Chuong trinh dao tao Su pham Khoa hoc tu nhien, ma nganh - 7140247.pdf
Toán ứng dụng - QLCN Chapter 2 - P2.pptx
1. TRƯỜNG ĐẠI HỌC CẦN THƠ
TRƯỜNG BÁCH KHOA - KHOA QUẢN LÝ CÔNG NGHIỆP
HỌC PHẦN
KC131 – TOÁN ỨNG DỤNG – APPLIED MATHEMATICS
CHƯƠNG II – THÍ NGHIỆM SO SÁNH
ĐƠN GIẢN
2. NỘI
DUNG
KIỂM ĐỊNH GIẢ THUYẾT: BIẾN NGẪU NHIÊN LIÊN TỤC
POWER VÀ SAMPLE SIZE (CỠ MẪU)
BÀI TẬP THỰC HÀNH
3. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
- Đánh giá sự khác biệt giữa trung bình một quá trình (population) và một giá
trị mục tiêu sử dụng 1-sample t-test và khoảng tin cậy
- Đánh giá kiểm định giả thuyết bằng phân tích chỉ số power
Mục tiêu
4. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Mục tiêu: Đánh giá sự khác biệt giữa trung bình một quá trình (population) và một
giá trị mục tiêu sử dụng 1-sample t-test và khoảng tin cậy
Vấn đề:
• Một nhà sản xuất ngũ cốc muốn xác định liệu việc đóng hộp có đúng mục tiêu
• Trọng lượng đổ đầy mục tiêu cho hộp ngũ cốc là 365 gram
Ví dụ 1: Đổ đầy hộp ngũ cốc
5. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Thu thập dữ liệu
Các kỹ sư chọn ngẫu nhiên sáu hộp ngũ cốc, cân chúng và sử dụng dữ liệu mẫu để
ước tính giá trị trung bình của tổng thể
Ví dụ 1: Đổ đầy hộp ngũ cốc
6. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Công cụ
• Descriptive Statistics – Mô tả thống kê
• 1-Sample t
• Normality Test
• Individual Value Plot
Data set
L01_Dataset_CerealBx.MPJ
Ví dụ 1: Đổ đầy hộp ngũ cốc
7. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Sử dụng Mô tả thống kê để tóm tắt các đặc điểm quan trọng của bộ dữ liệu
Cung cấp các thông tin hữu ích về vị trí và sự biến đổi của dữ liệu.
Ví dụ 1: Đổ đầy hộp ngũ cốc
1. Open CerealBx.MPJ.
2. Choose Stat > Basic Statistics > Display Descriptive Statistics.
3. In Variables, enter BoxWeigh.
4. Click OK.
9. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Giải thích
• Thống kê chỉ ra trung bình mẫu là 366.70g
• Trung bình mẫu này cao hơn giá trị mục tiêu là 365g
• 1-sample t-test sẽ sẽ so sánh sự khác biệt này (1,7g) với sự biến thiên của
dữ liệu
10. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
• SE Mean – Standard error of mean (Sai số chuẩn của trung bình): thể hiện
độ phân tán/độ biến thiên trong phân bố của các trung bình mẫu (đo lường
mức độ khác biệt giữa trung bình mẫu và trung bình tổng thể)
• 1-sample t-test và khoảng tin cậy phân tích dựa trên giá trị SE Mean
SD
SE Mean
n
11. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
A hypothesis test là gì?
• Kiểm định giả thuyết sử dụng dữ liệu mẫu để kiểm tra giả thuyết về tổng
thể nơi mẫu được lấy
• Sử dụng thông tin từ một mẫu để đưa ra kết luận về một tổng thể được gọi
là suy luận thống kê
12. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Khi nào sử dụng hypothesis test?
• Sử dụng kiểm tra giả thuyết để đưa ra suy luận về một hoặc nhiều tổng thể
khi có sẵn dữ liệu mẫu.
Tại sao sử dụng hypothesis test? Có thể trả lời một số câu hỏi như:
• Sản phẩm từ một nhà cung cấp có tốt hơn nhà khác hay không?
• Giữa các nhóm điều trị trong một thí nghiệm có khác nhau không?
• ….
13. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Ví dụ:
• Chiều rộng trung bình của giấy có phải là 8,5 inch mong muốn không?
• Nhiên liệu từ nhà cung cấp này có đốt sạch hơn nhiên liệu từ nhà cung cấp
khác không nhà cung cấp?
• Khách hàng có thích công thức nước giải khát này hơn công thức nước giải
khát khác không?
14. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
1-sample t-test
• Sử dụng 1-sample t-test để xác định xem (trung bình tổng thể) có bằng với
giá trị trung bình giả thuyết
• Sử dụng 1-sample t-test với dữ liệu liên tục từ một mẫu ngẫu nhiên
• Kiểm định giả định tổng thể có phân bố chuẩn
15. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
VD1: Nhà sản xuất cần xác định xem trọng lượng trung bình của quá trình đóng
gói có khác biệt đáng kể so với trọng lượng mục tiêu là 365 gram.
Statistical hypotheses:
0
1
: 365
: 365
H
H
16. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
1-sample t-test
1. Chọn Stat > Basic Statistics >1-Sample t.
2. Hoàn thành hộp thoại như hình.
3. Click OK.
17. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Descriptive Statistics
N Mean StDev SE Mean 95% CI for μ
6 366.704 2.403 0.981 (364.183,
369.226)
μ: population mean of BoxWeigh
Test
Null hypothesis H₀: μ = 365
Alternative hypothesis H₁: μ ≠ 365
T-Value P-Value
1.74 0.143
The t-statistic (1.74) is: t = (sample mean – hypothesized mean) / SE Mean
18. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Ra quyết định:
Cần chọn mức độ quan trọng (significant level - 𝜶) trước
• Nếu P-value ≤ 𝛼 , bác bỏ H0
• Nếu P-value > 𝛼, chấp nhận H0
Thông thường, 𝛼 = 0.05, có thể chọn nhỏ hơn hoặc lớn hơn tùy thuộc vào độ nhạy
cần thiết cho thử nghiệm
Giả sử, 𝛼 = 0.05 cho VD1 Không đủ bằng chứng để bác bỏ H0 vì p-value (0.143)
19. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Kiểm tra giả định: Dữ liệu có thuộc phân phối chuẩn hay không?
Normality Test
1. Chọn Stat > Basic Statistics >Normality Test.
2. Hoàn thành hộp thoại.
3. Click OK.
20. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Anderson-Darling normality test
• H0: Dữ liệu từ một quần thể có
phân phối chuẩn
• H1: Dữ liệu không từ một quần
thể có phân phối chuẩn
P-value = 0.599 Chấp nhận H0
(khi giả định 𝛂 = 𝟎. 𝟎𝟓)
21. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Confidence interval
• Khoảng tin cậy là một phạm vi giá trị có thể có của một tham số tổng thể
(trung bình tổng thể) dựa trên dữ liệu mẫu.
• Đưa ra suy luận về một hoặc nhiều quần thể từ dữ liệu mẫu
• Định lượng độ chính xác của ước lượng tham số tổng thể, như trung bình
tổng thể
22. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Confidence interval
1. Chọn Stat > Basic Statistics > 1-Sample t.
2. Click Graphs.
3. Hoàn thành hộp thoại.
4. Click OK.
23. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
• 𝑋 là trung bình mẫu
• H0 là trung bình tổng thể
gải thuyết (356g)
• Có thể tin cậy 95% rằng
trung bình của quá trình
ít nhất là 364,2g, và nhiều
nhất là 369,2g.
24. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Sử dụng khoảng tin cậy để kiểm tra giả thuyết H0:
• Nếu H ngoài khoảng, thì p-value <= 0.05
Bác bỏ H0 khi 𝛼 = 0.05
• Nếu H nằm trong khoảng, p-value > 0.05
Không thể bác bỏ H0 khi 𝛼 = 0.05
Không đủ bằng chứng để kết luận rằng trung bình tổng thể khác với mục tiêu
(365g) khi 𝛼 = 0.05
25. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Tóm tắt và kết luận
• Dựa trên dữ liệu mẫu, không thể bác bỏ H0 tại 𝛼 = 0.05
• Không đủ bằng chứng cho thấy trung bình quy trình đổ đầy ngũ cốc khác
với mục tiêu 365g
• 95% Khoảng tin cậy khong cung cấp đủ bằng chứng để bác bỏ H0 rằng
trung bình tổng thể đối với hộp ngũ cốc bằng 365g
• Tuy nhiên, khoảng tin cậy cho ta biết với 95% CI, trung bình của quá trình
ít nhất là 364,2g, và nhiều nhất là 369,2g
26. Kiểm định giả thuyết: Biến ngẫu nhiên liên tục
Significance level
• Tăng 𝛼 sẽ tăng cơ hội phát hiện sự khác biệt, cũng làm tang khả năng bác
bỏ H0 khi nó đúng (Type I error)
• Giảm 𝛼 sẽ giảm cơ hội xuất hiện Type I error, nhưng lại làm tăng cơ hội
xuất hiện của Type II error
27. POWER VÀ SAMPLE SIZE
Vấn đề
• Người kỹ sư chưa chắc chắn về kết quả từ thử nghiêm vì cỡ mẫu nhỏ (=6)
• Tiến hành phân tích power để xác định họ có đủ dữ liệu để đưa ra kết luận
đáng tin cậy
• Họ muốn chắc rằng trung bình quá trình điền đầy không khác biệt nhiều
hơn 2.5g so với mục tiêu (365g)
28. POWER VÀ SAMPLE SIZE
Power
• Xác suất bác bỏ H0 khi H0 sai
Sử dụng phân tích power khi:
• Trước khi thu thập dữ liệu, nhằm xác định cỡ mẫu
• Sau khi thu thập dữ liệu, nhằm đánh giá khả năng phát hiện sự khác biệt
29. POWER VÀ SAMPLE SIZE
Để ước tính power, cần có 2 trong số các giá trị sau, minitab sẽ dựa vào đó
tính giá trị còn lại
• Sample sizes – Số lượng mẫu quan sát.
• Differences – Khác biệt là một sự dịch chuyển có ý nghĩa khỏi mục tiêu mà
bạn muốn phát hiện với xác suất cao.
• Power values – Xác xuất bác bỏ H0 khi nó sai
30. POWER VÀ SAMPLE SIZE
Power and Sample Size for 1-Sample t
1. Chọn Stat > Power and Sample Size > 1-Sample t.
2. Hoàn thành hộp thoại như hình .
3. Click OK.
31. POWER VÀ SAMPLE SIZE
Với số quan sát là 6, độ lệch chuẩn là 2.403 và
𝛼 = 0.05 the power chỉ khoảng 0.537662
(53.76%)
Nếu 𝜇 lệch giá trị mục tiêu khoảng 2.5g,
thì cơ hội phát hiện ra nó đối với cỡ mẫu
bằng 6 là 53.76%
Nếu trung bình quy trình lệch 2.5g, sẽ có
46% khả năng bạn sẽ không phát hiện ra
nó với cỡ mẫu là 6
32. POWER VÀ SAMPLE SIZE
Đường cong power cho phép bạn xem xác suất phát hiện sự khác biệt (power)
đối với nhiều loại khác biệt và tùy chọn cho nhiều kích cỡ mẫu khác nhau.
Trường hợp thay đổi khác biệt
(±1, ±2, hoặc ±3) Xác
xuất để phát hiện khác biệt là
rất thấp hoặc không đủ tiêu
chuẩn
Tăng kích thước mẫu (cỡ
mẫu)
33. POWER VÀ SAMPLE SIZE
• Xác định cỡ mẫu cần thiết để đạt được công suất thích hợp.
• Bạn cần bao nhiêu quan sát để có 80% cơ hội phát hiện sự dịch chuyển
so với mục tiêu ít nhất 2,5g?
• Bạn cần bao nhiêu quan sát để có xác suất 85%, 90% hoặc 95% để phát
hiện sự khác biệt này?
34. POWER VÀ SAMPLE SIZE
Power and Sample Size for 1-Sample t
1. Chọn Stat > Power and Sample Size > 1-Sample t.
2. Hoàn thành hộp thoại.
3. Click OK.
36. POWER VÀ SAMPLE SIZE
• Tăng cỡ mẫu lên 2 lần sẽ làm tăng cơ hội phát khác biệt (±2.5) từ
53.76% lên 90.58%
• Khi tăng số quan sát Power of test cũng sẽ tăng và cũng có thể
giúp phát hiện những khác biệt nhỏ hơn (vẫn đảm bảo power ở mức
chấp nhận)
• Nếu power quá cao (trên 99%), sẽ giúp phát hiện khác biệt nhỏ hơn
nhưng lại không có ý nghĩa quan trọng trong thực tế
37. POWER VÀ SAMPLE SIZE
Power khá tốt để phát hiện sự khác biệt 2,5 gram với cỡ mẫu từ 10 đến 15
38. POWER VÀ SAMPLE SIZE
Tóm tắt
• Kết quả của lần thử nghiệm đầu (cỡ mẫu = 6) không có ý nghĩa do chỉ
số power of test quá thấp
• Khi cỡ mẫu = 6, xác xuất để phát hiện khác biệt (ở mức ±2.5g) chỉ
khoảng 54%
• Tăng kích thước mẫu để tăng power of test thử nghiệm mang ý
nghĩa, giúp phát hiện khác biệt khi nó xuất hiện
39. POWER VÀ SAMPLE SIZE
Thực hiện lại thủ nghiệm
• Tăng cỡ mẫu lên 12
Tools
• 1-Sample t
• Normality Test
40. POWER VÀ SAMPLE SIZE
Kiểm định t-test cho thấy sự khác biệt
giữa trung bình quy trình và giá trị mục
tiêu (365g) là đáng kể ở mức 𝛼 = 0.05
• p-value (0.019) ≤ (0.05)
• Ở 95% khoảng tin cậy (confidence
interval) không bao gồm giá trị mục
tiêu (365g)
42. POWER VÀ SAMPLE SIZE
Normality Test Anderson-Darling normality test
• H0: Dữ liệu từ một quần thể có
phân phối chuẩn
• H1: Dữ liệu không từ một quần
thể có phân phối chuẩn
P-value = 0.545 Chấp nhận H0
(khi giả định 𝛂 = 𝟎. 𝟎𝟓)
43. POWER VÀ SAMPLE SIZE
• Dựa trên biểu đồ và phép kiểm t-test, bạn có thể giả định rằng khối lượng
điền đầy có phân phối chuẩn và kiểm định t-test là phù hợp để kiểm tra
giá trị trung bình.
• Với kích thước mẫu = 12, 𝛼 = 0.05, và p-value = 0.019 Bác bỏ giả
thuyết H0 Kết luận rằng trung bình quy trình không bằng với giá trị mục
tiêu là 365g
Kết luận
44. POWER VÀ SAMPLE SIZE
• Sample size (kích cỡ mẫu) đóng vai trò quan trọng trong đánh giá quá
trình
• Khi có thể, nên tính toán giá trị power và kích cỡ mẫu trước khi thu thập
dữ liệu
• Ngược lại, nếu sau khi phân tích dữ liệu, power không đủ tiêu chuẩn
Rất khó để thu thập thêm mẫu bổ sung dưới cùng điều kiện của dữ liệu
gốc
45. BÀI TẬP
BT1. Phát hiện những thay đổi về đường kính vòng bi
Vấn đề:
• Nhà máy sản xuất vòng bi muốn biết đường kính vòng bi có vượt quá
mục tiêu là 0.5cm hay không
• Các kỹ sư coi sự thay đổi 0,01cm là đủ quan trọng để đảm bảo điều chỉnh
thiết bị
• Độ lệch chuẩn của đường kính vòng bi là 0.004cm.
• Sử dụng 𝛼 = 0.05 cho các kiểm định.
46. BÀI TẬP
BT1. Phát hiện những thay đổi về đường kính vòng bi
1. Tính cỡ mẫu cần thiết để phát hiện chênh lệch 0,01cm với power là 0,85.
Use Stat > Power and Sample Size > 1-Sample
2. Tính toán sự khác biệt (Differences) có thể phát hiện được với power là 0,90
lần lượt cho 5 và 10 quan sát.
3. Xác định trung bình quá trình có bằng với mục tiêu (0.5cm) hay không. Tiến
hành 1-sample t-test.
4. Kiểm tra tính chuẩn hóa (Normality Test) Trình bày các kết quả là giải thích
47. BÀI TẬP
BT1. Phát hiện những thay đổi về đường kính vòng bi
Data set:
48. BÀI TẬP
BT2. Nghiên cứu về chất lượng của nhà cung cấp
Vấn đề
• Một nhà sản xuất phô mai nghi ngờ rằng một trong những nhà cung cấp sữa
của họ thêm nước vào sữa để tăng lợi nhuận.
• Thêm nước vào sữa sẽ làm tăng nhiệt độ đóng băng của sữa, bình thường là
-0,545oC.
Thu thập dữ liệu
• Nhà phân tích đo nhiệt độ đóng băng cho 10 sản phẩm được chọn ngẫu nhiên
lô sữa của nhà cung cấp.
49. BÀI TẬP
BT2. Nghiên cứu về chất lượng của nhà cung cấp
Hướng dẫn
1. Với cỡ mẫu là 10, xác định power để phát hiện sự khác biệt lần lượt là 0,008,
0,010 và 0,012. Trong Options chọn, dưới Alternative Hypothesis, chọn Greater
than. Giả sử độ lệch chuẩn là 0,01.
2. Sử dụng Thống kê mô tả để tóm tắt mẫu.
3. Sử dụng 1-sample t-test để xác định xem giá trị trung bình có lớn hơn - 0,545
và hiển thị individual value plot. Trong Options, bên dưới Alternative Hypothesis,
chọn Mean > hypothesized mean.
50. BÀI TẬP
BT2. Nghiên cứu về chất lượng của nhà cung cấp
Hướng dẫn
4. Kiểm tra dữ liệu.
5. Nếu tất cả các mẫu đều đến từ một lô hàng sữa, liệu điều đó có làm thay đổi
kết quả phân tích và kết luận không?
Dữ liệu
51. CBGD: Võ Thị Kim Cúc Ngày 14 tháng 09 năm 2023
KIỂM ĐỊNH T-TEST 2 MẪU (2-Sample t-test)
BT1: Nghiên cứu về chất lượng của nhà cung cấp
Dữ liệu
Editor's Notes
The standard error of the mean (SEM) measures how much discrepancy is likely in a sample's mean compared with the population mean.
The SEM takes the SD and divides it by the square root of the sample size. The SEM will always be smaller than the SD.
The standard error of the mean (SEM) measures how much discrepancy is likely in a sample's mean compared with the population mean.
The SEM takes the SD and divides it by the square root of the sample size. The SEM will always be smaller than the SD.
What is a hypothesis test• A hypothesis test uses sample data to test a hypothesis about thepopulation from which the sample was taken.• The 1-sample t-test is one of many procedures available forhypothesis testing in Minitab.• Using information from a sample to make a conclusion about apopulation is known as statistical inference.
What is a hypothesis test• A hypothesis test uses sample data to test a hypothesis about thepopulation from which the sample was taken.• The 1-sample t-test is one of many procedures available forhypothesis testing in Minitab.• Using information from a sample to make a conclusion about apopulation is known as statistical inference.
What is a hypothesis test• A hypothesis test uses sample data to test a hypothesis about thepopulation from which the sample was taken.• The 1-sample t-test is one of many procedures available forhypothesis testing in Minitab.• Using information from a sample to make a conclusion about apopulation is known as statistical inference.
Why use a 1-sample t-testA 1-sample t-test answers questions such as:• Is a process on target?• Does a key characteristic of a supplier’s material have the desiredmean value?
Why use a 1-sample t-testA 1-sample t-test answers questions such as:• Is a process on target?• Does a key characteristic of a supplier’s material have the desiredmean value?
The logic of hypothesis testingAll hypothesis test follow the same steps:1. Assume H0 is true.2. Determine how different the sample is from what you expectedunder the above assumption.3. If the sample is sufficiently unlikely under the assumption that H0 istrue, then reject H0 .
Anderson-Darling normality test• The hypotheses for the Anderson-Darling normality test are:• : Data are from a normality distributed population.• : Data are not from a normality distributed population.• The p-value from the Anderson-Darling test (0.599) assesses theprobability that the data are from a normally distributed population.• Using an of 0.05, you cannot detect significant departure fromnormality
Use the normal probability plot to verify that the data do not deviatesubstantially from what is expected when sampling from a normaldistribution.• If the data come from a normal distribution, the points will roughly follow thefitted line.• If the data do not come from a normal distribution, the points will not followthe line.
- VD: Với 95% khoảng tin cậy, bạn có thể tin rằng 95% khoảng đó chưa trung bình tổng thể
Why use a confidence intervalA confidence interval often answer the same questions as a hypothesistest:• Is on target?• How precise is the estimate of ?• How low or high might be?
- VD: Với 95% khoảng tin cậy, bạn có thể tin rằng 95% khoảng đó chưa trung bình tổng thể
- VD: Với 95% khoảng tin cậy, bạn có thể tin rằng 95% khoảng đó chưa trung bình tổng thể
Use the confidence interval to test the null hypothesis:• If H is outside the interval, the p-value for the hypothesis test will beless than 0.05.• You can reject the null hypothesis at the 0.05 -level.• If H is inside the interval, the p-value for the hypothesis test will begreater than 0.05.• You cannot reject the null hypothesis at the 0.05 -level
Use the confidence interval to test the null hypothesis:• If H is outside the interval, the p-value for the hypothesis test will beless than 0.05.• You can reject the null hypothesis at the 0.05 -level.• If H is inside the interval, the p-value for the hypothesis test will begreater than 0.05.• You cannot reject the null hypothesis at the 0.05 -level
Use the confidence interval to test the null hypothesis:• If H is outside the interval, the p-value for the hypothesis test will beless than 0.05.• You can reject the null hypothesis at the 0.05 -level.• If H is inside the interval, the p-value for the hypothesis test will begreater than 0.05.• You cannot reject the null hypothesis at the 0.05 -level
Use the confidence interval to test the null hypothesis:• If H is outside the interval, the p-value for the hypothesis test will beless than 0.05.• You can reject the null hypothesis at the 0.05 -level.• If H is inside the interval, the p-value for the hypothesis test will begreater than 0.05.• You cannot reject the null hypothesis at the 0.05 -level
Why use power analysisA power analysis answer question such as:• Is the sample size large enough?• How large a difference can the test detect?• Is the test powerful enough to give credibility to its conclusion?
The power curve allows you to see the probability of detecting adifference (power) for a variety of differences and optionally for avariety of sample sizes.• The specific differences entered in the dialog box are indicated on theplot with black points In this example, the difference represents a shift in the process meanfrom target, in grams.• A negative difference corresponds to a below target process mean, apositive difference corresponds to an above target process mean• When the process mean is one gram above or below the target, thepower to detect the difference with a sample size of 6 is very low When the process mean is two grams above or below the target, thepower to detect a difference with a sample size of 6 is close to 0.40,still fairly low.• Even the power at plus or minus three grams is unacceptable by moststandards.• One way to increase power is to increase sample size.
To have a power of at least 0.80 – to detect a difference of 2.5 gramsat the 0.05 -level – requires a sample size of 10.• Because sample size must be an integer, the Actual Power of the testwith 10 observations (0.832695) is slightly greater than the TargetPower.Additional observations give you more power:• With 11 observations, the power is 0.873928.• With 12 observations, the power is 0.905836.• With 15 observations, the power is 0.962487.
The power curves for the larger sample sizes increase more rapidly asthe difference moves away from zero. (Đường cong power đối với cỡ mẫu lớn hơn tăng nhanh hơn khi chênh lệch tiến xa khỏi 0.• The power is reasonably good for detecting a difference of 2.5 grams)with sample sizes between 10 and 15.
Additional considerations• Higher power means a greater probability of detecting a difference.• However, it also increases the chance of detecting small effects thatmay not be of practical interest.• Use process knowledge to determine the smallest difference worthdetecting and the optimal level of power for a test.
Additional considerations• Higher power means a greater probability of detecting a difference.• However, it also increases the chance of detecting small effects thatmay not be of practical interest.• Use process knowledge to determine the smallest difference worthdetecting and the optimal level of power for a test.
The t-test indicates that the difference between the process mean andthe target of 365 grams is significant at the 0.05 –level:• The p-value (0.019) is less than (0.05).• The 95% confidence interval does not include the target value.
• The 95% confidence interval does not include the target value.
Summary and conclusionsThe sample size played an important role in evaluating this processmean:• When the sample size was 6, the test found no statistical difference.• When the sample size was 12, the test found a statistically significantdifference.
Summary and conclusionsThe sample size played an important role in evaluating this processmean:• When the sample size was 6, the test found no statistical difference.• When the sample size was 12, the test found a statistically significantdifference.
BT2 là bài tập bổ sung sau, chưa cho SV làm. Chỉ làm BT1
Wafer: Một wafer là một mảnh mỏng của vật liệu bán dẫn, thường là silicon tinh thể, trong hình dạng của một đĩa rất mỏng được sử dụng như một cơ sở để chế tạo mạch điện tử tích hợp (IC) và các tế bào quang điện silicon. Wafer phục vụ như là chất nền cho hầu hết các mạch vi điện tử và trải qua nhiều quá trình, chẳng hạn như doping, cấy và khắc, trước khi sản phẩm cuối cùng của một mạch tích hợp được hoàn tất.