TA的首页不依赖正态假设，如何用Bootstrap自助法评估过程能力？
不依赖正态假设，如何用 Bootstrap 自助法评估过程能力？一篇写给质量人的实操指南
当你的过程数据明显偏态、样本量又小，传统的“正态假设 + 公式计算”能力指数（Cpk/Ppk）可能给出误导性结论。此时，Efron（1979）提出的 Bootstrap 自助法 提供了一条不依赖分布假设的稳健路径。本文将从原理、步骤到算例，为你拆解这一经典重采样技术，并附上一个可直接使用的在线工具。
什么是 Bootstrap 自助法？
Bootstrap（自助法）由 Bradley Efron 于 1979 年正式提出（Efron, 1979），其核心思想是：从原始样本中有放回地重复抽样，生成大量“伪样本”，进而估计统计量（如中位数、标准差、过程能力指数）的抽样分布。
在质量工程中，它特别适用于：
关键原则：每次重采样均从原始样本中有放回抽取，样本容量与原样本相同。这意味着某些观测值可能被重复抽中，而另一些可能完全未被抽中。
怎么做：Bootstrap 估计置信区间的标准步骤
以下步骤基于 Efron 的经典方法（Efron, 1979），用于估计任意统计量 θ（例如过程能力指数 Cpk）的置信区间。
步骤 1：获取原始样本
设原始样本为 X = {x_1, x_2,..., x_n}，n 为样本量。
步骤 2：设定重采样次数 B
B 通常取 1000 或 2000（示例数据中可设 B=1000）。B 越大，估计越稳定，但计算量增加。
步骤 3：执行有放回重采样
对于 b = 1 到 B：
步骤 4：构建 Bootstrap 分布
收集所有 θ̂_1^i, θ̂_2^i,..., θ̂_B^*，即为 θ 的 Bootstrap 抽样分布。
步骤 5：计算置信区间（百分位法）
对于 95% 置信区间，取分布的第 2.5 百分位和第 97.5 百分位作为下、上限：
CI_(95\%) = [θ̂_(0.025B)^i, θ̂_(0.975B)^i]
其中 θ̂_(k)^* 表示排序后第 k 个值。
一个演示算例：偏态数据下的 Cpk 置信区间
示例数据（仅供演示）：假设某注塑件关键尺寸的 20 个测量值（单位：mm）如下：
`10.2, 10.5, 10.8, 11.1, 11.4, 11.7, 12.0, 12.3, 12.6, 12.9, 13.2, 13.5, 13.8, 14.1, 14.4, 14.7, 15.0, 15.3, 15.6, 15.9`
规格下限 LSL = 10.0，规格上限 USL = 16.0。数据明显右偏（均值≈13.05，中位数≈13.35）。
传统方法：若假设正态，计算得 Cpk ≈ 0.75（示例数据）。但数据偏态，此值可能低估真实过程能力。
Bootstrap 方法：
1. 从 20 个原始数据中有放回抽取 20 个值，计算 Cpk（公式： Cpk = min((USL - x̄)/(3s), (x̄ - LSL)/(3s)) ）；
2. 重复 B=1000 次，得到 1000 个 Cpk* 值；
3. 排序后取第 2.5 百分位和第 97.5 百分位。
结果（示例数据，仅供演示）：Bootstrap 95% 置信区间约为 [0.62, 0.91]。这意味着真实 Cpk 有 95% 概率落在此区间内，比单点估计更全面地反映了不确定性。
常见误区（务必避开）
1. 误区：Bootstrap 能创造新数据
它只重排现有数据，不产生新信息。若原始样本本身有偏，Bootstrap 分布也会有偏。
2. 误区：Bootstrap 替代所有假设检验
它适合估计置信区间，但若需严格的假设检验，应结合其他方法（如置换检验）。
3. 误区：B 越大越好，但忽略计算成本
B=10000 比 B=1000 更稳定，但差异通常很小。工程实践中 1000~2000 已足够。
4. 误区：忽视原始样本的代表性
Bootstrap 假设样本是总体的随机代表。若采样有偏，一切重采样都是徒劳。
结语：让 Bootstrap 成为你的质量工具箱常备项
当数据“不听话”（非正态、小样本）时，Bootstrap 自助法提供了一种稳健、分布无关的置信区间估计方式。它不复杂，但需要正确的步骤和足够的重采样次数。
在线工具推荐：
如果你不想手动写代码，可以使用在线 Bootstrap 计算器，只需粘贴数据、设定重采样次数，即可获得统计量及其置信区间。
? 立即体验： https://www.6sq.net/tools/bootstrap/
参考依据：Efron, B. (1979). Bootstrap Methods: Another Look at the Jackknife. The Annals of Statistics, 7(1), 1-26.
当你的过程数据明显偏态、样本量又小，传统的“正态假设 + 公式计算”能力指数（Cpk/Ppk）可能给出误导性结论。此时，Efron（1979）提出的 Bootstrap 自助法 提供了一条不依赖分布假设的稳健路径。本文将从原理、步骤到算例，为你拆解这一经典重采样技术，并附上一个可直接使用的在线工具。
什么是 Bootstrap 自助法？
Bootstrap（自助法）由 Bradley Efron 于 1979 年正式提出（Efron, 1979），其核心思想是：从原始样本中有放回地重复抽样，生成大量“伪样本”，进而估计统计量（如中位数、标准差、过程能力指数）的抽样分布。
在质量工程中，它特别适用于：
- 数据不服从正态分布（如寿命数据、偏态尺寸）；
- 样本量较小（如 n < 30），无法可靠套用中心极限定理；
- 需要为非参数统计量（如中位数、百分位数）构建置信区间。
关键原则：每次重采样均从原始样本中有放回抽取，样本容量与原样本相同。这意味着某些观测值可能被重复抽中，而另一些可能完全未被抽中。
怎么做：Bootstrap 估计置信区间的标准步骤
以下步骤基于 Efron 的经典方法（Efron, 1979），用于估计任意统计量 θ（例如过程能力指数 Cpk）的置信区间。
步骤 1：获取原始样本
设原始样本为 X = {x_1, x_2,..., x_n}，n 为样本量。
步骤 2：设定重采样次数 B
B 通常取 1000 或 2000（示例数据中可设 B=1000）。B 越大，估计越稳定，但计算量增加。
步骤 3：执行有放回重采样
对于 b = 1 到 B：
- 从 X 中有放回地随机抽取 n 个观测值，构成 Bootstrap 样本 X_b^*；
- 计算该样本的统计量 θ̂_b^*。
步骤 4：构建 Bootstrap 分布
收集所有 θ̂_1^i, θ̂_2^i,..., θ̂_B^*，即为 θ 的 Bootstrap 抽样分布。
步骤 5：计算置信区间（百分位法）
对于 95% 置信区间，取分布的第 2.5 百分位和第 97.5 百分位作为下、上限：
CI_(95\%) = [θ̂_(0.025B)^i, θ̂_(0.975B)^i]
其中 θ̂_(k)^* 表示排序后第 k 个值。
注意：百分位法是最常用的非参数方法。若需更精确的偏差校正，可参考 Efron 的 BCa 方法，但本文以基础百分位法为准。
一个演示算例：偏态数据下的 Cpk 置信区间
示例数据（仅供演示）：假设某注塑件关键尺寸的 20 个测量值（单位：mm）如下：
`10.2, 10.5, 10.8, 11.1, 11.4, 11.7, 12.0, 12.3, 12.6, 12.9, 13.2, 13.5, 13.8, 14.1, 14.4, 14.7, 15.0, 15.3, 15.6, 15.9`
规格下限 LSL = 10.0，规格上限 USL = 16.0。数据明显右偏（均值≈13.05，中位数≈13.35）。
传统方法：若假设正态，计算得 Cpk ≈ 0.75（示例数据）。但数据偏态，此值可能低估真实过程能力。
Bootstrap 方法：
1. 从 20 个原始数据中有放回抽取 20 个值，计算 Cpk（公式： Cpk = min((USL - x̄)/(3s), (x̄ - LSL)/(3s)) ）；
2. 重复 B=1000 次，得到 1000 个 Cpk* 值；
3. 排序后取第 2.5 百分位和第 97.5 百分位。
结果（示例数据，仅供演示）：Bootstrap 95% 置信区间约为 [0.62, 0.91]。这意味着真实 Cpk 有 95% 概率落在此区间内，比单点估计更全面地反映了不确定性。
常见误区（务必避开）
1. 误区：Bootstrap 能创造新数据
它只重排现有数据，不产生新信息。若原始样本本身有偏，Bootstrap 分布也会有偏。
2. 误区：Bootstrap 替代所有假设检验
它适合估计置信区间，但若需严格的假设检验，应结合其他方法（如置换检验）。
3. 误区：B 越大越好，但忽略计算成本
B=10000 比 B=1000 更稳定，但差异通常很小。工程实践中 1000~2000 已足够。
4. 误区：忽视原始样本的代表性
Bootstrap 假设样本是总体的随机代表。若采样有偏，一切重采样都是徒劳。
结语：让 Bootstrap 成为你的质量工具箱常备项
当数据“不听话”（非正态、小样本）时，Bootstrap 自助法提供了一种稳健、分布无关的置信区间估计方式。它不复杂，但需要正确的步骤和足够的重采样次数。
在线工具推荐：
如果你不想手动写代码，可以使用在线 Bootstrap 计算器，只需粘贴数据、设定重采样次数，即可获得统计量及其置信区间。
? 立即体验： https://www.6sq.net/tools/bootstrap/
下图是 6SQ 在线工具一键生成的结果效果：
参考依据：Efron, B. (1979). Bootstrap Methods: Another Look at the Jackknife. The Annals of Statistics, 7(1), 1-26.
