正态分布及3Sigma原理
其中Pl为X低于下规范线的概率, Pu为X高于上规范线的概率
LSL u p L P( X LSL ) 1 ( )
8
3σ原理
若质量特性值X服从正态分布,那么,在 ± 3σ 范 围内包含了99.73% 的质量特性值。
6
不合格品率的计算(实例1)
1>设 x~ N(10,
22)
和 x~ N(2,
0.32), 概率
P(8<x<14)和P(1.7<x<2.6)各为多少?
解:经标准化变换后可得
14 10 8 10 P(8<x<14)= ( 2 ) ( 2 ) (2) (1)
=0.9773-(1-0.8413)=0.8185
1
2 3 4 5 6
11
为何6σ相当于3.4PPM?
考虑偏移1.5 σ的正态分布
规格中心 分布中心
0ppm 3.4ppm 66800ppm 3.4ppm
1.5σ +/-3σ
+/-6σ
12
6σ原理推理过程
当规格限为M+/-3 σ时(3σ质量水平时), 正态分布中心距USL只有1.5σ, 而距LSL有4.5σ,两侧的不各格率分别为:
pU P( X u 4.5 ) 1 (4.5) 3.4 ppm
13
控制图原理
通常控制图是根据“3 σ”原理确定控制界限, 即: 中心线 ： CL=μ
上控制界限： UCL=μ+3σ 下控制界限： LCL=μ-3σ
14
其他分布类型:
离散型变量所服从的分布
k 二项分布 P( X k ) Cn pk qnk , k 0,1,2,...,n （计件值） 主要用于具有计件值特征的质量特性值 分布规律的研究. 泊松分布 k e P( X k ) , k 0,1,2,..., k! （计点值） 主要用于计点值特征的质量特性值分布 规律的研究
正态分布中心与规格中心重合时u± 3σ u± 6σ的
不合格率(未考虑偏移) 规格区域
0.001ppm 1350ppm
1350ppm 0.001ppm
P( X u 3 ) (3) 1 (3) 1 0.99865 0.00135 1350ppm
μ
N（μ，σ2）
x
2
σ不同(标准差 )
3
正态分布的特征
μ1 μ2
a> σ相同, u不同
μ
a> σ不同, u相同
最常见
u1 u2
a> σ不同, u不同
4
标准正态分布
当μ=0，σ=1时正态分布称为标准正态分布
F(X )
x
1 2
e
x2 2
dx
研究实际问题比较方
便，可以借助标准正
态分布表
5
不合格品率的计算
若需计算分布的不合格品率, 则首先需要 利用分布的标准化变量, 即用正态变量减去自 己的均值后再除以自己的标准差 1>若x~ 2>若x~
x 10 N(10, 22),通过标准化变换u= 2 ~N(0,1) ),通过标准化变换u= x 2 ~N(0,1) N(2, 0.32 0 .3
pU P( X u 3 ) 1 (3) 1 0.99865 0.00135 1350ppm
10
3σ 原理
未考虑偏移的正态分布
99.9999998% 99.99943%
99.9937%
99.73%
95.45%
68.27%
6 5σ 4 3
2 1
正态分布及3Sigma原理
（工程师级之一）
课程目的： 掌握正态分布 极其相关知识 课程内容： 正态分布曲线、 参数及其特征
1
正态分布:
F ( x)
f ( x)dx
x
1 2
e
x
( x )2 2 2
dx
其中: μ------正态均值，描述质量特性 值分布的集中位置。 σ------正态方差，描述质量特性值 x分布的分散程度。
pU P( X u 1.5 ) 1 (1.5) 1 0.9332 0.0668 66800ppm pL P( X u 4.5 ) (4.5) 1 (4.5) 0.0000034 3.4 ppm
当规格限为M+/-6 σ时(6σ质量水平时), 正态分布中心距USL只有4.5σ, 而距LSL有7.5σ,这时下侧的不合格品率几乎为0, 而上侧的不各格率分别为:
当 np≥5 时，泊松分布近似正态分布！
概 率
0.3
0.2
λ=2.0
λ=5.0
0.1
17
15
二项分布的平均值和标准差
平均值x np 标准差 npq 其中：n 样本大小 p 总体的不合格率 q 总体的合格率
当N≥10n，p≤0.1或np ≥4-5时，就可以用 正态分布代替二项分布进行近似计算。
16
泊松分布的平均值和标准差
平均值 : x 标准差 : 其中： np
2.6 2 1.7 2 P(1.7<x<2.6)=( 0.3 ) ( 2 ) (2) (1)
=0.9773-(1-0.8413)=0.8185
如何计算落在规格线外的不合格品率???
7
为标准正态分布函数
不合格品率的计算
LSL USL
Pl
Pu
u
产品特性不合格品率
p p L pU
正态分布及3σ原则
在可靠性工程中，3σ原则用于评估产品的可靠性。通过计 算产品的寿命分布和可靠性指标，可以预测产品在给定时 间内的失效概率。
3σ原则的局限性
01
假设限制
3σ原则基于正态分布的假设，而实际数据分布可能并不完全符合正态
分布。因此，在应用3σ原则时需要谨慎考虑数据的分布情况。
02 03
异常值处理
投资组合再平衡
基于正态分布的假设，投资者可以通过定期重新平衡投资组合来降低非系统风险，确保 投资组合与目标风险水平保持一致。
05
正态分布与其他统计学的关
系
与中心极限定理的关系
1
中心极限定理：在大量独立随机变量的平均值接 近正态分布，不论这些随机变量的分布形状如何， 这一结论都成立。
2
正态分布是中心极限定理的一种表现形式，当独 立随机变量的数量足够大时，它们的平均值的分 布趋近于正态分布。
正态分布及3σ原则
• 正态分布的介绍 • 正态分布的3σ原则 • 正态分布在质量管理中的应用 • 正态分布在金融领域的应用 • 正态分布与其他统计学的关系
目录
01
正态分布的介绍
正态分布的定义
01
正态分布是一种概率分布，描述 了许多自然现象的随机变量（或 一组随机变量）的概率分布形态 。
02
它具有钟形曲线，其中平均值（μ） 和标准差（σ）是两个关键参数， 决定了分布的形状和范围。
3
中心极限定理是概率论和统计学中的一个基本原 理，在许多领域都有广泛的应用，如金融、生物、 医学等。
与大数定律的关系
01
大数定律：在独立随机试验中 ，随着试验次数的增加，某一 事件发生的频率趋于该事件发 生的概率。
02
正态分布与大数定律密切相关 ，因为在大数定律的作用下， 大量独立随机变量的平均值会 呈现出正态分布的特征。
sigma 标准正态分布
sigma标准正态分布是指正态分布中的标准差（sigma）与概率之间的关系。
正态分布是一种概率分布，描述了许多自然现象的概率分布形态，其概率密度函数呈钟形曲线。
在正态分布中，均值（μ）和标准差（σ）是两个重要的参数。
sigma原则、2sigma原则和3sigma原则是正态分布中的三个重要原则，用于描述数值分布在一定区间内的概率。
具体来说：
sigma原则：数值分布在（μ-σ，μ+σ）区间的概率为0.6826。
2sigma原则：数值分布在（μ-2σ，μ+2σ）区间的概率为0.9544。
3sigma原则：数值分布在（μ-3σ，μ+3σ）区间的概率为0.9974。
其中，μ是正态分布的均值，σ是标准差，σ的平方（σ²）表示方差。
在正态分布中，大约68%的数值落在（μ-σ，μ+σ）区间内，大约95%的数值落在（μ-2σ，μ+2σ）区间内，大约99.7%的数值落在（μ-3σ，μ+3σ）区间内。
这三个原则在统计学和数据分析中具有重要应用，用于估计数据的取值范围和概率。
以上信息仅供参考，如有需要建议查阅统计学相关书籍或咨询统计学专业人士。
正态分布的3σ准则
正态分布的3σ准则正态分布的3σ准则（3-sigma rule）也称为“3倍标准差法则”或“68-95-99.7规则”，它是对正态分布概率密度函数曲线的一种解释和应用。
正态分布是一种常见的概率分布，也被称为高斯分布，它具有许多重要性质和应用。
在正态分布中，数据集的大部分值会聚集在均值附近，并且其分布随着离均值距离的增加而逐渐变得稀疏。
正态分布的3σ准则描述了正态分布中一组数据的密度分布情况。
在正态分布中，约68%的数据位于均值的正负1个标准差范围内，约95%的数据位于均值的正负2个标准差范围内，而约99.7%的数据位于均值的正负3个标准差范围内。
以下将详细介绍正态分布的3σ准则的含义和应用。
1.均值和标准差首先，了解正态分布的均值和标准差是理解3σ准则的基础。
在正态分布中，均值表示数据的中心位置，标准差表示数据的离散程度。
均值一般用μ表示，标准差用σ表示。
均值决定了曲线的位置，而标准差决定了曲线的形状。
2.3σ准则规则1：约68%的数据在均值的正负1个标准差范围内。
规则2：约95%的数据在均值的正负2个标准差范围内。
规则3：约99.7%的数据在均值的正负3个标准差范围内。
这三个规则可以形象地表示为正态分布曲线和区间的关系。
其中，规则1表示均值±σ的范围内约有68%的数据，规则2表示均值±2σ的范围内约有95%的数据，规则3表示均值±3σ的范围内约有99.7%的数据。
3.应用举例（1）过程控制：在制造业中，如果一些过程的输出数据符合正态分布，可以利用3σ准则来监控过程的稳定性。
如果意外事件发生，导致数据超出3σ范围，可能意味着过程发生了异常，需要进行调整或修复。
（2）质量管理：在质量管理中，可以利用3σ准则来判断产品或服务的质量水平。
如果数据超出3σ范围，可能意味着质量不符合要求，需要采取相应的质量改进措施。
（3）市场分析：在市场研究中，可以利用3σ准则来分析市场数据的分布情况。
三西格玛原理
三西格玛原理
三西格玛原理（Three Sigma Principle）是一种质量管理的方法，也称为三倍标准差原则。
它是基于统计学中的“正态分布”的理论，用于度量和控制产品或过程的质量。
三西格玛原理的核心概念是将产品或过程的变异范围限制在正态分布的三倍标准差之内。
正态分布是一种统计学上常见的概率分布，它呈钟形曲线，变异性较小，符合“68-95-99.7规则”，即在正态分布曲线上约有68%的数据点位于平均值的一个标
准差内，约有95%的数据点位于两个标准差内，约有99.7%的数据点位于三个标准差内。
三西格玛原理认为，在正态分布曲线上，距离均值三个标准差外的点被视为异常点，可能是由于问题或错误导致的。
因此，当产品或过程的变异范围超过三倍标准差时，就需要进行调查和改进。
三西格玛原理的目标是通过不断优化和改进，使产品或过程的质量达到接近完美的水平。
它可以帮助组织识别和解决潜在的质量问题，提高生产效率和客户满意度。
需要注意的是，三西格玛原理仅适用于符合正态分布的数据和过程。
在实际应用中，还需要综合考虑其他因素，如工序能力、特殊因素等，以制定更合适的质量管理策略。
正态分布三sigma原则
正态分布三sigma原则
三sigma原则，是指总体元素在正态分布（高斯分布）中以百分之六十九点二五的概率出现在总体平均值的左右一个标准差，同时在两个标准差范围内出现的概率是百分之九九点七五。
三sigma原则是质量管理工作中一个重要的工具，它说明了正态总体的性质，均值和标准差的真实含义，可以用来衡量统计数据，以及避免使用高峰或低谷数据。
三sigma原则可以用来度量各种不同的性质，如果某一质量指标的数据多余三个标准偏差，可以说明体系中存在问题，社会学上常用三sigma原则来度量家庭收入、房价以及其他价值指标。
此外，三sigma原则在市场营销中也会广泛使用，这可以度量客户行为，以确定其潜在利润。
三sigma原则本身并不能保证统计数据的准确性和可靠性，但它确实对对实际数据进行分析有着很大帮助。
它可以显示出明显的不同或异类，从而指出研究的目标群体进行进一步的检查。
三sigma原则的运用可以提高性能，管理者可以更容易也更有效地发现和改进系统中的故障。
解释正态分布的3西格玛原则
解释正态分布的3西格玛原则正态分布是一种重要的概率分布，也被称为高斯分布或钟形曲线。
在正态分布中，数据集呈现出一种维持对称分布的特征，大多数数据落在均值附近，随着距离均值的增加，数据的出现频率逐渐降低。
正态分布的3西格玛原则，也被称为“68-95-99.7”原则，是对正态分布的一种统计规律性质的描述。
根据这个原则，大约68%的数据落在均值的±1个标准差内，大约95%的数据落在均值的±2个标准差内，大约99.7%的数据落在均值的±3个标准差内。
这个原则对于理解正态分布的性质，分析数据的异常情况等方面具有重要的指导意义。
首先，正态分布的3西格玛原则告诉我们，大多数数据会集中在均值附近。
正态分布的特点是在均值处达到峰值，然后逐渐减小。
根据3西格玛原则，我们可以预期有约68%的数据会落在均值的±1个标准差内。
这意味着当我们使用正态分布来描述数据时，可以将均值作为一种“典型值”来使用，通常具有较高的概率出现。
其次，根据3西格玛原则，大约95%的数据会落在均值的±2个标准差内。
这意味着在正态分布中，数据集在均值附近的范围内具有相对较高的集中度。
而当数据偏离均值越远时，数据的出现频率逐渐降低。
这个规律对于理解数据的变异性和异常情况非常重要。
通常情况下，超过2个标准差以外的数据会被认为是异常值或者是不寻常的情况。
最后，根据3西格玛原则，大约99.7%的数据会落在均值的±3个标准差内。
这意味着在正态分布中，大多数数据都集中在距离均值较近的范围内。
这个原则对于处理异常情况、识别稀有事件等等具有重要的应用价值。
如果数据距离均值超过3个标准差，那么这样的情况就几乎是不可能发生的。
总之，正态分布的3西格玛原则是对正态分布特性的一种描述。
根据这个原则，大约68%、95%和99.7%的数据分别会落在均值的±1、±2和±3个标准差范围内。
3sigma 异常检测原理
3sigma 异常检测原理
3sigma异常检测原理是一种统计学方法，用于识别数据集中的
异常值。
该方法基于正态分布的概念，假设数据集符合正态分布，
并利用正态分布的性质来识别异常值。
在3sigma异常检测中，假设
数据集的均值为μ，标准差为σ。
根据正态分布的性质，约68%的
数据点落在均值加减一个标准差的范围内，约95%的数据点落在均
值加减两个标准差的范围内，约99.7%的数据点落在均值加减三个
标准差的范围内。
基于以上性质，3sigma异常检测原理认为，距离均值超过3个
标准差的数据点被视为异常值。
换句话说，如果某个数据点的数值
远离均值，超出了3个标准差的范围，那么它被认为是异常的。
这
个原理的基本思想是，正态分布下的数据点大部分集中在均值附近，远离均值的数据点很可能是异常的。
然而，需要注意的是，3sigma异常检测原理假设数据符合正态
分布，因此对于不符合正态分布的数据集可能不适用。
此外，对于
特定应用领域，也需要考虑是否3sigma的阈值符合实际需求。
有时
候可能需要根据具体情况调整阈值，以更准确地识别异常值。
总的来说，3sigma异常检测原理是一种简单而有效的方法，通过利用正态分布的特性来识别异常值，但在实际应用中需要结合具体情况进行调整和评估。
正态分布3σ 原则
正态分布3σ原则
1正态分布3σ原则
正态分布3σ原则是指极端值（离群值）是按照一定概率发生的。
它遵循三项原理，即：
1.大约有68％的数据在平均值的1σ之内，即（平均值±
1σ）；
2.大约有95％的数据在平均值的2σ之内，即（平均值±
2σ）；
3.大约有99％的数据在平均值的3σ之内，即（平均值±
3σ）。
如此，数据分别在平均值的3σ以内外区域分为四部分，从而使得数据有所控制，以便有助于对数据进行研究分析，比如统计学检验，校正数据等。
2应用
正态分布3σ原则也可用于制定一些准则，例如：
1.检测机械容许误差的工程设计和数学计算，将有效控制误差率不大于3σ，以确保其在实际运行中的精度；
2.生产商品的质量控制，也可以采用正态分布的3σ原则，确保商品的质量出货标准；
3.对生产能力的要求，如可靠性，耐用性和安全性做出限制，以保证它们达到足够的水平，而不会偏离正态分布3σ标准。
3结论
正态分布3σ原则是一种有效的检测数据，制定准则的方法。
它可以有效控制极端值的出现，将数据的变化范围控制在一定的范围之内，从而确保数据在研究或分析统计时能达到一定的准确性和合理性，为科学研究提供了便利。
但是此外，要有意识控制原有数据和极端值，并以此为依据进行研究，否则会造成不确定结论或者错误结论。
3sigma函数
3sigma函数3sigma函数是一个非常重要的统计函数，它能够帮助我们判断一个数据是否符合某种规律。
在本文中，我们将围绕着3sigma函数展开讨论，分步骤阐述它的基本原理以及应用。
第一步，了解3sigma函数的基本原理。
3sigma函数是统计学中常用的一种方法，它能够帮助我们评估一个数据的分布情况。
具体来说，3sigma函数是一种基于正态分布的方法，它假定数据服从正态分布。
在这种情况下，我们可以利用3sigma 函数来判断数据是否符合正态分布的要求。
具体来说，3sigma函数的基本原理是：1. 假定数据符合正态分布，即数据分布是钟形曲线。
2. 计算数据的均值和标准差。
均值表示数据的中心位置，标准差表示数据的离散程度。
3. 根据正态分布的性质，我们可以得到一个规律：在均值的左右两侧，距离均值一个标准差的范围内，约有68%的数据；在距离均值两个标准差的范围内，约有95%的数据；在距离均值三个标准差的范围内，约有99.7%的数据。
这种规律就是3sigma函数的基本原理。
第二步，掌握3sigma函数的应用方法。
在实际应用中，我们可以利用3sigma函数来判断一个数据是否符合正态分布的要求，或者判断数据中是否存在异常值。
具体来说，我们可以按照以下步骤进行：1. 计算数据的均值和标准差。
2. 根据3sigma函数的规律，计算出距离均值一个、两个、三个标准差的范围。
3. 将数据按照距离均值的标准差进行分类。
符合正常分布的数据将会集中在距离均值一个、两个、三个标准差的范围内；异常值则会出现在这个范围之外。
4. 对于异常值，我们需要进行进一步的分析和处理。
可能需要重新检查数据的来源、清洗数据、或者采取其他措施。
第三步，了解3sigma函数的不足之处。
尽管3sigma函数在统计学中非常有用，但它也存在一些不足之处。
1. 3sigma函数假定数据符合正态分布，而实际情况中，大多数数据并不完全符合正态分布。
因此，使用3sigma函数时，需要根据具体情况进行判断。
解释正态分布的3西格玛原则
解释正态分布的3西格玛原则正态分布的3西格玛原则是指在正态分布中，大约有68%的观测值在均值的一个标准差范围内，大约有95%的观测值在均值的两个标准差范围内，大约有99.7%的观测值在均值的三个标准差范围内。
这个原则是统计学中非常重要的概念，因为它提供了一种测量数据与均值之间的偏离程度的方法，同时也提供了一种估计数据落在不同范围内的概率分布的方法。
下面将详细解释这三个西格玛原则。
首先，正态分布的3西格玛原则意味着大约有68%的观测值在均值的一个标准差范围内。
换句话说，如果一个数据集服从正态分布，并且它的均值为μ，标准差为σ，那么有约68%的观测值会在区间[μ-σ,μ+σ]内。
这意味着大部分的数据点都集中在均值附近，且相对离散程度较小。
其次，正态分布的3西格玛原则还表明大约有95%的观测值在均值的两个标准差范围内。
即有95%的观测值会在区间[μ-2σ,μ+2σ]内。
相较于一个标准差范围，这个范围更宽，因此更多的数据点会包含在内。
这是因为正态分布是对称的，尾部的几率相对较低，观测值主要分布在均值附近的区域。
最后，正态分布的3西格玛原则还指出大约有99.7%的观测值在均值的三个标准差范围内。
即有99.7%的观测值会在区间[μ-3σ,μ+3σ]内。
这个范围相对更宽，包含了更多的数据点。
只有0.3%的观测值会在这个范围之外。
这个范围可以用来检测极端值或异常值。
通过应用这三个西格玛原则，我们可以对数据进行更深入的分析和解释。
例如，我们可以根据一个数据集的均值和标准差，预测数据点的分布情况。
如果一个数据点远离均值超过3个标准差，那么我们可以认为它是一个异常值或者是一种异常情况。
这种判断可以在很多领域中应用，如质量控制、金融风险评估等。
需要注意的是，虽然正态分布的3西格玛原则在实际应用中非常有用，但并不意味着所有的数据都严格遵循这个原则。
有些数据集可能不服从正态分布，或者因为其他原因而违反了这个原则。
因此，在分析数据时，我们应该综合考虑其他因素，并结合具体问题来判断数据的分布情况和异常值。