网硕互联帮助中心基于抽样数据的概率过程模型校准
在统计过程分析的体系中，利用实际抽样数据刻画过程的统计行为，是连接理论概率分布与实际生产过程的核心环节。本单元聚焦抽样数据在概率过程模型校准中的应用，核心在于厘清理论概率分布与抽样衍生分布的本质差异，通过定义样本统计量实现对过程母分布参数的无偏估计，并量化估计过程中的不确定性，为后续抽样分布构建、假设检验与统计过程控制奠定基础（Montgomery, D. C., 2020）。
所有实际生产过程均存在天然的随机波动性，对过程的概率模型进行校准，本质是通过从过程中抽取样本、获取测量数据，反向推导过程的真实统计特征。由于我们无法获取过程的全部数据，仅能通过有限抽样得到局部信息，因此模型校准的结果必然伴随不确定性，这也是本单元分析的核心切入点。
1. 过程母分布：随机过程的真实统计特征
母概率分布（Parent Probability Distribution） 是刻画连续随机过程真实统计行为的核心，可将其理解为过程随机波动所遵循的底层规则体系。我们无法直接观测到这一完整规则体系，只能通过有限的抽样数据对其进行有依据的推测，而推测的准确性则取决于抽样方法与样本量的合理性。
实际生产过程的母分布既可以是连续型（如几何尺寸、膜厚、加工精度等连续测量值），也可以是离散型（如缺陷数、不合格品数等计数型数据，本课程后续将展开分析）。在工业统计过程分析中，正态分布是最常用的连续型母分布，其概率密度函数为： f ( x ) = 1 σ 2 π e − ( x − μ ) 2 2 σ 2 f(x)=\\frac{1}{\\sigma\\sqrt{2\\pi}}e^{-\\frac{(x-\\mu)^2}{2\\sigma^2}} f(x)=σ2π
1e−2σ2(x−μ)2 其中，总体均值 μ \\mu μ和总体标准差 σ \\sigma σ是决定正态分布形态的两个核心参数，只要确定这两个参数，就能完全校准正态母分布。对正态分布进行标准化变换，可得到标准正态分布 Z ∼ N ( 0 , 1 ) Z\\sim N(0,1) Z∼N(0,1)，变换公式为： Z = x − μ σ Z=\\frac{x-\\mu}{\\sigma} Z=σx−μ
母分布是过程的理论真实状态，但在实际应用中，其参数 μ \\mu μ和 σ \\sigma σ往往是未知的，无法直接从过程中获取，这也是我们需要通过抽样数据进行参数估计的根本原因。
2. 抽样与随机抽样：样本数据的获取准则
2.1. 抽样的定义
抽样在统计学中被正式定义为：从随机变量总体中进行观测并获取样本的行为。在生产过程分析中，抽样即对过程输出的质量特性进行测量、记录，得到有限的样本数据，是后续模型校准的基础。
2.2. 随机抽样的核心要求
随机抽样是保证样本数据能有效反映过程真实特征的关键，其核心要求为样本满足独立同分布（i.i.d., independently and identically distributed）：
- 独立性：每次抽取的样本结果不会对其他样本的抽取结果产生任何影响。例如，在连续的生产过程中，第 k k k个样本的测量值与第 k + 1 k+1 k+1个样本的测量值相互独立，无关联关系。
- 同分布性：所有样本均来自同一个母分布，即抽样过程中，过程的统计特征未发生变化，样本的分布规律与过程母分布完全一致。
只有满足独立同分布的随机抽样，其样本数据才能有效代表过程的真实状态，基于此得到的参数估计结果才具有统计意义。
3. 统计量与抽样分布：样本数据的函数特征
3.1. 统计量的定义
统计量是仅由样本数据构成的函数，
评论前必须登录！
注册