贝叶斯批不良率验收决策器｜SPC实战工具
这个工具解决什么问题
> 抽 200 片坏 2 片，真实不良率是 0.5% 还是 3%？用后验分布回答，而不是用单个百分比拍板。
输入数据格式
数据文件 batch_acceptance.csv，列顺序为：batch_id、sample_size、defect_count、note。
示例首行：B2403,300,2,小批量试产片
batch_acceptance.csv：批次号 / 样本量 / 不良数 / 备注（脚本自带 8 批示例）
示例输出（真实运行结果节选）
========================================================================== 贝叶斯批不良率后验评估与验收决策报告 ========================================================================== 样本批次数：8 AQL=1.00% LTPD=3.00% 可信水平=95% 先验：Beta(1.0, 1.0)（后验 = 先验 + 本批数据，共轭更新） 【一】逐批后验结果 -------------------------------------------------------------------------- 批次 样本n 不良d 样本率 后验均值 95%可信区间 P(p>LTPD) P(p>AQL) B2403 300 2 0.67% 0.993% [ 0.206%, 2.379%] 0.006 0.420 B2408 600 5 0.83% 0.997% [ 0.367%, 1.931%] 0.000 0.443 B2406 2000 4 0.20% 0.250% [ 0.081%, 0.511%] 0.000 0.000 B2401 500 3 0.60% 0.797% [ 0.218%, 1.740%] 0.000 0.262 B2407 800 7 0.88% 0.998% [ 0.432%, 1.792%] 0.000 0.451 B2402 500 8 1.60% 1.793% [ 0.825%, 3.122%] 0.035 0.932 B2404 400 11 2.75% 2.985% [ 1.556%, 4.855%] 0.456 0.999 B2405 500 18 3.60% 3.785% [ 2.298%, 5.619%] 0.821 1.000 【二】验收建议 ---------------------------------------
· 每批的后验均值、95% 可信区间（真实不良率落在哪个区间） · 不良率超过 LTPD 的概率与超过 AQL 的概率 · 接收 / 加严 / 拒收 / 放宽四档建议与下一批后验预测（期望不良数、95% 上界） · 先验敏感性分析：换先验会不会把结论翻转
适用场景
· 来料与出货批验收、小样本试产批判定、抽检方案评审 · 与「抽样方案 OC 曲线」「序贯抽样」互补：那两者按频率派概率算方案，本工具给的是后验概率
运行方法
python bayes_acceptance.py
首次运行会自动生成示例数据并输出一份完整报告； 把示例 CSV 换成你自己的数据（保持列名一致）后重新运行即可。
依赖
无。仅使用 Python 标准库（csv / math / os / datetime / random 等）， 不需要 pip 安装任何包，Windows / Linux / macOS 均可运行。
可调参数与计算口径
脚本顶部集中了主要阈值与常量：CSV_FILE="batch_acceptance.csv"、REPORT_FILE="batch_acceptance_report.txt"、PRIOR_B=1.0、SAMPLE_ROWS=[。改完直接重跑即可，不必改动计算逻辑。
会生成哪些文件
运行后除控制台输出外，还会生成：batch_acceptance.csv、batch_acceptance_report.txt。
脚本里的主要处理步骤
betai()：正则化不完全贝塔函数 I_x(a,b)。betai_inv()：I_x(a,b)=p 的数值反解（二分），用于可信区间端点。self_test()：正反向单测：这类函数写错会把整份报告带偏，必须先自证。beta_binom_pmf()：后验预测分布：P(下一批 m 个中出现 k 个不良)。
以上步骤在脚本中是分开的函数，可以单独调用或按需替换其中一段，不必整体重写。
工具中出现的字段与提示
- 小批量试产片
- 常规量产批
- 成熟工艺大批
- 昨日换过靶材
- 新配方验证批
- 设备刚做完大修
- 正则化不完全贝塔函数 I_x(a,b)。
- I_x(a,b)=p 的数值反解（二分），用于可信区间端点。
- 正反向单测：这类函数写错会把整份报告带偏，必须先自证。
- I_0.5(1,1) 应为 0.5
- I_0.5(2,3) 应为 0.6875（手算值）
- 对称性校验失败
- 反解 0.5 应为 0.5
- 反解与正算不互逆
- 自检通过：贝塔函数正反向单测 / 后验均值解析式一致
- 后验预测分布：P(下一批 m 个中出现 k 个不良)。
- 已生成示例数据：%s
- 不良数大于样本量：%s
其余字段以界面与示例报告为准。
下载与文件清单
压缩包内包含：主程序脚本、示例数据文件、示例输出报告、中文说明文档，以及同主题 AI 提示词一套。解压后按说明运行即可，示例数据可直接试跑。
主程序文件：bayes_acceptance.py。
本站工具免费下载，无需注册。工具为 Python 脚本，Python 3.8 及以上环境可直接运行，核心功能尽量不依赖第三方库。
常见问题
输入数据要准备成什么样？
按 示例首行中的列顺序准备即可，共 4 列：batch_id、sample_size、defect_count、note。列为空或格式不符时结果会失真，建议先用示例数据试跑一遍。
阈值可以改成我们自己的标准吗？
可以，脚本顶部已把主要阈值与常量集中声明，按自己产线的标准修改后重跑即可，不需要改计算逻辑。
附赠的提示词怎么用？
把提示词与自己的数据一起交给大模型，可以让它按同一套口径帮你改写分析流程或扩展报告字段。
示例数据能直接跑吗？
可以。示例数据与主程序在同一压缩包内，解压后直接运行即可看到完整输出，确认无误再替换成自己的台账。
同分类的其它工具
分类归属：SPC与质量分析工具包；完整清单在 工具资源包下载页。
