經典的抽樣檢驗理論，在計算批次接受概率時，一般都採取二項分佈概率的計算公式：
其中P代表產品的批次不合格率。根據公式，我們知道，當抽樣方案的兩個要素：抽樣數、合格接受數即（n，A）確定後，該批產品的接受概率，與不合格率p直接相關，不同的批次不合格率，對應了不同的批次接受概率。據此，就可以畫出抽樣方案的抽樣特性曲線（OC曲線）。
但事實上，檢驗後，是不是接受該批產品，並不是完全取決於該批產品中的真實不合格率有多高，而是取決於測量系統報告出來的不合格數據。由於測量系統存在錯誤判斷的可能，測量系統在檢驗後報告的不合格率與產品的真實不合格率也就存在差異。測量系統的錯誤判斷有誤報（將合格品報為不合格品）和漏報（將不合格品報為合格品）兩種情況，這兩種情況綜合作用，會造成測量系統報告的不合格率遠遠大於批產品的真實不合格率。
因此，我們應該用一個修正後的，考慮了測量系統誤判可能的不合格率來代替真實不合格率p，放入上述的二項分佈概率計算公式中，來計算批次產品的接受概率。這就引入了貝葉斯定理的概念：
根據上面的展示貝葉斯定理的維恩圖，我們就可以清晰地看出，應該用P（B）（即測量系統判斷為不合格品的概率）代替P（A1）（即真實不合格率p）來計算抽樣檢驗接受概率，這裡的P（B）就是貝葉斯定理的分母。
公式如下：
P（A1）：產品真實不良率
P（A2）：產品真實合格率
P（B|A1）：真實的不良品，被檢驗報告為不良品的概率（1-漏報率）
P（B|A2）：真實的合格品，被檢驗報告為不良品的概率（誤報率）
P（B）= P（A1）* P（B|A1）+ P（A2）*P（B|A2）
假設如下數據：p=1%，漏報率=2%，誤報率=5%
P（A1）產品真實不良率=1%
P（B|A1）=1-漏報率=1-2%=98%
P（B|A2）誤報率=5%
計算可得，P（B）=5.93%
在汽車行業要求批次計數性抽樣檢驗的接受準則A=0，即假設抽樣數n=20的情況下，用產品真實的不合格率1%計算批次接受概率，結果為L（p）=81.79%。如果用P（B）對批次接受概率L（P）的計算公式進行修正後，結果為L（P）=29.45%。
可以看出，雖然在MSA手冊中，認為漏報率和誤報率分別在2%、5%以下是可以接受的，但即使在這樣可接受的測量系統誤判率情況下，產品批次接受概率L（P）也會大大下降。這會給工廠自身帶來很大的干擾，增加很多不必要的挑選工作，也會降低測量部門的結果可信度。
所以，在採用抽樣檢驗時，一定要關注測量系統的可靠性，務必要持續改進以消除或盡最大努力降低測量系統的誤判可能性。
閱讀更多 質量管理易老師 的文章
