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.”
Après quelques recherches, j'ai découvert que je pouvais utiliser soit le test t, soit l'analyse de la variance (ANOVA). Le test-t examine les différences entre deux groupes en utilisant une seule variable, alors que la variable indépendante ne doit comporter que deux groupes. L'analyse ANOVA teste la signification des différences entre deux ou plusieurs groupes de données. La variable indépendante doit comporter deux catégories ou plus. L'ANOVA détermine seulement qu'il y a une différence entre les groupes, mais ne dit pas laquelle est différente. Curieusement, si vous effectuez l'analyse ANOVA pour deux variables indépendantes, vous obtenez le même résultat qu'en utilisant le test-t. Voici un aperçu de mes données :
After using the JMP software and turning on the ‘Means/ANOVA/Pooled t’, my data now looks like this:
D'après la page d'aide du page d'aide de JMP, "La valeur Prob > F mesure la probabilité d'obtenir un rapport F aussi important que celui observé, étant donné que tous les paramètres, à l'exception de l'ordonnée à l'origine, sont nuls. De petites valeurs de Prob > F indiquent que le rapport F observéest improbable. De telles valeurs sont considérées comme la preuve qu'il y a au moins un effet significatif dans le modèle". Ces données correspondent à la description, j'ai donc utilisé un test secondaire, le test de Tukey-Kramer, pour vérifier mes résultats. Lorsque vous sélectionnez ce test, l'image des données change légèrement :
Lorsque j'ai utilisé ce test pour la première fois, je n'ai pas bien compris ce que les cercles représentaient. Voici le graphique le plus complet que j'ai trouvé.
Comme les cercles ne se chevauchent pas du tout, les résultats sont sensiblement différents.
Une matrice de seuil de la plus petite différence significative (LSD) apparaît également lorsque vous sélectionnez l'analyse de Tukey-Kramer. Elle est affichée ci-dessous :
La lecture de la matrice est la suivante : lorsque vous comparez A à B, un nombre positif indique que la paire de moyennes est significativement différente.
De temps en temps, j'ajouterai des articles qui diffèrent de mon programme habituel de fluxeurs, préchauffeurspour discuter d'autres sujets ou expériences que j'ai menées ici à l'Indium Corporation. N'hésitez pas à me contacter si vous avez des questions, des préoccupations ou des anecdotes. (J'adore les faits amusants !!!) Je suis toujours ouvert aux nouvelles idées et aux nouveaux concepts.
