MBBへの道8 統計分布と工程能力指数で学ぶ品質管理の本質
今回は基本に立ち返っての標本分布概論。品質統計とシックスシグマの基礎を備忘録として。

なぜこれを学ぶのか — 品質とばらつき
製造業では、同じ条件で同じ製品を作っても、完全に同じものは二つと存在しない。ねじの直径、電子部品の抵抗値、薬の成分濃度——すべてに「ばらつき」がある。
このばらつきが大きすぎると、規格外の不良品が生まれる。逆に、ばらつきが小さく、平均値が目標とぴったり一致していれば、ほぼすべての製品が規格内に収まる。
統計分布とは、このばらつきの実態を数学的に理解するための道具である。 そして、その理解を元に、品質を改善するための判断をしていくのだ。
シックスシグマの目標
シックスシグマと呼ばれる品質管理手法の目標は、二つの同時実現にある。
1. 規格の中心に寄せる
製品の平均値をターゲットとぴったり一致させることである。中心からズレていれば、片側に不良品が集中しやすくなる。
2. ばらつきを抑える
同じ条件で作っても起きるばらつきそのものを小さくすることである。ばらつきが大きければ、どれほど中心に合わせても、両端に不良品が逃れ出す。
この二つを同時に実現することで、工程能力指数CP/Cpkを向上させ、不良品をゼロに近づけるよう努力する。
正規分布 — ばらつきの標準形

正規分布
統計学で最も重要な分布が正規分布である。自然界や製造環境のほぼすべてのばらつきは、この釣り鐘型の曲線に従う。
正規分布は、自然界や人間社会のあらゆるデータが従う確率分布である。例えば、人間の身長、降水量、製品の寸法など、ランダムに発生する現象の大多数は正規分布で説明できる。
正規分布の特徴:
- 山型の曲線を描く
- 平均値を中心に左右対称
- 平均値から遠いデータほど少なくなる
- 2つのパラメータで完全に決まる:平均値μと標準偏差σ
正規分布の中心(平均値μ)から、どのくらい離れているか、その距離を「シグマ(σ)」という単位で測る。
正規分布の68−95−99.7則
- 平均値から±1σ以内に全体の約68%が含まれる
- 平均値から±2σ以内に全体の約95%が含まれる
- 平均値から±3σ以内に全体の約99.7%が含まれる
- 平均値から±6σ以内に全体の約99.99966%が含まれる(つまり10億個に約2個が外れる)
製品の規格上限(USL)と下限(LSL)が決まっているとき、正規分布を使えば、どのくらいの割合が規格外になるかを予測できるのである。
Cpkと不良率の関係 — 理論と現実
工程能力指数Cpkは、「規格の中心にどれだけ寄っているか」「ばらつきがどれだけ小さいか」を数値化したものである。
Cpkと不良率(DPMO:100万個あたりの欠陥個数)の対応:
- Cpk = 1.00 → 約2,700 DPMO(27,000個に1個の不良)
- Cpk = 1.33 → 約63 DPMO(4シグマ相当)
- Cpk = 1.67 → 約0.57 DPMO(5シグマ相当)
- Cpk = 2.00 → 3.4 DPMO(6シグマ相当、100万個中3.4個)
なぜ”Cpk”なのか — 平均値のズレも品質
これまでCpk(工程能力指数)という言葉を何度も使ってきたが、ここで重要な問いが生じる。
「Cpと何が違うのか」
Cpは「規格幅とばらつきだけ」を見ている指標である。
つまり、「規格の幅が±3シグマなら、Cp = 1.00」という単純な計算だ。平均値がどこにあるかは、Cpには関係ない。
一方Cpkは「平均値が規格の中心からどれだけズレているか」も考慮する指標である。
例えば:
- 規格:100 ± 5mm(95~105mm)
- プロセスAの平均値:100mm、ばらつき1.5mm → Cpk = 1.33(優秀)
- プロセスBの平均値:98mm、ばらつき1.5mm → Cpk = 0.89(不良品が出る危険性あり)
両者のばらつきは同じだが、平均値がズレているプロセスBは、片側に不良品が集中する。Cpだけ見れば「同じ」だが、Cpkで見れば「全く違う」のだ。
シックスシグマの目標は「規格の中心に寄せ、かつばらつきを抑える」という二つを同時に実現すること。
だから、平均値のズレが直接品質に影響するCpkを使う。Cpを使ったら、「平均値がどこにあるかは関係ない」という誤ったメッセージになってしまう。
ちなみにCpkの「k」は「偏り」のk。

1.5シグマシフト — 理論と現実のギャップを埋める設計
ここが最も混乱を生むポイントである。
純粋な理論値
もし機械が完全に管理され、平均値が一度も動かなければ、Cpk = 2.00(6σ設計)の工程の不良率は、10億個に2~3個程度になるはずである。
現実のドリフト
しかし、製造現場の現実はそうではない。
- 機械が時間とともに摩耗し、精度がズレる
- 原材料のロットが変わると、特性が微妙に変わる
- 作業者のわずかな癖や熟練度の差が影響する
- 工場内の温度や湿度が季節や時間で変わる
これらすべての要因が、どれほど管理しても、長期の運用では工程の平均値を少しずつ中央からズラしていく。
統計的に、この平均値のズレは最大1.5σに達することがあるとされている。これを「1.5シグマドリフト」と呼ぶ。
結果として
つまり、こういうことである。
その時点では達成できた6σが、実運用では1.5σだけ悪い方(も含めて)にズレるから、実質的には4.5σ相当になってしまう。
そして4.5σ相当の不良率は、100万個中3.4個(3.4 DPMO)なのである。
「6シグマ達成」という数字は、短期のサンプル測定に基づいた理論値である。
しかし、現実の長期運用では、この不可避なドリフトが起きるため、結果的に100万個中3.4個という不良率で着地することになる。
これが、シックスシグマが「100万個中3.4個の不良率」を現実的な目標にしている理由である。
不良を甘受しているのではなく、現実の製造環境では避けられない平均値のズレがあるという事実に基づいた、誠実な品質設計なのだ。
とはいえLeanの人間からは揶揄われる。
「シックスシグマは、100万分の3.4個の不良を認めるんだろ? Leanは完璧を目指すんだよ。1個の不良も認めないんだ。お前らとは違う!」とか何とか😆
t分布:小さなサンプルサイズでの判定
t分布が必要な理由
製造現場で例えば製造した1,000個全ての製品を検査することは現実的ではない。
通常、1日の生産量から10個、20個といった小さなサンプルを抽出して測定し、そこから全体を推測する。
ここで問題となるのが、小さいサンプルサイズの場合、正規分布を使った判定が不正確になるということだ。
そこで登場するのがt分布である。
t分布の特性
t分布は、正規分布に似ているが、両端の裾が正規分布よりも厚い(外れ値が出やすい)という特徴がある。
- サンプルサイズが小さい時に用いられる(30未満くらい)
- サンプルサイズが大きくなると正規分布に近づく(n→∞で正規分布と同じになる)
- 自由度という概念がある(df = n − 1)

実務的な活用場面
製造現場で「今日の生産ロットの平均寸法は規格内か」を判定する際、サンプル数が少ない場合はt検定を使う。
これにより、小さなサンプルでも統計的に信頼性の高い結論を導き出せる。
もしも正規分布だけを使ったら、どうなるか?
データが大量にあれば、正規分布は非常に正確である。
だが、わずか10個のサンプルから工程全体を推測する場合、その10個がたまたま偏ってしまう可能性がある。
正規分布を使って「95%の確信度」で判定しても、実際には信頼度がもっと低いかもしれない。
これでは、品質判定がとても危険になる。その意味おいてこのt分布の発見は、とても画期的なものだった。
このt分布を見つけ出したコゼットさんという方のお話は、以下の記事から読めまする。
実務例:日々の品質判定
ある工程から毎朝10個のサンプルを抜き出して測定する。
本日の測定結果:
- サンプル10個の平均値:99.8mm
- ばらつき(標準偏差):0.3mm
- 規格:100.0mm ± 0.5mm(つまり99.5~100.5mm)
質問:「この工程全体の平均値は、95%の確信度で、どの範囲に入るか?」
もしこれを正規分布だけで判定すれば:99.8 ± 0.19 = 99.6~99.98mm
しかし、サンプルが小さいことを考慮して、t分布で判定すると:99.8 ± 0.22 = 99.58~99.98mm
差は小さく見えるが、品質判定という文脈では重要である。なぜなら、「本当に工程の平均値が100.0mmに来ているのか」という判定が変わるからだ。
t分布を使うことで、この不確かさを適切に考慮した上で、「今日のサンプルから推測して、工程は合格か不合格か」を判定できるのである。
χ二乗分布(カイ二乗分布):分布そのものの良さを測る
χ二乗分布の役割
χ二乗分布は、「観測データの分布が理論通りか」を判定するために用いられる。
たとえば、サイコロを60回振ったとき、理論上は各目が10回ずつ出るはずである。
しかし実際には、バラつきが生じる。このばらつきが「単なる偶然の範囲か」「有意な違いか」を判定するのがχ二乗検定である。
製造現場での実務例:
A日、B日、C日、D日の不良品の発生数が均等に出ると期待できるが、実際には:
- A日:15個
- B日:8個
- C日:12個
- D日:5個
このように偏っている。この偏りは「たまたま」か、「A日に機械の問題があった」という有意な問題か? χ二乗検定でこれを判定。
χ二乗分布の特徴:
- 「観測度数」と「期待度数」のズレを数値化する
- χ二乗値が大きいほど、理論値からのズレが大きい
- χ二乗値が有意水準を超えれば、「有意な差がある」と判定される
χ二乗分布の特性
- 左に偏った非対称な分布(右裾が長い)
- 自由度によって形状が変わる
- 自由度が大きいほど正規分布に近づく
- 常に正の値のみを取る(二乗の合計だから)

品質管理での応用
製造現場では、製品の不良の種類が「ランダムに起きているか」「特定の原因があるか」を判定する際にχ二乗検定を使う。
例えば、ある機械から出た製品に「キズ不良」が多く出ていないか、統計的に有意かどうかを判定できる。
F分布:2つのプロセスを比較
F分布が解く問題
F分布は、2つ以上のグループ間で、バラつき(分散)に有意な差があるかを判定するために用いられる。

製造現場では、こんな問題が生じる。
- A工場とB工場の製品のバラつきに差があるか
- 午前シフトと午後シフトで生産品質に差があるか
- 機械Aと機械Bで同じ精度を保っているか
これらを判定するのがF検定であり、その根拠となるのがF分布である。
製造現場では、しばしば「複数の条件下で作ったグループ間に、本当の品質差があるのか」という判定が必要になる。
- A工場とB工場の製品のばらつき(精度)に差があるか
- 午前シフトと午後シフトで生産品質に差があるか
- 機械Aと機械Bで同じ精度を保っているか
こうした判定に使うのが、F分布に基づいた分散分析である。
ポイント:全体のばらつきを「分解」する
A工場とB工場の製品サイズを比較する場合を考えよう。理想値は100mmだ。
- A工場の製品:100.1, 100.2, 99.9, 100.0, 100.1(平均100.06mm、社内のばらつき小)
- B工場の製品:98.5, 99.8, 100.1, 101.5, 100.2(平均100.02mm、社内のばらつき大)
全体のばらつきは、二つに分解できる:
- グループ内のばらつき(A工場内でのばらつき + B工場内でのばらつき)
- A工場製品は100.06mmの周りに密集(ばらつき0.1mm程度)
- B工場製品は100.02mmの周りに散らばっている(ばらつき1.5mm程度)
- グループ間のばらつき(A工場の平均 vs B工場の平均)
- A工場平均:100.06mm
- B工場平均:100.02mm
- 差:0.04mm
F検定の考え方
F値 = グループ間のばらつき / グループ内のばらつき
- もしF値が大きければ(例えば5以上):グループ間の差の方が、グループ内のばらつきより大きい。つまり、「A工場とB工場に本当の品質差がある」と判定できる。
→ 機械の精度差、作業方法の差など、原因追及が必要。 - もしF値が小さければ(例えば1.2程度):グループ内のばらつきが大きく、グループ間の差は相対的に小さい。
つまり、「グループ間に有意な差はない。観察された違いは単なる偶然」と判定できる。
実務的な意味 分散分析(ANOVA)
分散が小さい(バラつきが小さい)ほど、プロセスが安定していると言える。
F検定で有意差が出れば、「2つのプロセスは異なる特性を持つ」と結論でき、原因追及や改善の方向性が見えてくる。
このような目的にANOVAを使用するわけだが、その中で「全体のばらつきの原因は、どこにあるのか」をF検定を使って統計的に見つけ出す。
- 工場間で大きく異なるなら、工場間の差を解消する必要がある
- シフト間で大きく異なるなら、シフト管理に問題がある
- 機械間で大きく異なるなら、機械の保守や調整が必要だ
F分布は、このように「複数の条件・グループの中で、品質に影響を与えている本当の要因がどこか」を、統計的に明らかにするのである。
これらの分布がCpkに結びつく
分布から見える品質の姿
4つの分布は、それぞれ異なる役割を持つが、最終的には全てプロセスの安定性と能力を測るための道具である。
- 正規分布:プロセス全体のデータの形を知る
- t分布:小サンプルでも統計的判定を可能にする
- χ二乗分布:分布形状の異常を検知する
- F分布:複数プロセス間の相違を見つける
これらの分析を通じて、現在のプロセスの標準偏差σを計算し、規格幅との関係からCpkを求める。
Cpkが高いほど不良率は低く、目指すべき値は、まずはCpk ≥ 1.33(4シグマ)である。

日本規格協会新版QC入門講座6 データのまとめ方と活用より
こんなの商売しちゃいけないレベル。
まとめ:統計学が示す品質の約束
統計やさまざまな分布は簡単ではないが、製品の品質を守るための実務的な言語である。
正規分布で現状を把握し、t分布で信頼できる判定を下し、χ二乗分布で異常を見つけ、F分布で改善効果を確認する。
このサイクルを回すことで、不良率を指数関数的に低下させ、顧客満足度を劇的に高める。
これがシックスシグマ改善活動の核心であり、統計学を学ぶ本当の価値である。
シックスシグマの「100万個中3.4個」という目標は、一見すると「これで十分」という諦めに見えるかもしれない。
しかし、これは諦めではなく、誠実さである。
理想としては、短期で測定した6σ(10億分2~3個)がそのまま続けば良い。
だが、現実は違う。機械は摩耗し、材料は変わり、環境は揺らぐ。そこから必ず1.5σのドリフトが生じる。
これは「管理が甘い」のではなく、「自然界の不可避な現象」だ。
シックスシグマは、この現実を直視した上で、それでも100万個中3.4個という驚異的な品質を実現するという設計になっている。
完璧さを求め続けるが、完璧を手に入れられない世界に対して、統計学を使って向き合う。
統計分布の理解があれば、このような現実的で、かつ継続的に改善を目指す品質管理が可能になる。
