個別值分配識別
個別值分配識別對資料同時配適多種機率分配,並評估哪種分配在統計上配適最佳。該工具不假定資料服從常態分配,而是檢驗多種分配——包括 Weibull、Lognormal、Exponential、Logistic、Gamma 等——並按其對資料形狀和特性的描述程度進行排序。
最後審閱
核心要點
個別值分配識別對資料同時配適多種機率分配,並評估哪種分配在統計上配適最佳。
什麼是個別值分配識別?
個別值分配識別對資料同時配適多種機率分配,並評估哪種分配在統計上配適最佳。該工具不假定資料服從常態分配,而是檢驗多種分配——包括 Weibull、Lognormal、Exponential、Logistic、Gamma 等——並按其對資料形狀和特性的描述程度進行排序。
這對非常態資料的能力分析至關重要,因為使用錯誤的分配會得到不準確的 Pp、Ppk 或 Cp、Cpk 估計值,並導致缺陷率預測產生誤導。
簡單定義:一種用多種不同的統計分配檢驗您的資料,並告知哪一種配適最佳的工具——這樣即使資料不服從常態分配,也能進行準確的能力分析。
何時使用個別值分配識別?
- 當資料 未通過常態性檢定,需要在進行能力分析之前確定正確的分配時使用。
- 在處理 本身就呈偏態的製程資料 時使用——例如週期時間、失效時間、化學濃度或顆粒大小。
- 在應用 非常態能力分析 之前使用,以確保所選分配準確反映製程的特性。
- 當 Box-Cox 轉換不適用 時使用——例如資料含有零或負值時。
正確使用個別值分配識別的指南
- 收集至少 50 至 100 個資料點,分配配適才可靠——小樣本所含的資訊不足以區分各種分配。
- 選擇最佳分配時,將 適合度統計量(Anderson-Darling)與機率圖結合使用——不要只依賴 p 值。
- 選擇一種 在物理上對該製程合理 的分配——AD 統計量最低但沒有物理依據的分配未必是最佳選擇。
- 配適分配之前,確保資料 來自穩定、受控的製程 ——對不穩定製程的資料配適分配,得到的結果沒有意義。
- 當沒有標準分配配適良好時,可考慮改用 Johnson 或 Box-Cox 轉換。
替代方法:何時不宜使用個別值分配識別
- 如果資料 已確認為常態,請直接進行標準的 製程能力(常態分配)——無需進行分配識別。
- 如果只需 檢查常態性而無需探索其他分配,請使用簡單的 常態性檢定
- 如果資料具有 明確的物理界限或已知的分配類型,請直接在能力分析中指定該分配,而不是檢驗所有選項。
個別值分配識別範例
一名工程師隨機抽取一批膠囊作為樣本,並記錄其鈣含量。為了確定最佳配適的資料分配,他進行了個別值分配識別。檢驗步驟如下:
- 收集所需資料。

- 現在,在 Zometric Statistical Software 中分析資料,網址為 https://statsai.zometric.com/。
- 要找到個別值分配識別,請選擇 Statistical module> Hypothesis Test> Individual Distribution Identification。
- 在工具中輸入資料及其他輸入項,如下所示:

5. 使用上述工具後,得到如下輸出:




如何進行個別值分配識別
操作步驟如下:
- 登入 Zometric Statistical Software,網址為 https://statsai.zometric.com/
- 在首頁選擇 Statistical Tool> Hypothesis Test >Individual Distribution Identification。
- 接下來,手動更新資料,或從 Excel 表格中完整複製(Ctrl+C)資料並貼上(Ctrl+V)到此處。
- 填寫所需選項。
- 最後,點選頁面底部的 calculate,即可得到所需結果。
個別值分配識別的工具介面分為兩部分。

左側為資料窗格(Data Pane)。在 Data Pane 中,每一列構成一個子群組。可以手動輸入資料,也可以從 Excel 表格中完整複製(Ctrl+C)資料並貼上(Ctrl+V)到此處。
Load example: 將載入範例資料。
Load File: 用於直接載入 Excel 資料。
右側提供以下選項:
- Single Column: 選擇包含要配適分配的 連續型資料 的欄——例如鈣含量、週期時間、抗拉強度或顆粒大小等量測值。工具會取該欄中的所有值,同時用多種機率分配對其進行檢定,以確定哪一種最能描述資料的形狀和特性。由於每個變數都是獨立評估的,因此一次只能選擇一欄。
- P-Value to Select Best Fit: 設定顯著性閾值,用於判定哪些分配與資料的 配適可以接受。標準預設值為 0.05,即 Anderson-Darling 適合度 p 值大於 0.05 的任何分配都被視為統計上可接受的配適——沒有足夠的證據否定該分配作為資料的模型。在此情形下如何解讀 p 值:
- P-value > 0.05 ——該分配對資料的配適可以接受。p 值越高,說明該分配與資料匹配良好的證據越強。
- P-value ≤ 0.05 ——該分配對資料的配適不佳,不應用於能力分析或進一步建模。
- 當多個分配的 p 值都可以接受時,選擇 p 值最高 的分配作為首選——但務必同時結合對機率圖的目視檢查,並考慮所選分配對您的製程在物理上是否合理。對於統計上配適但對您的資料類型沒有邏輯依據的分配,使用前應加以質疑。
常見問題
什麼是個別值分配識別?
個別值分配識別對資料一次配適多種機率分配,包括 Weibull、Lognormal、Exponential、Logistic 和 Gamma,並按其對資料的描述程度排序。這對非常態資料的能力分析至關重要,因為使用錯誤的分配會得到不準確的 Pp、Ppk、Cp 或 Cpk 估計值,並導致缺陷率預測產生誤導。
何時應使用個別值分配識別?
當資料未通過常態性檢定且需要在能力分析之前確定正確的分配時、當製程資料本身就呈偏態(如週期時間、失效時間、化學濃度或顆粒大小)時,以及當 Box-Cox 轉換不適用(例如資料含有零或負值)時,請使用它。
如何選擇配適最佳的分配?
Anderson-Darling p 值高於閾值(預設為 0.05)的分配為可接受的配適;等於或低於該閾值的分配則不應使用。當有多個分配配適時,選擇 p 值最高的作為首選,但還應檢視機率圖,並確認該分配對該製程在物理上是否合理。
分配識別需要多少個資料點?
收集至少 50 至 100 個資料點,因為小樣本所含的資訊不足以區分各種分配。資料還應來自穩定、受控的製程,因為對不穩定製程的資料配適分配,得到的結果沒有意義。
