1. 抽样检验的底层逻辑

在质量管理现场，检验员每天面对的第一个问题往往不是“怎么检”，而是“到底要不要全检”。抽样检验并不是全检的简化版，它是一套建立在概率论基础上的独立决策体系。理解它的底层逻辑，才能明白为什么一批货只抽几十件，就敢对整批下合格或不合格的结论。

全检与抽检的适用边界

全检的适用条件很明确：检验项目少、单件检验成本低、检验不破坏产品、批量不大，且不合格品流入市场后果严重。例如安全气囊的起爆器、医用注射器的无菌屏障，这类产品一旦失效可能危及生命，即使成本高也必须全检或采用更严格的验证手段。

抽检则适用于以下场景：检验具有破坏性（如拉伸强度测试、盐雾试验）、批量大而检验时间长、单件检验成本高、允许存在一定比例的不合格品。典型如螺丝的螺纹通止规检验、布料的色牢度测试、电子元器件的寿命试验。此时全检在经济上不可行，在技术上也不可能——你不可能把每一颗子弹都打出去来验证它能否击发。

边界判断可以归纳为三个问题：检验会不会破坏产品？全检成本是否可接受？不合格品流出后的风险是否可控？三个问题中只要有一个答案指向“抽检更合理”，就应优先考虑抽样方案，而不是盲目全检。

批与样本的关系

抽样检验中，“批”是一个明确的管理单元。它通常由同一生产条件下、同一时间段内、使用相同原材料和工艺生产出来的一批产品构成。批一旦划定，检验结论就针对这个批，而不是针对单个产品。这一点常被误解：抽检合格不等于每个产品都合格，只意味着这个批以某个概率水平可以被接受。

样本是从批中随机抽取的一部分单位产品。随机性至关重要——如果检验员专挑外观好的产品，样本就不能代表批的真实质量水平。实际操作中，常用随机数表、分层抽样或系统抽样来保证每个产品被抽到的机会均等。

样本量用 n 表示，批量用 N 表示。n 与 N 的比值称为抽样比。在计数型抽样中，样本中不合格品数记为 d，合格判定数记为 Ac，不合格判定数记为 Re。当 d ≤ Ac 时判批合格，当 d ≥ Re 时判批不合格。这套规则看似简单，背后却对应着明确的统计风险。

抽样检验的统计学原理

抽样检验的核心逻辑是：用样本的不合格品率去推断批的不合格品率。假设批量为 N，批中实际不合格品数为 D，则批不合格品率 p = D/N。从批中随机抽取 n 件，其中不合格品数 d 服从超几何分布。当 N 远大于 n 时，可近似用二项分布计算。

以二项分布为例，样本中恰好出现 d 件不合格品的概率为：

P(d) = C(n, d) × p^d × (1-p)^(n-d)

接收概率 L(p) 则是 d ≤ Ac 的累积概率：

L(p) = Σ P(d)，d 从 0 到 Ac

这条 L(p) 曲线就是抽样方案的特性曲线（OC曲线）。它直观展示了不同质量水平的批被接收的概率。一个理想的抽样方案应该是：当 p 小于某个可接受水平时，L(p) 接近 1；当 p 大于某个不可接受水平时，L(p) 迅速接近 0。但现实中由于样本量有限，OC曲线必然是一条平滑下降的曲线，这就带来了两类风险。

两类风险的直观理解

OC曲线上的两个关键点对应着两类风险。第一个点是生产方风险 α：当批的实际质量水平很好（p 很小）时，仍然有一定概率被抽样方案判为不合格。这相当于“冤枉了好人”。例如某批产品实际不合格品率只有 0.5%，但抽样时恰好抽到了几件不合格品，导致整批被拒收。生产方因此承担返工、报废或重新检验的损失。α 通常取 5% 或 10%。

第二个点是使用方风险 β：当批的实际质量水平已经较差（p 较大）时，仍然有一定概率被抽样方案判为合格。这相当于“放过了坏人”。例如某批产品实际不合格品率高达 8%，但抽样时恰好没抽到不合格品，整批被接收并流入下一道工序或市场。使用方因此承担后续装配失败、客户投诉甚至安全事故的代价。β 通常取 10% 或 5%。

两类风险此消彼长。要同时降低 α 和 β，唯一的办法是增大样本量 n。但样本量增大会带来检验成本上升和破坏性检验的损失增加。因此抽样方案设计的本质，是在两类风险与检验成本之间寻找平衡点。AQL（可接收质量水平）就是用来界定“好批”的边界，LTPD（批允许不合格品率）则用来界定“坏批”的边界。一个合理的抽样方案，应当使 AQL 对应的接收概率足够高（α 小），同时使 LTPD 对应的接收概率足够低（β 小）。

回到实际工作场景：当生产线上送来一批 5000 件的连接器，检验员按 GB/T 2828.1 查出样本量字码为 L，正常检验一次抽样方案为 n=200、Ac=5、Re=6。这意味着从 5000 件中随机抽取 200 件，若不合格品数不超过 5 件则判批合格，达到 6 件则判批不合格。这个方案背后对应着明确的 OC 曲线和两类风险水平，而不是凭经验拍脑袋决定的。理解这一点，才算真正跨进了抽样检验的门槛。