标准差与估计标准差.docVIP

2-3 變異的計算及解析 由基礎課程裡我們可以知道：表示變異的方法有很多，其最常使用的是“標準差”；關於標準差的計算又分兩個觀念：(真)標準差與估計標準差。 為了解釋這兩個觀念的差異，我們先看下例數據： 下例數據有經過分組，每組抽測5個數據 (即 S/S 或 n = 5的意思 )。分組的原因不外乎量產、或長期研究等, 需要分批量測而形成母體與樣本的關係。  母 體 樣 本 樣 本 樣 本 樣 本 樣 本 … 樣 本 標準差 估計標準差 其中、須查表、為隨常數： 約之間 約之間 (組1) (組2) (組3) (組4) (組5) (組25) 2 3 6 8 8 4 5 6 7 9 2 4 5 7 8 1 3 6 7 9 3 5 4 8 8 2 5 6 7 9 樣本平均 5.4 6.2 5.2 5.2 5.6 … 5.8 組間變異 =0.81 樣本標準差s (組內變異) 2.7 2.0 2.4 3.0 2.4 … 2.6 平均==2.55 樣本全距R (組內變異) 6 5 6 7 5 … 7 平均==6.01 (真)標準差： 若將所有 Raw Data 視為一個母體、混合不分組，則=STDEV( )所計算出來的標準差即為所求，即工程師最熟悉的算法。 -------------------------------------------------------------- 使用時機：a.) 想了解母體真正的變異的時候； b.) 想敏銳地抓出上圖/組間變異的異常的時候。 --------------------------------- 目的：了解整個母體的總變異 。 優點：可以充分反映整個母體的異常 (含上圖/組間變異、及下圖/組內變異的異常…尤其是組間變異的異常)。 缺點：數據量要夠大(避免誤差過大)、且上圖不能有異常(避免組間變異顯著)，否則計算出來的?不具代表性。 (2) 估計標準差： 大部分的工程師沒聽說過估計標準差。Raw Data 若經過分組 (分組與抽樣皆要隨機)，我們可以利用 樣本的變異、去估算整個母體的變異；但是要特別注意組間變異()已經被假設成常態分配；以白話來說：想像管制圖-上圖的每個組平均是一顆綠豆，當這些綠豆被一把撒到管制圖-上圖的時候，這些綠豆皆自動定位到常態分配該有的位置上，因此整個上圖的假設都是常態分配，若真有異常、也早已被視而不見。 故以估計標準差來看問題，祇能解析下圖/組內變異的異常 (即管理面的異常：如某單一人/機抽樣技術不穩定的問題、某單一作業機台不穩定的問題、某個別材料品質不穩定的問題等?一般因? …主要還是抽樣技術不穩定的問題)。 此時的計算，都是由下圖/組內變異的平均來倒推，以估算整個母體變異的期望值：=/c4 =/d2 (註)，其中c4、d2是查表值 (?附表)，隨著n (即S/S)而變，n愈大估計值就會愈接近母體。 註：樣本s、R、MR與母體之間的關係，令母體與樣本均為常態分配，不需執行冗繁的計算，可以直接以查表方式整理如下： E(s)= c4 ， D(s)= c3，其中c4、c3是查表值(?附表) E(R)= d2 ， D(R)= d3，其中d2、d3是查表值 (?附表) -------------------------------------------------------------------------------------------- 使用時機：當組間變異過於顯著，無法正確評估製程之實力時。(註) 註：理想上=；實務上通常： 代表著統計經驗對一特性在常態分配時的理想預測；也許是因為製程真的較差、也許是因為管制圖的管理分組做得並不好，造成上圖/組間變異變得比常態分配預期的還要大。 ----------------------------------------------------------------- 目的：估算整個母體的總變異的期望值。 優點：因為計算的是期望值，當數據量不大時、較(真)標準差具代表性。 缺點：只能反映下圖/組內變異的異常，而組內變異的異常通常只能反映管理問題，所以較適合量產使用。 　　t检验是对各回归系数的显著性所进行的检验，（－－这个太不全面了，这是指在多元回归分析中，检验回归系数是否为0的时候，先用F检验，考虑整体回归系数，再对每个系数是否为零进行t检验。t检验还可以用来检验样本为来自一元正态分布的总体的期望，即均值；和检验样本为来自二元正态分布的总体的期望是否相等） 　　目的：比较样本均数 所代表的未知总体均数μ和已知总体均数μ0。 　　计算公式： 　　t统计量： 　　自由度：v=n - 1 　　适用条件： 　　(1) 已知一个总体均数； 　　(2) 可得到一个样本均数及该样本标准