常态分配与T分配作者howard常态分配与t-分配是很类似的机率分配.PDFVIP

6sigma 品质网 常态分配与T分配 作者: howard 常态分配与t-分配是很类似的机率分配模式，一个是有比较集中的峰 态与单薄的尾部，一个是有比较偏平的峰态与厚重的的尾部，但两者 都是属于对称型的分配模式。 我们知道做母体平均数的估计(点估计/ 区间估计)或是假设检定时，都 知道可以用常态(正态)分配或是t-分配来做。 就学理上来说，其中的差别在那里：什么时候该用常态分配、什么时 候该用t-分配？ 大数法则有告诉我们，只要样本数够大，样本平均数( X ) 的分配会收 敛到一个常态分配。所以说，不管原来的母体真正的分配是那一种， 应该通通都可以用常能分配就可以啦！那为什么还要多考虑一个t- 分配呢？问题就出在于我们对原来母体离散程度的了解。大家想想 看，我们会用那个值来描述资料的离中趋势？ 没有错，就是Standard Deviation (标准差) 。一般来说，最常用来代 表资料的集中性质的量就是Variance(变异数或方差) 。但是变异数与 原来资料的单位不一样─因为变异数的单位是原来单位的平方，所以 就把变异数取二分之一次，得到的量就跟原来的单位是一致的，这个 值就是标准差。我们一般在做问题讨论时，都是用标准差而不是用变 异数。 所以答案的关键就在于母体标准差是否为已知。 如果说母体的标准差已知，或是由过去的经验得到一个可以用来代表 母体标准差的量，则就用常态分配(Z)的方法。反之，当母体标准差 未知时，就必须用t-分配的方法。为什么呢？ 在接下来的说明之前，我们先来看看T-分配的由来。可能会用到一些 数理统计的术语，或是比较数学化的一些定义，大家看看就好。 令X 与Y 表两个独立的随机变量(Random Variable) ，其分配模式分别 为X 为标准常态分配，Y 是具自由度＝df 的卡方(Chi-Square)分配。 以符号表示如下： 6sigma 品质网 另外，令 则随机变量T 为具有具自由度＝df 的Student’s t-分配，简称为t-分配。 t-分配是英国学者Gosset 于1908 年以笔名Student 所发表的，故取名 为t 分配。t 分配跟常态分配一样，都是对称于平均数的机率分配， 且其平均数与标准常态分配一样＝0 。与常态分配最大的不同点在于， t 分配的形状会随着自由度(Degree of Freedom) 的不同而改变。如下 图所示： 所谓自由度是指统计量中各变量可以自由变动的个数，当统计量中每 增加一个条件时，自由度就会少一个。当自由度越小，t 分配的离散 程度就越大；相对地，当自由度越大时，t 分配的离散程度就越小， 而且会越接近标准常态分配。一般来说，当df ≧ 30 时，t 分配与标 准常态分配已经非常类似了；尤其当df →∞ (表示很大很大) ，t 分配 也可视为一个标准常态分配。 接下来，我们要解释一个很重要的性质。就是因为有这个性质的存在， 我们才能得到所要的结果。 6sigma 品质网 我们可以知道：样本平均数是母体平均数的不偏估计量，而样本变异 数为母体变异数的不偏估计量。亦即 在此符号E 表期望值的计算，而不偏估计量的意义就是统计量取期望 值之后，计算的结果就等于该参数值。 这个在数理统计上已经为我们解决这个问题、已经证明它的合法性， 所以我们不需要去担心为什么。数理统计与应用统计的区别在于，数 理统计要去找一些好的性质、好的统计方法，并且以数学基础来证明 它的合法性；而应用统计或在实务的应用上，我们不用去烦恼这些问 题，我们只要会使用这些方法就可以了。 到此，我们该具备的基本知识都差不多了。以下就开始来解释什么时 6sigma 品质网 候用Z 分配、什么时候用t 分配。 很明显地，如果我们对于母体的分散性质有所了解－母体变异数已知 或有一个先验值可以来代替，所有的讨论都可以直接用Z 分配来解 释。 但是如果母体变异数未知，而且也没有适当的先验值可以来说明，则 在Z 分配中分母的位置是一个未知量，所以必须找一个适当的统计量 来估计。由前面的解释过程，我们知道用母体变异数的不偏估计量 S^2 是最直接的。所以 所以原本Z 统计量中分母σ为未知的量，可以直接用S(样本的标准 差)来取代，而且所成的统计量刚好就是自由度为n-1 的t-分配。因此，