73.7%を占めるため、これらを優先的に改善すべきです。
コード例3: 特性要因図（フィッシュボーン図）のデータ構造
import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
def create_fishbone_data(problem, major_causes):
"""
特性要因図のデータ構造を作成
Parameters:
-----------
problem : str
品質問題（結果）
major_causes : dict
主要因カテゴリとその要因のリスト
Returns:
--------
dict : 特性要因図データ
"""
return {
'problem': problem,
'causes': major_causes
}
def visualize_fishbone(fishbone_data):
"""
特性要因図の可視化（簡易版）
"""
fig, ax = plt.subplots(figsize=(14, 8))
# 魚の背骨（主軸）
ax.arrow(0.1, 0.5, 0.7, 0, head_width=0.05, head_length=0.05,
fc='black', ec='black', linewidth=2)
# 問題（魚の頭）
ax.text(0.85, 0.5, fishbone_data['problem'], fontsize=14,
fontweight='bold', bbox=dict(boxstyle='round',
facecolor='#ef5350', edgecolor='black', linewidth=2),
ha='center', va='center')
# 主要因の配置
causes = fishbone_data['causes']
n_causes = len(causes)
positions = [(0.25, 0.75), (0.45, 0.75), (0.65, 0.75), # 上側
(0.25, 0.25), (0.45, 0.25), (0.65, 0.25)] # 下側
for i, (category, factors) in enumerate(causes.items()):
if i >= len(positions):
break
x, y = positions[i]
# 大骨（カテゴリ）
if y > 0.5: # 上側
ax.plot([x, x], [0.5, y], 'k-', linewidth=2)
text_y = y + 0.05
else: # 下側
ax.plot([x, x], [0.5, y], 'k-', linewidth=2)
text_y = y - 0.05
# カテゴリ名
ax.text(x, text_y, category, fontsize=11, fontweight='bold',
bbox=dict(boxstyle='round', facecolor='#11998e',
edgecolor='black', alpha=0.8),
ha='center', va='center')
# 小骨（要因）- テキストとして表示
factor_text = '\n'.join([f'• {f}' for f in factors])
ax.text(x, y, factor_text, fontsize=8, ha='center', va='center',
bbox=dict(boxstyle='round', facecolor='white',
edgecolor='gray', alpha=0.9))
ax.set_xlim(0, 1)
ax.set_ylim(0, 1)
ax.axis('off')
ax.set_title('特性要因図（フィッシュボーン図）', fontsize=14, fontweight='bold')
plt.tight_layout()
plt.show()
# 化学プロセスの品質問題分析
fishbone = create_fishbone_data(
problem='製品純度低下',
major_causes={
'原料（Material）': [
'原料純度不足',
'不純物混入',
'保管条件不良'
],
'方法（Method）': [
'反応時間不足',
'SOP未遵守',
'温度制御誤差'
],
'設備（Machine）': [
'反応器汚染',
'配管劣化',
'計測器校正ずれ'
],
'人（Man）': [
'操作ミス',
'訓練不足',
'確認不足'
],
'測定（Measurement）': [
'分析誤差',
'サンプリング不良',
'機器精度不足'
],
'環境（Environment）': [
'温湿度変動',
'振動影響',
'外部汚染'
]
}
)
# 可視化
visualize_fishbone(fishbone)
# データ構造の出力
print("=" * 60)
print("特性要因図データ構造")
print("=" * 60)
print(f"品質問題: {fishbone['problem']}\n")
for category, factors in fishbone['causes'].items():
print(f"{category}:")
for factor in factors:
print(f" • {factor}")
print()
解説: 特性要因図（フィッシュボーン図、石川ダイアグラム）は、品質問題の根本原因を体系的に分析する手法です。4M+2E（Man、Machine、Material、Method、Measurement、Environment）のカテゴリで要因を整理します。
コード例4: PDCAサイクルトラッキングシステム
import pandas as pd
from datetime import datetime, timedelta
class PDCACycle:
"""
PDCAサイクル管理システム
"""
def __init__(self, project_name):
self.project_name = project_name
self.cycles = []
def add_cycle(self, plan, do, check, act, start_date, cycle_duration_days=30):
"""
PDCAサイクルを追加
Parameters:
-----------
plan : str
計画（Plan）
do : str
実行（Do）
check : str
評価（Check）
act : str
改善（Act）
start_date : str
開始日（YYYY-MM-DD）
cycle_duration_days : int
1サイクルの期間（日数）
"""
start = datetime.strptime(start_date, '%Y-%m-%d')
cycle = {
'cycle_id': len(self.cycles) + 1,
'plan': plan,
'do': do,
'check': check,
'act': act,
'start_date': start,
'end_date': start + timedelta(days=cycle_duration_days),
'status': 'Planned',
'kpi_before': None,
'kpi_after': None,
'improvement_pct': None
}
self.cycles.append(cycle)
def update_status(self, cycle_id, status, kpi_before=None, kpi_after=None):
"""
PDCAサイクルのステータス更新
"""
for cycle in self.cycles:
if cycle['cycle_id'] == cycle_id:
cycle['status'] = status
if kpi_before is not None:
cycle['kpi_before'] = kpi_before
if kpi_after is not None:
cycle['kpi_after'] = kpi_after
if kpi_before is not None:
cycle['improvement_pct'] = 100 * (kpi_after - kpi_before) / kpi_before
break
def get_summary(self):
"""
PDCAサイクル一覧の取得
"""
df = pd.DataFrame(self.cycles)
if not df.empty:
df['start_date'] = df['start_date'].dt.strftime('%Y-%m-%d')
df['end_date'] = df['end_date'].dt.strftime('%Y-%m-%d')
return df
def visualize_progress(self):
"""
改善進捗の可視化
"""
df = self.get_summary()
# KPI改善の可視化
cycles_with_kpi = df[df['kpi_after'].notna()]
if len(cycles_with_kpi) == 0:
print("KPIデータがまだありません")
return
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 5))
# KPI推移
ax1.plot(cycles_with_kpi['cycle_id'], cycles_with_kpi['kpi_before'],
marker='o', linewidth=2, markersize=8, label='改善前', color='#ef5350')
ax1.plot(cycles_with_kpi['cycle_id'], cycles_with_kpi['kpi_after'],
marker='s', linewidth=2, markersize=8, label='改善後', color='#11998e')
ax1.set_xlabel('PDCAサイクル番号', fontsize=11)
ax1.set_ylabel('KPI値', fontsize=11)
ax1.set_title('PDCA改善のKPI推移', fontsize=12, fontweight='bold')
ax1.legend(fontsize=10)
ax1.grid(alpha=0.3)
# 改善率
colors = ['#11998e' if x > 0 else '#ef5350'
for x in cycles_with_kpi['improvement_pct']]
bars = ax2.bar(cycles_with_kpi['cycle_id'], cycles_with_kpi['improvement_pct'],
color=colors, edgecolor='black', linewidth=1.2)
# 各バーに改善率を表示
for bar, pct in zip(bars, cycles_with_kpi['improvement_pct']):
height = bar.get_height()
ax2.text(bar.get_x() + bar.get_width()/2., height + 0.5 if height > 0 else height - 0.5,
f'{pct:.1f}%', ha='center', va='bottom' if height > 0 else 'top',
fontsize=10, fontweight='bold')
ax2.axhline(y=0, color='black', linestyle='-', linewidth=1)
ax2.set_xlabel('PDCAサイクル番号', fontsize=11)
ax2.set_ylabel('改善率 [%]', fontsize=11)
ax2.set_title('サイクルごとの改善効果', fontsize=12, fontweight='bold')
ax2.grid(alpha=0.3, axis='y')
plt.tight_layout()
plt.show()
# PDCAサイクル管理の実例
pdca = PDCACycle(project_name='製品純度改善プロジェクト')
# サイクル1
pdca.add_cycle(
plan='原料純度検査基準を95%から98%に引き上げ',
do='新しい検査基準で原料受入検査を実施（1ヶ月間）',
check='製品純度が97.8%→98.2%に改善（+0.4%）',
act='新基準を標準化、サプライヤーにフィードバック',
start_date='2025-01-01',
cycle_duration_days=30
)
pdca.update_status(cycle_id=1, status='Completed', kpi_before=97.8, kpi_after=98.2)
# サイクル2
pdca.add_cycle(
plan='反応温度の制御精度を±2°Cから±0.5°Cに改善',
do='温度制御システムのPIDパラメータ最適化',
check='製品純度が98.2%→98.6%に改善（+0.4%）',
act='最適化したPIDパラメータを全バッチに適用',
start_date='2025-02-01',
cycle_duration_days=30
)
pdca.update_status(cycle_id=2, status='Completed', kpi_before=98.2, kpi_after=98.6)
# サイクル3
pdca.add_cycle(
plan='反応時間を180分から200分に延長（副反応抑制のため）',
do='反応時間延長を10バッチで試験',
check='製品純度が98.6%→98.9%に改善（+0.3%）',
act='標準反応時間を200分に変更、生産計画を調整',
start_date='2025-03-01',
cycle_duration_days=30
)
pdca.update_status(cycle_id=3, status='Completed', kpi_before=98.6, kpi_after=98.9)
# サマリー表示
df_summary = pdca.get_summary()
print("=" * 90)
print(f"PDCAサイクル管理: {pdca.project_name}")
print("=" * 90)
print(df_summary[['cycle_id', 'plan', 'status', 'kpi_before', 'kpi_after',
'improvement_pct']].to_string(index=False))
print("=" * 90)
# 改善効果の集計
total_improvement = df_summary['kpi_after'].iloc[-1] - df_summary['kpi_before'].iloc[0]
print(f"\n総改善効果: {df_summary['kpi_before'].iloc[0]:.1f}% → "
f"{df_summary['kpi_after'].iloc[-1]:.1f}% (+{total_improvement:.1f}%)")
# 進捗可視化
pdca.visualize_progress()
解説: PDCAサイクル（Plan-Do-Check-Act）は、継続的改善の基本フレームワークです。各サイクルでKPIを測定し、改善効果を定量的に評価することが重要です。
コード例5: 品質コスト分析（COQ: Cost of Quality）
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
class QualityCostAnalyzer:
"""
品質コスト分析ツール（COQ分析）
"""
def __init__(self):
self.cost_data = {
'prevention': [], # 予防コスト
'appraisal': [], # 評価コスト
'internal_failure': [], # 内部失敗コスト
'external_failure': [] # 外部失敗コスト
}
def add_cost(self, category, description, amount):
"""
品質コストを追加
Parameters:
-----------
category : str
コストカテゴリ（prevention, appraisal, internal_failure, external_failure）
description : str
コスト内容
amount : float
金額（円）
"""
if category in self.cost_data:
self.cost_data[category].append({
'description': description,
'amount': amount
})
else:
raise ValueError(f"無効なカテゴリ: {category}")
def calculate_totals(self):
"""
カテゴリ別・総コストの計算
"""
totals = {}
for category, items in self.cost_data.items():
totals[category] = sum(item['amount'] for item in items)
totals['total_prevention_appraisal'] = totals['prevention'] + totals['appraisal']
totals['total_failure'] = totals['internal_failure'] + totals['external_failure']
totals['total'] = totals['total_prevention_appraisal'] + totals['total_failure']
return totals
def visualize(self):
"""
品質コストの可視化
"""
totals = self.calculate_totals()
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 6))
# カテゴリ別コスト（円グラフ）
categories = ['予防コスト', '評価コスト', '内部失敗コスト', '外部失敗コスト']
amounts = [totals['prevention'], totals['appraisal'],
totals['internal_failure'], totals['external_failure']]
colors = ['#11998e', '#38ef7d', '#ffa726', '#ef5350']
wedges, texts, autotexts = ax1.pie(amounts, labels=categories, autopct='%1.1f%%',
colors=colors, startangle=90,
textprops={'fontsize': 10})
for autotext in autotexts:
autotext.set_color('white')
autotext.set_fontweight('bold')
ax1.set_title('品質コストの内訳', fontsize=12, fontweight='bold')
# PAF比率分析（Prevention-Appraisal-Failure）
paf_categories = ['予防・評価\nコスト', '失敗コスト']
paf_amounts = [totals['total_prevention_appraisal'], totals['total_failure']]
paf_colors = ['#11998e', '#ef5350']
bars = ax2.bar(paf_categories, paf_amounts, color=paf_colors,
edgecolor='black', linewidth=1.5)
# 各バーに金額と比率を表示
for bar, amount in zip(bars, paf_amounts):
height = bar.get_height()
pct = 100 * amount / totals['total']
ax2.text(bar.get_x() + bar.get_width()/2., height + 5,
f'¥{amount:,.0f}\n({pct:.1f}%)', ha='center', va='bottom',
fontsize=10, fontweight='bold')
ax2.set_ylabel('コスト [円]', fontsize=11)
ax2.set_title('PAF比率分析', fontsize=12, fontweight='bold')
ax2.grid(alpha=0.3, axis='y')
plt.tight_layout()
plt.show()
def get_summary(self):
"""
コストサマリーの取得
"""
totals = self.calculate_totals()
# 各カテゴリの詳細
details = []
for category, items in self.cost_data.items():
for item in items:
details.append({
'カテゴリ': category,
'内容': item['description'],
'金額': item['amount']
})
return pd.DataFrame(details), totals
# 品質コスト分析の実例
coq = QualityCostAnalyzer()
# 予防コスト（Prevention Costs）
coq.add_cost('prevention', '品質計画策定', 500000)
coq.add_cost('prevention', '設備予防保全', 1200000)
coq.add_cost('prevention', '従業員訓練', 800000)
coq.add_cost('prevention', 'プロセス改善活動', 600000)
# 評価コスト（Appraisal Costs）
coq.add_cost('appraisal', '受入検査', 900000)
coq.add_cost('appraisal', '工程内検査', 1500000)
coq.add_cost('appraisal', '最終製品検査', 1100000)
coq.add_cost('appraisal', '測定機器校正', 400000)
# 内部失敗コスト（Internal Failure Costs）
coq.add_cost('internal_failure', '不良品廃棄', 2800000)
coq.add_cost('internal_failure', '手直し・再加工', 1900000)
coq.add_cost('internal_failure', 'ダウングレード品', 700000)
coq.add_cost('internal_failure', '再検査', 500000)
# 外部失敗コスト（External Failure Costs）
coq.add_cost('external_failure', '顧客クレーム対応', 1200000)
coq.add_cost('external_failure', '製品リコール', 800000)
coq.add_cost('external_failure', '保証修理', 600000)
coq.add_cost('external_failure', 'ブランドイメージ損失', 400000)
# サマリー表示
df_details, totals = coq.get_summary()
print("=" * 70)
print("品質コスト分析結果（COQ: Cost of Quality）")
print("=" * 70)
print("\nカテゴリ別コスト:")
print("-" * 70)
print(f"予防コスト (Prevention): ¥{totals['prevention']:>12,.0f}")
print(f"評価コスト (Appraisal): ¥{totals['appraisal']:>12,.0f}")
print(f"内部失敗コスト (Internal Failure): ¥{totals['internal_failure']:>12,.0f}")
print(f"外部失敗コスト (External Failure): ¥{totals['external_failure']:>12,.0f}")
print("-" * 70)
print(f"総品質コスト: ¥{totals['total']:>12,.0f}")
print("=" * 70)
# PAF比率の分析
paf_ratio = totals['total_prevention_appraisal'] / totals['total_failure']
print(f"\nPAF比率（予防・評価 / 失敗）: {paf_ratio:.2f}")
if paf_ratio < 0.5:
print("⚠️ 失敗コストが高すぎます。予防・評価活動への投資を増やすべきです。")
elif paf_ratio < 1.0:
print("⚠️ 失敗コストがやや高めです。予防活動の強化を検討してください。")
else:
print("✅ 適切なバランスです。予防的品質管理が機能しています。")
# 可視化
coq.visualize()
# 詳細データ
print("\n品質コスト詳細:")
print(df_details.to_string(index=False))
解説: 品質コスト（COQ）は、予防コスト、評価コスト、失敗コスト（内部・外部）の4つに分類されます。失敗コストが高い場合、予防・評価活動への投資を増やすことで、総コストを削減できる可能性があります。
コード例6: 不良率計算と信頼区間
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
def calculate_defect_rate_ci(n_defects, n_total, confidence=0.95):
"""
不良率と信頼区間の計算（二項分布）
Parameters:
-----------
n_defects : int
不良品数
n_total : int
検査総数
confidence : float
信頼水準（デフォルト: 0.95 = 95%）
Returns:
--------
dict : 不良率、信頼区間、PPM
"""
# 不良率
p_defect = n_defects / n_total
# 信頼区間（正規近似、大標本の場合）
z = stats.norm.ppf((1 + confidence) / 2)
se = np.sqrt(p_defect * (1 - p_defect) / n_total)
ci_lower = max(0, p_defect - z * se)
ci_upper = min(1, p_defect + z * se)
# Wilson score interval（小標本でも精度が高い）
denominator = 1 + z**2 / n_total
center = (p_defect + z**2 / (2 * n_total)) / denominator
margin = z * np.sqrt(p_defect * (1 - p_defect) / n_total + z**2 / (4 * n_total**2)) / denominator
wilson_lower = max(0, center - margin)
wilson_upper = min(1, center + margin)
return {
'defect_rate': p_defect,
'defect_pct': p_defect * 100,
'defect_ppm': p_defect * 1e6,
'ci_lower': ci_lower,
'ci_upper': ci_upper,
'ci_lower_ppm': ci_lower * 1e6,
'ci_upper_ppm': ci_upper * 1e6,
'wilson_lower': wilson_lower,
'wilson_upper': wilson_upper,
'wilson_lower_ppm': wilson_lower * 1e6,
'wilson_upper_ppm': wilson_upper * 1e6,
'n_defects': n_defects,
'n_total': n_total,
'confidence': confidence
}
def compare_defect_rates(n1_defects, n1_total, n2_defects, n2_total, alpha=0.05):
"""
2つの不良率の比較（統計的検定）
Parameters:
-----------
n1_defects, n1_total : int
グループ1の不良品数と総数
n2_defects, n2_total : int
グループ2の不良品数と総数
alpha : float
有意水準（デフォルト: 0.05 = 5%）
Returns:
--------
dict : 検定結果
"""
p1 = n1_defects / n1_total
p2 = n2_defects / n2_total
# プール推定値
p_pooled = (n1_defects + n2_defects) / (n1_total + n2_total)
# 標準誤差
se = np.sqrt(p_pooled * (1 - p_pooled) * (1/n1_total + 1/n2_total))
# z統計量
z_stat = (p1 - p2) / se
p_value = 2 * (1 - stats.norm.cdf(abs(z_stat)))
return {
'p1': p1,
'p2': p2,
'p1_ppm': p1 * 1e6,
'p2_ppm': p2 * 1e6,
'difference': p1 - p2,
'difference_ppm': (p1 - p2) * 1e6,
'z_statistic': z_stat,
'p_value': p_value,
'significant': p_value < alpha,
'alpha': alpha
}
# 不良率計算の例
n_defects = 45
n_total = 5000
result = calculate_defect_rate_ci(n_defects, n_total, confidence=0.95)
print("=" * 70)
print("不良率分析結果")
print("=" * 70)
print(f"検査総数: {result['n_total']:,} 個")
print(f"不良品数: {result['n_defects']:,} 個")
print(f"不良率: {result['defect_pct']:.3f}%")
print(f"不良率 [ppm]: {result['defect_ppm']:.1f} ppm")
print(f"\n95%信頼区間:")
print(f" 下限: {result['ci_lower']*100:.3f}% ({result['ci_lower_ppm']:.1f} ppm)")
print(f" 上限: {result['ci_upper']*100:.3f}% ({result['ci_upper_ppm']:.1f} ppm)")
print(f"\nWilson信頼区間（推奨）:")
print(f" 下限: {result['wilson_lower']*100:.3f}% ({result['wilson_lower_ppm']:.1f} ppm)")
print(f" 上限: {result['wilson_upper']*100:.3f}% ({result['wilson_upper_ppm']:.1f} ppm)")
print("=" * 70)
# 改善前後の不良率比較
print("\n" + "=" * 70)
print("改善効果の統計的検証")
print("=" * 70)
# 改善前
n1_defects = 45
n1_total = 5000
# 改善後
n2_defects = 28
n2_total = 5000
comparison = compare_defect_rates(n1_defects, n1_total, n2_defects, n2_total, alpha=0.05)
print(f"改善前 不良率: {comparison['p1_ppm']:.1f} ppm")
print(f"改善後 不良率: {comparison['p2_ppm']:.1f} ppm")
print(f"改善効果: {-comparison['difference_ppm']:.1f} ppm ({-comparison['difference']*100:.3f}%)")
print(f"\n統計的検定:")
print(f" z統計量: {comparison['z_statistic']:.3f}")
print(f" p値: {comparison['p_value']:.4f}")
print(f" 有意水準: {comparison['alpha']}")
if comparison['significant']:
print(f"✅ 結論: 改善効果は統計的に有意です（p < {comparison['alpha']}）")
else:
print(f"⚠️ 結論: 改善効果は統計的に有意ではありません（p >= {comparison['alpha']}）")
# 可視化
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(14, 5))
# 不良率の信頼区間
categories = ['改善前', '改善後']
rates = [comparison['p1_ppm'], comparison['p2_ppm']]
ci_lower_before = calculate_defect_rate_ci(n1_defects, n1_total)['wilson_lower_ppm']
ci_upper_before = calculate_defect_rate_ci(n1_defects, n1_total)['wilson_upper_ppm']
ci_lower_after = calculate_defect_rate_ci(n2_defects, n2_total)['wilson_lower_ppm']
ci_upper_after = calculate_defect_rate_ci(n2_defects, n2_total)['wilson_upper_ppm']
errors = [
[rates[0] - ci_lower_before, ci_upper_before - rates[0]],
[rates[1] - ci_lower_after, ci_upper_after - rates[1]]
]
bars = ax1.bar(categories, rates, yerr=np.array(errors).T, capsize=10,
color=['#ef5350', '#11998e'], edgecolor='black', linewidth=1.5)
for bar, rate in zip(bars, rates):
height = bar.get_height()
ax1.text(bar.get_x() + bar.get_width()/2., height + 0.5,
f'{rate:.1f} ppm', ha='center', va='bottom', fontsize=11, fontweight='bold')
ax1.set_ylabel('不良率 [ppm]', fontsize=11)
ax1.set_title('改善前後の不良率比較（95%信頼区間）', fontsize=12, fontweight='bold')
ax1.grid(alpha=0.3, axis='y')
# 不良品数の推移（架空の時系列データ）
months = np.arange(1, 13)
defects_before = np.random.poisson(9, 6) # 改善前（平均9個/月）
defects_after = np.random.poisson(5.6, 6) # 改善後（平均5.6個/月）
defects_trend = np.concatenate([defects_before, defects_after])
ax2.plot(months, defects_trend, marker='o', linewidth=2, markersize=8, color='#11998e')
ax2.axvline(x=6.5, color='red', linestyle='--', linewidth=2, label='改善実施')
ax2.fill_between(months[:6], 0, 20, alpha=0.1, color='#ef5350', label='改善前')
ax2.fill_between(months[6:], 0, 20, alpha=0.1, color='#11998e', label='改善後')
ax2.set_xlabel('月', fontsize=11)
ax2.set_ylabel('不良品数 [個/月]', fontsize=11)
ax2.set_title('不良品数の推移', fontsize=12, fontweight='bold')
ax2.legend(fontsize=10)
ax2.grid(alpha=0.3)
plt.tight_layout()
plt.show()
解説: 不良率の評価には信頼区間の計算が重要です。Wilson信頼区間は小標本でも精度が高く推奨されます。改善効果の検証には、統計的仮説検定（z検定）を用いて有意性を確認します。
コード例7: 5回のなぜ（5 Why分析）
class FiveWhyAnalysis:
"""
5回のなぜ（5 Why）分析ツール
"""
def __init__(self, problem):
self.problem = problem
self.whys = []
self.root_cause = None
self.corrective_actions = []
def add_why(self, question, answer):
"""
「なぜ」の追加
Parameters:
-----------
question : str
なぜ？という質問
answer : str
その回答（次の原因）
"""
self.whys.append({
'level': len(self.whys) + 1,
'question': question,
'answer': answer
})
def set_root_cause(self, root_cause):
"""
根本原因の設定
"""
self.root_cause = root_cause
def add_corrective_action(self, action, responsible, deadline):
"""
是正措置の追加
Parameters:
-----------
action : str
是正措置内容
responsible : str
責任者
deadline : str
期限
"""
self.corrective_actions.append({
'action': action,
'responsible': responsible,
'deadline': deadline
})
def visualize(self):
"""
5 Why分析の可視化
"""
print("=" * 80)
print("5回のなぜ（5 Why）分析")
print("=" * 80)
print(f"問題: {self.problem}\n")
for why in self.whys:
print(f"なぜ{why['level']}: {why['question']}")
print(f"→ {why['answer']}\n")
if self.root_cause:
print(f"🎯 根本原因: {self.root_cause}\n")
if self.corrective_actions:
print("-" * 80)
print("是正措置（Corrective Actions）:")
print("-" * 80)
for i, action in enumerate(self.corrective_actions, 1):
print(f"{i}. {action['action']}")
print(f" 責任者: {action['responsible']} | 期限: {action['deadline']}\n")
print("=" * 80)
# 5 Why分析の実例
analysis = FiveWhyAnalysis(problem='製品純度が規格下限を下回った（97.2%、規格: ≥97.5%）')
analysis.add_why(
question='なぜ製品純度が低いのか？',
answer='反応温度が目標値（185°C）より低かった（180°C）'
)
analysis.add_why(
question='なぜ反応温度が低かったのか？',
answer='温度センサーの読み値が実際より5°C高く表示されていた'
)
analysis.add_why(
question='なぜ温度センサーの読み値がずれていたのか？',
answer='温度センサーの校正が実施されていなかった'
)
analysis.add_why(
question='なぜ温度センサーの校正が実施されていなかったのか？',
answer='校正スケジュールが管理されておらず、期限切れに気づかなかった'
)
analysis.add_why(
question='なぜ校正スケジュールが管理されていなかったのか？',
answer='計測器管理システム（保守管理台帳）が整備されていなかった'
)
analysis.set_root_cause(
'計測器管理システムの不備により、校正期限の管理ができていなかった'
)
# 是正措置の追加
analysis.add_corrective_action(
action='計測器管理台帳（Excelベース）を作成し、全計測器の校正期限を登録',
responsible='品質保証課 田中',
deadline='2025-11-15'
)
analysis.add_corrective_action(
action='校正期限1ヶ月前に自動アラートメールを送信する仕組みを構築',
responsible='生産技術課 佐藤',
deadline='2025-11-30'
)
analysis.add_corrective_action(
action='全温度センサー（12台）の緊急校正を実施',
responsible='保全課 鈴木',
deadline='2025-11-10'
)
analysis.add_corrective_action(
action='毎月の品質会議で計測器校正状況をレビューする手順を追加',
responsible='品質保証課 田中',
deadline='2025-12-01'
)
# 分析結果の表示
analysis.visualize()
# 5 Why分析のフローチャート（Mermaid）
print("\n5 Why分析フローチャート:")
print("""
```mermaid
graph TD
A[問題: 製品純度低下 97.2%] --> B[なぜ1: 反応温度が低い 180°C]
B --> C[なぜ2: センサー読み値がずれている +5°C誤差]
C --> D[なぜ3: センサー校正が未実施]
D --> E[なぜ4: 校正スケジュール未管理]
E --> F[なぜ5: 計測器管理システム不備]
F --> G[🎯 根本原因: 管理システム整備不足]
G --> H[是正措置1: 管理台帳作成]
G --> I[是正措置2: 自動アラート]
G --> J[是正措置3: 緊急校正]
G --> K[是正措置4: 定期レビュー]
style A fill:#ef5350
style G fill:#11998e
style H fill:#c8e6c9
style I fill:#c8e6c9
style J fill:#c8e6c9
style K fill:#c8e6c9
```
""")
解説: 5回のなぜ（5 Why）分析は、問題の表面的な原因ではなく、根本原因を特定する手法です。「なぜ」を繰り返すことで、管理システムやプロセスレベルの問題を発見できます。
コード例8: 品質メトリクスダッシュボード
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from datetime import datetime, timedelta
class QualityMetricsDashboard:
"""
品質管理ダッシュボード
"""
def __init__(self):
self.metrics = {
'dates': [],
'yield': [], # 収率 [%]
'purity': [], # 純度 [%]
'defect_rate': [], # 不良率 [ppm]
'first_pass_yield': [], # 初回合格率 [%]
'customer_complaints': [] # 顧客クレーム件数
}
def add_daily_metrics(self, date, yield_pct, purity, defect_ppm, fpy, complaints):
"""
日次品質メトリクスの追加
"""
self.metrics['dates'].append(date)
self.metrics['yield'].append(yield_pct)
self.metrics['purity'].append(purity)
self.metrics['defect_rate'].append(defect_ppm)
self.metrics['first_pass_yield'].append(fpy)
self.metrics['customer_complaints'].append(complaints)
def calculate_kpis(self):
"""
KPIの計算
"""
df = pd.DataFrame(self.metrics)
kpis = {
'avg_yield': df['yield'].mean(),
'avg_purity': df['purity'].mean(),
'avg_defect_rate': df['defect_rate'].mean(),
'avg_fpy': df['first_pass_yield'].mean(),
'total_complaints': df['customer_complaints'].sum(),
'yield_std': df['yield'].std(),
'purity_std': df['purity'].std()
}
return kpis
def visualize_dashboard(self):
"""
品質ダッシュボードの可視化
"""
df = pd.DataFrame(self.metrics)
kpis = self.calculate_kpis()
fig = plt.figure(figsize=(16, 10))
gs = fig.add_gridspec(3, 3, hspace=0.3, wspace=0.3)
# 1. 収率の推移
ax1 = fig.add_subplot(gs[0, 0])
ax1.plot(df['dates'], df['yield'], marker='o', linewidth=2, color='#11998e')
ax1.axhline(y=kpis['avg_yield'], color='red', linestyle='--', linewidth=1.5,
label=f'平均: {kpis["avg_yield"]:.1f}%')
ax1.set_ylabel('収率 [%]', fontsize=10)
ax1.set_title('収率の推移', fontsize=11, fontweight='bold')
ax1.legend(fontsize=8)
ax1.grid(alpha=0.3)
ax1.tick_params(axis='x', rotation=45)
# 2. 純度の推移
ax2 = fig.add_subplot(gs[0, 1])
ax2.plot(df['dates'], df['purity'], marker='s', linewidth=2, color='#38ef7d')
ax2.axhline(y=kpis['avg_purity'], color='red', linestyle='--', linewidth=1.5,
label=f'平均: {kpis["avg_purity"]:.2f}%')
ax2.axhline(y=97.5, color='orange', linestyle='--', linewidth=1.5, alpha=0.7,
label='規格下限: 97.5%')
ax2.set_ylabel('純度 [%]', fontsize=10)
ax2.set_title('製品純度の推移', fontsize=11, fontweight='bold')
ax2.legend(fontsize=8)
ax2.grid(alpha=0.3)
ax2.tick_params(axis='x', rotation=45)
# 3. 不良率の推移
ax3 = fig.add_subplot(gs[0, 2])
ax3.plot(df['dates'], df['defect_rate'], marker='^', linewidth=2, color='#ffa726')
ax3.axhline(y=kpis['avg_defect_rate'], color='red', linestyle='--', linewidth=1.5,
label=f'平均: {kpis["avg_defect_rate"]:.0f} ppm')
ax3.set_ylabel('不良率 [ppm]', fontsize=10)
ax3.set_title('不良率の推移', fontsize=11, fontweight='bold')
ax3.legend(fontsize=8)
ax3.grid(alpha=0.3)
ax3.tick_params(axis='x', rotation=45)
# 4. 初回合格率（FPY）
ax4 = fig.add_subplot(gs[1, 0])
ax4.plot(df['dates'], df['first_pass_yield'], marker='D', linewidth=2, color='#42a5f5')
ax4.axhline(y=kpis['avg_fpy'], color='red', linestyle='--', linewidth=1.5,
label=f'平均: {kpis["avg_fpy"]:.1f}%')
ax4.set_ylabel('初回合格率 [%]', fontsize=10)
ax4.set_title('初回合格率（FPY）の推移', fontsize=11, fontweight='bold')
ax4.legend(fontsize=8)
ax4.grid(alpha=0.3)
ax4.tick_params(axis='x', rotation=45)
# 5. 顧客クレーム件数
ax5 = fig.add_subplot(gs[1, 1])
ax5.bar(df['dates'], df['customer_complaints'], color='#ef5350',
edgecolor='black', linewidth=0.8)
ax5.set_ylabel('クレーム件数', fontsize=10)
ax5.set_title('顧客クレーム件数', fontsize=11, fontweight='bold')
ax5.grid(alpha=0.3, axis='y')
ax5.tick_params(axis='x', rotation=45)
# 6. KPIサマリー（テキスト表示）
ax6 = fig.add_subplot(gs[1, 2])
ax6.axis('off')
kpi_text = f"""
品質KPIサマリー
収率:
平均: {kpis['avg_yield']:.1f}%
標準偏差: {kpis['yield_std']:.2f}%
純度:
平均: {kpis['avg_purity']:.2f}%
標準偏差: {kpis['purity_std']:.3f}%
不良率:
平均: {kpis['avg_defect_rate']:.0f} ppm
初回合格率:
平均: {kpis['avg_fpy']:.1f}%
顧客クレーム:
総件数: {int(kpis['total_complaints'])} 件
"""
ax6.text(0.1, 0.5, kpi_text, fontsize=10, verticalalignment='center',
family='monospace', bbox=dict(boxstyle='round', facecolor='#e8f5e9',
edgecolor='black', linewidth=1.5))
# 7. 収率・純度の散布図
ax7 = fig.add_subplot(gs[2, :2])
scatter = ax7.scatter(df['yield'], df['purity'], c=df['defect_rate'],
cmap='RdYlGn_r', s=100, edgecolor='black', linewidth=1)
ax7.set_xlabel('収率 [%]', fontsize=10)
ax7.set_ylabel('純度 [%]', fontsize=10)
ax7.set_title('収率 vs 純度（色: 不良率）', fontsize=11, fontweight='bold')
cbar = plt.colorbar(scatter, ax=ax7)
cbar.set_label('不良率 [ppm]', fontsize=9)
ax7.grid(alpha=0.3)
# 8. 品質トレンド（移動平均）
ax8 = fig.add_subplot(gs[2, 2])
window = 3
ma_purity = df['purity'].rolling(window=window).mean()
ax8.plot(df['dates'], df['purity'], 'o-', linewidth=1, alpha=0.5,
label='実測値', color='gray')
ax8.plot(df['dates'], ma_purity, linewidth=2.5, label=f'{window}日移動平均',
color='#11998e')
ax8.set_ylabel('純度 [%]', fontsize=10)
ax8.set_title('純度トレンド（移動平均）', fontsize=11, fontweight='bold')
ax8.legend(fontsize=8)
ax8.grid(alpha=0.3)
ax8.tick_params(axis='x', rotation=45)
plt.suptitle('品質管理ダッシュボード', fontsize=14, fontweight='bold', y=0.995)
plt.tight_layout()
plt.show()
# ダッシュボードの作成（30日間のデータ）
dashboard = QualityMetricsDashboard()
np.random.seed(42)
start_date = datetime(2025, 10, 1)
for i in range(30):
date = start_date + timedelta(days=i)
# 品質メトリクスのシミュレーション
yield_pct = np.random.normal(92.5, 1.5)
purity = np.random.normal(98.2, 0.4)
defect_ppm = np.random.poisson(850)
fpy = np.random.normal(94.5, 2.0)
complaints = np.random.poisson(1.2)
dashboard.add_daily_metrics(
date=date.strftime('%m/%d'),
yield_pct=yield_pct,
purity=purity,
defect_ppm=defect_ppm,
fpy=fpy,
complaints=complaints
)
# ダッシュボード表示
dashboard.visualize_dashboard()
# KPIサマリー
kpis = dashboard.calculate_kpis()
print("=" * 60)
print("品質管理 KPIサマリー（30日間）")
print("=" * 60)
print(f"平均収率: {kpis['avg_yield']:.2f}% ± {kpis['yield_std']:.2f}%")
print(f"平均純度: {kpis['avg_purity']:.3f}% ± {kpis['purity_std']:.3f}%")
print(f"平均不良率: {kpis['avg_defect_rate']:.0f} ppm")
print(f"平均初回合格率: {kpis['avg_fpy']:.2f}%")
print(f"総顧客クレーム: {int(kpis['total_complaints'])} 件")
print("=" * 60)
解説: 品質メトリクスダッシュボードにより、収率、純度、不良率、初回合格率（FPY）、顧客クレーム件数など、複数の品質指標を統合的に可視化・管理できます。移動平均や相関分析により、品質トレンドを把握します。
1.3 本章のまとめ
学んだこと
- 品質管理の基本概念
- QC、QA、QMSの違いと役割
- 品質管理の発展（検査 → SPC → TQM）
- プロセス能力評価
- Cp、Cpkによる定量的評価
- 不良率の推定と信頼区間
- 品質改善手法
- パレート分析による重点管理項目の特定
- 特性要因図（フィッシュボーン図）による根本原因分析
- 5回のなぜ分析
- TQMと継続的改善
- PDCAサイクルの実践
- 品質コスト（COQ）分析
- 品質メトリクスの統合管理
重要なポイント
- プロセス能力指数（Cpk ≥ 1.33）は品質管理の重要指標
- パレート分析により、少数の重要要因を優先的に改善する
- PDCAサイクルで継続的改善を実現し、効果を定量的に測定する
- 品質コストは、予防・評価への投資で失敗コストを削減できる
- 統計的手法（信頼区間、仮説検定）で改善効果を科学的に検証する
次の章へ
第2章では、統計的プロセス管理（SPC）を詳しく学びます：
- X-bar管理図、R管理図、p管理図の作成
- EWMA管理図、CUSUM管理図による異常検知
- 管理限界線の計算と特殊原因変動の検出
- 化学プロセスへのSPC適用