分布拟合

拟合概率分布并评估正态性. 通过直方图、QQ图、正态性检验分析数据分布，并按AIC/BIC对多种概率分布（正态、对数正态、指数等）进行排序。. 分布拟合用于判定哪一种概率分布最能描述一组数据。人们往往默认数据服从正态分布，但现实数据经常服从对数正态分布（乘性过程）、指数分布（事件发生的间隔时间）、威布尔分布（可靠性/寿…

通过直方图、QQ图、正态性检验分析数据分布，并按AIC/BIC对多种概率分布（正态、对数正态、指数等）进行排序。

什么是分布拟合？

分布拟合用于判定哪一种概率分布最能描述一组数据。人们往往默认数据服从正态分布，但现实数据经常服从对数正态分布（乘性过程）、指数分布（事件发生的间隔时间）、威布尔分布（可靠性/寿命）或其他分布。选错分布会导致预测与过程能力估计出现偏差。

拟合过程用极大似然估计来估计分布参数（例如正态分布的均值与 σ、威布尔分布的形状参数与尺度参数）。模型选择依据信息准则：AIC（赤池信息准则）与 BIC（贝叶斯信息准则）在拟合优度与模型复杂度之间取得平衡。AIC/BIC 值越小，说明模型越好。

Kolmogorov-Smirnov（KS）检验把经验累积分布与拟合得到的理论 CDF 进行比较。KS 检验的 p 值较高（> 0.05）说明拟合良好。QQ 图提供直观验证：各点沿对角线分布即可确认所选分布是合适的。

Formula: KS Statistic = max|F_empirical(x) - F_theoretical(x)| AIC = 2k - 2 ln(L) BIC = k ln(n) - 2 ln(L) where k = parameters, L = likelihood, n = sample size

计算示例

对 100 个测量值分别拟合正态分布（AIC=312，BIC=317，KS p=0.08）与对数正态分布（AIC=305，BIC=310，KS p=0.45）。对数正态分布的 AIC/BIC 更低、KS p 值更高——它的拟合更好。对数正态分布的 QQ 图比正态分布的 QQ 图更紧贴对角线。

何时使用此计算器

工艺能力分析前确定正确的分布模型 — 对非正态数据使用Cpk公式会给出误导性结果
分析通常右偏的可靠性或寿命数据时 — Weibull、对数正态或指数分布可能比正态拟合好得多
在工艺表征中理解数据的基本形状并选择适当的统计方法时
SPC控制图限值看起来不合适时 — 数据可能不是正态分布的，需要不同的图表类型或变换后的数据
将测量数据与供应商规格比较时 — 了解实际分布可以准确预测超规率

常见错误

不检查就假设所有数据都是正态分布 — 制造数据通常是偏斜的（对数正态）、有界的（贝塔）或多峰的（混合）；始终拟合并比较
当KS p值非常低时仅凭AIC选择分布 — AIC排列候选者的相对拟合度；低KS p值意味着即使最佳候选也可能拟合不好；收集更多数据或考虑其他分布
在小数据集上选择具有多参数的复杂分布导致过拟合 — AIC和BIC惩罚复杂性但小样本中即使这些准则也可能偏爱过于复杂的模型；拟合相似时优选简单分布
不可视化拟合 — 仅靠数值准则可能误导；始终检查直方图叠加和QQ图以验证拟合分布与数据模式匹配

如何解读结果

AIC/BIC最低且KS p值最高的分布是最佳候选 — AIC和BIC不一致时BIC更保守
KS p值 > 0.05表示拟合分布与数据一致 — 较低值建议不应用于预测的不良拟合
如果正态拟合良好，标准Cpk/Ppk公式和参数检验可直接适用
如果对数正态最佳拟合，考虑在能力分析前对数变换数据或使用非正态能力方法
如果没有标准分布拟合良好，数据可能是多峰的（两个过程的混合） — 调查是否应该对数据分层

常见问题

应该先尝试哪一种分布？

连续且对称的数据先试正态分布。右偏数据或不可能取负值的数据（浓度、周期时间）可试对数正态分布。寿命/可靠性数据可试威布尔分布或指数分布。计数数据（单位缺陷数、到达数）是离散的——本工具只拟合连续分布，计数数据请另用泊松或二项分布检验。直方图的形状能给出初步提示：对称钟形 → 正态分布，右偏 → 对数正态/威布尔分布，发生率恒定 → 指数分布。

AIC 与 BIC 有什么区别？

两者都通过惩罚模型复杂度来防止过拟合，但 BIC 对增加参数的惩罚更重，样本量大时尤为明显。AIC 倾向于选出更复杂的模型（预测更准），BIC 则倾向于选出更简约的模型（更利于识别真实模型）。当两者结论不一致时，BIC 更为保守。建议两者并用——若结论一致，则对选择结果的把握更高。