Bỏ qua nội dung

Kết quả có ý nghĩa thống kê so với kết quả có ý nghĩa thực tiễn trong quá trình lắp ráp SMT

Mọi người ơi,

Hàng ngày, chúng ta đều tiếp xúc với các kết quả khảo sát và thăm dò ý kiến. Một ví dụ điển hình có thể là Tổng thống Obama đang dẫn trước Mitt Romney trong một cuộc thăm dò với tỷ lệ 48% so với 45%, nhưng kết quả này không có ý nghĩa thống kê. Một câu hỏi hợp lý có thể là: “Ý nghĩa thống kê là gì?”

Để xác định mức độ có ý nghĩa thống kê, thông thường, các nhà thống kê sẽ áp dụng tiêu chí rằng nếu xác suất kết luận sai chỉ ở mức 5% hoặc thấp hơn, thì kết quả đó được coi là có ý nghĩa thống kê. Do đó, khi một cuộc thăm dò khác cho thấy Tổng thống Obama dẫn trước với tỷ lệ 49% so với 44% và kết quả này có ý nghĩa thống kê, thì về mặt thống kê, xác suất kết luận sai là dưới 5%. Tiêu chí 5% này không phải là quy tắc bất di bất dịch. Đôi khi, các con số như 10%, 1% hoặc thậm chí 0,1% cũng có thể được sử dụng. Tuy nhiên, theo truyền thống, 5% được coi là giá trị mặc định cho “ý nghĩa thống kê”. Cũng cần lưu ý rằng, càng có nhiều điểm dữ liệu trong mẫu, kết quả càng có khả năng đạt được ý nghĩa thống kê.

Nhưng nếu một số dữ liệu có ý nghĩa thống kê, liệu nó có luôn có ý nghĩa “thực tế” hay không? Ví dụ, giả sử bạn rất thích sô-cô-la. Thương hiệu yêu thích của bạn tham gia một cuộc thử vị và đạt 9,6/10, trong khi một loại sô-cô-la mới đạt 9,7/10 và kết quả này có ý nghĩa thống kê. Tuy nhiên, loại sô-cô-la mới này có giá cao gấp 5 lần. Liệu có đáng để bỏ thêm tiền để chuyển sang dùng loại sô-cô-la mới này không? Trong trường hợp này, chúng ta phải tự hỏi: liệu sự khác biệt đó có ý nghĩa thực tế hay không? Câu trả lời rất có thể là không. Sự khác biệt 0,1 điểm trên thang điểm 10 là rất nhỏ, và hương vị cũng là một yếu tố chủ quan. Ở đây, kết quả có thể không có ý nghĩa thực tế. Tính chủ quan của một cuộc thử nghiệm hương vị có thể khiến bạn không nhận ra sự khác biệt hoặc vẫn thích loại sô-cô-la yêu thích của mình nhất.

Hãy xem xét một ví dụ khác ít mang tính chủ quan hơn. Giả sử rằng, trong một ứng dụng nhất định, hiện tượng rỗng hàn là một vấn đề quan trọng. Vì vậy, bạn tiến hành đo lường hiện tượng rỗng hàn của hai loại bột hàn. Sau khi thu thập hàng trăm điểm dữ liệu, bạn phát hiện ra rằng tỷ lệ rỗng hàn trung bình của một loại bột hàn là 8% và của loại còn lại là 7%. Phân tích bằng phần mềm Minitab® cho thấy sự khác biệt này có ý nghĩa thống kê. Nhưng liệu sự khác biệt này có ý nghĩa thực tiễn hay không? Có lẽ là không.

Làm thế nào để xác định mức độ ý nghĩa thực tiễn? Thông thường, điều này được thực hiện thông qua thí nghiệm hoặc trong một số trường hợp dựa trên kinh nghiệm. Trong ví dụ về lỗ rỗng trong hàn của chúng ta, giả sử các thí nghiệm cho thấy miễn là tỷ lệ lỗ rỗng trung bình dưới 30%, thì sẽ không có vấn đề gì. Dựa trên điều này, bộ phận kỹ thuật có thể đã đặt ra tiêu chuẩn rằng tỷ lệ lỗ rỗng trung bình không được vượt quá 25%. (Toàn bộ cuộc thảo luận này giả định rằng độ phân tán hoặc độ lệch chuẩn của dữ liệu không lớn, nhưng chủ đề này sẽ được thảo luận trong một bài viết khác.) Vì vậy, trong trường hợp này, sự khác biệt giữa tỷ lệ lỗ rỗng 7% và 8% có thể có ý nghĩa về mặt thống kê, nhưng không có ý nghĩa về mặt thực tế. Do đó, một kỹ sư thận trọng có thể chọn loại bột hàn 8% nếu nó có các đặc tính mong muốn khác, chẳng hạn như phản ứng tốt hơn khi tạm dừng, khả năng chống dính hoặc cải thiện khuyết tật “head-in-pillow”.

Vì vậy, hãy luôn tự hỏi bản thân: liệu sự khác biệt đó có mang tính thống kê lẫn thực tiễn hay không.

Hình ảnh cho thấy hiện tượng bám dính tại mối hàn, điều này thường gây lo ngại hơn so với hiện tượng rỗng.

Chúc mừng,

Tiến sĩ Ron