投稿者: QCプラネッツ

★ 本記事のテーマ

★ QCに必要な「検定と推定問題集」を販売します！

①計量値、計数値、分割表における検定と推定②重要パターン問題、➂QC検定®１級レベルの応用問題と➃検出力の、全４５題。

大事ですね。

よく下表のように書いてあり、
主張したい対立仮説H₁が
「真」と判断できる確率を
「検出力　1-β」
と書きます。

計量抜取検査の理論は検出力の導出がベースです。しっかりここでマスターして計量抜取検査もマスターしましょう。QCプラネッツは計量抜取検査をしっかりまとめています。ご確認ください。

計量抜取検査がすべてわかる【まとめ】 計量抜取検査のエッセンスをすべて解説します。サンプル数n、合格判定係数k、合格判定値の導出、OC曲線の描き方をベースに、標準偏差σの既知、未知や規格値・合格判定値についてそれぞれ詳細に解説します。

検出力を導出する上で、大事になるのが、
有意水準αと検出力1-βの関係図です。

関係図は下図になります。これ、結構大事です！
第１種の誤りも第２種の誤りも、
確率なので、正規分布の面積に該当します。

上図で理解したら、具体的な式を入れて来ます。

ここで、\(u(α),u(β)\)は平均から標準偏差\(σ/\sqrt{n}\)の何倍離れているかを定義する倍数と定義します。

まとめると、
\(μ_0+u(α)\frac{σ}{\sqrt{n}}\)=\(μ-u(β)\frac{σ}{\sqrt{n}}\)
からβについてとnについての式をそれぞれ変形します。
実際、\(μ_0,μ\)の大小はどちらかが大きくなるので、差分に絶対値を付けます。

大事なのは、

実際可視化して見てみましょう。

Excelでグラフを描きますが、下図のように検出力は
=NORM.DIST(ABS($F6)/SQRT(G$2^2/G$3)-NORM.INV(1-G$4,0,1),0,1,TRUE)
として計算します。
NORM.DISTはTRUEより累積確率をもとめており、
NORM.INVは\(u(β)\)を\(β\)に戻す計算をしています。

下図のグラフのx軸を見るとわかりますが、

図を描けば、この理由がよくわかります。
２つの正規分布が近づくと赤い面積（検出力）は削られているのがわかります。これが理由です。

理解を深めたいならば、Excelで１回描いてみてください。式だけではイメージしにくいのでグラフを描いて理解するのが良いでしょう。

次に、「母分散の検定」の検出力を導出しましょう。

真の母分散\(σ^2\)と帰無仮説における母分散\(σ_0^2\)の比を使って
検出力とサンプル数を決定します。

同じ自由度\(n-1\)において、比較する２つの比を用意します。
式についての基礎は関連記事で確認ください。

【簡単】χ2乗分布がすぐ使いこなせる【初心者向け】 χ2乗分布を使うときに注意すべきポイントをわかりやすく解説します。χ2乗分布をすぐ使いこなせたい方は必見です。

ここで、\(S\)は平方和、\(Φ_0とΦ\)に有意水準\(α\)や検出力\(1-β\)が入りますが、下表のような関係で代入します。でもここが難しいですけど。

関係式
●\(\frac{S}{σ_0^2}\)=\(χ^2(n-1,Φ_0)\)
●\(\frac{S}{σ^2}\)=\(χ^2(n-1,Φ)\)
から
●「\(S\)= 」の式に変形します。

\(S\)=\( σ_0^2 χ^2(n-1,Φ_0)\)= \(σ^2 χ^2(n-1,Φ)\)

ここで、\(λ^2\)=\(\frac{σ^2}{σ_0^2}\)とおくと、
\(λ^2\)=\(\frac{σ^2}{σ_0^2}\)=\(\frac{χ^2(n-1,Φ_0)}{χ^2(n-1,Φ)}\)
という関係式ができます。

上図で、わかりやすい図を作ったのですが、
母分散の検定における検出力はイメージしにくいですね。

3問あります。確認しましょう。

★問題

問題文から、「母平均の検出力」の問題とわかりますね。

★(1)の解法

検定棄却域\(u\)は両側検定として正規分布表から1.645です。
別の式で書くと、
\(\frac{u-u_0}{σ/\sqrt{n}}\)=\(\frac{u-60}{4/\sqrt{16}}\)=1.645
より
\(u\)=61.645となります。

母平均62が棄却域に入る確率は、
\(\frac{u-u_0}{σ/\sqrt{n}}\)=\(\frac{62-61.645}{4/\sqrt{16}}\)=0.355
0.355となる確率は正規分布表からP=0.3594 より、
求めたい確率1-P=1-0.3594=0.64
となります。

★(2)の解法

母平均の検定の検出力の式を使います。

\(\frac{u-u_0}{σ/\sqrt{n}}\)=\(K_α+K_β\)から
\(\frac{64-60}{4/\sqrt{n}}\)=1.645+1.645
\(\sqrt{n}\)=3.29から\(n\)=11
となります。

★問題

母平均の検定の検出力の関係式を導出しながら解く問題です。公式暗記だけだと、この問題はむしろ解きにくいはずです。しっかり練習しましょう。

★(1)の解法

●\(\frac{μ-x}{σ/\sqrt{n}}\)=\(K_α\)
●\(α\)=Pr{\(u_0\) ≥ \(K_α\)}

★(2)の解法

●\(\frac{x-μ_0}{σ/\sqrt{n}}\)=\(K_β\)
●\(1-β\)=Pr{\(u\) ≥ \(K_α-\frac{μ-μ_0}{σ/\sqrt{n}}\)}

★(3)の解法

●\(\frac{μ-μ_0}{σ/\sqrt{n}}\)=\(K_α\)+\(K_β\)

★(4)の解法

●\(\frac{μ-μ_0}{σ/\sqrt{n}}\)=\(\frac{51.0-50.0}{1/\sqrt{n}}\)=1.645+1.282
\(\sqrt{n}\)=2.927より、\(n\)=8.42⇒9となります。

★問題

検出力曲線がプロットできる大事な問題です。

★(1)の解法

●\(K_β\)=(30-30)/(2.0/\(\sqrt{16}\))-1.645=-1.645
正規分布表からβ=0.95
よって、検出力1-β=0.05

★(2)の解法

１となります。

★(3)の解法

同じ計算を繰り返していきます。
●\(K_β\)=(30.9-30)/(2.0/\(\sqrt{16}\))-1.645=0.155
●\(K_β\)=(31-30)/(2.0/\(\sqrt{16}\))-1.645=0.355
●\(K_β\)=(31.3-30)/(2.0/\(\sqrt{16}\))-1.645=0.955
●\(K_β\)=(31.8-0)/(2.0/\(\sqrt{16}\))-1.645=1.955

\(K_β\)から正規分布表を使って確率βを求めて、検出力1―βを計算します。結果を表にまとめます。

プロットすると、下図になります。

★(4)の解法

関連記事にもあるように、サンプル数を増やすと検出力は上がります。実際に試してみてください。

★問題

問題文読んでもチンプンカンプンになりがちですが、丁寧に公式代入練習していきましょう。

★(1)の解法

\(χ^2(n-1,β)\) ≤ \(\frac{χ^2(n-1,1-α)}{σ^2/σ_0^2}\)から
\(χ^2(29,β)\) ≤ \(\frac{χ^2(29,0.95)}{10^2/14^2}\)=34.73
ここで、分布表から
●\(χ^2(29,0.75)\)=33.7
●\(χ^2(29,0.90)\)=39.1
と
\(χ^2(29,0.75)\) < \(χ^2(29,β)\) < \(χ^2(29,0.90)\)
と挟めるので、よって、
0.75以上0.9未満となります。

★(2)の解法

\(\frac{1}{4}\) ≤ \(\frac{χ^2(n-1,0.95)}{χ^2(n-1,0.99)}\)
を満たす\(n\)を分布表から探しましょう。
\(n-1\)=17がこの条件を満たすので、\(n=18\)となります。

★問題

問題文読んでもチンプンカンプンになりがちですが、丁寧に公式代入練習していきましょう。

★(1)の解法

\(λ^2\)=\(\frac{σ^2}{σ_0^2}\)=\(\frac{χ^2(n-1,1-α)}{χ^2(n-1,β)}\)
から
\(λ^2\)=\(\frac{15^2}{25^2}\)=\(\frac{χ^2(10,0.95)}{χ^2(9,β)}\)
として、\(β\)の範囲を絞ります。

計算すると
\(χ^2(9,β)\)=9.25となり、
分布表を見ると、 0.25 < \(β\) < 0.50
より、
0. 5 < 1-\(β\) < 0.75

★(2)の解法

\(λ^2\)=\(\frac{σ^2}{σ_0^2}\)=\(\frac{χ^2(n-1,1-α)}{χ^2(n-1,β)}\)
\(λ^2\)=\(\frac{15^2}{25^2}\)=\(\frac{χ^2(n-1,1-0.05)}{χ^2(n-1,0.1)}\)
を満たす\(n\)を探します。
\(n\)=24となります。

★問題

演習問題１，２を合わせた問題です。まとめの問題として取り組みましょう。

★(1)の解法

1-β=Pr{\(\frac{S}{σ^2}\) ≤ \(\frac{χ^2(n-1,0.95)}{λ^2}\)}

★(2)の解法

\(λ^2\)=\(\frac{χ^2(n-1,0.95)}{ χ^2(n-1,0.10)}\)

★(3)の解法

\(λ^2\)=\(\frac{0.26^2}{0.40^2}\)=\(\frac{χ^2(n-1,0.95)}{ χ^2(n-1,0.10)}\)
から、\(n\)=26

以上、母分散の検定における検出力の演習問題を解説しました。

これだけ検出力を学べば十分ですね！

「【必見！】検出力がよくわかる」を解説しました。

★ 本記事のテーマ

★ QCに必要な「検定と推定問題集」を販売します！

①計量値、計数値、分割表における検定と推定②重要パターン問題、➂QC検定®１級レベルの応用問題と➃検出力の、全４５題。

★【結論】 計数値の検定統計量

★【結論】 計量値の検定統計量

標準正規分布に従うがベースとします。関連記事にあるように、
二項分布やポアソン分布は正規分布に近づく性質があります。

【初心者必見！】正規分布、二項分布、ポアソン分布が比較できる 本記事では、期待値、分散の値をそろえると、正規分布、二項分布、ポアソン分布はぴったりそろうことをわかりやすく解説します。

ベースとなる検定統計量は

です。この式くらいは暗記してもOKです。

ただし、１点注意なのは、サンプル数\(n\)の項は含まれていません。ここだけ注意しましょう。

二項分布の期待値と分散はそれぞれ
●E[\(k\)]=\(pn\) (\(k\)=\(pn\))
●V[\(k\)]=\(pn(1-p)\)　 (\(k\)=\(pn\))
です。この関係式を代入すれば二項分布の検定統計量が導出できます。

ポアソン分布の期待値と分散はそれぞれ
●E[\(k\)]=\(λ\)
●V[\(k\)]=\(λ\)
です。この関係式を代入すればポアソン分布の検定統計量が導出できます。

前提条件は、

検定統計量の出発点は、\(u_0\)=\(\frac{\bar{x}-μ_0}{\sqrt{σ}}\)
です。

二項分布の期待値と分散はそれぞれ
●E[\(k\)]=\(pn\) (\(k\)=\(pn\))
●V[\(k\)]=\(pn(1-p)\)　 (\(k\)=\(pn\))

ただし、１つ注意点があります。

なので、\(k=pn\)から\(p=\frac{k}{n}\)と変形して、求めます。

●E[\(p\)]=E[\(\frac{k}{n}\)]=\(\frac{1}{n}\)E[\(k\)]=\(\frac{pn}{n}\)=\(p\)
●V[\(p\)]= V[\(\frac{k}{n}\)]=\(\frac{1}{n^2}\)V[\(k\)]
=\(\frac{pn(1-p)}{n^2}\)=\(\frac{p(1-p)}{n}\)
を使います。

この関係式を代入すれば二項分布の検定統計量が導出できます。

なので、この式を\(u_0\)=\(\frac{\bar{x}-μ_0}{σ}\)に代入します
●\(\bar{x}\)→\(p\)
●\(μ_0\)→\(p_0\)
●\(σ\)→\(\sqrt{\frac{p(1-p)}{n}}\)
を代入するので、

\(u_0\)=\(\frac{\bar{x}-μ_0}{σ}\)
=\(\frac{p-p_0}{\sqrt{\frac{p(1-p)}{n}}}\)
と導出できます。

前提条件は、

検定統計量の出発点は、\(u_0\)=\(\frac{p-p_0}{\sqrt{\frac{p(1-p)}{n}}}\)
です。

分散は加法性を使って
●V(A-B)=V(A)+V(B)= \(\frac{p_A (1-p_A)}{n_A}\)+\(\frac{p_B (1-p_B)}{n_B}\)
とします。

この関係式を代入すれば二項分布の検定統計量が導出できます。

なので、この式を\(u_0\)=\(\frac{p-p_0}{\sqrt{\frac{p(1-p)}{n}}}\)に代入します
●\( p \)→\(p_A\)
●\( p_0\)→\(p_B\)
●\(σ\)→\(\sqrt{\frac{p_A(1-p_A)}{n_A}+\frac{p_B(1-p_B)}{n_B}}\)
を代入するので、

\(u_0\)=\(\frac{\bar{x}-μ_0}{σ}\)
=\(\frac{p_A-p_B}{\sqrt{\frac{p_A(1-p_A)}{n_A}+\frac{p_B(1-p_B)}{n_B}}}\)
と導出できます。

二項分布の検定統計量が導出できました！

実はよく使う公式に、

ですが、よく確かめると

よく式を見ると、
●\(u_0\)=\(\frac{p_A-p_B}{\sqrt{\frac{p_A(1-p_A)}{n_A}+\frac{p_B(1-p_B)}{n_B}}}\)
●\(u_0\)=\(\frac{p_A-p_B}{\sqrt{\bar{p}(1-\bar{p})(\frac{1}{n_A}+\frac{1}{n_B})}}\)
が一致させるには、

\(\frac{p_A(1-p_A)}{n_A}\)=\(\bar{p}(1-\bar{p})\)
かつ
\(\frac{p_B(1-p_B)}{n_B}\)=\(\bar{p}(1-\bar{p})\)
が必要ですが、

(左辺)はAまたはBのみ
(右辺)はA,B両方が含まれる値なので、
片方が実はない(0である)条件以外は結果は一致しません。

●\(u_0\)=\(\frac{p_A-p_B}{\sqrt{\bar{p}(1-\bar{p})(\frac{1}{n_A}+\frac{1}{n_B})}}\)
は試験に出るから丸暗記とならないよう注意が必要です！

前提条件は、

検定統計量の出発点は、\(u_0\)=\(\frac{\bar{x}-μ_0}{\frac{σ}{\sqrt{n}}}\)
です。

ポアソン分布の期待値と分散はそれぞれ
●E[\(λ\)]=\(λ\)
●V[\(λ\)]=\(λ\)です。

二項分布と違って、\(λ\)を直接代入します。

この関係式を代入すればポアソン分布の検定統計量が導出できます。

なので、この式を\(u_0\)=\(\frac{\bar{x}-μ_0}{\frac{σ}{\sqrt{n}}}\)に代入します
●\(\bar{x}\)→\(λ\)
●\(μ_0\)→\(λ_0\)
●\(σ\)→\(\sqrt{\frac{λ_0}{n}}\)
を代入するので、

\(u_0\)=\(\frac{\bar{x}-μ_0}{σ}\)
=\(\frac{λ-λ_0}{\sqrt{\frac{λ_0}{n}}}\)
と導出できます。

前提条件は、

検定統計量の出発点は、\(u_0\)=\(\frac{λ-λ_0}{\sqrt{\frac{λ_0}{n}}}\)
です。

分散は加法性を使って
●V(A-B)=V(A)+V(B)= \(\frac{λ_A}{n_A}\)+ \(\frac{λ_B}{n_B}\)
とします。

この関係式を代入すればポアソン分布の検定統計量が導出できます。

なので、この式を\(u_0\)=\(\frac{p-p_0}{\sqrt{\frac{p(1-p)}{n}}}\)に代入します
●\( p \)→\(p_A\)
●\( p_0\)→\(p_B\)
●\(σ\)→\(\sqrt{\frac{λ_A}{n_A}+\frac{λ_B}{n_B}}\)
を代入するので、

\(u_0\)=\(\frac{\bar{x}-μ_0}{σ}\)
=\(\frac{p_A-p_B}{\sqrt{\frac{λ_A}{n_A}+\frac{λ_B}{n_B}}}\)
と導出できます。

ポアソン分布の検定統計量が導出できました！

標準正規分布に従うので、検定統計量は

となります。この式くらいは暗記してもOKです。

t分布に従うので、検定統計量は

となります。この式くらいは暗記してもOKです。

母分散の既知、未知の違いで
従う分布関数や、検定統計量の式が若干、形が変わります。

前提条件は、

検定統計量の出発点は、\(u_0\)=\(\frac{\bar{x}-μ_0}{\sqrt{σ^2/n}}\)
です。

2つの母集団 N₁(\(μ_1\),\(σ_1^2\)), N₂(\(μ_2\),\(σ_2^2\))からそれぞれn₁個、n₂個データを取り出し、その標本集団をそれぞれN₁’, N₂’とします。

平均と分散はN₁’ (\(μ_1\),\(σ_1^2/n_1\)), N₂’ (\(μ_2\),\(σ_2^2/n_2\))となります。

あるN₁’の点\(\bar{X_1}\)と、あるN₂’の点\(\bar{X_2}\)との差を検定します。その分布N₁’- N₂’を考えると、

●平均(期待値)は、\(μ_1\)-\(μ_2\) とそのまま差として、
●分散は、\(σ_1^2/n_1\)+\(σ_2^2/n_2\)と分散の加法性を使います。

よって、検定統計量は
●\(u_0\)=\(\frac{(\bar{x_1}-μ_1)-(\bar{x_2}-μ_2)}{\sqrt{\frac{σ_1^2}{n_1}+\frac{σ_2^2}{n_2}}}\)
=\(\frac{(\bar{x_1}-\bar{x_2})-(μ_1-μ_2)}{\sqrt{\frac{σ_1^2}{n_1}+\frac{σ_2^2}{n_2}}}\)
となります。

★ ただし！ \(μ_1-μ_2\)=0とする例もあ

母平均差を検定する思いは、母平均差が無いも考えるので、よく
\(μ_1-μ_2\)=0として、
●\(u_0\)=\(\frac{\bar{x_1}-\bar{x_2}}{\sqrt{\frac{σ_1^2}{n_1}+\frac{σ_2^2}{n_2}}}\)
をよく使います。

前提条件は、

検定統計量の出発点は、\(t_0\)=\(\frac{\bar{x}-μ_0}{\sqrt{V/n}}\)
です。

2つの母集団 N₁(\(μ_1\),\(V\)), N₂(\(μ_2\),\(V\))からそれぞれn₁個、n₂個データを取り出し、その標本集団をそれぞれN₁’, N₂’とします。

平均と分散はN₁’ (\(μ_1\),\(V/n_1\)), N₂’ (\(μ_2\),\(V/n_2\))となります。

あるN₁’の点\(\bar{X_1}\)と、あるN₂’の点\(\bar{X_2}\)との差を検定します。その分布N₁’- N₂’を考えると、

●平均(期待値)は、\(μ_1\)-\(μ_2\) とそのまま差として、
●分散は、\(V/n_1\)+\(V/n_2\)=\(V(1/n_1+1/n_2)\)と分散の加法性を使います。

よって、検定統計量は
●\(t_0\)=\(\frac{(\bar{x_1}-μ_1)-(\bar{x_2}-μ_2)}{\sqrt{V(\frac{1}{n_1}+\frac{1}{n_2})}}\)
=\(\frac{(\bar{x_1}-\bar{x_2})-(μ_1-μ_2)}{\sqrt{ V(\frac{1}{n_1}+\frac{1}{n_2})}}\)
となります。

一方、分散\(V\)は、全平方和を全自由度で割ればいいので。
●\(V\)=\(\frac{S_1+S_2}{(n_1-1)+(n_2-1)}\)= \(\frac{S_1+S_2}{n_1+n_2-2}\)
となります。

★ ただし！ \(μ_1-μ_2\)=0とする例もある

母平均差を検定する思いは、母平均差が無いも考えるので、よく
\(μ_1-μ_2\)=0として、
●\(t_0\)=\(\frac{\bar{x_1}-\bar{x_2}}{\sqrt{ V(\frac{1}{n_1}+\frac{1}{n_2})}}\)
をよく使います。

前提条件は、

検定統計量の出発点は、\(t_0\)=\(\frac{\bar{x}-μ_0}{\sqrt{V/n}}\)
です。

2つの母集団 N₁(\(μ_1\),\(V_1\)), N₂(\(μ_2\),\(V_2\))からそれぞれn₁個、n₂個データを取り出し、その標本集団をそれぞれN₁’, N₂’とします。

平均と分散はN₁’ (\(μ_1\),\(V_1/n_1\)), N₂’ (\(μ_2\),\(V_2/n_2\)となります。

あるN₁’の点\(\bar{X_1}\)と、あるN₂’の点\(\bar{X_2}\)との差を検定します。その分布N₁’- N₂’を考えると、

●平均(期待値)は、\(μ_1\)-\(μ_2\) とそのまま差として、
●分散は、\(V_1/n_1\)+\(V_2/n_2\)と分散の加法性を使います。

よって、検定統計量は
●\(t_0\)=\(\frac{(\bar{x_1}-μ_1)-(\bar{x_2}-μ_2)}{\sqrt{\frac{V_1}{n_1}+\frac{V_2}{n_2}}}\)
=\(\frac{(\bar{x_1}-\bar{x_2})-(μ_1-μ_2)}{\sqrt{\frac{V_1}{n_1}+\frac{V_2}{n_2}}}\)
となります。

★ ただし！ \(μ_1-μ_2\)=0とする例もある

母平均差を検定する思いは、母平均差が無いも考えるので、よく
\(μ_1-μ_2\)=0として、
●\(t_0\)=\(\frac{\bar{x_1}-\bar{x_2}}{\sqrt{\frac{V_1}{n_1}+\frac{V_2}{n_2}}}\)
をよく使います。

｢対応のあるとない｣の違いは何でしょうか？
下図にイメージを示します。

対応のある場合は、まとめて１つの分布として計算してもよいとして扱います。

★ 対応のある場合の扱い方

２つの母集団 N₁, N₂からそれぞれn個データを取り出し、それぞれ対応する組み合わせデータ値の差分をとった集団N₁’を作ります。

前提条件は、

検定統計量の出発点は、\(u_0\)=\(\frac{\bar{x}-μ_0}{\sqrt{σ^2/n}}\)
です。

差をdとしているので、
平均は\(\bar{d}\)
分散はN₁’ のデータから別途求めます。今回は\(σ_d^2\)となります。

よって、検定統計量は
●\(u_d\)=\(\frac{(\bar{d}-d_0)}{\sqrt{σ_d^2/n}}\)
となります。

★ただし！ \( d_0\)=0とする例もある

母平均差を検定する思いは、母平均差が無いも考えるので、よく
\( d_0\)=0として、
●\(u_d\)=\(\frac{\bar{d}}{\sqrt{σ_d^2/n}}\)
をよく使います。

前提条件は、

検定統計量の出発点は、\(t_0\)=\(\frac{\bar{x}-μ_0}{\sqrt{V/n}}\)
です。

差をdとしているので、
平均は\(\bar{d}\)
分散はN₁’ のデータから別途求めます。今回は\(V_d\)となります。

よって、検定統計量は
●\(t_d\)=\(\frac{\bar{d}-d_0}{\sqrt{V_d/n}}\)
となります。

★ ただし！ \( d_0\)=0とする例もある

母平均差を検定する思いは、母平均差が無いも考えるので、よく
\( d_0\)=0として、
●\(t_d\)=\(\frac{\bar{d}}{\sqrt{V_d/n}}\)
をよく使います。

以上、よく使う検定統計量を導出しました。ちゃんと導出できるので、公式暗記に頼らず自力で導出できるようにしましょう。

「【初心者必見！】計数値の検定統計量が導出できる」を解説しました。