112 年 國立中央大學土木工程學系碩士班丁：材料組一般生《工程統計學》

本題考驗單因子變異數分析 (One-Way ANOVA) 的應用。我們需要透過 ANOVA 來檢定不同類型的行動電源（標準型、長效型、耐久型）的平均供電時間是否存在顯著差異。

核心觀念： 變異數分析 (ANOVA) 用於比較三個或三個以上群體（因子水準）的平均數是否存在統計上的顯著差異。

解題步驟：

1. 建立假設：

   • 虛無假設 ($H_0$)：三種行動電源的平均供電時間沒有顯著差異。即 $\mu_{標準型} = \mu_{長效型} = \mu_{耐久型}$。
   • 對立假設 ($H_1$)：至少有一種行動電源的平均供電時間與其他不同。

2. 計算總平均 ($\bar{\bar{Y}}$) 和各組平均 ($\bar{Y}_j$)：

   • 資料矩陣： $$\begin{pmatrix} 100 & 200 & 300 \\ 200 & 300 & 400 \\ 300 & 400 & 100 \end{pmatrix}$$
   • 各組平均：
     • 標準型 ($\bar{Y}_1$) = $(100 + 200 + 300) / 3 = 600 / 3 = 200$
     • 長效型 ($\bar{Y}_2$) = $(200 + 300 + 400) / 3 = 900 / 3 = 300$
     • 耐久型 ($\bar{Y}_3$) = $(300 + 400 + 100) / 3 = 800 / 3 \approx 266.67$
   • 總平均 ($\bar{\bar{Y}}$) = $(200 + 300 + 800/3) / 3 = (500 + 800/3) / 3 = (1500/3 + 800/3) / 3 = (2300/3) / 3 = 2300 / 9 \approx 255.56$

3. 計算組間平方和 (SSB 或 SS Factor, SSF)：
   題目已給定 $SSF=n \sum(\bar{Y}_j - \bar{\bar{Y}})^2$，其中 $n$ 是每組的樣本數。

   • $n=3$
   • $SSF = 3 \times [(200 - 2300/9)^2 + (300 - 2300/9)^2 + (800/3 - 2300/9)^2]$
   • $200 - 2300/9 = (1800 - 2300)/9 = -500/9$
   • $300 - 2300/9 = (2700 - 2300)/9 = 400/9$
   • $800/3 - 2300/9 = (2400 - 2300)/9 = 100/9$
   • $SSF = 3 \times [(-500/9)^2 + (400/9)^2 + (100/9)^2]$
   • $SSF = 3 \times [(250000/81) + (160000/81) + (10000/81)]$
   • $SSF = 3 \times [(250000 + 160000 + 10000) / 81]$
   • $SSF = 3 \times [420000 / 81] = 1260000 / 81 = 140000 / 9 \approx 15555.56$

本題在考驗統計檢定中的基本概念：顯著水準、型一錯誤、型二錯誤及檢定力。這些是理解假設檢定過程的關鍵要素。

核心觀念： 假設檢定是判斷樣本資料是否足以支持或反駁關於母體參數的某個主張（假設）的統計方法。在這個過程中，我們可能做出錯誤的決策，而這四個概念就是用來描述這些錯誤的可能性和正確決策的可能性。

詳解：

1. 顯著水準 (Significance Level, $\alpha$)：

   • 定義： 顯著水準是我們在進行假設檢定時，預先設定的一個機率值，用來決定是否拒絕虛無假設 ($H_0$)。它代表了我們願意承擔的「型一錯誤」發生的最大機率。
   • 意義： 當我們計算出的檢定統計量所對應的 P 值小於或等於顯著水準 $\alpha$ 時，我們就拒絕虛無假設。常見的顯著水準有 0.05 (5%)、0.01 (1%)、0.10 (10%) 等。 $\alpha$ 值越小，拒絕 $H_0$ 的門檻越高，對型一錯誤的容忍度越低。

2. 型一錯誤 (Type I Error)：

   • 定義： 在假設檢定中，當虛無假設 ($H_0$) 實際上為真時，我們卻錯誤地拒絕了它。
   • 機率： 型一錯誤發生的機率恰好等於顯著水準 $\alpha$。
   • 例子： 在醫學檢驗中，實際上病人沒有生病（$H_0$：病人健康），但檢驗結果卻顯示病人有病，並因此給予治療。

3. 型二錯誤 (Type II Error)：

   • 定義： 在假設檢定中，當虛無假設 ($H_0$) 實際上為偽時，我們卻錯誤地未能拒絕它

本題要求解釋「迴歸分析」的定義，這是統計學中一個非常基礎且重要的概念。

核心觀念： 迴歸分析是一種用來研究變數之間關係的統計方法，特別是探討一個或多個自變數如何影響一個應變數。

詳解：

迴歸分析 (Regression Analysis) 是一種統計技術，用於建立數學模型來描述一個或多個自變數 (independent variables)（也稱為預測變數、解釋變數或特徵）與一個應變數 (dependent variable)（也稱為反應變數或目標變數）之間的關係。

迴歸分析的主要目的可以歸納為以下幾點：

1. 描述關係 (Describing Relationships)： 了解自變數如何影響應變數。例如，是正相關還是負相關？影響的程度有多大？
2. 預測 (Prediction)： 利用已知的自變數值，來預測應變數的值。例如，根據廣告支出，預測產品的銷售量。
3. 推論 (Inference)： 檢定自變數對應變數的影響是否顯著，並估計影響的具體數值（迴歸係數）。

迴歸分析的種類：

• 簡單迴歸 (Simple Regression)： 只涉及一個自變數和一個應變數。

本題要求解釋三個與品質管理相關的術語：SPC、SQC、TQM，並闡述它們之間的關聯。

核心觀念： 這三個術語代表了品質管理不同層次和範疇的概念，從統計工具到品質系統，再到企業哲學。

詳解：

1. SPC (Statistical Process Control) - 統計製程管制

   • 定義： SPC 是一種使用統計方法來監控、控制和改進製程的方法。它強調透過數據分析來了解製程的變異來源，並在製程發生異常時及時發現並加以糾正，以確保產品或服務的品質穩定。
   • 主要工具： 統計製程管制圖（如管制圖 X-bar, R, p, c, u 圖等）、製程能力分析、直方圖、散佈圖等。
   • 目標： 預防缺陷產生，而非僅僅檢測缺陷。

2. SQC (Statistical Quality Control) - 統計品質管制

   • 定義： SQC 是一個比 SPC 更廣泛的概念，它涵蓋了所有利用統計方法來控制和改進產品品質的技術和工具。SPC 是 SQC 的一部分，但 SQC 還包括抽樣檢驗 (Acceptance Sampling) 等其他統計工具。
   • 範疇： 包含製程管制 (SPC) 和產品檢驗（如抽樣檢驗）。
   • 目標： 確保最終產出的產品符合品質標準。

3. TQM (Total Quality Management) - 全面品質管理

   • 定義： TQM 是一種企業經營哲學和管理系統，強調組織內所有成員（從高階管理者到基層員工）都參與到品質的持續改進中。它不僅關注產品或服務的品質，更涵蓋了客戶滿意度、員工參與、流程優化、供應商關係以及企業的長期發展。

本題考驗的是管制圖 (Control Chart) 的應用，特別是如何為混凝土強度建立管制上限 (UCL) 和管制下限 (LCL)。這涉及到統計品質管制和製程能力的評估。

核心觀念： 管制圖是用來監控製程穩定性並區分「普通原因變異」與「特殊原因變異」的工具。管制上限和下限是基於製程的統計特性計算出來的，用於判斷製程是否處於統計穩定狀態。

解題步驟與說明：

建立混凝土強度的管制上限和管制下限，需要先假設或收集足夠的數據來評估當前混凝土拌合與澆置製程的統計特性。

1. 確定抽樣計畫與樣本大小：

   • 抽樣頻率： 決定多久抽取一次樣本。例如，每生產一批混凝土或每隔一段固定時間（如一天）。
   • 樣本大小 ($n$)： 每次抽樣時，從該批混凝土中取出多少試體進行強度測試。對於混凝土強度，通常採用試體（如圓柱試體或立方試體）來測試。常見的樣本大小可能是 $n=3$ 或 $n=5$ 個試體。
   • 假設： 我們假設採用計量值管制圖 (Variables Control Chart)，因為強度是連續變數。常用的圖是 $\bar{X}$ 管制圖（用於監控平均值）和 $R$ 管制圖（用於監控變異數，或稱全距）。

2. 收集歷史數據：

   • 從過去的生產記錄中，收集足夠數量的樣本數據（例如，過去 20-30 個抽樣批次的數據）。每個樣本包含 $n$ 個試體的強度測試結果。
   • 假設： 我們假設已經收集了 25 個批次的數據，每個批次有 5 個試體的強度測試結果 ($N=25, n=5$)。

3. 計算樣本平均值 ($\bar{X}_i$) 和樣本全距 ($R_i$)：

   • 對於每一個歷史樣本批次 $i$，計算其平均強度 $\bar{X}_i$ 和全距 $R_i$（最大值減最小值）。
   • 假設： 經過計算，得到 25 個 $\bar{X}_i$ 和 25 個 $R_i$。

4. 計算總平均值 ($\bar{\bar{X}}$) 和平均全距 ($\bar{R}$)：

   • 總平均值： $\bar{\bar{X}} = \frac{1}{N} \sum_{i=1}^{N} \bar{X}_i$ （所有樣本平均值的平均值）。
   • 平均全距： $\bar{R} = \frac{1}{N} \sum_{i=1}^{N} R_i$ （所有樣本全距的平均值）。
   • 假設： 經過計算，得到 $\bar{\bar{X}} = 360 \, \text{kgf/cm}^2$ 且 $\bar{R} = 30 \, \text{kgf/cm}^2$。

5. 計算管制上限 (UCL) 和管制下限 (LCL)：

   • 對於 $\bar{X}$ 管制圖：

     • UCL$_{\bar{X}} = \bar{\bar{X}} + A_3 \bar{R}$
     • LCL$_{\bar{X}} = \bar{\bar{X}} - A_3 \bar{R}$
       其中 $A_3$ 是一個常數，其值取決於樣本大小 $n$。查表可知，當 $n=5$ 時，$A_3 = 1.34$。
     • UCL$_{\bar{X}} = 360 + 1.34 \times 30 = 360 + 40.2 = 400.2 \, \text{kgf/cm}^2$
     • LCL$_{\bar{X}} = 360 - 1.34 \times 30 = 360 - 40.2 = 319.8 \, \text{kgf/cm}^2$

   • 對於 $R$ 管制圖：

     • UCL$_R = D_4 \bar{R}$
     • LCL$_R = D_3 \bar{R}$
       其中 $D_4$ 和 $D_3$ 也是常數，取決於樣本大小 $n$。查表可知，當 $n=5$ 時，$D_4 = 2.114$ 且 $D_3 = 0$。
     • UCL$_R = 2.114 \times 30 = 63.42 \, \text{kgf/cm}^2$
     • LCL$_R = 0 \times 30 = 0 \, \text{kgf/cm}^2$

6. 建立管制上限和管制下限與「要求強度」的關聯：

   • 要求強度 (Specified Strength) 是客戶或規範要求的最低或目標強度，例如 $350 \, \text{kgf/cm}^2$。
   • 管制上限和下限 (UCL, LCL) 是基於製程變異計算出來的，用於監控製程的統計穩定性。
   • 管制圖的目的是： 確保製程處於統計穩定狀態。如果製程穩定，其變異是可預測的。
   • 建立管制上下限並非直接基於「要求強度 $350 \, \text{kgf/cm}^2$」，而是基於歷史數據。

本題主要考驗學生對變異來源的理解（組內變異與組間變異）以及如何運用離散趨勢指標（全距、標準差、變異係數）來評估水泥混凝土的抗壓強度。

核心觀念： 統計學中的變異性分析是理解數據分散程度的關鍵。在混凝土強度試驗中，變異來源可以區分為製程內部（組內）和不同製程批次之間（組間）。

詳解：

一、 組內變異 (Within-Group Variation) 與組間變異 (Between-Group Variation)

當我們對水泥混凝土進行抗壓強度試驗時，變異的來源可以分為兩類：

1. 組內變異 (Within-Group Variation)：

   • 定義： 指的是在同一個組別（例如，同一批次的混凝土）內部，不同試體的抗壓強度之間存在的差異。
   • 來源： 這種變異主要來自於製程中的隨機波動，例如：
     • 原材料的微小差異（水泥、骨材、水等）。
     • 拌合過程中的不均勻性。
     • 試體製作過程中的差異（搗實、表面處理等）。
     • 試驗機器的測量誤差。
   • 統計指標： 在 ANOVA 的框架下，組內變異通常對應於 SSE (Sum of Squares Within) 或 MSE (Mean Square Within)。

2. 組間變異 (Between-Group Variation)：

   • 定義： 指的是不同組別（例如，不同拌合設計、不同生產批次、不同養護條件）的混凝土試體平均強度之間存在的差異。
   • 來源： 這種變異主要來自於我們有意或無意改變的製程因素，例如：
     • 不同的水泥種類或配比。
     • 不同的水灰比。
     • 不同的養護溫度或濕度。
     • 不同的生產批次。
   • 統計指標： 在 ANOVA 的框架下，組間變異通常對應於 SSB (Sum of Squares Between) 或 MSB (Mean Square Between)。

二、 離散趨勢指標及其在強度評估中的應用

離散趨勢指標用於量化數據的離散程度。在評估混凝土抗壓強度時，它們有助於判斷品質的穩定性和均一性。

1. 全距 (Range, R)：

   • 定義： 一組數據中的最大值與最小值之差 ($R = X_{max} - X_{min}$)。
   • 應用：
     • 快速評估穩定性： 在管制圖中，全距用於監控製程的短期變異。較小的全距表示同一批次內的強度較為接近，製程較為穩定。
     • 簡易基準： 在小樣本（如 $n \le 10$）的情況下，全距是估計製程標準差的一種簡單方法。
   • 局限： 只考慮了兩個極端值，對異常值敏感，且未利用所有數據。

2. 標準差 (Standard Deviation, $s$ 或 $\sigma$)：

   • 定義： 衡量數據點相對於平均值的離散程度。樣本標準差 $s = \sqrt{\frac{\sum(X_i - \bar{X})^2}{n-1}}$。
   • 應用：
     • 量化分散程度： 標準差越小，表示數據點越集中在平均值附近，混凝土強度越均勻、越穩定。
     • 製程能力評估： 標準差是計算製程能力指數 ($C_p, C_{pk}$) 的關鍵參數。較小的標準差意味著更高的製程能力。
     • 統計推論： 用於建立信賴區間和進行假設檢定。
   • 重要性： 是最常用的衡量數據分散性的指標。

3. 變異係數 (Coefficient of Variation, CV)：

   • 定義： 標準差與平均值之比，通常以百分比表示 ($CV = \frac{s}{\bar{X}} \times 100\%$ 或 $\frac{\sigma}{\mu} \times 100\%$）。