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.”
Após alguma pesquisa, descobri que poderia usar o teste-t ou o teste de análise de variância (ANOVA). O teste-t analisa as diferenças entre dois grupos usando uma única variável, enquanto a variável independente deve ter apenas dois grupos. A análise ANOVA testa a significância das diferenças entre dois ou mais grupos de dados. A variável independente tem de ter duas ou mais categorias. A ANOVA apenas determina que existe uma diferença entre grupos, mas não diz qual é a diferença. Por estranho que pareça, se efetuar a análise ANOVA para duas variáveis independentes, obtém o mesmo resultado que utilizando o teste-t. Aqui está uma imagem instantânea do aspeto dos meus dados:
After using the JMP software and turning on the ‘Means/ANOVA/Pooled t’, my data now looks like this:
De acordo com a página de suporte do página de suporte do JMP, "O valor Prob > F mede a probabilidade de obter um rácio F tão grande como o observado, dado que todos os parâmetros, exceto a interceção, são zero. Valores pequenos de Prob > F indicam que o rácio F observadoé improvável. Tais valores são considerados evidência de que existe pelo menos um efeito significativo no modelo." Estes dados correspondem à descrição, pelo que utilizei um teste secundário, o teste de Tukey-Kramer, para verificar os meus resultados. Quando se seleciona este teste, a imagem dos dados muda ligeiramente para isto:
Quando utilizei este teste pela primeira vez, não compreendi bem o que os círculos representavam. Aqui está o gráfico mais completo que encontrei.
Uma vez que os círculos não se sobrepõem de todo, os resultados são significativamente diferentes.
Existe também uma diferença menos significativa ou Matriz de limiar LSD que aparece quando seleciona a análise Tukey-Kramer. Ela é exibida abaixo:
A forma de ler a matriz é: quando se compara A com B, há um número positivo que indica que o par de médias é significativamente diferente.
De tempos a tempos, vou espalhar mensagens que são diferentes do meu programa padrão de fluxers, pré-aquecedoresetc., para discutir outros tópicos ou experiências que realizei aqui na Indium Corporation. Por favor, sintam-se à vontade para me contactar com quaisquer questões, preocupações ou curiosidades. (Adoro factos divertidos!!!) Estou sempre aberto a novas ideias e conceitos.
