My most recent blog topics have had to do with Wave Soldering Machine Components, but statistics is also something that interests me. Have you ever had to compare two or more sets of data to try and understand if they were unrelated or statistically significant? I recently had to solve this problem for myself by comparing variables from two different SMT assembly machines.
This is the first time that I had to use statistics since I took the course in college, so I had to brush up on a few things. The particular test that I needed to perform was unclear to me at the start of the analysis. Let me say that the machines were measuring the exact same variable, the only difference was the machine. I wanted to understand which machine was more accurate. Or, better yet, if there was a statistically significant difference between the two sets of results. Let’s start off with the definition of “statistically significant.” According to Google,the definition of statisticallysignificant is. “the likelihood that a result or relationship is caused by something other than mere random chance.Statisticalhypothesis testing is traditionally employed to determine if a result isstatisticallysignificantor not.”
Tras investigar un poco, descubrí que podía utilizar la prueba t o el análisis de la varianza (ANOVA). La prueba t examina las diferencias entre dos grupos utilizando una única variable, mientras que la variable independiente sólo debe tener dos grupos. El análisis ANOVA comprueba la significación de las diferencias entre dos o más grupos de datos. La variable independiente debe tener dos o más categorías. El ANOVA sólo determina que hay una diferencia entre grupos, pero no dice cuál es diferente. Por extraño que parezca, si se realiza el análisis ANOVA para dos variables independientes se obtiene el mismo resultado que utilizando la pruebat. He aquí una instantánea del aspecto de mis datos:
After using the JMP software and turning on the ‘Means/ANOVA/Pooled t’, my data now looks like this:
Según la página de soporte de JMP, "El valor Prob > F mide la probabilidad de obtener una Razón F tan grande como la observada, dado que todos los parámetros excepto la intercepción son cero. Los valores pequeños de Prob > F indican que la razón F observadaes improbable. Tales valores se consideran evidencia de que hay al menos un efecto significativo en el modelo". Estos datos se ajustan a la descripción, así que utilicé una prueba secundaria, la prueba de Tukey-Kramer, para verificar mis resultados. Al seleccionar esta prueba, la imagen de los datos cambia ligeramente a esto:
La primera vez que empleé esta prueba no entendí muy bien lo que representaban los círculos. He aquí el gráfico más completo que he encontrado.
Como los círculos no se superponen en absoluto, los resultados son significativamente diferentes.
También hay una matriz de diferencia mínima significativa o umbral LSD que aparece cuando se selecciona el análisis Tukey-Kramer. Se muestra a continuación:
La forma de leer la matriz es que, cuando se compara A con B, hay un número positivo que indica que el par de medias es significativamente diferente.
De vez en cuando voy a salpicar en los puestos que son diferentes de mi programa estándar de fundentes, precalentadoresetc. para discutir otros temas o experimentos que he llevado a cabo aquí en la Indium Corporation. Por favor, no dude en ponerse en contacto conmigo con cualquier pregunta, preocupación o datos curiosos. (Siempre estoy abierto a nuevas ideas y conceptos.
