〈精品〉Unit-4分析4.3中心极限定理.ppt

定义 中心极限定理的应用 1. 正态分布的例子 2. Chi-Square分布的例子 标准误差与样本大小的关系 利用同样的数据画出两种不同的控制图,并仔细比较它们的差异:  打开文件[CENLIMIT.MTW ].分别用下面的两个路径画出个体图和子群大小为5的均值图 个体图路径 均值图路径 Haier Six sigma GB Training-V3.0 中心极限定理 -*- 六西格玛断根推进团队 分析(Analyze)阶段 中心极限定理 ( Central Limit Theorem ) Define Measure Analyze Improve Control Step 8- Data 分析 Step 9- Vital Few X’的选定 多变量研究 中心极限定理 假设检验 置信区间 方差分析，均值检验 卡方检验 相关/回归分析 Step 7- Data 收集 路径位置 理论课 目 录 定义 中心极限定理是阐述大量随机变量之和的极限分布是正态分布的一系列定理的总称。最常用的有： 独立同分布中心极限定理： “随机变量x1，x2，…独立，且服从同一分布， 若存在有限的数学期望E(xi)=u和方差D(xi)=σ2， 当n→∞时，随机变量的总和Σxi趋于均值为nu，方差为n σ2的正态分布。 （即算术平均数1/n Σxi=xbar趋于均值为u，方差为σ2/n的正态分布）” 不论总体服从何种分布，只要它的数学期望和方差存在， 从中抽取容量为n的样本，则这个样本的总和或平均数是随机变量， 当n充分大时， Σxi或 xbar趋于正态分布。 定义 德莫佛-拉普拉斯中心极限定理： “如果用X表示n次独立试验中事件A发生(“成功”)的次数，P是事件A在每次试验中发生的概率,则X服从二项分布,B(n,p), 当n→∞时，X趋于均值为np，方差为npq的正态分布。 ” 正态分布和泊松分布都是二项分布的极限分布 当n足够大时， 可用正态分布近似计算; 当n足够大且p小时,可用泊松分布近似计算。 中心极限定理是一种十分重要的现象,它是统计学中应用的许多方法的理论基础的组成部分(如:计算样本均值的置信区间) 应用 图形输出 个体数据 样本平均 仔细比较两个图上的控制上下线(UCL和LCL),有什么不同? 应用 个体控制图和 X bar控制图的差异 μ 1 5 10 0 10 20 30 40 50 60 应用 平均值分布的标准偏差叫做 均值标准误差 ，因而其定义为: 这个公式表明平均值比个体数据更稳定，稳定因子是样本数的平方根。 σ s x = = 均值标准误差 个体值的标准差 n = 平均值的样本数 x 均值的标准误差（Standard Error of the Mean） 其中 我们经常依靠从测量系统中得到的一个数值来估计输入或输出变量的值。减小测量系统误差的简易方法就是把两个或更多的读数平均。 我们的测量系统的精密度自动增加，增加因子是平均值样本数的平方根,如果我们要想使测量系统的误差减小一半，我们就需要把4次的测量值平均才可以。 实际应用 测量系统的改善 当总体数据具备正态分布时 中心极限定理理解例题模拟-1 假设你面前有一个大桶,桶里面装有相当多数量的白色纸条,每张纸条上都写 有数字，且假定这些数字都来自一个具有特定平均值和标准偏差的正态分布. 1)从中随机抽出9张白色纸条,并把其上面的9个数字求平均, 2)然后把这个平均值写在一张绿色纸条上, 3)把这9张白色纸条放回原来的桶里, 4)把这张绿色纸条放入另外一个桶里, 如此重复上面的步骤，直到盛有绿色纸条的桶放满为止。 白色纸条代表总体的数据； 绿色纸条代表平均值的样本； 我们用MINITAB来模拟做这个练习。 让我们用MINITAB产生一些模拟的数据来验证我们的理论。 首先用MINITAB产生9列各250个数据，假设这些数据来自一个 平均值=70、标准偏差=9的正态分布: 则列C1-C9 代表白色纸条 然后求出各行9个数据的平均值，其结果放在列C10，则 C10代表绿色纸条。 我们用描述统计的方法求出各列数据的平均和标准偏差。 仔细比较C1-C9列与C10列有什么差别？ [例题1] 中心极限定理应用模拟 1、用MINITAB随机产生样本数据 分别输入下