跳至内容

表面贴装技术 采集中的“统计学显著性”与“实践显著性”

乡亲们

假设贵公司已决定将“填充率”(转印效率 ,简称TE)作为判定焊膏质量的关键指标。填充率(转印效率 )是指焊膏沉积体积与钢网 孔径体积之比。虽然您认同TE是一个重要的指标,但最近一次焊膏评估的结果却让您有些困扰。10种焊膏中有2种正争夺榜首位置,而TE似乎将成为决定性指标。 焊膏A的TE值为99.5%,焊膏B的TE值为99%。因此管理层希望选用焊膏A。令你感到困扰的是,焊膏A的印刷暂停响应 表现不佳。如果将其留在钢网 上15分钟或更长时间,首次印刷件就必须报废。在三班制生产中,这一缺陷可能会导致约30分钟的生产时间损失。

然而,TE 测试结果表明,从统计学角度看,浆糊 A 的 TE 明显优于浆糊 B。仔细想想,这种情况有些不合理........99.5% 和 99% 非常接近。

你拿起统计教科书,复习假设检验。然后你会发现,在样本量非常大的情况下,越来越接近的均值在统计学上会有显著差异。

数据表明,A型糊剂的均值为99.5%,标准误差(标准方差 )为10%;而B型糊剂的均值为99%,标准误差(标准方差 )同样为10%。两者的样本量均为10,000个样本。如此大的样本量在分析中至关重要。 均值的标准误(SEM)用于在假设检验中比较均值。SEM定义为样本均值误差(标准方差 )除以样本量(n)的平方根:

SEM = σ/√n 这一公式以黑色衬线字体显示在白色背景上。

因此,随着样本量的增加,SEM 也会变小,用统计学术语来说就是 "更紧密"。在样本量非常大的情况下,这种紧密度能够在统计学上区分越来越接近的平均值。这种情况在样本量少于 100 个的情况下并不存在,但在当今的现代焊膏量扫描系统中,样本量超过 1000 个是很常见的。

图1显示了当抽样误差(TE)分别为99.5%和99.0%、样本量为100时,均值的预期抽样分布,两者的抽样误差上限(标准方差 )均为10%。请注意,肉眼观察之下,两者似乎没有太大区别。然而,当均值和标准差相同且样本量均为10,000时,图2中均值的抽样分布则明显不同。

但实际情况是,图 1 和图 2 的结果并没有什么不同。平均值的微小差异(0.5%)在 10,000 个样本量的情况下可能具有统计学意义,但实际意义大吗?在生产环境中,这种微小的差异真的重要吗?几乎肯定不会。

一个包含两个钟形曲线的正态分布图,两条曲线的标准方差 均为1,且均以x=99附近为中心。

图 1.100 个样本的平均值抽样分布。

包含两条曲线的正态分布图:一条蓝色曲线,其中心位于99附近。

图 2 10,000 个样本的平均值抽样分布。

因此,在样本量较大的情况下,我们需要扪心自问,这种差异是否具有实际意义。就 TE 而言,我认为我们可以确信,0.5% 的差异没有实际意义。但是,如果差别是 2% 或 5%呢?显然,我们应该通过实验来确定在什么水平上的差异是显著的。

就上述情况而言,我更倾向于选择热导率(TE)为99.0%、热阻(印刷暂停响应 )较低的导热膏。

干杯

罗恩博士