统计学基础知识(3)

企业的质量方针、管理者的质量意识、电视机的清晰度、音响的音质等。这类量的评定多具有模糊性，其评定效果主要依靠评定人员的经验和专业技能。所以一般多采用头脑风暴法等方法来处理。必要时，也可采用合适的数量化方法进行评定。 2．数据的要求

⑴针对性：针对要控制或解决的某一问题去收集数据。

⑵完整性：要求数据反映的过程要完整。记录的数据应能追溯，即对数据的背景资料（时间、地点、责任

者、设备号）要作记载。以便解决问题时能正确切入。

⑶准确性：数据就能真实反映生产过程和体系运行的实际情况。一个不真实、或者不准确的数据，不仅不

能起到应有的作用，而且还可能导至一个错误的结论。因此就对数据包括修约原则在内的准确性，决不能人为地篡改。

⑷及时性：质量信息有很强的时间性，即使是很重要的信息，一旦机会错过，就会失去使用价值，甚至于

造成严重后果。

⑸连续性：为了掌握产品或体系的动态变化规律，必须保持数据的连续性。不连续的数据，可能会失去很

多有用的信息，从而影响数据分析的结果。严重的会造成错误的结果。

⑹统一性：全部数据必须从位数（有效数据的位数——见下面的举例）、修约原则（四舍五入等）表达方

式等保持一致。

3．异常数据的判定和剔除

即使是在同样的生产条件下的一组数据，其中的个别数据也可能不“合群”的，即不符合这组数据应符合的固有分布规律。一般而言，一组数据中的最大值或最小值成为异常驻数据的可能性最大，判为正常数据的风险也最大。所以只要对一组数据的二头，特别是离群明显的一头进行检验并按规定剔除异常之数据，就可以提高数据的可信性。

判定和剔除异常数据的方法很多，目前最常用的是：格拉布斯方法。下表是格拉布斯检验简表。表中规定了不同的第一类错判率（=0.05；0.025；0.01)下剔除标准。

格拉布斯检验简表

注：⑴表中N为相同生产条件下抽取的样本数，Tα为第一类错判率下的剔除标准。

⑵该表的使用前提是数据服从正态分布。