P R I S L I S T E

Transcription

P R I S L I S T E
MOGENS ODDERSHEDE LARSEN
VIDEREGÅENDE
STATISTIK
(med TI 89 ,TI-Nspire og SAS - JMP)
6. udgave 2013
FORORD
Denne lærebog kan læses på baggrund af en statistisk viden svarende til lærebogen “M.
Oddershede Larsen : Statistiske grundbegreber”.
Bogen er bygget op således, at de væsentligste begreber søges forklaret anskueligt og ved hjælp
af et stort antal eksempler.
I eksemplerne er beregningerne er i videst mulig omfang foretaget ved anvendelse af programmer
i lommeregneren TI-89, PC-programmet TI-Nspire og statistikprogrammet “SAS-JMP”.
I slutningen af nogle af kapitlerne er givet en oversigt over centrale formler eller
fremgangsmåder.
I et appendix sidst i bogen er givet en mere dybtgående statistisk forklaring på formlerne.
Efter hvert kapitel er der nogle opgaver og en facitliste til opgaverne findes bagerst i bogen.
Læsning:
Bogen er opbygget således, at de tre hovedemner
“Faktorer på 2 og flere niveauer”: kapitel 3 til 6 ,
Regressionsanalyse” kapitel 7 og
“Kontrolteori”: kapitel 8 og 9 kan læses uafhængigt af hinanden.
Kan man af tidsmæssige grunde ikke nå alt, så kan man derfor overspringe en eller flere af disse
emner.
Et andet forslag er at overspringe en eller flere af delemner som
Screeningsforsøg: kapitel 6,
Multipel regression: afsnit 7.7 og 7.8
Statistisk godkendelseskontrol:kapitel 9:
Skulle man i undervisningen benytter et andet statistikprogram end SAS.JMP, kan de studerende
uden vanskelighed på basis af SAS.JMP udskrifterne tolke egne udskrifter, da disse næppeafviger
væsentligt fra hinanden.
På nedenstående adresse kan man således se bøger, hvor SAS-JMP er udskiftet med
statistikprogrammet STATGRAPHICS.
Data foreligger ofte som en fil i et regneark som eksempelvis Excel. Disse regneark har
indbygget en del statistik bl.a. de almindeligste testfunktioner.
I notatet “Videregående statistik regnet med Excel” er en række af disse statistiske muligheder
gennemgået.
Alle de nævnte bøger (og mange flere) kan findes på adressen www.larsen-net.dk
Januar 2013
Mogens Oddershede Larsen.
-ii-
Indhold
INDHOLD
1 REPETITION AF HYPOTESETEST FOR 1 VARIABEL
1.1
Indledning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1.2
Normalfordelt variabel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1.3
Binomialfordelt variabel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Opgaver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 PLANLÆGNING AF FORSØG
2.1
Indledning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2
Nomenklatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3
Krav til statistisk gyldigt forsøg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3 1 FAKTOR PÅ 2 NIVEAUER
3.1
Normalfordelte variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.1.1 Test af differens mellem middelværdier . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
3.5.2 Blokforsøg (parvise observationer) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2
Binomialfordelte variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.3
Poissonfordelte variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.4
Fordeling ukendt (rangtest) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.5
Oversigt over centrale formler i kapitel 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.5.1 Test og konfidensintervaller af differens mellem middelværdier for 2 normalfordelte variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.5.2 Test af differens mellem varians for 2 normalfordelte variable . . . . . . . . . . 25
3.5.3 Test og konfidensintervaller af p1 - p2 for 2 binomialfordelte variable . . . . . 26
3.5.4 Test og konfidensintervaller af 1   2 for 2 Poissonfordelte variable . . . . 26
Opgaver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4 1 FAKTOR PÅ MERE END 2 NIVEAUER
4.1
Indledning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.2
Ensidet variansanalyse (normalfordelte variable) . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.1 Indledning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2.2 Forklaring af metoder og formler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.3 Beregning af ensidet variansanalyse ved TI89 og SAS.JMP . . . . . . . . . . . . . 38
4.3
Fuldstændigt randomiseret blokforsøg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.4
Binomialfordelte variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.5
Poissonfordelte variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.6
Oversigt over centrale formler i kapitel 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
-iii-
Indhold
4.6.1 Oversigt over fremgangsmåde ved ensidet variansanalyse . . . . . . . . . . . . . . 47
4.6.2 Test af parametre p1, p2, . .. , pk for binomialfordelte variable . . . . . . . . . . . 48
4.6.3 Test af parametre 1 ,  2 ,...,  k for Poissonfordelte variable . . . . . . . . . . . 48
Opgaver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
5 2 FAKTORER PÅ 2 ELLER FLERE NIVEAUER.
TOSIDET VARIANSANALYSE
5.1
Indledning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2
Planlægning af forsøg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2.1 Een faktor ad gangen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
5.2.2 Fuldstændig faktorstruktur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
5.3
Formler og metode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.4
Beregning af tosidet variansanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
5.5
Fuldstændigt randomiseret blokforsøg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.6
To binomialfordelte eller Poissonfordelte faktorer i et fuldstændigt faktorforsøg . 69
5.7
Oversigt over fremgangsmåde ved tosidet variansanalyse . . . . . . . . . . . . . . . . . . . 70
Opgaver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6 FLERE END TO FAKTORER, SCREENINGSFORSØG
6.1
Indledning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.2
Nomenklatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
6.3
Definitionsrelationer og aliasrelationer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.4
Planlægning af et partielt 2k faktorforsøg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.5
Beregning af et partielt 2k faktorforsøg . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
6.6
Konfundering af blokke . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
6.5
Sekventiel forsøgsstrategi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
6.8
Oversigt over fremgangsmåde ved partielt 2k faktorforsøg . . . . . . . . . . . . . . . . . 103
6.9
TI89 og TI-Nspire - program til beregning af 2k -faktorforsøg . . . . . . . . . . . . . . 104
Opgaver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7 ENKELT REGRESSIONSANALYSE
7.1 Indledning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
7.2 Bestemmelse af regressionsligning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.3 Vurdering af om regressionsligning beskriver data godt . . . . . . . . . . . . . . . . . . . . 112
7.4 Test og konfidensintervaller . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
7.5 Transformation af data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
7.6
Enkelt regressionsanalyse med flere y - observationer for hver x - værdi . . . . . . . 127
-iv-
Indhold
7.7 Multipel regressionsanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
7.7.1 Indledning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
7.7.2 Analyse med én y - observation for hver x - værdi . . . . . . . . . . . . . . . . . . . 133
7.8 Polynomial regressionsanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
7.8.1 Indledning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137
7.8.2 Beregning af polynomial regressionsanalyse . . . . . . . . . . . . . . . . . . . . . . . . 138
7.9
Oversigt over fremgangsmåde ved regressionsanalyse . . . . . . . . . . . . . . . . . . . . . 143
Opgaver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
8 STATISTISK PROCESKONTROL
8.1 Indledning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
8.2 Proces i statistisk kontrol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
8.3
Opbygning og alarmkriterier for kontrolkort . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
8.4
Kontrolkortanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
8.5
Tolerancegrænser og kapabilitet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
8.6
Procesvariablen er normalfordelt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
8.7
Procesvariablen X er diskret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
8.7.1 X er binomialfordelt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
8.7.2 X er Poissonfordelt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
Opgaver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
9 STATISTISK GODKENDELSESKONTROL
9.1
Indledning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
9.2
Enkelt stikprøveplan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
9.3
Rektificerende kontrol . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
9.4
Dobbelt stikprøveplan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
Opgaver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
10
ANTALSTABELLER
10.1 Indledning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
10.2 En -vejs tabel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
10.3 To -vejs tabel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
Opgaver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
11
RANGTEST (FORDELING UKENDT)
11.1 Indledning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
11.2 Wilcoxons rangtest for 1 stikprøve . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 195
-v-
Indhold
11.3 Wilcoxons rangtest for 2 uafhængig stikprøver . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
11.4 Kruskal Wallis test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
Opgaver . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
APPENDIX
4.1
Formler til beregning af ensidet variansanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . 204
5.1
Formler til beregning af tosidet variansanalyse . . . . . . . . . . . . . . . . . . . . . . . . . . . 207
5.2. Transformation af binomial-og Poissonfordelte variable til tosidet variansanalyse 210
7.1. Formler til beregning af enkelt regressionsanalyse uden gentagelser . . . . . . . . . 213
7.2
Formler til beregning af enkelt regressionsanalyse med lige mange gentagelser . 215
7.3
Transformation til lineær model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
7.4
Formler til beregning af multipel regressionsanalyse . . . . . . . . . . . . . . . . . . . . . . 217
8.1
Begrundelse for grænserne for kontrolkort . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
10.1.
 2 - test af hypotese i 1-vejs antalstabel .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
10.2.
 2 - test af hypotese i 2 - vejs antalstabel .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
4.4
Kruskal-Wallis rangtest for to eller flere variable . . . . . . . . . . . . . . . . . . . . . . . . 223
GRUNDLÆGGENDE OPERATIONER PÅ TI89, TI-Nspire og SAS.JMP . . . . . 224
FACITLISTE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
STIKORD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 234
-vi-
1.2 Normalfordelt variabel
1
REPETITION AF HYPOTESETEST FOR 1
VARIABEL
1.1. INDLEDNING
De grundlæggende begreber vedrørende hypotesetest, konfidensintervaller og dimensionering
af forsøg blev i “Statistiske Grundbegreber” grundigt beskrevet når vi havde én stikprøve.
Beregningerne blev der udført ved anvendelse af lommeregneren TI89 og regnearket Excel.
Vi vil i dette afsnit vise hvorledes beregningerne også kan udføres med statistikprogrammet SASJMP, samt vise, hvorledes man ved hjælp af SAS.JMP grafisk kan undersøge om data virkelig
er normalfordelt.
I Afsnittet “Grundlæggende Operationer i SAS-JMP er beskrevet, hvorledes man indtaster data,
import af data fra Excel og beregner de forskellige sandsynlighedsfunktioner.
1.2. NORMALFORDELT VARIABEL
Eksempel 1.1 Hypotesetest. Normalfordelt variabel .
En fabrik der fremstiller plastikprodukter ønsker at evaluere holdbarheden af rektangulære støbte
plastik blokke som anvendes i møbelfabrikationen.
Der udtages tilfældigt 50 blokke, og deres hårhed måles (i Brinell enheder) .
Resultaterne var følgende
283.5 273.3 278.8 238.7 334.9 302.6 239.9 254.6 281.9 270.4 269.1 250.1 301.6 289.2
240.8 267.5 279.3 228.4 265.2 285.9 279.3 252.3 271.7 235.0 313.2 277.8 243.8 295.5
249.3 228.7 255.3 267.2 253.3 281.0 302.1 256.3 233.0 194.4 219.9 263.7 273.6 267.7
283.1 260.9 274.8 277.4 276.9 259.5 262.0 263.5
a)
Undersøg om tallene er rimeligt normalfordelt ved i SAS-JMP at tegne et histogram, et
boxplot og et normalfordelingsplot.
Angiv endvidere gennemsnit og spredning.
De følgende spørgsmål skal regnes såvel med SAS.JMP som med TI89.
For at undgå indtastning af alle tal i TI89, forudsættes her, at man ved, at gennemsnit x = 266.2
og spredning s = 25.02.
b) Hårheden bør være over 260 (brinell enheder).
Test på et signifikansniveau på  = 5% om dette er tilfældet.
c) Forudsat hårheden er signifikant over 260 brinell, skal angives et estimat for hårheden, samt
et 95% konfidensinterval for denne.
Løsning:
a) File , New, DATA Tables , dobbeltklik på øverste felt i første søjle og skriv “holdbarhed”, indtast data
Histogram:
På værktøjslinien vælg Analyze Distribution (eller Wiew, “JMP-Starter” vælg “Basic Distribution”)
I den fremkomne menu dobbeltklikkes på “holdbarhed” (under “Selected Columns”) ok
Der fremkommer et “histogram”, et “boxplot” og en række statistiske oplysninger.
En almindelig fejl er her, at man i data har skrevet decimalpunktum frem for decimalkomma.
Ret dette, og i data , vælg kolonneoverskrift”holdbarhed” højre musetast “Modelling type” “Continuous”
1
1. Repetition af centrale begreber
For at kunne sammenligne med en normalfordeling tegnes en normalfordelingskurve:
Placer cursor på “rød pil ved holdbarhed
tryk på højre musetast og vælg “Continuous Fit
normal
Der tegnes nu en normalfordelingskurve med samme middelværdi og spredning som fra data.
Endvidere tegnes et “normal kvartil plot”
Cursor placeres på “holdbarhed og man trykker på højre musetast og vælger “Normal Quantile Plot”
Der er nu bl.a. fremkommet følgende figur og tabel.
Distributions
holdbarhed
350
-2 ,33 -1,6-1
4 ,2 8 -0, 67
0 ,0
0 ,6 7 1, 281 ,6 4
2 ,3 3
300
250
200
0,02
0,1 0,2
0,5
Norm al Quantile Plot
Normal(266,218,25,0931)
Quantiles
100,0
% maximum
99,5%
97,5%
90,0%
75,0%
50,0%
25,0%
10,0%
2,5%
0,5%
0,0%
Moments
quartile
median
quartile
minimum
Mean
Std Dev
Std Err Mean
Upper 95% Mean
Lower 95% Mean
N
334,90
334,90
328,93
300,99
279,73
267,60
251,75
233,20
201,41
194,40
194,40
266,218
25,09313
3,5487045
273,34939
259,08661
50
2
0,8 0,9
0,98
1.2 Normalfordelt variabel
Forklaring af figur og udskrift
Histogram og normalfordelingskurven passer godt sammen, så det viser, at data er rimelig
normalfordelt.
Boxplot: Den næste figur er et såkaldt “boxplot”, hvor den midterste streg angiver medianen
og kassens grænser angiver henholdsvis 1. og 3. kvartil.
Det betyder, at hvis man opstillede de 50 tal i rækkefølge efter størrelse, så er tal nr 50/2 =25
medianen 267.6 (aflæses i tabel under Quantiles 59% )
1. kvartil 252.75 er tallet midt mellem tal nr 12 og tal nr 13, osv.
Da boxplottet er nogenlunde symmetrisk om medianen, så kan man igen antage at data er
rimelig normalfordelt.
De isolerede prikker yderst viser, at der er et par værdier, som afviger kraftigt fra de øvrige,
og muligvis er fejlmålinger (kaldes outliers).
Rhomben inde i firkanten angiver et 95% konfidensinterval for middelværdien. Man ser, at den
ligger lidt skævt i forhold til boxplottet, men dog ikke så meget, at det spiller nogen rolle, da
median =267.6 er ca. = mean (gennemsnit) = 266.7
Normal Kvartil-plot.
Her har man ud af x - aksen sørget for at skalaen er sådan, at punkterne burde ligge på den røde
rette linie, hvis de fuldstændigt eksakt var normalfordelt.
Den røde linie går gennem (0, mean) og har hældning = spredningen.
De stiplede linier angiver 95% konfidensinterval for normalfordelingen.
Som det ses, ligger punkterne indenfor konfidensintervallet og ligger tæt på linien for de
midterste 75% af tallenene. De yderste punkter kan man ikke forvente ligger på linien
Man må derfor igen antage, at data er tilnærmelsesvis normalfordelt.
Det ses af udskriften, at gennemsnittet x = 266.22 og et estimat for spredningen er s = 25.09
b)
X = holdbarheden af plastblokke
X antages normalfordelt med ukendt middelværdi  og  .
H0:  =260
H:  >260
Da spredningen ikke er kendt eksakt anvendes en t-test.
TI 89: APPS, STAT/LIST
F6
2: t-test
den fremkomne menu :
 0 = 260 , x
TI-Nspire: Beregner
Statistik
vælg Stats (da de oprindelige data ikke er kendt)
= 266.22 , s = 25.09 n = 50, Alternativ hypotese
Statistiske test
t-test for 1 middelværdi
statistik
  0
ENTER
Udfyld
Calculate, Enter
menu udfyldes
ENTER
Vi får: P-værdi = 0.0429
P- værdien = sandsynligheden for at begå en "type 1 fejl", dvs. påstå at    0 =260 selv om
det ikke er tilfældet.
Da P-værdi = 4.29 % < 5%, forkastes H0 (svagt) .
Konklusion: Vi har bevist, at holdbarheden i middel er over 260 brinell.
3
1. Repetition af centrale begreber
SAS.JMP:
Klik på rød pil ved "holdbarhed" og vælg "Test Mean". I den fremkomne menu skriv 260
Test Mean=value
Hypothesized Value
Actual Estimate
DF
Std Dev
ok
260
266,218
49
25,0931
t Test
1,7522
0,0860
0,0430*
0,9570
Test Statistic
Prob > |t|
Prob > t
Prob < t
Da P-værdi = 0.0430 < 5%, dvs H0 forkastes (svagt)
Konklusion: Vi har bevist, at holdbarheden i middel er over 260 brinell.
Da vi har en ensidet test er tegningen lidt misvisende
Ønskes en mere anskuelig figur m.m.
Esti mate d Me an2 66,2 18
Hyp othe sized Mean260
T Ratio1,752 19
P Va lue0 ,043
0,1 0
0,0 8
Y
Sæt cursor på “Test Mean” , tryk på højre musetast og vælg
“Pvalue animation” og vælg på figuren “High Side”
0,1 2
0,0 6
0,0 4
Derved fremkommer en mere sigende figur
0,0 2
0,0 0
240
250
260
270
280
X
Sampl e Si ze =5 0
c)
TI 89: APPS, STAT/LIST
F7 2: t-inteval Stats ENTER
Enter
TI-Nspire: Beregner Statistik konfidensintervaller t-interval
udfyldes ENTER
Udfyld den fremkomne menu
for
1
middelværdi
statistik
Calculate,
menu
Et estimat for holdbarheden er 266.2 brinell Et 95% konfidensinterval [259.1 ; 273.3]
SAS.JMP: Klik på rød pil ved "holdbarhed"
Der fremkommer følgende udskrift.
"Confidence interval"
0.95.
Confidence Intervals
Parameter
Mean
Std Dev
Estimate
266,218
25,09313
Lower CI
259,0866
20,96115
Upper CI
273,3494
31,26939
1-Alpha
0,950
0,950
Et estimat for holdbarheden er 266.2 brinell Et 95% konfidensinterval [259.1 ; 273.3]
4
1.3 Binomialfordelt variabel
1.3. BINOMIALFORDELT VARIABEL
Eksempel 1.2. Binomialtest
En fabrikant af chip til computere reklamerer med, at højst 2% af en bestemt type chip, som
fabrikken sender ud på markedet er defekte.
Et stort computerfirma, vil købe et meget stort parti af disse chip, hvis påstanden er rigtigt. For
at teste påstanden købes 1000 af dem. Det viser sig, at 33 ud af de 1000 er defekte.
a) Kan fabrikantens påstand på denne baggrund forkastes på signifikansniveau 5% ?
b) Forudsat påstanden forkastes, skal angives et estimat for % defekte, samt et 95% konfidensinterval for denne.
Løsning:
X = antal defekte chips af 1000
X er binomialfordelt b(1000, p).
Nulhypotese: H: p  0.02
Alternativ hypotese H: p  0.02
TI89+ TI-Nspire
a) P  værdi  P( X  33) = binomCdf(1000,0.02,33,1000)=0.00433
Da P-værdi < 0.05 forkastes H0 , dvs. fabrikantens påstand om færre end 2% defekte forkastes.
b) Da x = 33 >5 og 33 < 1000-5 kan approksimeres med normalfordelingen
TI89: APPS, STAT/LIST F7 5: 1-Prop-Z-interval udfyld menu
TI-Nspire: Beregner Statistik konfidensintervaller z-interval for 1 andel
Estimat for p: 3.3%
menu udfyldes
ENTER
95% konfidensinterval : {2.19% ; 4.41%]
SAS.JMP
a) P  værdi  P( X  33)  1  P( X  32)
Kald en søjle for p, og indtast et tilfældigt tal i første række.
Placer cursor i p's hoved højre musetast Formula skriv 1-(- vælges fra jmp tastatur)
ty Binomial Distribution Udfyld pladserne p=0,02, n=1000, k = 33 Apply
vælg Discrete Probabili-
P-værdi = 0.00433
b) Estimat for p: 3.3%
Af formlen for konfidensinterval
p
0,00433168
radius
0,0110718
0.033 
0.033  (1  0.033)
1000
Øvre grænse
0,0440718
5
og benyttelse af "Formula" fås
nedre grænse
0,0219282
1. Repetition af centrale begreber
OPGAVER
Opgave 1.1
Færdselspolitiet overvejede, om der burde indføres en fartgrænse på 70 km/h på en bestemt
landevejsstrækning, hvor der hidtil havde været fartgrænsen 80 km/h.
Som et led i analysen af hensigtmæssigheden af den overvejede ændring observeredes inden for
et bestemt tidsrum ved hjælp af radarkontrol de forbipasserende bilers fart. Resultatet af målingerne var:
50 observationer
64
50
59
75
98
72
63
49
74
55
82
35
55
64
85
52
60
99
74
80
95
41
76
70
53
60
77
65
62
78
86
47
76
85
96
70
88
68
73
71
63
62
51
93
84
48
66
80
65
103
Undersøg om tallene er rimeligt normalfordelt ved i SAS-JMP at tegne et histogram, et boxplot
og et normalfordelingsplot.
Angiv endvidere gennemsnit og spredning.
Opgave 1.2
Under produktionen forekommer blandt en fabriks affaldsprodukter 1.5 mg/l af et stof A., som
i større mængder kan være kræftfremkaldende. Man håber ved en ny og mere kostbar metode,
at formindske indholdet af det pågældende stof.
a) Ved en række kontrolmålinger efter tilsætning af additivet fandtes følgende resultater (i mg/l)
1.12
1.47
1.35
1.27
1.17
1.26
1.83
1.10
1.39
1.25
1.44
1.14
Test på 5% niveau, om målingerne beviser, at der er sket en formindskelse af middelindholdet
af stoffet A.
b) Forudsat middelindholdet er signifikant under 1.5 mg/l, skal angives et estimat for det nye
middelindhold, samt et 95% konfidensinterval for denne.
Opgave 1.3
Det forventes, at lovgivningen bliver strammet omkring mængden af skadelige partikler i bilers
udstødningsgas. En person mener, at mere end 20% af forsvarets biler ikke vil opfylde de
forventede nye krav. Ved en undersøgelse af 40 af forsvarets biler tilfældigt udvalgt, fandt man,
at 13 af disse ikke kunne opfylde de nye krav.
1) Test om dette på et signifikansniveau på 5 % er et bevis for, at mere end 20% af forsvarets
biler udsender flere skadelige partikler end ønskeligt.
2) Under forudsætning af at det er signifikant, at 20% af bilerne ikke opfylder kravet, skal man
angive et estimat for hvor mange procent af bilerne, der ikke opfylder de nye krav, samt
angive et 95% konfidensinterval herfor.
6
Opgaver til kapitel 1
Opgave 1.4
Indenfor en stor virksomhed, der producerer udstyr til forsvaret, er der i middel 20 driftsuheld
pr. måned. Da antallet efter indførelsen af nye arbejdsrutiner synes at være vokset målte man i
5 på hinanden følgende måneder antallet af driftsuheld. Resultaterne var
måned nr.
1
2
3
4
5
antal/måned 23
19
23 27
24
Test, om disse data giver et eksperimentelt bevis for, at middelværdien  er større end 20
driftsuheld/måned?
7
2. Planlægning af forsøg
2 PLANLÆGNING AF FORSØG
2.1. INDLEDNING
Forsøg er en naturlig del af ingeniørmæssig og anden videnskabelig metode til at træffe
beslutninger.
Antag eksempelvis, at en ingeniør skal studere virkningerne af 4 hærdningsmetoder på
trykstyrken af et materiale.
Forsøget ville bestå i, at man fremstillede en række testmaterialer baseret på de 4
hærdningsmetoder, og derefter målte trykstyrken. På basis af disse data kunne man så anvende
en statistisk metode til at finde den af de 4 metoder der i middel gav den største trykstyrke.
Alle forsøg er planlagte forsøg, men desværre er nogle forsøg særdeles dårlig planlagt, og
resulterer i at kostbare ressourcer bliver benyttet ineffektivt.
Statistisk planlagte forsøg giver effektivitet og økonomi i den eksperimentelle proces, og brug
af statistiske metoder i undersøgelsen af data resulterer i en videnskabelig objektivitet når man
skal drage konklusioner.
Statistisk baserede forsøg er særlig nyttige til at forbedre en fremstillingsproces eller til at udvikle
nye metoder.
Ved at benytte statistisk planlagte forsøg, kan ingeniøren bestemme hvilke af de mange
procesvariable, såsom temperatur, tryk, hærdningsmetoder osv. der har den største betydning for
udfaldet af processen.
Brugen af statistisk baserede forsøg kan derfor resultere i produkter, der er lettere at producere,
produkter der har en bedre “performance” og stabilitet (mindre spredning) end konkurrenternes
produkter, og kan blive udviklet og produceret på mindre tid, hvilket reducerer
udviklingsomkostningerne.
2.2. NOMENKLATUR
I de følgende kapitler benyttes ord, som faktor, niveauer, behandlinger osv.
For at forstå hvad disse ord betyder, vil vi forklare dem ud fra følgende forsøg:
Eksempel 2.1
I forbindelse med nogle brudstyrkebestemmelser for Portland-cement udføres et fuldstændigt
randomiseret forsøg til undersøgelse af middelbrudstyrkens afhængighed af cementblandere og
cementknusere.
Med hver af 4 cementblandere udstøbtes efter blanding med vand 12 cementterninger, som efter
en uges lagring underkastedes en brudstyrkeprøve ved hjælp af en af 3 cementknusere.
Forsøgsresultaterne var:
8
2.3.Krav til statistisk gyldigt forsøg
Cementknusere
B1
Cementblandere
B2
B3
B4
A1
147
175
130
99
85
75
67
23
35
215
97
180
A2
211
145
163 131
100
145
75
45
71
151 157
167
A3
123
85
153 137
143
82
67
25
83
135
129
91
Beskriv forsøget.
Løsning:
Forsøget har to faktorer: Cementblander og Cementknuser.
Faktoren “Cementblander” har 3 niveauer A1 ,A2, A3. (niveau hedder på engelsk” level”)
Faktoren “Cementknuser” har 4 niveauer B1 ,B2, B3., B4
Forsøget har 12 behandlinger (engelsk treatment)
A1B1 , A1B2 , A1B3 , A1B4 , A2B1 , A2B2 , A2B3 , A2B4 ,A3B1 , A3B2 , A3B3 , A3B4
da der er 12 kombinationer af niveauerne (12 celler)
Hver behandling har 3 gentagelser, eksempelvis har behandlingen A1B1 3 delforsøg, der
resulterede i forsøgsresultaterne 147 175 130
Faktorer kan enten være kvalitative eller kvantitative.
En faktor som temperatur er kvantitativ, da den jo er en talvariabel, der kan antage alle mulige
talværdier (indenfor et givet talområde).
En faktor som “Cementblander” i eksempel 2.1 er kvalitativ, da den kun har nogle fastlagte
niveauer, og man ikke kan tale om eksempelvis cementblander 1.5.
2.3 KRAV TIL STATISTISK GYLDIGT FORSØG
For at nogle forsøgsresultater skal være statistisk gyldige, skal målingerne være statistisk
uafhængige og være repræsentative for det man skal undersøge.
Ved statistisk uafhængighed forstås, at resultatet af et delforsøg ikke må afhænge af hvad der
skete i de øvrige delforsøg.
Det er således ikke korrekt, hvis det arbejdshold, der foretager forsøgene først laver forsøgene
med den ene cementblander- derved bliver dygtigere- og så laver forsøgene med de øvrige
cementblandere.
Det er heller ikke korrekt, at man eksempelvis i eksempel 1.1 først havde målt holdbarheden af
10 blokke, - derefter foretager en test-opdager at man ikke kan vise signifikans.
Så havde taget 10 blokke mere - testet på de 20 blokke osv., indtil man opnåede signifikans.
Dette er ikke "statistisk gyldige" forsøg.
9
2. Planlægning af forsøg
Til belysning af hvad der er et "statistisk" gyldigt forsøg tages udgangspunkt i følgende
eksempel.
Eksempel 2.2. Planlægning af forsøg.
En fabrik der producerer maling, har udviklet to nye additiver A1 og A2, som bevirker en kortere
tørretid. Additiv A1 er det dyreste, men man forventer også, at det giver den korteste tørretid. På
grund af prisforskellen, skal tørretiden dog være mindst 10 minutter kortere for A1, før man vil
gå over til den. For at undersøge disse forhold produceres nogle liter maling, som derefter deles
op i mindre portioner. Til nogle af portionerne tilsættes additiv A1 og til andre additiv A2 .
Tørretiden måles derefter.
Generelt gælder, at hvert delforsøg i et forsøg udføres under en række forsøgsbetingelser.
Alle andre delforsøgsbetingelser end behandlingerne sammenfattes i et begreb, der kaldes
forsøgsenheden.
I eksempel 2.2 er additiverne = behandlingerne og forsøgsenhederne er den enkelte portion
maling, anvendt apparatur og personale, tidspunkt for delforsøget og de forhold med hensyn til
temperatur, luftfugtighed osv., som gælder på forsøgstidspunktet. Bemærk, at forsøgsenhederne
ofte indeholder faktorer, som ikke kan gøres ensartet fra delforsøg til delforsøg. Dette bevirker,
at resultatet af de enkelte delforsøg varierer. Dette giver forsøgsvariablens variation” eller kort
forsøgets “støj” .
Randomisering
For at sikre et statistisk gyldigt forsøg foretager man en såkaldt fuldstændig randomisering. Dette
betyder at man ved lodtrækning fordeler “forsøgsenhederne” tilfældigt på behandlingerne. Dette
sker, for at man ikke ubevidst kommer til at favorisere en af de to behandlinger. Hvis man
eksempelvis helt systematisk i eksempel 1.1 først laver alle delforsøg med additiv A1, kunne
dette bevirke en favorisering af A1 nemlig hvis forsøgsomstændighederne (apparater, personale,
luftfugtighed ) er mest “gunstige” ved begyndelsen af forsøgsperioden.
For at anskueliggøre denne randomiseringsproces antager vi, at vi i eksempel 2.2 skal lave 4
delforsøg med hver additiv. Endvidere antages, at delforsøgene skal indgå i den almindelige
produktionsgang, dvs. at man af tidsmæssige, personalemæssige og på grund af en begrænset
mængde apparatur må lade forsøgene forløbe over flere dage. Man tror ikke, at dage, apparatur
og laborant har nogen væsentlig betydning for forsøgsresultaterne. Der er sandsynligvis også
andre forhold udenfor vor kontrol, og som tilsammen bevirker, at selv om man udfører gentagne
delforsøg med samme behandling, så får vi afvigende resultater.
For en sikkerheds skyld vælger vi imidlertid at randomisere dage, apparatur og laboranter
Lad os antage at der gælder følgende:
Mandag er det kun muligt at lave 1 delforsøg, idet apparatur nr. 1 og laborant A er de eneste der
er ledige.
Tirsdag er der kapacitet ledig til 3 delforsøg:
Ét delforsøg hvor apparatur nr 2 og laborant A benyttes
Ét delforsøg hvor apparatur nr 1 og laborant B benyttes, og
Ét delforsøg hvor apparatur nr 3 og laborant C benyttes.
Onsdag kan der også laves 3 delforsøg osv. (se det følgende skema).
10
2.3.Krav til statistisk gyldigt forsøg
Dag
mandag
tirsdag
tirsdag
tirsdag
onsdag
onsdag
onsdag
torsdag
Forsøgsenheder
Apparatur
1
2
1
3
3
4
1
3
Laborant
A
A
B
C
B
C
A
B
Behandlinger
(additiv)
Vi foretager nu randomiseringen, som kort sagt er en form for
lodtrækning. Sædvanligvis vil man benytte et program, der kan
generere tilfældige tal (mange lommeregnere har et sådant
program). For at anskueliggøre randomiseringen vil vi mere
primitivt foretage lodtrækningen på følgende måde. På 4 sedler
skrives A1, på andre 4 sedler skrives A2. Hver seddel krølles sammen til en kugle og placeres i en dåse. Sedlerne blandes ved at
dåsen rystes (se figur). Hvis den første seddel der udtrækkes er A2 så betyder det, at det delforsøg
der mandag udføres med apparatur 1 og laborant A skal anvende additiv A2 . Hvis den næste
seddel der udtrækkes er A1 så betyder det , at det delforsøg der tirsdag udføres med apparatur 2
og råvareleverance 1 skal anvende additiv A1 osv. Resultaterne kunne eksempelvis være som
angivet på følgende skema:
Forsøgsenheder
Dag
mandag
tirsdag
tirsdag
tirsdag
onsdag
onsdag
onsdag
torsdag
Apparatur
1
2
1
3
3
4
1
3
Laborant
A
A
B
C
B
C
A
B
Behandlinger
(additiv)
A2
A1
A1
A2
A2
A1
A2
A1
På denne måde sikrer man sig, at vi får et så vidt muligt "statistisk gyldigt" forsøg. Hvis vi derfor
efter beregninger (som ses i de følgende kapitler ) konkluderer, at der er forskel på additiverne,
så er det "korrekt", idet det ville være helt tilfældigt, hvis én af additiverne har været begunstiget
med særlig gode forsøgsenheder.
Herved har man også sikret sig, at de to stikprøver (variable) er statistisk uafhængige.
11
2. Planlægning af forsøg
Forsøg bør udføres, så alle behandlinger får lige mange gentagelser.
Ved planlægningen af forsøget er det ganske klart, at hvis man eksempelvis har ressourcer til at
lave 20 delforsøg, så ville det være en meget dårlig plan, hvis man lavede 18 delforsøg med A1
og kun 2 delforsøg med A2 . Der bør i naturligvis tilstræbes at lave 10 delforsøg med hver
behandling.
Delforsøg kan mislykkes, så målet i praksis ikke bliver opfyldt. I sådanne tilfælde kan de i de
følgende kapitler anførte statistiske analyser dog stadig gennemføres. Testene bliver dog mindre
“robuste” (dvs. mere afhængige af, at forudsætningerne gælder) , og beregningerne mere
komplicerede.
Dimensionering
Man kan fristes til at tro, at jo flere gentagelser jo bedre.
s
Da spredningen på et gennemsnit er
, er det klart, at hvis antal forsøg n er stort bliver
n
spredningen lille, og så kan man finde, at der er en signifikant forskel selv om denne forskel er
lille.
Imidlertid risikerer man med mange gentagelser at opdage så små forskelle, at de ikke har
praktisk betydning, og så er de mange delforsøg jo spild af arbejdskraft og penge.
Endvidere gælder det jo, at hvis man laver 25 forsøg, så er spredningen formindsket med en
faktor 5, mens hvis man laver 100 forsøg så er spredningen formindsket med en faktor 10. Der
skal derfor særdeles mange forsøg til for alvor at formindske spredningen på gennemsnittet.
Analogt med forklaringen i “Statistiske Grundbegreber” kan man under visse forudsætninger
beregne hvor mange gentagelser (portioner) der skal anvendes for hver behandling, hvis
P( fejl af type I)   og P( fejl af type II)   . Man skal naturligvis angive en bagatelgrænse  ,
men desuden kræver beregningerne, at spredningerne ved de to behandlinger er (tilnærmelsesvis)
ens, og at man kan give et nogenlunde realistisk skøn for denne fælles spredning  .
Det er naturligvis en svaghed ved dimensioneringen, at man inden forsøget er udført skal give
et sådant skøn. En vurdering heraf kunne baseres på erfaringer fra tilsvarende forsøg. Findes
sådanne erfaringer må man først lave nogle få delforsøg og derfra få et rimeligt gæt på
spredningen σ.
At spredningerne er nogenlunde ens vil i praksis ofte være tilfældet, da forsøgsenhederne jo er
valgt ved randomisering. Når forsøget så er lavet, kan man (lidt sent) se, om man har skønnet
rigtigt.
Dimensioneringen har kun betydning hvis man får en accept, da man så ved, at en eventuel
forskel ikke har praktisk betydning. Hvis man får en forkastelse, så ved man der er en signifikant
forskel, men om den er af praktisk betydning må en nærmere undersøgelse vise.
Formler for dimensionering af 2 variable findes i oversigten i kapitel 3, afsnit 3.5.1
12
3.1 Normalfordelte variable
3 . 1 Faktor på to niveauer
3.1. NORMALFORDELTE VARIABLE
3.1.1. Test af differens mellem middelværdier
I dette afsnit benyttes et eksempel til at forklare metode, teststørrelse osv.
Derefter vises hvorledes det samme eksempel regnes med først TI89 og derefter SAS.JMP.
Eksempel 3.1. Sammenligning af 2 normalfordelte variable
To produktionsmetoder M1 og M2 ønskes sammenlignet. Der udvælges tilfældigt 20 personer,
hvoraf de 10 bliver sat til at arbejde med den ene metode, og de 10 andre med den anden.
Efter 2 ugers forløb, beregnede man for hver person det gennemsnitlige tidsforbrug pr. enhed.
Da metode 1 er mere kostbar end metode 2, ønsker man kun at gå over til den, hvis tidsforbruget
pr. enhed ved metode 1 er mindst 2 minutter mindre end ved metode 2.
Man fik følgende resultater.
M1
87.8
91.9
89.8
89.0
92.6 89.4
91.4
88.7
90.1
92.4
M2
92.4 94.6 93.0 94.0 92.4 92.9 96.4 92.1 92.8 93.4
Undersøg på basis af disse resultater, om det på et signifikansniveau på 5% kan påvises at
tidsforbruget ved metode M1 er mindst 2 minutter mindre end ved metode M2 .
Løsning:
a) Lad X1 = tidsforbrug ved anvendelse af metode M1 og
X2 = tidsforbrug ved anvendelse af metode M2.
X1 og X2 antages approksimativt normalfordelte med middelværdi og spredning henholdsvis
1 , 1 og  2 , 2 .
H 0 :  2  1  2
H:  2  1  2
Begrundelse: Nulhypotesen udtrykker jo, at intet er ændret (nul virkning), så den angiver, at differensen i middeltidsforbruget er præcist 2.
Begrundelse: Den alternative metode udtrykker jo det vi ønsker at bevise, så den angiver, at differensen i middeltidsforbruget er større end 2.
Såvel TI89 som SAS.JMP anvender et færdigt program, der anvender en testmetode (Satterthwaites metode), som
er robust overfor mindre afvigelser fra kravet om normalitet, når blot antallet af gentagelser er den samme.
Er det ikke tilfældet kan man stadig foretage testen, men så stilles der større krav til, at de variable X1 og X2
virkelig er normalfordelte.
Formlen for Satterthwaites metode kan findes i oversigten i kapitel 3.5.1.
Er den beregnede P-værdi < signifikansniveauet  forkastes H0 , dvs. vi har bevist den
alternative hypotese H er sand. (sandsynligheden for vi dermed kommer med en forkert
konklusion er mindre end  ).
Er P-værdien > signifikansniveauet  accepters H0, dvs. vi kan ikke på dette grundlag bevise,
at H er sand.
Får man en accept og er P - værdien ikke meget større end signifikansniveauet  , så er det
muligt at en “stærkere” t - test kunne give en forkastelse.
Denne stærkere t-test kræver imidlertid at de to spredninger kan antages at være ens.
13
3. 1 Faktor på 2 niveauer
Dette er ofte tilfældet på grund af randomiseringen, men er man i tvivl herom kan man først
foretage en test af om spredningerne er ens.
Får man en accept heraf, har man naturligvis ikke hermed vist, at varianserne er ens, men da
den følgende t - test af middelværdier er robust overfor mindre forskelle i varianserne, blot vi
har samme antal gentagelser, er det tilladeligt i den følgende test af middelværdierne, at antage
at varianserne er ens.
Forklaring på formler
For hver af de 2 metoder udføres en række delforsøg. Lad antallet af forsøg være henholdsvis n1 og n2.
Vi antager, at X1 og X2 er statistisk uafhængige normalfordelte variable med henholdsvis middelværdierne 1 og
 1 og  2 .
H 0 : 1   2  d
2
og spredningerne
Nulhypotese
(d er i eksemplet -2).
eller H 0 : 1  2  d  0 ,
Testproceduren baseres på fordelingen af differensen Y  X 1  X 2  d .
Ifølge additionssætningen (se eventuelt “Statistiske Grundbegreber) er Y normalfordelt og fra regnereglerne fås
2
2
E X 1  X 2  d  E X 1  E X 2  d  1   2  d og V  X  X  d   V  X   V  X    1   2 .
1
2
1
2


Heraf følger, at U 
   
X1  X 2  d
 12
n1
Teststørrelsen U 

 22
n1

n2
er normeret normalfordelt.
n2
X1  X 2  d
 12
n1
 22
gælder kun, hvis spredningerne
 1 og  2 er kendt eksakt.
n2
Kendes kun deres estimater s1 og s2 må der anvendes andre testprocedurer.
Får man ved en F-test en accept af, at varianserne er ens, pooles varianserne sammen til en fælles gennemsnitlig
2
varians s0 ( se eventuelt oversigten i afsnit 3.5.1) og størrelsen t =
X1  X 2  d
s02 s02

n1 n2

X1  X 2  d
s0
1
1

n1 n2
er nu t - fordelt.
Hvis stikprøvestørrelserne er store (begge over 30) er det dog tilstrækkelig nøjagtigt at anvende
X  X2  d
U 1
som teststørrelse.
s12 s22

n1 n 2
I modsat fald kan anvendes en ret kompliceret procedure, der kaldes "Satterhwaite's metode".
Denne er beskrevet i kapitel 3.5.1.
Eksempel 3.1. fortsat- løst med TI89 og TI-Nspire
Hypoteserne omskrives til
H 0 : 1  2   2
H: 1  2   2
TI89: APPS, STAT/LIST , indtast data i list1 og list 2
vælg Data
TI-Nspire:
F6, 4:
2 - SampTtest
ENTER
ok I menu for “list 1" skrives list1+2, for “alternative Hyp” 1
 2
I den fremkomne menu
og pooled til “NO” OK
Lister og regneark Udfyld lister med overskrift m1 og m2 Statistik t-interval for 2 variable
menu:data
ok menu: List1: benyt pil til at vælge “m1" og skriv +2
List 2: Vælg “m2"
“alternative Hyp” 1   2 samlet: nej ok
Man får P-værdi = 0.0609.
Da P-værdi =6.09% > 0.05% accepteres H0, dvs. det er ikke muligt på dette grundlag at bevise,
at tidsforbruget ved metode M1 er 2 minutter mindre end ved metode M2.
14
3.1 Normalfordelte variable
Da P-værdien var så tæt ved 5%, vil vi nu forsøge med den stærkere t-test, hvor kravet er en
fælles "poolet" spredning
Vi gør som før, men retter nu poolet til YES
Vi får som forventet en lidt mindre P-værdi = 0.0604, men det giver stadig en accept, så konklusionen er den samme.
Da P-værdien er så tæt ved 5% er der en god mulighed for, at tidsforbruget ved metode 1 faktisk
er 2 minutter mindre end ved metode 2 (begår en fejl af type 2).
Det ville derfor være rimeligt at bede om at få foretaget flere forsøg.
Havde vi fået en P-værdi < 0.05, så ville næste træk være at teste om spredningerne var ens (se
eventuelt eksempel 3.2 hvordan), da vi ellers ikke måtte have anvendt den sidste metode.
Eksempel 3.1. fortsat- løst med SAS.JMP
Data indtastes i 2 søjler, idet vi lægger 2 til alle tal fra metode 1.
metode
m1
m1
m1
m1
m1
m1
m1
m1
m1
m1
m2
m2
m2
m2
m2
m2
m2
m2
m2
m2
Analyze
tidsforbrug
89,8
93,9
91,8
91,0
94,6
91,4
93,4
90,7
92,1
94.4
92.4
94,6
93,0
94,0
92,4
92,9
99,4
92,1
92,8
93,4
Fit y by x
Y-Response:Tidsforbrug ,x-Grouping: Metode
OK
rød pil, t-test
t Test
m2-m1
Assuming unequal variances
Difference
Std Err Dif
Upper CL Dif
Lower CL Dif
Confidence
1,0900t Ratio
0,6694DF
2,5024Prob > |t|
-0,3224Prob > t
0,95Prob < t
1,628317
16,99463
0,1219
0,0609
0,9391
Da P - værdi = 0.0609 > 0.05 accepteres nulhypotesen, dvs. det er ikke muligt på dette grundlag at
bevise, at tidsforbruget ved metode M1 er 2 minutter mindre end ved metode M2.
15
3. 1 Faktor på 2 niveauer
Test af Varians
Som det ses af eksempel 3.1 kan det sjældent blive nødvendig at benytte den lidt stærkere
metode, da P-værdien nok bliver mindre, kun sjældent så meget, at det har betydning for konklusionen.
Imidlertid vil det i de næste kapitler være nødvendigt at teste om spredningen på 2 stikprøver er
ens.
s2
Dette sker ved en såkaldt F - test hvor teststørrelsen er F = 22
s2
F-fordelingen er beskrevet i afsnit 3.5.2, hvor også fremgangsmåden ved testningen er angive.
Som det fremgår af eksempel 3.2 har såvel TI89, TI-Nspire som SAS.JMP færdige programmer
til testningen, så det er ikke nødvendigt at anvende teststørrelsen direkte.
Eksempel 3.2 . Test af varians
Samme problem som i eksempel 3.1
Undersøg ved en test på signifikansniveau på 5% om de to metoders varians er ens.
Løsning:TI89 og TI-Nspire
H0 : 12   22 mod H:  12   22
TI89: F6 9:2 - SampFtest
ENTER,
Menuen udfyldes, og man vælger
I menuen vælg Data Input Method= Data
“alternative Hyp =  1   2 , ENTER
TI-Nspire: Statistik Statistiske test F-test for 2 spredninger
ENTER
data menu udfyldes ENTER
I udskrift findes P - værdi = 0.4711
Da P - værdi =0.471 > 0.05 accepteres H0, dvs. vi vil i den følgende test antage, at spredningerne er ens.
Løsning: SAS.JMP
Data indtastes i 2 søjler (se eksempel 3.1)
H0 : 12   22 mod H: 12   22
Analyze Fit y by x Response:Tidsforbrug , Factor: Metode
Cursor på rød pil Un-Equal Variance
OK
Blandt en række udskrifter forekommer nedenstående
Tests that the Variances are Equal
Level
Count
Std Dev MeanAbsDif to Mean
m1
m2
Test
O'Brien[.5]
Brown-Forsythe
Levene
Bartlett
F Test 2-sided
10
10
1,668965
1,302135
F Ratio
0,7193
1,2610
1,6453
0,5199
1,6428
1,412000
0,960000
DFNum
1
1
1
1
9
MeanAbsDif to
Median
1,370000
0,880000
DFDen
18
18
18
.
9
p-Value
0,4075
0,2762
0,2159
0,4709
0,4711
I udskrift for F - test findes P - værdi = 0.4711
Da P - værdi =0.471 > 0.05 accepteres H0, dvs. vi vil i den følgende test antage, at spredningerne
er ens.
16
3.1 Normalfordelte variable
Dimensionering.
Eksempel 3.3 (fortsættelse af eksempel 2.2)
En fabrik der producerer maling, har udviklet to nye additiver A1 og A2, som bevirker en kortere tørretid. Additiv
A1 er det dyreste, men man forventer også, at det giver den korteste tørretid. På grund af prisforskellen, skal
tørretiden dog være mindst 10 minutter kortere for A1, før man vil gå over til den. For at undersøge disse forhold
produceres nogle liter maling, som derefter deles op i mindre portioner. Til nogle af portionerne tilsættes additiv
A1 og til andre additiv A2 . Tørretiden måles derefter.
a) Hvor mange delforsøg skal anvendes ved forsøget, hvis man ønsker, at P( fejl af type I)    0.05 ,
P( fejl af type II)    010
. og bagatelgrænsen  =10 minutter, idet man fra mange tilsvarende forsøg ved,
at den fælles spredning er  = 12 minutter.
b) Samme spørgsmål og krav som i spørgsmål a), men nu antages, at man ikke kender spredningen, men ud fra
nogle få delforsøg skønner, at den er ca. 12 minutter.
a) Af formlerne i oversigten i kapitel 3.5.1 fås

 u1   u1 
n  2




2
2
2







 1645
u u 
.
.
 1282
0.90
  2   0.95
  24.67
  2
10
10










12
12
dvs. der skal udføres i alt n = 25 delforsøg af hver behandling
b) Idet første led er 24.67 fås
 t ( 2n  2) 
n  24.67   1 

u1 


2
TI89+TI-Nspire: solve(x=24.67*(inv- t(0.95,(2*x-2))/invNorm(0.95))^2,x) x  24
Der kan nu gå 1 minut før lommeregneren finder en løsning x = 25.6 svarende til n  26
Eksempel 3.4. Data ikke opgivet
På basis af dimensioneringen i eksempel 3.3 udførte man 26 delforsøg af hver behandling.
Efter at forsøgsrækken var afsluttet, opdagede man, at et af forsøgene var mislykket og måtte
kasseres. Der var følgelig kun 25 delforsøg med additiv A1 .
For de to stikprøver fandt man, at
Forsøgsrækken med A1: n = 26, x1  118.6 og s1  12.13
Forsøgsrækken med A2: n = 25 x 2  129.2 og s2  14.2
a) Kan man ud fra disse data bevise på mindst signifikansniveau  = 0.05 , at malingen med
additivet A1 tilsat har en mindre middeltørretid end konkurrentens?
b) Hvad vil du anbefale virksomheden at gøre, hvis man som nævnt i eksempel 3.3 kun vil gå
over til A1 hvis middeltørretiden for A1 er mindst 10 minutter kortere end for A2 (bagatelgrænsen) .
Løsning:TI89 og TI-Nspire
X1 = tørringstiden for maling tilsat additiv A1.
X2 = tørringstiden for maling tilsat additiv A2.
X1 og X2 antages at være uafhængige normalfordelte variable med henholdsvis middelværdierne 1 og  2 og spredningerne  1 og  2 .
a) Nulhypotese H 0 : 1   2 ,
Alternativ hypotese: H: 1   2
TI89: APPS
STAT/LIST F6, 4 2 - SampTtest ENTER
I den fremkomne menu vælg STATS OK (da forsøgsresultaterne resultater ikke er kendt)
Menuen udfyldes bl.a. “alternative Hyp” 1
 2
TI-Nspire: Beregner
og pooled til “NO” OK
Statistiske test t-test for 2 middelværdier Statistik Udfyld menu ENTER
Da P-værdi = 0.0031 < 0.05 forkastes nulhypotesen
Konklusion: Der er et stærkt statistisk bevis for at additiv A1 i middel har en kortere
tørringstid end additiv A2.
17
3. 1 Faktor på 2 niveauer
b) Metode 1:
Et 95% konfidensinterval for differensen:
TI89: APPS
STAT/LIST F7,
4: 2 - SampTint
ENTER
I den fremkomne menu vælg STATS OK (da forsøgsresultaterne resultater ikke er kendt)
Menuen udfyldes bl.a. sættes pooled til “NO”
OK
TI-Nspire:
Statistik Konfidensintervaller t-interval for 2 middelværdier Statistik Menu udfyldes herunder “samlet” til nej
Man får 95% konfidensinterval [ - 18.1 ; -3.15], dvs. tørretiden for A1 er mellem 3 og 18
minutter kortere end for A2.
Konklusion: Da bagatelgrænsen er 10 minutter, og næsten 50% af konfidensintervallet
ligger under 10, kan det ikke på baggrund af dette materiale anbefales at gå over til det
mere kostbare additiv.
Metode 2:
Nulhypotese H 0 : 1  10   2 , Alternativ hypotese: H: 1  10   2
TI89 : APPS
STAT/LIST F6, 4 2 - SampTtest ENTER
I den fremkomne menu vælg STATS OK Menuen udfyldes bl.a. x1 = 118,6+10 “alternative
Hyp” 1
TI-Nspire:
 2
og pooled til “NO” OK
Beregner Statistiske test
med xbar1 = 118.6+10
t-test for 2 middelværdier
Statistik
Udfyld menu, bl. a
Enter
Man finder P-værdi = 43.6%, dvs., sandsynligheden for at begå en fejl, hvis man påstår, at
additiv 1 har en 10 minutter kortere tørretid, er ca. 40%.
Man vil derfor næppe gå over til additiv 1.
Løsning:SAS.JMP
SAS har ikke et særligt program for de tilfælde, hvor de oprindelige data ikke er kendt
Man må benytte de formler der står i afsnit 3.5.1 til beregningerne.
3.1.2 Parvise observationer (blokforsøg)
Hvis observationerne i stikprøven udviser meget stor spredning, kan en test sandsynligvis
ikke vise signifikans.
Imidlertid er det måske så muligt at nedsætte spredningen ved at sammenligne observationerne to og to ( i par). Man siger også, at man opdeler i blokke.
Det følgende eksempel illustrerer fremgangsmåden
Eksempel 3.5. Parvise observationer
En producent af malervarer har laboratorieresultater, der tyder på, at en ny lak A, har en større
slidstyrke end den sædvanlige lak B. Han ønsker en afprøvning i praksis og aftaler med ejerne
af 6 bygninger med mange trapper, at han må lakere deres trapper.
Da der er meget forskelligt hvor mange personer der går på trapperne i de forskellige bygninger (sammenlign blot sliddet på en skole og et plejehjem) vælger man at foretage et “blokforsøg” , med de 6 bygninger som 6 blokke.
I hver bygning lakeres hverandet trin (valgt ved lodtrækning) med lak A og resten mad lak B.
Efter 3 måneders forløb måles graden af slid (i %) i hver bygning.
De målte værdier af slid efter valg af plan var
Bygning nr
1
2
3
4
5
6
Ny lak
20.3
25.1
21.8
19.6
18.9
23.5
Sædvanlig lak
19.5
28.4
21.6
22.0
20.9
25.8
Undersøg om observationerne leverer et eksperimentelt bevis for, at den nye lak er mere slidstærk end den sædvanlige lak.
18
3.1 Normalfordelte variable
Løsning
Vi ser nu på differensen mellem sliddet i en bygning. (hvorved den store forskel mellem bygningerne elimineres)
Lad D = Xgammel - Xny
Bygning nr
d = xgammel - xny
1
- 0.8
2
3.3
3
-0.2
4
2.4
5
2.0
6
2,3
D antages normalfordelt n(  ,  ) , hvor såvel  som  er ukendte.
Da vi ønsker at teste om ny lak er mere slidstærk end gammel lak, dvs. den mest slidstærke
lak slides mindst , bliver testen en ensidet t - test.
Nulhypotese H0 :  = 0
TI89: Differensdata indtastes
TI-Nspire:
Alternativ hypotese H :  > 0.
APPS, STAT/LIST
F6, 2: t-test vælg Data menu udfyldes
Lister og regneark Udfyld liste med differensdata Statistik t-interval for 1 middelværdi
menu:data
ok udfyld menu bl.a med samlet: nej ok
Man finder x  15
. og P - værdi = P(T  15
. )  0.0363
Da P - værdi = 3.63% < 5% forkastes H0 (svagt), dvs. den ny lak er mere slidstærk end den
gamle.
SAS.JMP
Data indtastes
Ny lak
Gammel lak
20,3
19,5
25,1
28,4
21,8
21,6
19,6
22
18,9
20,9
23,5
25,8
.
.
Vælg Analyze Matched Pairs Y: Paired response:Ny lak og Gammel lak
ved "Plot Diff by Mean
OK
Rød pil
Fjern markering
Matched Pairs
Difference: Gammel lak-Ny lak
Gammel lak
Ny lak
Mean Difference
Std Error
Upper 95%
Lower 95%
N
Correlation
23,0333
21,5333
1,5
0,66131
3,19996
-0,2
6
0,89502
t-Ratio
DF
Prob > |t|
Prob > t
Prob < t
2,268219
5
0,0726
0,0363*
0,9637
Heraf ses, at P-værdi = 0.0363. H0 forkastes, dvs. ny lak mere slidstærk end gammel lak
19
3. 1 Faktor på 2 niveauer
3.2 BINOMIALFORDELTE VARIABLE.
Man kan ofte approksimere en binomialfordeling med en normalfordeling.
Det er en sådan approksimation, som såvel formlerne i oversigten i afsnit 3.5.3 bygger på som
TI89's program: 2-Prop-Z-test.
Forudsætningen er:
X1 og X2 er binomialfordelt henholdsvis b(n1 , p1 ) og b(n 2 , p2 )
Observerede stikprøveværdier x1 og x2.
Lad p 1 
x1
x
x  x2
.
, p 2  2 , p  1
n1
n2
n1  n2
Forudsætning: n1  p 5 ; n1  5 , n2  p 5 ; n2  5
I praksis vil disse forudsætninger for approksimation sædvanligvis være opfyldt.
Vi belyser beregningerne ved følgende eksempel.
Eksempel 3.6. Binomialfordelingstest.
Ved et forsøg der skulle afgøre om C - vitamin har en forebyggende virkning mod forkølelse,
fik halvdelen af en gruppe på 280 franske skiløbere C - vitamin mens de øvrige fik
kalktabletter (placebobehandling). Fordelingen skete randomiseret, og forsøgspersonerne var
uvidende om gruppeinddeling og hvilket medikament de fik. Efter en passende tid optaltes
hvor mange af forsøgspersonerne der var forkølede. Resultaterne kan ses af følgende skema:
Forkølet
Ikke forkølet
Total
C-vitamin
17
122
139
Kalktabletter
31
109
140
Bemærk, at en enkelt forsøgsperson gled ud af forsøget, så grupperne blev ikke helt lige store.
1) Kan det på et signifikansniveau på 5% vises, at C - vitamin har en forebyggende virkning?
2) I bekræftende fald angiv er 95% konfidensinterval for differensen mellem parametrene.
Løsning TI89:
X1 er binomialfordelt b(139, p1).
X1 = antal forkølede personer der har fået C-vitamin.
X2 = antal forkølede personer der har fået Kalktabletter. X2 er binomialfordelt b(140, p2).
1) H 0 : p1  p 2 mod H: p1  p2 (da vi ønsker at vise, at p1  p2 ).
p 1 
x  x2
x1
17  31
48
x
17
31


, p 2  2 
og p  1
.

n1  n2 139  140 279
n2 140
n1 139
Da n1  p  139 
48
48
 23.9 [5;139  5] og n 2  p  140 
 24.1 [5;140  5]
279
279
er forudsætningerne for at approksimere med normalfordelingen opfyldt.
TI89: F6, 6
2-Prop-ZTest
Alt. hyp : p1  p 2
TI-Nspire: Statistik
Udfylder menu: Succes x1=17, n1= 139, succes x2=31, n2 = 140,
Statistiske test
z test for 2 andele
Udfyld menu
Udskrift giver P- værdi=0.0141
Da P - værdi = 0.0141 < 0.05 forkastes nulhypotesen (svagt)
Konklusion: På signifikansniveau 5% er vist, at C-vitamin har en vis forebyggende virkning mod forkølelse,
20
3.3 Poissonfordelte variable
2) 95% konfidensinterval;
TI89: F7, 6
2-Prop-ZInt , menu udfyldes som under punkt 1.
TI-Nspire:Statistik Konfidensintervaller z-interval for 2 andele
Udskrift viser
menu som under punkt 2
C_int=[-0.187 ; -0.0111]
Løsning SAS.JMP:
SAS.JMP benytter en såkaldt
 2 -test som først omtales i kapitel 10.
Data indtastes:
vitamin syg
c
c
kalk
kalk
antal
forkølet
17
ikke forkølet 122
forkølet
31
ikke forkølet 109
Vælg fra hovedmenu Analyze
Fit y by x
Response:Syg , Factor: vitamin
Resultat:
Contingency Analysis of Syg By Vitamin
Freq: Antal
Tests
Source
DF
-LogLike
Model
1
2,43585
Error
277
125,65610
C. Total
278
128,09195
N
279
Test
Likelihood Ratio
Pearson
Fisher's Exact Test
Left
Right
2-Tail
ChiSquare
4,872
4,811
Prob
0,0205
0,9910
0,0385
Freq: Antal
OK
RSquare (U)
0,0190
Prob>ChiSq
0,0273
0,0283
Alternative Hypothesis
Prob(Syg=ikke forkølet) is greater for Vitamin=c than kalk
Prob(Syg=ikke forkølet) is greater for Vitamin=kalk than c
Prob(Syg=ikke forkølet) is different across Vitamin
P-værdi = 0.0283/2 = 0.0141 (ud for Pearson) (kun ved ensidet test divideres med 2)
På signifikansniveau 5% er vist, at C-vitamin har en vis forebyggende virkning mod forKonklusion:
kølelse,
3.3 POISSONFORDELTE VARIABLE.
Man kan ofte approksimere en Poisonfordeling med en normalfordeling.
Det er en sådan approksimation, som formlerne i oversigten i afsnit 3.5.4 bygger på. I praksis vil disse
forudsætninger for approksimation sædvanligvis være opfyldt. Vi belyser anvendelsen af oversigten ved
følgende eksempel (Hverken TI89 eller SAS.JMP har ikke et særligt program hertil).
Eksempel 3.7. Poissonfordelingstest.
En bestemt type TV-apparat produceres på 2 fabrikker A og B. Man har mistanke om, at der er forskel på
antallet af loddefejl der findes i apparater fra de to fabrikker. For at teste dette, udtages af den løbende
produktion stikprøver på 20 TV-apparater, og man optalte antallet af loddefejl i de 20 apparater. Resultaterne blev:
Fabrik A: På 20 apparater fandtes i alt 12 loddefejl
Fabrik B: På 19 apparater fandtes i alt 7 loddefejl (et apparat måtte udskydes)
Test på dette grundlag, om der er forskel på fejlintensiteten på de to fabrikker.
Løsning.
X1 antages Poissonfordelt p( 1 ).
X1 = antal loddefejl pr. apparat på fabrik A.
X2 = antal loddefejl pr. apparat på fabrik B.
X2 antages Poissonfordelt p(  2 ).
H 0 :  1   2 mod H:  1   2 (da vi ønsker at vise, at  1   2 )
21
3. 1 Faktor på 2 niveauer
Oversigten i kapitel 3.5.4 anvendes :
7
12
20   19 
12 ,
7 , og
x1 
x2 
20
19  12  7  19 .
x
20
19
20  19
20  19 39
Da n1  x  20 
19
19
 9.74  5 og n2  x  19 
 9.26  5
39
39
er forudsætningerne for at approksimere med normalfordelingen opfyldt.
12 7



 0.2316
Vi finder : s  x   1  1   19   1  1   0.2236 og x1  x 2 
20 19
39  20 19 
 n1 n 2 
Da P-værdi = P(Y > 0.2316) = normCdf(0.2316,  ,0,0.2236) = 0.1501 > 0.025 accepteres nulhypotesen.
Konklusion:
Man kan ikke på det grundlag vise, at der er forskel på fejlintensiteten på de to fabrikker,
SAS.JMP kan kun foretage denne test ved at foretage beregningerne i FORMULA .
3.4. FORDELING UKENDT (Rangtest)
De testprocedurer vi har benyttet i de forrige kapitler har alle været baseret på, at i det mindste approksimativt kendte fordelingen (normal-, binomial- eller Poisson-fordelt) og testen vedrørte parametre i fordelingen såsom  ,  eller p . Denne form for statistik kunne kaldes “parametrisk statistik”. Kendes
fordelingen ikke, og kan man heller ikke approksimere den til en kendt fordeling, så må man benytte de
såkaldte “ikke- parametriske test”. Disse forudsætter ikke, at fordelingen er kendt, og kunne derfor også
kaldes “fordelingsfri test”.
Da det ligger udenfor denne bogs centrale emner, men der findes en beskrivelse heraf i kapitel 11.
22
3.5 Oversigt over centrale formler i kapitel 3
3.5. OVERSIGT OVER CENTRALE FORMLER I KAPITEL 3
Test og konfidensinterval af differens 1   2 mellem middelværdier 1 og  2 for 2
normalfordelte variable .
X1 og X2 er normalfordelte henholdsvis n( 1 ,  1 ) og n(  2 ,  2 ) .
3.5.1.
Givet 2 stikprøver af X1 og X2. Størrelse, gennemsnit og spredning henholdsvis n1,
Signifikansniveau er  . Lad d være en given konstant.
x1 , s1 og n2, x 2 , s2.
Satterthwaites test: Forudsætning  1 og  2 ukendte
s12
Forkortelser: a =
n1
, b=
s22
, c = a + b,
n2
g
c2
a2
b2

n1  1 n 2  1
T er t - fordelt med frihedsgradstallet f.
Forudsætninger
Alternativ
hypotese H
P - værdi
x1  x 2  d
c
1   2  d
f er det nærmeste hele tal, som
er større end g
1   2  d
H0 forkastes
P(T  t )
 1 ,  2 ukendte 1   2  d
t
Beregning
TI89: tCdf (t , , f ) eller
F6: 2-sampTtest,pooled, No P - værdi< 
P(T  t )
TI89: tCdf ( , t , f ) eller
F6: 2-sampTtest,pooled, No
P - værdi  21 
P(T  t ) for x1  x 2  d som række 1
som række 2
dog hvis Ttest
P(T  t ) for x1  x 2  d
P - værdi< 
100  (1   )% konfidensinterval for differens 1   2 :
x1  x 2  t
1

2
( f )  c  1   2  x 1  x 2  t
TI89: F7, 2-SampTint
1

2
( f ) c
,pooled, No
U-test (eller Z-test):Forudsætning:  1 og  2 kendt eksakt
Forkortelser: x  x1  x 2  d  
Forudsætninger
Alternativ
hypotese H
 12
n1

 22
n2
P - værdi
Beregning
TI89: normCdf ( x , ,  ,  )
eller F6: 2-sampZtest
P(Y  x )
 1 ,  2 kendte 1   2  d
Y er normalfordelt n(  ,  )
P - værdi< 
P(Y  x )
TI89: normCdf ( , x ,  ,  )
eller F6: 2-sampZtest
P(Y  x ) for x1  x 2  d som række 1
som række 2
P(Y  x ) for x1  x 2  d
1   2  d
1   2  d
100  (1   )% konfidensinterval for differens 1   2 :
x1  x 2  u     1   2  x1  x 2  u   
1
H0 forkastes
2
1
2
TI89: F7, 2-SampZint
Parvise observationer (blokforsøg)
23
P - værdi  21 
dog hvis Ztest
P - værdi< 
3. 1 Faktor på 2 niveauer
t-Test:
Forudsætning: Forsøgene udføres “parvist” (jævnfør eksempel 3.5).
Man danner differensen mellem tallene i hvert par (blok)
Lad D være denne differens, og lad D have middelværdi  og spredning

T er en stokastisk variabel der er t - fordelt med f = n - 1.
Forudsætninger

Alternativ
hypotese
H
P - værdi
H:    0 P(T  t )
ukendt.
H:    0 P(T  t )
t
( x  0 )  n
.
s
H:    0 P(T  t ) for x   0
P(T  t ) for x  0
t-Test:
Forudsætning:
x1  x 2  d
s0 
Forudsætninger
1
1

n1 n 2
Alternativ
hypotese H
hvor s02 
P - værdi  
P - værdi < 1 
2
dog hvis t-test
P - værdi  
F - test
(n1  1)  s12  (n 2  1)  s22
, f  n1  n 2  2
n1  n 2  2
P - værdi
Beregning
P(T  t )
TI89: tCdf (t , , f ) eller
F6: 2-sampTtest,pooled, Yes
1   2  d
P(T  t )
TI89: tCdf ( , t , f ) eller
F6: 2-sampTtest,pooled, Yes
1   2  d
P(T  t ) for x1  x 2  d
som række 1
som række 2
 1 ,  2 ukendte 1   2  d
H0 : 1   2
accepteres ved F
- test
TI89: tCdf (t , , n  1)
eller F6: t-test
TI89: tCdf ( , t , n  1)
eller F6: t-test
som række 1
som række 2
 1 og  2 ukendte H 0 :  1   2 accepteres ved
Forkortelser: t 
H0 forkastes
Beregning
P(T  t ) for x1  x 2  d
H0 forkastes
P - værdi< 
P - værdi  21 
dog hvis Ttest
P - værdi< 
100  (1   )% konfidensinterval for differens 1   2 :
x1  x 2  t

1
2
( f 0 )  s0 
1
1
1
1

  1   2  x1  x 2  t  ( f 0 )  s 0 

n1 n 2
n
n
1
1
2
2
TI89: F7, 2-SampTtint
Dimensionering:
  1   2 er den mindste ændring der har praktisk interesse.  =P(type I fejl),  = P(type II fejl)
Spredninger ukendt, men antages at være nogenlunde ens og højst af størelsen 
2
Ensidet test:


 u1  u1    t (2n  2)  2
   1
n  2
 .

u1

 




Tosidet test: I ovenstående formel erstattes  med

2
Spredninger kendt : Samme formel, idet man blot stryger sidste faktor med t- leddet.
24
3.5 Oversigt over centrale formler i kapitel 3
Test af differens mellem varianser  12 og  22
X1 og X2 er normalfordelte henholdsvis n(  1 ,  1 ) og n(  2 ,  2 ) .
3.5.2.
Givet 2 stikprøver af X1 og X2. Størrelse, gennemsnit og spredning henholdsvis n1,
Signifikansniveau er  .
Forkortelser: F 
Forudsætninger
Alternativ
hypotese H
s12
, Q er F - fordelt F (n1  1, n2  1)
s22
P - værdi
P(Q  F )
 1 ,  2 ukendte H:  12   22
Beregning
H0 forkastes
FCdf ( F , , n1  1, n 2  1) eller
F6: 2Sampl F test
H:  12   22
P(Q  F )
H:  12
eller F6: 2Sampl F test
P(Q  F ) for F > 1 som række 1
P(Q  F ) for F < 1 som række 2
  22
x1 , s1 og n2, x2 , s2.
P - værdi< 
FCdf ( , F , n1  1, n 2  1)
100  (1   )% Konfidensinterval for forhold
 12
 22
P - værdi  21 
dog hvis Ftest
P - værdi< 
:
F
2
 12  F  F  (n2  1, n1  1)
1
F  (n1  1, n2  1)  2
2
1
 1 og  2 kendte:
2
F
 1 kendt og  2 ukendt: F 
 (n  1) s
 (n  1) s


1
2
1
 n1  ( x1  1 ) 2  n2
2
2
2
 n2  ( x2  2 ) 2  n1
(n1  1) s12  n1  ( x1  1 ) 2
s22  n1
, Q er F - fordelt F (n1 , n2 ) .
, Q er F - fordelt F (n1 , n2  1)
F - fordelingen
Til enhver F - fordeling er knyttet to hele positive tal fT og fN kaldet henholdsvis tællerfrihedsgradstallet og
nævnerfrihedsgradstallet. En sådan fordeling benævnes F ( f T , f N ) .
s12
Det kan vises (se evt “afsnit til statistiske grundbegreber” 3C ), at den variable F 
 12
s22
 22
hvor f1 og f2 er de til
s12 og s22
hørende frihedsgradstal.
Dette benyttes til testning af hypoteser vedrørende forholdet mellem to varianser.
På figuren er afbildet tæthedsfunktionen
for F - fordelingerne
F(10,4), F(10,10) og F(10,50).
Det ses, at F fordelinger kun er defineret
for tal større end eller lig nul, og at F-fordelinger ikke er symmetriske.
25
er F - fordelt F ( f1, f2 ),
3. 1 Faktor på 2 niveauer
3.5.3.
Test og konfidensinterval af p1 - p2 for 2 binomialfordelte variable.
X1 og X2 er binomialfordelt henholdsvis b(n1 , p1 ) og b(n 2 , p 2 ) , hvor n1 og n2 er kendte og p1 og p2 ukendte.
Observerede stikprøveværdier x1 og x2. Signifikansniveau er  .
Forkortelser: p 1 
x  x2
x1
x
, s
, p 2  2 , p  1
n1
n2
n1  n2
 1
1
p  (1  p )    
 n1 n 2 
Y er normalfordelt variabel n(0,s)
Forudsætninger
n1  p 5 ; n1  5
n 2  p 5 ; n 2  5
Alternativ
hypotese H
P - værdi
Beregning
H0 forkastes
H: p1  p2
P(Y  p 1  p 2 )
H: p1  p 2
NormCdf ( , p 1  p 2 ,0, s)
eller F6: 2-Prop Z test
P(Y  p 1  p 2 ) for p 1  p 2 som række 1
P(Y  p 1  p 2 ) for p 1  p 2 som række 2
NormCdf ( p 1  p 2 , ,0, s)
eller F6: 2-Prop Z test
P - værdi< 
P(Y  p 1  p 2 )
H: p1  p2
P - værdi  21 
dog hvis
2PropZtest, så
P - værdi< 
100  (1   )% konfidensinterval for differens p1  p 2
p 1  p 2  u

1
2
p 1 (1  p 1 ) p 2 (1  p 2 )

 p1  p2  p 1  p 2  u  
1
n1
n2
2

p 1 (1  p 1 ) p 2 (1  p 2 )

n1
n2
eller TI89: 2 prop- z- Interval
3.5.4 Test og konfidensinterval af 1 -  2 for 2 Poissonfordelt variable
X1 og X2 er Poissonfordelte variable fordelt p( 1 ) og p(  2 ) hvor 1 og  2 er ukendte.
Der foreligger to stikprøver af størrelsen n1 med gennemsnit x1 og n2 med gennemsnit x 2 .
Signifikansniveau er  .
Forkortelser: x 
n1  x1  n2  x2
 1
1
og s  x   
 n1 n 2 
n1  n2
Y er normalfordelt variabel n(0,s)
Forudsætninger
n1  x  5
n2  x  5
Alternativ
hypotese H
P - værdi
Beregning
H: 1   2
P(Y  x1  x2 )
NormCdf ( x1  x2 , ,0, s)
H: 1   2
P(Y  x1  x 2 )
NormCdf ( , x1  x2 ,0, s)
H: 1   2
P(Y  x1  x2 ) for x1  x2
P(Y  x1  x 2 ) for x1  x 2
som række 1
som række 2
100  (1   )% konfidensinterval for differens  1   2 .
x1  x2  u
1

2

x1 x2
x x

 1   2  x1  x2  u   1  2
1
n1 n2
n
n2
1
2
26
H0 forkastes
P - værdi< 
P - værdi  21 
Opgaver til kapitel 3
OPGAVER
Opgave 3.1
Det påstås at modstanden i en tråd af type A er større end modstanden i en tråd af type B. Til
afklaring af denne påstand udtages tilfældigt 6 tråde af hver type og deres modstande måles.
Følgende resultater fandtes:
Modstand i tråd A (i ohm) 0.140 0.138 0.143 0.142 0.144
0.137
Modstand i tråd B (i ohm) 0.135 0.140 0.142 0.136 0.138 0.140
Hvilke konklusioner kan drages med hensyn til påstanden?
Opgave 3.2
Et levnedsmiddelfirma havde udviklet en diæt, som har lavt indhold af fedt, kulhydrater og kolesterol. Diæten er udviklet med henblik på patienter med hjerteproblemer, men firmaet ønsker nu
at undersøge diætens virkning på folk med vægtproblemer.
To stikprøver på hver 100 personer med vægtproblemer blev udtaget tilfældigt. Gruppe A fik den
nye diæt, mens gruppe B fik den diæt, man normalt gav. For hver person blev registreret størrelsen af vægttabet i en 3 ugers periode.
Man fandt følgende værdier for gennemsnit og spredning:
Gruppe A: x A  9.31 kg , s A  4.67
Gruppe B: x B  7.40 kg , sB  4.04 .
1) Undersøg om vægttabet for gruppe A er signifikant større end for gruppe B. Signifikansniveau
  5% .
2) I tilfælde af signifikans beregn da et 95% konfidensinterval for differensen mellem de to gruppers middelværdier.
Opgave 3.3
I et laboratorium foretoges 15 uafhængige bestemmelser af furfurols kogepunkt, idet 8 af bestemmelserne foretoges af én kemiingeniør, de resterende bestemmelser af en anden kemiingeniør.
Resultaterne var ( 0C ) :
1. ingeniør 162.2 161.3 161.9 161.2 163.4
162.4
162.5
162.0
2. ingeniør 163.3 162.6 161.8 163.8 163.0
163.2
164.1
Undersøg, om de to ingeniørers resultater i middel er ens.
Opgave 3.4
Med henblik på at sammenligne de farmakologiske virkninger af stofferne morphin og nalbuphin
foretoges et fuldstændigt randomiseret forsøg, hvorved man på 10 forsøgspersoner målte ændringen i pupildiameter (millimeter) efter indsprøjtning af en standarddosis af en opløsning af morphin (M) eller nalbuphin (N) .
Forsøgsplan og forsøgsresultater var:
M: 1.0 N: 0.0 M: 1.9 M: 2.0 N: 0.8 M: 0.8 M:0.1
N: - 0.3 N : 0.4 N: 0.2
a) Analyser forsøgsresultaterne.
b) Hvis der er en signifikant forskel skal der opstilles et 95%-konfidensinterval for differensen
 ( M )   ( N ) mellem de to middelværdier.
27
3. 1 Faktor på 2 niveauer
Opgave 3.5
På et laboratorium undersøgtes filtreringstiden for en opløsning af et bestemt gødningsstof ved
benyttelsen af to forskellige filtertyper (F1) og (F2). Følgende stikprøveværdier observeredes:
(F1)
8
10
12
13
13
(F2)
9
10
10
7
9
9
14
4
Det antages, at filtrerinqstiderne X1 og X2 er normalfordelte n( 1 ,  1 ) og n(  2 ,  2 )
l) Test, om det kan antages, at  1   2 .
2) Test under hensyntagen til det i l) fundne, om det kan antages, at
1  2 .
Opgave 3.6
En produktion af plastikvarer må omlægges på grund af bestemmelser i en ny miljølov.
Ved den fremtidige produktion kan inden for miljølovens rammer vælges mellem 2 produktionsmetoder I og II. Metode I er den dyreste, og fabrikanten har regnet ud, at det (kun) kan betale sig
at benytte metode I, såfremt den giver et middeludbytte, som er mindst 10 måleenheder (udbytteprocenter) større end udbyttet ved benyttelse af metode II.
1) Find det mindste antal n, hvis man ønsker
at P(fejl af type I) =   0.05 , P(fejl af type II) =   0.05 og bagatelgrænsen er   10 enheder.
Man kender ikke  , men har en forhåndsformodning om, at spredningen er højst 6 enheder.
2)Ved et fuldstændigt randomiseret forsøg fandtes følgende måleresultater:
Metode I 35.2
Metode II 26.2
38.1
22.2
37.6 37.6 34.9 37.9 36.5 40.0 36.2 37.4
24.3 24.5 22.0 27.6 23.8 22.8 23.4 20.8
37.2
37.9
Fabrikanten valgte herefter at benytte metode I.
a) Foretag en undersøgelse af, om valget var statistisk velmotiveret.
b) Hvis forslaget er velmotiveret skal der opstilles et 95% - konfidensinterval for differensen
mellem middeludbytterne ved benyttelse af metoderne l og II.
Opgave 3.7
Det påstås at modstanden i en tråd af type A er større end modstanden i en tråd af type B. Til
afklaring af denne påstand udtages ved et fuldstændigt randomiseret forsøg tilfældigt n tråde af
hver type og deres modstande måles.
Find det mindste antal n hvis man ønsker at P( fejl af type I)    0.05 ,
P( fejl af type II)    0.05 og bagatelgrænsen er  = 0.1 ohm
1) og man ved, at spredningen  = 0.1 ohm.
2) og man har en forhåndsformodning om, at spredningen er ca.  =0.1 ohm.
3) Hvilke konklusioner vedrørende behandlingernes virkning kan gøres, såfremt man ved testning af forsøgsresultaterne finder
a) signifikans
b) ingen signifikans
4) Hvilke yderligere analyser af forsøgsresultaterne bør foretages, såfremt testningen
a) viser signifikans
b) ikke viser signifikans.
28
Opgaver til kapitel 3
Opgave 3.8
I et forsøg ønsker man at sammenligne udbyttet ved benyttelse af 2 reaktortyper.
Man ønsker at kunne påvise eventuelle forskelle i middeludbytte ned til ca.  = 6.0.
Find den mindste værdi af n = “antal delforsøg med hver reaktortype”, for hvilken
P( fejl af type I)    0.05 , P( fejl af type II)    010
. .
Man kender ikke spredningen eksakt, men mener, den højst er ca. 7 enheder.
Opgave 3.9
To sjællandske fabrikker producerer begge en bestemt type kvægfoder, for hvilken det ønskes, at
proteinindholdet i færdigvaren skal være 26%. På de 2 fabrikkers driftslaboratorier foretoges
følgende målinger af proteinindholdet i en uges produktion:
Fabrik 1
Fabrik 2
27.3
26.0
26.1
26.7
26.9
25.6
26.1
24.8
26.2
26.2
25.5
26.0
25.7
26.1
26.5
26.2
25.9
Foretag en statistisk vurdering af, om de to produktioner kan antages i middel at give kvægfoder
med samme proteinindhold.
Opgave 3.10
Måling af intelligenskvotient på 16 tilfældigt udvalgte studerende ved en diplom-retning (med
mere end 200 studerende) viste et gennemsnit på x1 = 107 og en empirisk varians på s12 =100,
medens en tilsvarende måling på 14 tilfældigt udvalgte studerende fra en anden diplomretning
viste et gennemsnit på x2 =112 og en empirisk varians på s22 = 64.
Tyder disse tal på en forskel på studentermaterialet på de to retninger?
Opgave 3.11
I forbindelse med måling af luftforurening benyttes to apparater A og B til måling af mængden
svovlmonooxid. Følgende målinger er foretaget daglig i en periode på 2 uger.
dag
1
2
3
4
5
6
7
8
9
10
11
12
13
14
A
0.96 0.82 0.75 0.61 0.89 0.64 0.81 0.68 0.65 0.84 0.59 0.94 0.91 0.77
B
0.91 0.78 0.67 0.59 0.80 0.74 0.73 0.61 0.57 0.92 0.55 0.83 0.88 0.67
Man ønsker at undersøge om de to apparater i middel giver forskellige resultater på et signifikansniveau på 5%..
Angiv forudsætningerne for at foretage en relevant test og udfør denne.
29
3. 1 Faktor på 2 niveauer
Opgave 3.12
l) 100 studerende, 52 piger og 48 drenge, indstillede sig til en prøve, ved hvilken 39 piger og 27
drenge bestod.
Undersøg. om det anførte tyder på, at resultatet ved den pågældende prøve afhænger af deltagerens køn.
2) Det oplyses supplerende, at pigerne ved ovennævnte prøve opnåede et gennemsnit på 64%
med en empirisk spredning på 10%, medens drengenes gennemsnit var 59% med en empirisk
spredning på 8%.
Undersøg, om det anførte kan tages som vidnesbyrd om, at piger i almindelighed klarer sig
bedre end drenge ved den omhandlede prøve.
Opgave 3.13
To sjællandske fabrikker producerer begge en bestemt type kvægfoder, for hvilken det ønskes, at
proteinindholdet i færdigvaren skal være 26%. For den omhandlede produktion er der fastsat en
øvre og en nedre tolerancegrænse for proteinindholdet. Partier med et proteinindhold uden for
toleranceintervallet klassificeres som "dumpere".
I en 3-måneders periode havde fabrik 1 af en produktion på 60 foderstofpartier 5 dumpere, medens fabrik 2 af en produktion på 100 foderstofpartier havde 12 dumpere. Kan det heraf statistisk
konkluderes, at dumpeprocenten i middel har været størst for fabrik 2?
Opgave 3.14
1) Mange forbrugere tror, at såkaldte "mandagsbiler", dvs. biler produceret om mandagen, har
flere alvorlige fejl (alvorlig fejl kan der kun være en af pr. bil) end biler produceret på ugens
øvrige arbejdsdage.
For at undersøge, om der er noget grundlag for denne tro, udtog man på en bilfabrik tilfældigt
100 "mandagsbiler" og undersøgte dem for fejl. Man fandt at 8 biler havde alvorlige fejl. Tilsvarende udtog man tilfældigt 200 biler, der var produceret på ugens øvrige arbejdsdage, og
man fandt 12 biler, der havde alvorlige fejl.
Giver denne undersøgelse støtte til formodningen om, at "mandagsbiler" er af dårligere kvalitet end andre biler.
2) De 100 ovennævnte "mandagsbiler" havde i alt 1030 konstaterede større eller mindre enkeltfejl (enkeltfejl kan der godt være mange af på en bil), medens de 200 ovennævnte andre biler i
alt havde 1899 konstaterede fejl. Tyder dette på, at der er forskel i fejlintensiteten på bilerne i
de to grupper?
30
Opgaver til kapitel 3
Opgave 3.15
To virksomheder A og B fremstiller dåser med nominelt 100 g rejeost. 10 tilfældigt udtagne dåser
fra A's produktion og 20 tilfældigt udtagne dåser fra B's produktion viste fø1gende resultater:
Virksomhed
A
B
Totalt antal rejer
81
216
101.2 g
98.3 g
Gennemsnittet x af nettoindhold
Empirisk spredning s af nettoindhold
1.0 g
2.7 g
1) Test, om det gennemsnitlige antal rejer pr. dåse kan antages at være det samme for virksomhedernes produktion.
2) Test, om det gennemsnitlige nettoindhold i en dåse kan antages at være det samme for virksomhedernes produktion.
Opgave 3.16
Ved en undersøgelse af en eventuel sammenhæng mellem luftforurening og forekomsten af lungecancer sammenlignedes bl.a. sygdommens forekomst i byen X - købing inden for den gamle
bygrænse (i nærheden af byens industrivirksomheder) med dens forekomst i samme bys forstadsområde (villakvarter):
Antal tilfælde af lungecancer Samlet indbyggerantal
Indre by
30
9000
Forstadsområde
40
27000
1) Det ses. at den relative hyppighed af cancertilfælde i den indre by afviger fra den relative hyppighed i forstadsområdet. Kan dette forklares som et tilfældigt udsving? Den opstillede nulhypotese. som testes, ønskes specificeret med angivelse af den alternative hypotese.
2) Diskuter muligheden for at drage årsagsmæssige konklusioner ud fra det fundne testresultat.
31
4. En faktor på mere end 2 niveauer
4 1 FAKTOR PÅ MERE END 2 NIVEAUER
4.1 INDLEDNING
I kapitel 3 sammenlignede vi 2 middelværdier. I dette kapitel sammenlignes flere end to middelværdier. Det karakteristiske er, at de forekommende faktorer er kvalitative, dvs. har niveauer,
som ikke er karakteriseret ved en målelig egenskab. Dette illustreres i det følgende eksempel.
Eksempel 4.1 (én faktor på 4 niveauer).
Virkningerne af 4 tilsætningsstoffer T1, T2, T3, T4 på mængden af urenheder ved en kemisk
proces ønskes sammenlignet. For hvert tilsætningsstof måles mængden af “uønsket stof” 3 gange.
Forsøgsresultaterne blev følgende:
Tilsætningsstof
T1
T2
T3
T4
Mængde urenhed
108
110
112
105
110
109
116
111
113
117
119
112
Der ønskes fundet det tilsætningsstof der i middel giver den mindste urenhed.
Faktoren “tilsætningsstof” siges at være en kvalitativ faktor på 4 niveauer.
Havde man eksempelvis i stedet på 4 tidspunkter målt mængden af uønsket stof’
Tid [ i minutter fra starttidspunkt]
0
10
20
30
Mængde urenhed
108
110
112
105
110
109
116
111
113
117
119
112
siges faktoren “tid” at være en kvantitativ faktor.
En kvantitativ faktor er altså en “talfaktor”, hvor det også har mening at spørge om mængde
urenhed for mellemliggende værdier. Kvalitative faktorer er derimod ikke talbestemmende, og
hvor det naturligvis ikke har mening at se på mellemliggende værdier (såsom tilsætningsstof nr.
T1.53).
Problemer, hvor faktorerne er kvalitative analyseres ved en “variansanalyse. Er faktorerne alle
kvantitative, vil en metode kaldet “regressionsanalyse” være at foretrække.
Hvis nogle faktorer er kvantitative og nogle er kvalitative, kan man dog godt analysere problemet
med variansanalyseteknikken, men da findes der mere effektive metoder, som dog ikke behandles
i denne bog.
32
4.2. Ensidet variansanalyse
4.2 ENSIDET VARIANSANALYSE (normalfordelte variable)
4.2.1. Indledning
Vi vil i dette afsnit behandle problemer, af den type, som er vist i eksempel 4.1, dvs. med én
faktor på mere end 2 niveauer.
Det vil i sådanne tilfælde være af interesse at teste om de til niveauerne svarende middelværdier
afviger fra hinanden og i bekræftende fald hvilket niveau der giver den største/mindste værdi.
I eksempel 4.1 ønskes det således at finde det stof, der giver den mindste “middelurenhed”.
Umiddelbart kunne man synes, at så foretager vi blot de samme parvise sammenligninger som
i kapitel 3, hvor vi så på differenser mellem 2 middelværdier. Problemet er imidlertid, at selv om
de forskellige tilsætningsstofferne giver samme udbytte, så ville støjen i forsøget bevirke, at de
mange gennemsnit fordeler sig “klokkeformet” (normalfordelt), og det vil sige, at den største og
den mindste værdi let vil ligge så langt fra hinanden, at man ved at teste på deres differens
fejlagtigt slutter, at der er forskel, selv om det faktisk ikke er tilfældet (fejl af type 1).
For at undgå dette, skal man derfor altid starte med at foretage den i det følgende beskrevne
variansanlyse.
Giver den, at der ikke er signifikant forskel på middelværdierne, så skal man rette sig efter det,
og ikke derefter begynde at se på konfidensintervaller.
Giver analysen, at der er en signifikant forskel, så ved man, at der i hvert fald er en signifikant
forskel mellem det største og mindste middelværdi. Man kan så ved hjælp af passende konfidensintervaller forsøge at finde ud af om der også er en signifikant forskel mellem den største og
næststørste værdi osv.
Som altid tilstræber man, at antallet af gentagelser af hvert niveau er det samme.
I appendix 4.1 er angivet de generelle formler, som gælder, selv om eksempelvis et forsøg er
mislykket, så man ikke har samme antal gentagelser.
Programmerne i TI-89 og SAS.JMP anvender naturligvis disse generelle formler til beregningerne.
I afsnit 4.2.2 gives en forståelse for den teoretiske baggrund for variansanalyser.
Forklaringen understøttes af eksempel 4.1, hvor der vises, hvorledes man kan foretage beregningerne med en lommeregner eller PC, der kun har de sædvanlige sandsynlighedsfunktioner som
normal- t- og F-fordeling, men ikke et egentligt statistikprogram.
Vi nøjes dog her med at se på hovedtilfældet, hvor antallet af gentagelser på hvert niveau er den
samme.
33
4. En faktor på mere end 2 niveauer
4.2.2.Forklaring af metode og formler
Eksempel 4.1 “håndregning”
Virkningerne af 4 tilsætningsstoffer T1, T2, T3, T4 på mængden af urenheder ved en kemisk
proces ønskes sammenlignet. For hvert tilsætningsstof måles mængden af “uønsket stof” 3 gange.
Forsøgsresultaterne blev følgende:
T1
T2
T3
T4
Tilsætningsstof
Mængde af
108
105
116
117
urenhed
110
110
111
119
112
109
113
112
Det forudsættes, at betingelserne om uafhængighed og normalitet er opfyldt.
a) Vis, at betingelsen om varianshomogenitet er opfyldt.
b) Find om muligt det tilsætningsstof der i middel giver den mindste urenhed og angiv i bekræftende fald et 95% konfidensinterval for middelværdien.
Opstilling af nulhypotese.
Lad Xi = mængden af uønsket stof ved tilsætning af stof Ti. hvor i  {1,2,3,4}
Idet de 4 variables middelværdier kaldes
1 , 2 , 3 og 4
ønsker vi at teste nulhypotesen
H0: 1  2  3  4 , mod H: “mindst én middelværdierne er forskellig fra en af de
øvrige”.
Forsøgets udførelse. Forsøget skal udføres som et fuldstændigt randomiseret forsøg. (jævnfør
kapitel 2 hvor et sådant forsøg er beskrevet). Derved sikrer vi, at der udføres et "statistisk
gyldigt" forsøg. Hvis vi derfor, efter at have foretaget en ensidet variansanalyse, konkluderer,
at der er forskel på tilsætningsstofferne, så er det "korrekt", idet det ville være helt tilfældigt, hvis
én af tilsætningsstofferne har været begunstiget med særlig gode forsøgsenheder.
Beregning af gennemsnit og spredning. For at få et skøn for mængden af urenheder, udregnes
gennemsnittene for hvert tilsætningsstof. Disse er angivet i nedenstående skema. Umiddelbart
ud fra gennemsnit synes T4 at adskille sig fra de tre øvrige, men hvis der er stor spredning, kan
det måske blot være et tilfælde. Det er derfor naturligt at udregne spredningerne, hvilket derfor
også er anført i skemaet.
T2
T3
T4
T1
Gennemsnit
110.0
108.0
113.33
116.0
Spredning
2.000
2.6458
2.5166
3.6056
Forudsætninger.
1) De 4 variable T1, T2, T3 og T4 skal være statistisk uafhængige.
En måling af mængden af urenhed eksempelvis med tilsætningsstoffet T3 må ikke afhænge af
hvilke målinger der inden da er sket.
2) De 4 variable T1, T2, T3 og T4 skal være tilnærmelsesvis normalfordelte.
Mindre afvigelser er tilladeligt. Man siger, at analysen er robust overfor afvigelser fra normalitet. Mest robust er den, hvis hvert niveau har samme antal gentagelser ( som i eksempel 4.1,
hvor alle har 3 gentagelser).
34
4.2 Ensidet variansanalyse
3) Der skal være varianshomogenitet.
Det betyder i eksempel 4.1, at målingerne af urenheder med tilsætningsstof T1, skal have
tilnærmelsesvis samme varians som målingerne af urenheder med T2, T3 og T4.
Også her gælder det, at analysen er robust overfor mindre afvigelser, og mest robust, hvis
antallet af gentagelser er det samme.
Sædvanligvis er forudsætningerne rimeligt opfyldt, hvis man har i forsøgsplanen har foretaget
en randomisering.
Kun hvis man er i alvorlig tvivl vil man foretage en kontrol.
Kontrol af normalitet.
I appendix 4.1 er vist hvorledes man kan lave et normalfordelingsplot af residualerne. Hvis disse
ligger nogenlunde på en ret linie, er betingelsen opfyldt.
Kontrol af varianshomogenitet
Kan man få en accept af nulhypotesen
H0:  12   22   32   42 H: Mindst en varians er forskellig fra de øvrige
på et signifikansniveau på 5% (nogle mener 1% er ok hvis der er samme antal gentagelser) så er
kravet rimeligt opfyldt.
Bartletts test
Denne er en ofte anvendt test, som er beskrevet i appendix 4.1.
Den er imidlertid så beregningsmæssigt kompliceret, at man nok altid vil benytte et egentlig
statistikprogram som SAS.JMP til beregningerne.
I eksempel 4.2 kan man bl.a. se at SAS.JMP beregner Bartletts test, sammen med et par andre
test.
Giver alle disse test en forkastelse, kan man eksempelvis prøve at tage logaritmen til alle tal i et
forsøg på at nedsætte spredningen (vil ikke blive gennemgået her).
“Simplificerede F-test”
En simpel test,, som er mulig at anvende med en lommeregner.
2
2
2
I den danner man forholdet mellem den største varians  max
 3.6056 2 og den mindste varians  min  2
2
2
H0 : max
  min
F=
2
2
H: max
  min
3.6056 2
 3.2501
22
P-værdi = P( F > 3.2501) =FCdf( 3.2501,  ,2,2) = 0.235
Da testen er en tosidet test, sammenlignes P-værdien med

2
=0.025
Da P-værdi = 0.235 > 0.025 accepteres H0 , dvs., vi kan ikke afvise der er varianshomogenitet.
Vil vi derfor i det følgende gå ud fra, at der er en rimelig varianshomogenitet.
Får man en forkastelse betyder det ikke, at der ikke er varianshomogenitet. Metoden tager nemlig ikke hensyn til de
mellemliggende varianser.
Er forudsætningerne ikke opfyldt kan man i stedet udføre en såkaldt “Kruskal
Wallis”“rangtest”(se evt. appendix 11.1) .
Når man ikke altid gør det, skyldes det at rangtest er svagere test, dvs. man vil ofte ikke opdage
en signifikant forskel.
35
4. En faktor på mere end 2 niveauer
Pooling.
Da de 4 varianser antages at være nogenlunde ens, beregnes et vægtet gennemsnit, i forhold til
frihedsgraderne (man foretager en “pooling” ).
s 2  s 2  s 2  s 2 2.0002  2.64582  2.51662  3.60562
2
serror
 1 2 3 4 
 7.583
4
4
2
serror
er variansen for “forsøgsfejlen” eller på engelsk “error”.
2
serror
har N - r =12 -4 = 8 frihedsgrader.
Det kan også ses af, at da hver af varianserne si2 er baseret på n = 3 målinger har de hver 2
2
frihedsgrader (f = n - 1 = 3 - 1). serror har derfor
2  4  8 frihedsgrader.
Beregning af F - test. Antages nulhypotesen H0 : 1  2  3  4 at være sand, dvs. udbyttet
fra de 4 tilsætningsstoffer har samme middelværdi, er den eneste grund til, at vi ikke får samme
gennemsnit i de 4 tilfælde, den ukontrollable “støj” (forsøgsvariablens variation) som forekommer ved forsøgets udførelse.
Indtastes de fire gennemsnit i en lommeregner findes s x2  11667
.
.
Et gennemsnit af n tal har en varians, der er n gange mindre end variansen på den enkelte måling.
I dette tilfælde er n = 3.
Et estimat for støjens varians forudsat nulhypotesen er sand er derfor
sR2  3  sx2  3  11667
.
 35.00 . Frihedsgradstallet er fR =antal niveauer - 1 = 4 - 1 = 3.
Hvis nulhypotesen er sand burde s  s
2
R
2
error
eller
sR2
2
serror
 1 , mens hvis nulhypotesen er falsk (middel-
2
2
værdierne er forskellige) er sR  serror dvs. forholdet F =
Da F =
sR2
2
error
s

sR2
2
serror
være signifikant større end 1.
35
 4.62 er spørgsmålet derfor, om dette tal er signifikant større end 1.
7.583
Da forholdet mellem de to varianser (som sædvanlig) er F - fordelt med fR = 3 frihedsgrader i
tælleren og ferror = 8 i nævneren kan vi afgøre dette ved at regne P - værdien ud.
P-værdi= P (F>4.62) =FCdf(4.62,  ,3,8)= 0.0371 = 3.71%
Da P - værdi = 0.037 < 0.05 forkastes nulhypotesen (svagt).
Konklusion: De fire tilsætningsstoffer har ikke samme virkning.
Mindst 2 af middelurenhederne er forskellige.
Konfidensintervaller.
Disse beregnes kun hvis vi får en forkastelse af nulhypotesen, og dermed ved, at den største og
den mindste middelværdi er signifikant forskellige. Om nogle af de øvrige middelværdier er “lige
så gode” som den optimale vil ofte være af interesse.
36
4.2 Ensidet variansanalyse
Konfidensintervaller for middelværdi.
De “sædvanlige” konfidensintervaller for hvert niveau bestemmes ved (jævnfør eventuelt
appendix 4.1):
2
serror
, hvor n er det antal gentagelser der blev anvendt til
 ( f error ) 
1
n
2
beregning af gennemsnittet.
x i .  rkon hvor rkon  t
I vort tilfælde er rkon  t 0.975 (8) 7.583  2.31 1589
.
 3.673 .
3
 xi .  3.673
og konfidensintervallet xi .  rkon
Konfidensintervallerne for 2 middelværdier overlapper derfor ikke, hvis afstanden er større end
2rkon.
Imidlertid vil disse intervaller være lidt for “brede”, dvs. selv om der faktisk er en forskel på 2
middelværdier, så overlapper intervallerne måske hinanden en smule, så man ikke opdager det.
Idet 2  rkon  2  2.673  7.346 ses ikke overraskende, at der er forskel på T2 og T4 dvs. mellem
største og mindste værdi.
Da vi ønske at finde det stof der giver mindst forurening sammenligne nu T2 med T1 og T3.
Da afstandene er henholdsvis 2 og 5.3 kan de ikke adskilles.
LSD-intervaller (Least Significance Intervals)
Man kunne så foretage parvise sammenligninger svarende til de konfidensintervaller vi fandt i
kapitel 3.
Problemet er imidlertid her, at hvis vi har n middelværdier, så vil der være
n(n  1)
parvise
2
sammenligninger. For hver af disse sammenligninger er der jo en vis sandsynlighed for at begå
en fejl af type 1, dvs. påstå der er en forskel som reelt ikke er der. Sådanne fejl vil jo hobe sig op,
hvis man foretager mange sammenligninger, så sandsynligheden for at begå en fejl af type 1
kunne blive betragtelig.
LSD - konfidensintervaller, der beror på parvise sammenligninger er bestemt ved, at deres
radius er rlsd  rkon
2 rkon

2
2
Bevis:
Lad Y  X 1  X 2
Vi har da (af kvadratsætning) at variansen V (Y )  V ( X 1 )  V ( X 2 ) 
Heraf følger, at Y har konfidensintervallet
x1  x2  r1 hvor r1  t 0.975 ( f 0 )
Et LSD-interval omkring et enkelt punkt er følgelig rLSD 
Heraf fås rLSD 
t 0.975 ( f 0 )
2
s02 s02 2  s02


n
n
n
r1
2
s2 t
2  s02 t 0.975 ( f 0 )
(f )

2 0  0.975 0
n
n
2
2
37
s02 rkon

n
2
2  s02
n
4. En faktor på mere end 2 niveauer
Her vil man kunne opdage en forskel, hvis middelværdiernes afstand er større end
r
2  rlsd  2  kon  2  rkon .
2
Da 2  3.673  519
. ses nu, at T2 giver mindre forurening end T3 mens T1 og T2 stadig ikke kan
adskilles.
De fleste statistikprogrammer har en række andre metoder til beregning af konfidensintervaller,
som søger at formindske sandsynligheden for at begå fejl af type 1 og type 2.
Vi vil i dette notat kun se på ovennævnte to typer, og hvis vi har få middelværdier stole mest på
LSD-intervallerne.
Konklusion: LSD-intervallerne viser, at man får den mindste urenhed, hvis man vælger enten
T1 eller T2 (de kan ikke adskilles).
Et 95% konfidensinterval for T2 er [108- 3.673; 108+3.673] =[104.3 ; 111.7]
4.2.3. Beregning af ensidet variansanlyse ved TI89, TI-Inspire og SAS.JMP
Eksempel 4.2 (eksempel 4.1 regnet med TI89, TI-Nspire og SAS.JMP).
Virkningerne af 4 tilsætningsstoffer T1, T2, T3, T4 på mængden af urenheder ved en kemisk
proces ønskes sammenlignet. For hvert tilsætningsstof måles mængden af “uønsket stof” 3 gange.
Forsøgsresultaterne blev følgende:
Tilsætningsstof
T1
T2
T3
T4
Mængde urenhed
108
110
112
105
110
109
116
111
113
117
119
112
a) TI89+TI-Nspire: Det forudsættes, at betingelserne om uafhængighed, normalitet og varianshomogenitet er opfyldt.
SAS.JMP: Kontroller om betingelserne om normalitet og varianshomogenitet er rimelig
opfyldt.
b) Test på signifikansniveau på 5% om der er forskel på middelværdierne for de 4 tilsætningsstoffer
c) Find om muligt det tilsætningsstof der i middel giver den mindste urenhed og angiv i bekræftende fald et 95% konfidensinterval for middelværdien.
Løsning:
b) H0 : 1  2  3  4 mod H: “mindst én middelværdierne er forskellig fra en af de øvrige”.
TI89: F6, C:ANOVA Data Input : Data Antal grupper = 4,ENTER, Udfyld listnavne (VAR-Link osv.) ENTER,
ENTER.
TI-Inspire: Lister og regneark Lav 4 lister (husk overskrift) Statistik statistiske test Ensidet variansanalyse Data 4 indsæt navne i menu Variabelreference ok
Der fremkommer nu en række resultater, hvor den vigtigste naturligvis er P - Value = 0.031
Da P - værdi = 0.031 < 0.05 forkastes nulhypotesen H0 : 1  2  3  4 ( svagt)
Konklusion: De fire tilsætningsstoffer har ikke samme virkning.
Mindst 2 af middelurenhederne er forskellige.
38
4.2 Ensidet variansanalyse
c)
TI89: De sædvanlige konfidensintervaller findes som ekstra søjler efter list6
TI-Inspire: Trykkes på xbar vises de 4 gennemsnit, tilsvarende for Lower- og Upper list
xbar
110
108
lowlist
106.33
104.33
uplist
113.67
111.67
113.33
109.67
117.00
116
112.33
119.67
Ønskes beregnet LSD-intervaller må man udnytte, at 2  rkon  113.67  106.33  7.34
Heraf fås, at 2  rlsd 
7.34
2
 519
.
Da afstanden mellem mindste og trediemindste værdi er 113.33 - 108 = 5,.33 > 5.19 giver T3
en større forurening end T2 , mens det umiddelbart ses, at T1 og T2 ikke kan adskilles.
Konklusion: Man får den mindste urenhed, hvis man vælger enten T1 eller T2 (de kan ikke
adskilles).
Et 95% konfidensinterval for T2 er [104.3 ; 111.7]
Løsning: SAS.JMP
Data indtastes, husk, at “tilsætningsstof skal være af typen “character”.
tilsætningsstof urenhed
t1
t1
t1
t2
t2
t2
t3
t3
t3
t4
t4
t4
108
110
112
105
110
109
116
111
113
117
119
112
a) Kontrol af forudsætninger:
Selv om det er muligt i SAS.JMP at kontrollere forudsætningen om normalfordeling, behøver man ikke
nødvendigvis at gøre det, da testen er robust overfor afvigelser.
Normalfordelingsplot:
Vælg Analyze
Fit Y by
X Factor
OK
X
markér “Urenhed” og tryk på Y Response
markér “Tilsætningsstof” og tryk på
Der fremkommer et “scatterplot”, hvor man kan se afbildet de tre værdierne af hver af de 4 tilsætningsstoffer
rød pil ved figur
rullemenu Save
Save Residual
Under data kommer nu en ekstra søjle med residualerne(overskrift “urenhed centered by tilsætningsstof”).
Vælg Analyze
Distribution
Indsæt Residual søjlen i Y
OK
Der fremkommer et histogram med indtegnet normalfordelingskurve
rød pil
“normal Quantile plot”
Cursor på rød pil
continuos fit
normal
4
-1 ,28
-0 ,6 7
0 ,0
0 ,6 7
1,2 8
0,1
0,2 0,3
0,5
0,7 0,8
0,9
3
2
Da vi jo kun har 12 residualer kan vi ikke forvente et særligt
klart billede, men i princippet burde de på normalfordelingsplottet ligge nogenlunde på en ret linie. De ligger i hvert fald
alle indenfor konfidensgrænserne, så vi kan tillade os at
antage fordelingen er approksimativt normalfordelt.
1
0
-1
-2
-3
-4
-5
N orm al Quantile Plot
39
4. En faktor på mere end 2 niveauer
Kontrol af varianshomogenitet:
Xi = mængden af uønsket stof ved tilsætning af stof Ti. hvor i  {1,2,3,4}
Xi antages approksimativt normalfordelt med middelværdien  i og spredning  i .
H0:  12   22   32   42
H: Mindst en varians er forskellig fra en af de øvrige
Sæt cursor på rød pil ved tegningen for Scatterplot, og vælg fra rullemenuen “UnEqual Variances”.
Tests that the Variances are Equal
Test
F Ratio
DFNum
O'Brien[.5]
0,3812
3
Brown-Forsythe
0,4211
3
Levene
0,5917
3
Bartlett
0,1991
3
Warning: Small sample sizes. Use Caution.
DFDen
8
8
8
.
Prob > F
0,7694
0,7430
0,6376
0,8971
Da P - værdierne alle er over 0.05 accepteres nulhypotesen H0: De 4 varianser er ens.
b) H0: 1  2  3  4 mod H: “mindst én middelværdierne er forskellig fra en af de øvrige”.
Sæt cursor på rød pil, og vælg fra rullemenuen “Mens/Anova”.
Der fremkommer så følgende tegning og udskrift:
Oneway Analysis of urenhed By tilsætninsstof
120
urenhed
115
110
105
t1
t2
t3
t4
tils ætninsstof
Oneway Anova
Summary of Fit
Rsquare
Adj Rsquare
Root Mean Square Error
Mean of Response
Observations (or Sum Wgts)
0,650672
0,519674
2,753785
111,8333
12
Analysis of Variance
Source
tilsætninsstof
Error
C. Total
DF
3
8
11
Sum of Squares
113,00000
60,66667
173,66667
Mean Square
37,6667
7,5833
F Ratio
4,9670
Prob > F
0,0311*
Means for Oneway Anova
Level
t1
t2
t3
t4
Number
3
3
3
3
Mean
110,000
108,000
113,333
116,000
Std Error
1,5899
1,5899
1,5899
1,5899
40
Lower 95%
106,33
104,33
109,67
112,33
Upper 95%
113,67
111,67
117,00
119,67
4.2 Ensidet variansanalyse
Af variansanalysetabellen fremgår, at P -værdi (Prob>F) = 0.0311 <0.05, dvs. nulhypotesen
H0: 1  2  3  4 forkastes ( svagt)
Konklusion: De fire tilsætningsstoffer har ikke samme virkning.
Forklaring på de enkelte størrelser i variansanalysetabellen kan man finde i appendix 4.1.
b) Konfidensintervaller.
“Diamanterne” på figuren angiver 95% konfidensintervaller. Den midterste vandrette steg angiver
gennemsnittet og de to andre vandrette streger angiver LSD -intervaller.
Af figuren ses derfor straks, ved at se på LSD intervallerne, at t2 er signifikant mindre end t4, mens
det er vanskeligere at se om t2 og t3 kan adskilles.
LSD-intervaller fås ved at vælge
“Compare Mens” fra rullemenuen
students t-test
Blandt en række udskrifter findes denne
Level
t4
t3
t1
t2
A
A
B
B
C
C
Mean
116,00000
113,33333
110,00000
108,00000
Konklusion: Man får den mindste urenhed, hvis man vælger enten T2 eller T1 (de kan ikke adskilles).
41
4. En faktor på mere end 2 niveauer
4.3 FULDSTÆNDIGT RANDOMISERET BLOKFORSØG.
I forbindelse med planlægningen af et forsøg, kan man blive tvunget til at benytte forsøgsenheder, som er ret uensartede.
For at “dæmpe støjen” kan man inddele forsøgsenhederne i grupper (blokke), hvor de forsøgsenheder der ligger i samme blok er væsentlig mere ensartede end forsøgsenhederne i forskellige
blokke. Man siger, at man har et fuldstændigt randomiseret blokforsøg, hvis hver behandling
forekommer det samme antal gange (sædvanligvis netop én gang) i hver blok.
Eksempler på blokforsøg kan være
1) Af tidsmæssige grunde (forsøget skal udføres indenfor en given tidsramme) må man benytte
4 forskellige apparater. Påvirker apparaterne forsøgsresultaterne, kan det give en stor spredning ( (stor “støj”). Dette kan bevirke, at man skal op på et urealistisk stort antal gentagelser
for at kunne opnå den ønskede information.
I stedet indfører man de 4 apparater som blokke.
2) Man er nødt til at benytte 5 forskellige råvareleverancer . Dette kan måske også give for stor
spredning. Man indfører så de 5 råvareleverancer som 5 blokke.
3) I et landbrugsforsøg samles tilstødende arealer i blokke. Begrundelsen herfor er naturligvis,
at arealer der ligger tæt ved hinanden er mere ensartede end arealer der ligger længere væk.
Ti 89, TI-Nspire og SAS.JMP har færdige programmer til beregningerne af randomiseret blokforsøg når man kun har 1 faktor.
Eksempel 4.3 (randomiseret blokforsøg regnet med TI89, TI-Nspire og SAS.jmp)
I nedenstående tabel er anført resultaterne af et fodringsforsøg med svin. Formålet med forsøget
var at undersøge, hvorvidt en ændring af vitaminindholdet i foderet gav en forskel i svinenes
vægtforøgelse. Vægtforøgelsen afhænger imidlertid også af det enkelte individs genetiske
egenskaber. Et fuldstændigt randomiseret forsøg vil derfor sandsynligvis kunne bevirke, at
forsøgsfejlens spredning bliver så stor, at intet kan påvises (forsøget drukner i støj). Da grise fra
samme kuld må forventes at være mere ensartede, vælger man at lave et randomiseret blokforsøg
med kuld som blokfaktor.
Lad der findes tre fodertyper A, B og C med forskelligt vitaminindhold.
Fra hvert af 4 forskellige kuld grise udtages nu 3 grise.
Et kuld vælges, og ved lodtrækning bestemmes hvilke af de 3 grise, der bliver fodret med
fodertype A, hvilken med fodertype B og den sidste får naturligvis type C.
Et nyt kuld udtages, og man randomiserer igen foderet indenfor kuldet (blokken), osv.
Forsøgsresultaterne (vægtforøgelse i kg) var
Fodertype
A
B
C
1
7.0
14.0
8.5
2
16.0
15.5
16.5
Kuld
3
10.5
15.0
9.5
4
13.5
21.0
13.5
a) Test, om der er nogen væsentlig virkning af ændringen i foderets vitaminindhold.
b) Hvis der er en forskel, så skal man angive hvilken foderblanding, der giver den største
vægtforøgelse.
42
4.3 Fuldstændigt randomiseret blokforsøg
Løsning:
a) H0: Foderblanding har ingen virkning på vægtforøgelsen
H: Foderblanding har virkning på vægtforøgelsen
Da vi jo har 2 faktorer, “kuld” og “fodertype”, er analysen en speciel “tosidet variansanalyse”.
TI89: APPS, STAT/LIST hvorefter data indtastes med første søjle (A) i list1, 2 søjle (B) i list 2 osv.
F6, ANOVA2-Way, ENTER
DESIGN=Block, Levls of Col Factor =3, ENTER
Næste skema udfyldes med List1 , List 2 og LIST3, ENTER
TI-Inspire: Lister og regneark Lav 4 lister (husk overskrift) Statistik statistiske test Tosidet variansanalyse Blok, 3 4 indsæt navne i menu Enter
Resultatet kan umiddelbart aflæses:
Man får for faktor en P-værdi på 0.0402
H0: Foder = 0 (Foder har ingen virkning) forkastes, da P-værdi = 0.0402 < 0.05
Konklusion: Der sker en væsentlig ændring i vægtforøgelsen ved at ændre foderblanding.
b) De to programmer beregner ikke konfidensintervaller når der er to faktorer
I stedet bruges formlen: Radius i 95% konfidensinterval er t 0.975 ( f error )
2
serror
n
2
Under error findes MS  serror
og df = ferror . n er antal gentagelser af faktoren.
Her er MS = 4.701 df = 6 og n = 4
4.701
 2.653
Radius i konfidensinterval er t 0.975 (6)
4
2.653
Radius i LSD-interval er
.
 1876
2
Gennemsnit af de 3 foderblandinger er A: 11.75 B: 16.375 C: 12.0 (brug mean(a) osv.)
Da 16.375 - 12 = 4.375 > 2  1.875 giver foderblanding B den største vægtforøgelse.
Da det er et blokforsøg , kangtforøgelsen afhænge af hvilket kuld der er det bedste, så konfidensintervaller kan kun bruges til relative sammenligninger
Løsning:SAS.JMP
Indtastning af data
fodertype
A
A
A
A
B
B
B
B
C
C
C
C
kuld
k1
k2
k3
k4
k1
k2
k3
k4
k1
k2
k3
k4
vægt
7
16
10,5
13,5
14
15,5
15
21
8,5
16,5
9,5
13,5
Vælg Analyze
Fit Y by X
markér “Vægt” og tryk på Y Response
Factor
Marker “Kuld” og tryk på blok
OK
43
markér “Fodertype” og tryk på X
4. En faktor på mere end 2 niveauer
Der fremkommer et “scatterplot”, hvor man kan se afbildet de fire værdier for hver af de 3 fodertyper.
Rød pil
“Means/Anova”.
Der fremkommer så følgende tegning og udskrift:
Oneway Analysis of Vægt By Fodertype
Oneway Anova
Samarie of Fit
Rsquare
Adj Rsquare
Root Mean Square Error
Mean of Response
Observations (or Sum Wgts)
0,83413
0,695904
2,168269
13,375
12
Analysis of Variance
Source
DF
Sum of Squares
Fodertype
2
54,12500
Kuld
3
87,72917
Error
6
28,20833
C. Total
11
170,06250
Means for Oneway Anova
Level
Number
Mean
Std Error
A
4
11,7500
1,0841
B
4
16,3750
1,0841
C
4
12,0000
1,0841
Std Error uses a pooled estimate of error variance
Block Means
Kuld
Mean
Number
k1
9,8333
3
k2
16,0000
3
k3
11,6667
3
k4
16,0000
3
Mean Square
27,0625
29,2431
4,7014
Lower 95%
9,097
13,722
9,347
F Ratio
5,7563
6,2201
Prob > F
0,0402
0,0285
Upper 95%
14,403
19,028
14,653
Da P - værdi for fodertype er 0.0402 < 0.05 forkastes nulhypotesen H0: Ingen forskel på fodertyper,
dvs. , at der på et signifikansniveau på 5 % er signifikant forskel på fodertyperne (mindst én afviger fra
de øvrige).
Vi ser endvidere, at det var fornuftigt at dele op i kuld, da der også er signifikans for kuld.
Vi er imidlertid ikke interesseret i at finde ud af hvilket kuld der er det bedste, da vi jo blot har taget
nogle tilfældige kuld ud.
Af figuren ses, at konfidensintervallerne viser ganske vist et svagt overlap, men det gør LSD-intervallerne ikke, og da variansanalysen har vist at der er en signifikant forskel, må der gælde, at fodertype B
giver den største vægtforøgelse.
Bemærk: Da der er en blokvirkning vil vægtforøgelsen jo afhænge af hvilket kuld man betragter. Konfidensintervaller kan derfor kun anvendes til relative sammenligninger.
44
4.4 Binomialfordelte variable
Metode uden brug af færdigt “blokprogram”
Først foretages en ensidet variansanalyse med de tre fodertyper
Man noterer sig under faktor: SS = 54.125, df = 2 og MS= s
2

SS
 27.0625
df
samt under error : SSerror=115.9375 med df = 9
Derefter en ensidet variansanalyse med de 4 kuld.
Man noterer sig SSblok = 87.7291 med df = 3.
Det blokkene har forminsket støjen (error) findes ved ved SS = SSerror - SSblok = 115.9375 - 87.7291 = 28.2084
med df = 9 - 3 = 6
Resultaterne indtastes i en såkaldt variansanalysetabel
SS
2
Variation
SAK=SS df
MS= s  df
F
P-værdi
Factor: foder
54.125
2
27.0625
27.06
=5.756
4.70
FCdf (5.756, ,2,6) =0.0402
Block: Kuld
Error
87.7291
28.2084
3
6
29.2431
4.70139
6.22
0.0284
H0: Foder = 0 (Foder har ingen virkning) forkastes, da P-værdi = 0.0402 < 0.05
Konklusion: Der sker en væsentlig ændring i vægtforøgelsen ved at ændre foderblanding.
Da P-værdi for kuld er mindre end 5% har det haft betydning, at man har opdelt i blokke
b) Radius i 95% konfidensinterval findes som under løsning for TI89 og TI-Nspire
4.4. Binomialfordelte variable
Ved analysen anvendes formlerne i afsnit 4.5.2, da TI89, TI-Nspire og SAS ikke har noget
program hertil.
Eksempel 4.4 (binomialfordelt variabel).
For hver af 6 leverancer af billige legetøjsbiler udtages en tilfældig prøve på 100 biler, og
antallet af defekte biler taltes. Følgende resultater fandtes:
Leverance
1
2
3
4
5
6
7
8
Antal defekte biler
6 14 8 4 7 3 13 7
Foretag en statistisk analyse af, om procenten af defekte biler i de 8 leverancer kan antages
at være den samme.
Løsning:
Lad Xi være antallet af defekte biler i leverance i.
Det antages, at Xi er binomialfordelt b (100, pi).
H0: p1 = p2= . . . = p8
6  14 ...7 64
6
14
7

 0.08
p 1 
, p 2 
, . . ., p 8 
; p 
800
800
100
100
100
Da ni  p  8 [5;95] er forudsætningen opfyldt (se evt. oversigten i afsnit 4.6.2)
108
.
1
 14.67
2 
.  0.08) 2  ... (0.07  0.08) 2  
100(0.06  0.08) 2  (014
0.08  (1  0.08)
0.08  0.92
 2 er  2 - fordelt med frihedsgradstallet f = n - 1 = 7
Da P - værdi = P(  2  14.67) =chi2Cdf(14.67,  ,7) =0.0405 < 0.05 forkastes nulhypotesen
(svagt), dvs. vi har et (svagt) statistisk bevis for, at procenten af defekte biler i leverancen
ikke er den samme.
45
4. En faktor på mere end 2 niveauer
4.5. Poissonfordelt variable
Ved analysen anvendes formlerne i oversigt 4.5.3, da TI89 og SAS.JMP ikke har noget program hertil.
Eksempel 4.5 (Poissonfordelt variabel)
Ved en optælling af hvide blodlegemer i en blodprøve med voluminet v fandtes for 6 personer
antallene 14 , 28 ,18, 23,15 og 22.
Viser disse resultater, at den gennemsnitlige antal blodlegemer pr. volumenenhed er forskelligt for de tre personer?
Løsning:
Lad X1 vare antallet af hvide blodlegemer i en blodprøve for person 1
Lad X2 vare antallet af hvide blodlegemer i en blodprøve for person 2
...
Lad X6 vare antallet af hvide blodlegemer i en blodprøve for person 6.
Xi antages at være Poissonfordelt med middelværdi i .
Begrundelse: Benyttes en kanyle til udtagning af blodprøven ankommer de hvide blodlegemer
“tilfældigt” i tiden. Det mulige antal blodlegemer er næsten ubegrænset.
H 0 : 1   2   3   4   5   6
Antal elementer i hver stikprøve er 1, dvs. i oversigten i afsnit 4.5.3 er n1 = n2 = . . . = n6 = 1
og
x1  x1  14, x 2  x 2  28, . . . x 6  x 6  22
Vi får x 
14  28 ... 22
 20.0 .
6
Heraf ses, at ni x  5 , dvs. forudsætningen for at benytte oversigten i afsnit 4.6.3 er opfyldt.
2 
1  (14  20) 2  1 (28  20) 2  ... 1 (22  20) 2
 7.1
20
 2 er  2 - fordelt med frihedsgradstallet f = n - 1 = 5
Da P - værdi = P(  2  7.1) =chi2Cdf(7.1,  ,5) =0.2133 > 0.05 accepteres H0 , det vil sige,
at det ikke er påvist, at det gennemsnitlige antal hvide blodlegemer pr. volumenenhed er forskelligt for de 6 personer.
46
4.6 Oversigt over centrale begreber i kapitel 4
4.6. OVERSIGT OVER CENTRALE FORMLER I KAPITEL 4
4.6.1 Oversigt over fremgangsmåde ved ensidet variansanalyse
TI89 antages benyttet.
Givet følgende skema:
A2
Aq
A1
x12
x1q
x11
x22
x2q
x21
Observationer
...
...
...
xnq
xn2
xn1
Idet de q variables middelværdier kaldes 1 , 2 ,..., q ønsker vi at teste nulhypotesen
H 0 : 1   2 ...   q , mod H: “mindst én middelværdierne er forskellig fra en af de øvrige”.
Data indtastes i listerne
F6:Anova
Udfyld menu
ENTER
P-værdi aflæses. Hvis P-værdi <  forkastes H0.
Konfidensintervaller findes som ekstra søjler
xbar
lowlist
uplist
a
b
x1
x2
osv.
Diameter i 95% konfidensinterval dkon= b - a
Diameter i 95% LSD-interval dLSD =
dkon
2
Er x1  x 2  d LSD antages niveauerne A1 og A2 at være signifikant forskellige
(forudsat antallet af niveauer er lille (< ca 6).
Blokforsøg
Blokke
b1
b2
...
bn
Faktor
A2
x12
x22
xn2
A1
x11
x21
xn1
...
Aq
x1q
x2q
xnq
APPS, STAT/LIST hvorefter data indtastes med første søjle (A1) i list1, 2 søjle (A2) i list 2 osv.
F6, ANOVA2-Way, ENTER
DESIGN=Block, Levls of Col Factor =q, ENTER
Næste skema udfyldes med Listerne , ENTER
P-værdi aflæses. Hvis P-værdi <  forkastes H 0 : 1   2 ...   n
Konfidensintervaller
Radius i 95% konfidensinterval er rkon = t 0.975 ( f error )
2
Under error findes MS  serror
og df = ferror .
2
serror
n
n er antal gentagelser af faktoren.
Diameter i 95% konfidensinterval dkon= 2@rkon Diameter i 95% LSD-interval dLSD =
Er x1  x 2  d LSD antages faktorerne R1 og R2 at være signifikant forskellige.
47
dkon
2
4. En faktor på mere end 2 niveauer
4.6.2 Oversigt over test af parametre p1, p2,. . . pk for binomialfordelte variable.
X1 , X2 . . . Xk er binomialfordelt henholdsvis b(n1 , p1 ), b(n2 , p2 ), . . . , b(n k , p k ) , hvor n1, n2 . .
.nk er kendte og p1, p2 . . . , pk ukendte.
Observerede stikprøveværdier x1, x2, . . . , xk. Signifikansniveau er  .
Y er en statistisk variabel, der er  2 - fordelt med k - 1 frihedsgrader.
Forudsætning:
Aproksimativ metode
Nulhypotese
Beregning
H0: p1  p2  . . .  pk
n1  p 5 ; n1  5 ,
n2  p 5 ; n2  5
. . . n k  p 5 ; n k  5
 n ( p
i 1
i
i
 p ) 2
P(Y   2 )
hvor
p 1 
hvor
p 
1
p (1  p )
2 
P-værdi
k
x1
x
x
, p 2  2 , . . . , p k  k
n1
n2
nk
x 1  x 2 . . .  x k
n1  n 2  . . .  n k
1 ,  2 , . . . ,  k for Poissonfordelt
4.6.3. Oversigt over test af parametre
variable.
X1 , X2 . . . Xk er Poissonfordelt henholdsvis p( 1 ), p(  2 ), . . . , p(  k ) ,
hvor 1 ,  2 , . . . ,  k er ukendte.
Signifikansniveau er  .
Der foreligger for hver af de variable Xi en stikprøve af størrelsen ni med gennemsnit x i .
Y er en statistisk variabel, der er  2 - fordelt med k - 1 frihedsgrader..
Forudsætning
Nulhypotese
Beregning
Approksimativ
metode.
2 
H0: 1  2  . . .  k
ni  x  5
H0 forkastes
k
 n (x  x)
i 1
i
2
i
x
hvor
n  x  n  x  . . .  nk  xk
.
x 1 1 2 2
n1  n2  . . .  nk
48
P - værdi <
hvor

P  værdi  P(Y   2 )
Opgaver til kapitel 4
OPGAVER
Opgave 4.1
Fire forskellige typer teknik til blanding af cement ønskes undersøgt med hensyn til resultatets trykstyrke. Følgende data blev opnået:
Blandingsteknik
Trykstyrke (psi)
B1
3129
3000
2865
2890
B2
3200
3300
2975
3250
B3
2800
2900
2985
3050
B4
2600
2700
2600
2765
Undersøg om forskellen i blandingsteknik har betydning for trykstyrken , og angiv i bekræftende fald den (de) blandingsteknik(er) der har størst trykstyrke.
Opgave 4.2
I følgende tabel er angivet resultaterne af gentagne bestemmelser af blodets alkoholkoncentration (i promille) hos 6 forskellige personer efter indtagelsen af 4 cl. alkohol.
Person
1
0.76
0.82
0.79
0.86
2
0.84
0.79
0.82
0.79
3
0.83
0.78
0.97
0.88
4
1.00
0.90
0.92
0.88
5
0.88
0.90
1.03
0.87
6
0.86
0.89
0.87
0.84
Vurdér på grundlag af dette materiale en antagelse om, at alkoholkoncentrationen i blodet
ikke afhænger af andre faktorer end den indtagne alkoho1mængde.
Opgave 4.3
Modstanden af 5 spoler måltes for at kontrollere, om spolerne har samme elektriske
modstand. For hver spole måltes 4 uafhængige observationer:
Man fandt for hver spole følgende gennemsnit og spredning:
Spole nr.
Antal gentagelser
Gennemsnit
Spredning
1
4
15.2
0.1871
2
3
4
5
4
4
4
4
14.95
14.8
15,15
14.7
0.1225
0.1472
0.1826
0.2562
1) Undersøg om det kan antages, at de 5 spo1ers modstande er ens.
2) På alle 5 spoler er angivet, at modstanden er 15.0 Ohm. Undersøg under hensyntagen ti1
besvare1sen af spørgsmål 1) ved opstilling af et eller flere konfidensintervaller, om nog1e
af spo1erne kan antages at have modstanden 15.0 Ohm og i bekræftende fald hvi1ke.
49
4. En faktor på mere end 2 niveauer
Opgave 4.4.
Følgende resultater blev opnået fra et eksperiment, hvor man ville undersøge om der var forskel på de resultater, som 5 analyseapparater gav, når man analyserede kvælstofindholdet i
jordprøver.
På hver af 3 dage blev en portion jord udvalgt og delt i 5 dele, som ved lodtrækning blev givet
til analyse i hver sin maskine. Resultaterne var:
Maskiner
P
Q
R
T
U
Tirsdag
376
379
399
373
376
Onsdag
372
374
409
387
386
Torsdag
332
339
365
350
342
Undersøg på dette grundlag om der er forskel mellem analyseapparaterne, og angiv i bekræftende fald hvilke der er forskellige.
Mener du, at det i denne situation var en god ide at foretage forsøget som et blokforsøg?
Opgave 4.5.
Fire forskellige produktionsmetoder P, Q, R, og T ønskes sammenlignet med hensyn til det
procentiske udbytte ved udvinding af et metal fra et bestemt mineral. Da man ved forsøget er
nødt til at benytte forskellige råvarepartierer, og er bange for, at det vil give stor spredning,
vælger man at lave et fuldstændigt randomiseret blokforsøg med råvarepartier som blokke.
Nedenstående skema angiver resultatet af dette forsøg.
Metode P
Metode Q
Metode R
Metode T
Råvareparti1
2.5 2.7
4.7 3.3
2.8 3.3
5.5 5.0
Råvareparti 2
4.6 4.3
7.9 5.9
5.1 6.9
7.2 6.8
Råvareparti 3
4.7 3.9
4.7 4.4
4.4 3.7
6.4 5.7
Undersøg på grundlag af disse oplysninger, om der er forskel på metoderne.
Opgave 4.6
På en ingeniørskole ønsker man at sammenligne effektiviteten af undervisningen, når man
underviser efter tre forskellige undervisningsmaterialer. En række studerende meldte sig frivilligt til forsøget. I det følgende er angivet 12 studerende ordnet efter studentereksamensgennemsnit.
Navn JK AL
Snit 6.3 6.8
TS
7.3
BS
7.3
DT
7.9
HN MO
8.2 8.4
FD
8.5
PJ KM SR RA
9.0 10.2 11.1 11.2
1) Hvordan ville du opdele disse studenter på tre hold med 4 på hver hold?
2) Hvordan ville du gøre det, hvis karaktererne gik fra 7.8 til 8.2 ?
50
Opgaver til kapitel 4
Opgave 4.7.
I en virksomhed er på hvert af 3 skift arbejdsbetingelser og antal mennesker udsat for risiko
tilsyneladende nogenlunde ens.
Ikke desto mindre synes følgende optælling at vise, at risikoen på skift 2 og 3 er større end på
skift 1.
Skift
Antal arbejdsulykker
1
10
2
22
3
22
På grundlag af denne statistik finder man, at der bør gøres noget for at nedsætte risikoen i skift 2
og 3. Er dette statistisk velbegrundet.?
Opgave 4.8
5 typer vaccine mod en bestemt sygdom blev undersøgt ved, at 6 grupper på hver 200 forsøgsdyr
(mus) blev udsat for smitte. De 5 af grupperne fik hver sin type vaccination, mens den sidste
gruppe ikke blev vaccineret. Efter en passende tid undersøgte man hvor mange af de 200 dyr,
der havde fået sygdommen. Følgende resultater fandtes:
Gruppe nr
1
2
3
4
5
6
Antal syge dyr
12
13
18
10
16
27
Vi ønsker at foretage en statistisk ana1yse af, om procenten af smittede dyr i de 6 grupper kan
antages at være den samme.
51
5 To faktorer på 2 eller flere niveauer
5 2 FAKTORER PÅ 2 ELLER FLERE NIVEAUER
TOSIDET VARIANSANALYSE
5.1 INDLEDNING.
Har man 2 kvalitative faktorer vil det også være naturligt at udføre en variansanlyse, men da man
her kan risikere, at de to faktorer “spiller sammen” på en uventet måde, bliver forholdene noget
mere kompliceret. Til gengæld kan begreberne her så umiddelbart generaliseres til forsøg med
mere end 2 faktorer.
5.2 PLANLÆGNING AF FORSØG.
I dette afsnit benyttes følgende eksempel som illustration af begreberne.
Eksempel 5.1. 2 faktorer .
En bilfabrikant ønsker at finde ud af hvorledes 3 olieblandinger O1, O2, og O3, og 2
karburatortyper K1 og K2 påvirker benzinforbruget.
Vi har et forsøg med 2 kvalitative faktorer: olieblanding og karburator.
Faktoren "olieblanding" er på 3 niveauer O1, O2, og O3, mens faktoren "karburator" har 2
niveauer nemlig K1 og K2 .
I alt er der altså 6 behandlinger.
5.2.1 Een faktor ad gangen
I mange forsøgsvejledninger står, at man bør kun variere en faktor ad gangen. Alle andre faktorer
end den udvalgte fastholdes på et bestemt niveau.
En forsøgsplan efter disse retningslinier kunne eksempelvis være som skitseret nedenfor, hvor
hvert delforsøg er markeret med et ×, hvor man har valgt, at hvert niveau skal gentages mindst
4 gange.
Endvidere er det væsentligt, at hver af de indgående behandlinger har lige mange gentagelser.
Karburator
K1
Olieblanding
O1
××××
O2
××××
O3
××××
K2
××××
I dette eksempel, hvor der kun er 2 faktorer, vælger vi først at variere olieblandingen, mens den
anden faktor fastholdes.
Idet vi har valgt først at fastholde karburatoren på niveauet K1, kan forsøget udføres således:
12 af de 16 biler, som skal anvendes, udstyres med karburator K1, og derefter (randomiseret) får
4 af disse biler olieblanding O1, 4 andre biler olieblanding O2, og de sidste 4 biler olieblanding
O3.
52
5.2 Planlægning af forsøg
Efter at have kørt en udvalgt strækning måles benzinforbruget.
Derefter varieres den anden faktor ( her karburator), mens olieblandingen fastholdes på O2, dvs.
de sidste 4 biler udstyres med karburator K2 og olieblanding O2.
Igen gennemkøres den udvalgte strækning, og benzinforbruget måles.
Indtegnes for hver karburator det gennemsnitlige benzinforbrug mod olie-blandingen kunne vi
eksempelvis få tegningen på fig. 5.1.
Fig 5.1 Skitse af benzinforbrug
Umiddelbart ses, at K1 giver lavest benzinforbrug, og O1 (eller O3) skal foretrækkes.
Hvad nu med benzinforbruget i karburator K2 , hvis vi anvender olieblanding O 1 eller O3?
Kan man slutte, at benzinforbruget ved olieblanding O1 og O 3 er lavere, når man bruger
karburator K1, end når man bruger karburator K2?
Kun, hvis man ud fra tekniske eller andre grunde mener at vide, at "karburatorkurven" for K2 er
parallel med kurven for K1, så er forsøgsplanen anvendelig, men ikke den bedste.
En statistisk set bedre forsøgsplan som endda ofte er mindre ressourcekrævende, er følgende:
5.2.2 Fuldstændig faktorstruktur
Denne plan består i, at hvert niveau af den ene faktor kombineres med ethvert niveau af den
anden. Planen kan skitseres således:
Karburator
Olieblanding
K1
K2
O1
××
××
O2
××
××
O3
××
××
Her er hver af de 6 behandlinger gentaget 2 gange, dvs. i alt er der udført 12 delforsøg.
Hermed er kravet opfyldt om at hvert niveau skal gentages mindst 4 gange.
Det er vigtigt, at hver behandling har lige mange gentagelser
I " en faktor ad gangen" var vi tvunget til at udføre 16 delforsøg, mens vi kun skal lave 12
delforsøg i det "fuldstændige faktorforsøg".
Vi kan altså nøjes med færre delforsøg, når vi laver et fuldstændigt faktorforsøg.
53
5 To faktorer på 2 eller flere niveauer
Indtegnes for hver karburator det gennemsnitlige benzinforbrug mod olie-blandingen, kan det
eksempelvis vise sig, at man får figur 5.2.
Fig 5.2. Vekselvirkning
Vi ser, i modstrid med hvad vi antog ud fra "en faktor ad gangen forsøget", at kombinationen af
katalysator K2 og olieblanding O1 giver det laveste benzinforbrug.
Det ses, at de to kurver ikke er parallelle. Dette kunne være tilfældigt og blot skyldes forsøgets
“støj”, men det kunne også være signifikant, og derfor være udtryk for en såkaldt "vekselvirkning".
En model uden vekselvirkning (kurverne tilnærmelsesvis parallelle) siges at være additiv.
5.3. FORMLER OG METODE
Vi vil i det følgende kun analysere forsøg med en fuldstændig faktorstruktur, og hvor hver
behandling har lige mange gentagelser (samme antal delforsøg i hver “celle”).
Et eksempel på et sådant forsøg er
Eksempel 5.2. 2 faktorer (fortsat fra eksempel 5.1) .
En bilfabrikant ønsker at finde ud af, hvorledes 3 olieblandinger O1, O2, og O3, og 2
karburatortyper K1 og K2 påvirker benzinforbruget.
Forsøgsresultaterne er følgende:
Karburator
K1
K2
O1
830 860
810
840
Olieblanding
940 990
1050 1020
O2
O3
855 815
930
910
Angiv hvilke kombinationer af karburator og olieblanding der giver det laveste forbrug, og giv
et estimat for dette forbrug.
Symbolik:
Lad os kalde rækkefaktoren for R , antal rækkeniveauer r , søjlefaktoren for C, antal
søjleniveauer for q og antal gentagelser af hver behandling n. Det totale antal delforsøg er
følgelig N  r  q  n .
I eksempel 5.4 er R = “olieblanding”, r = 3, C = “ karburator” , q = 2 , n = 2 og N = 12.
54
5.3 Formler og metode
Forudsætninger
Disse er de samme som ved den ensidede variansanalyse. Analysen er også her robust overfor
afvigelser fra normalitet og varianshomogenitet, blot antallet af gentagelser i hver celle er den
samme.
Skitse af fremgangsmåde ved testning
Først testes om modellen er additiv, dvs. om den er uden en signifikant vekselvirkning.
Nulhypotesen skrives kort H 0 : R  C  0 (faktorerne vekselvirker ikke)
og den alternative hypotese H: R  C  0 (faktorerne vekselvirker )
For at kunne beregne en P-værdi beregnes først et estimat for den fælles (poolede) varians s02 på
samme måde som det skete i forrige kapitel.
2
Derefter beregnes et estimat for en varians s RC
som vil være lig s02 hvis H0 er sand, men væsentlig
større hvis H er sand
2
s RC
P-værdien beregnes som en F-test ud fra brøken F  2 .
s0
1) Er P-værdi <  (signifikansniveau) forkastes H0 dvs. faktorerne vekselvirker.
Ved hjælp af konfidensintervaller for alle r  q celler søger man at finde den optimale
kombination af faktorer.
2) Er P-værdi >  accepteres H0 dvs. faktorerne vekselvirker ikke (model er additiv).
Man tester nu nulhypoteserne
H 0 : R  0 ( rækkefaktor har ikke en virkning)
H 0 : C  0 (søjlefaktor har ikke en virkning)
2
Da man må antage, at de to varianser s RC
og s02 er nogenlunde ens, pooles de sammen til et
nyt (bedre) estimat sm2 for forsøgsfejlen (error).
Variansen sm2 benyttes nu ved beregning af P-værdierne for de to hypoteser.
a) Finder man at såvel H 0 : R  0 forkastes, som H 0 : C  0 forkastes vil man sædvanligvis
opstille konfidensintervaller til bestemmelse af de to faktorers optimale niveau.
Hertil benyttes igen sm2 .
b) Finder man at eksempelvis H 0 : R  0 forkastes, mens H 0 : C  0 accepteres
pooles variansen sc2 som blev brugt ved beregningen af P-værdien for C sammen med sm2
og denne benyttes ved opstillingen af konfidensintervaller for R.
Beregninger: Hvorledes man foretager testen ved hjælp af en lommeregner der kun kan beregne
gennemsnit og spredning er beskrevet i appendix 5.1. Da specielt beregningerne af SAK’erne er
temmelig omfattende, og næppe giver en dybere forståelse ,vil vi dog sædvanligvis benytte TI-89
eller SAS.JMP hertil. Programmerne dækker dog ikke alle muligheder, så i enkelte tilfælde må
man derfor benytte formlerne for eksempelvis konfidensintervaller.
Anskuelig forklaring på hvorledes man kan beregne vekselvirkning: Her gives kun en kort forklaring, som kan tjene til at
forstå baggrunden for beregningerne, der i øvrigt med fordel kan foretages af et statistikprogram .
I nedenstående skema er skitseret et forsøg med 2 faktorer R og C. R er på 3 niveauer, og C er på 4 niveauer. Der er 2 gentagelser
af hver "behandling"(treatment).
55
5 To faktorer på 2 eller flere niveauer
R1
R2
R3
C1
C2
C3
1 3
7 11
2 6
2 6
8 14
5 7
1 5
8 12
3 7
C4
6 8
13 15
8 10
For hver af de 12 celler kan man udregne et skøn for spredningen. Hvis man forudsætter at spredningen er nogenlunde den samme
i alle 12 tilfælde, kan man poole de 12 s2 sammen til et fælles skøn s0 for spredningen på forsøgsfejlen (støjen). Den vil have 12
frihedsgrader, da hvert enkelt s har 1 frihedsgrad.
I nedenstående skema er beregnet gennemsnit for hver celle, hver række, hver søjle og totalt.
C1
C2
C3
C4
Gennemsnit
2
4
3
7
4
R1
9
11
10
14
11
R2
4
6
5
9
6
R3
Gennemsnit
5
7
6
10
7
Tallene er konstrueret således, at vi har en helt præcis model uden vekselvirkning (R2 = R1 + 7, R3 = R1 + 2). For en sådan model
gælder helt præcist, at resultatet i celle (i, j) fås af formlen RCi,j=Ri + Cj - totale gennemsnit.
Eksempel: RC2,3 = 10 og R2 + C3 - totale gennemsnit = 11 + 6 - 7 = 10.
I praksis vil dette naturligvis aldrig være tilfældet på grund af den tilfældige variation (støj), men udregnes kvadratet på
afvigelserne (SAK), og disse afvigelser ikke er større end hvad er rimeligt i forhold til støjen (s0), vil vi kunne konkludere at der
ikke kan konstateres nogen vekselvirkning.
5.4 BEREGNING AF TOSIDET VARIANSANALYSE
Som nævnt er der 2 hovedtilfælde, nemlig om der konstateres vekselvirkning eller ej.
Er modellen additiv er der igen 2 tilfælde, nemlig om begge faktorer har en signifikant virkning
eller kun den ene faktor har en signifikant virkning.
Vi ser her bort fra den situation, at ingen faktorer har en signifikant virkning. Det kan naturligvis
sagtens forekomme, men den situation kræver ingen nærmere forklaring.
I afsnit 5.7 er givet en oversigt over hvorledes beregningerne skal udføres med TI89.
I det følgende anvendes denne oversigt til at regne 3 eksempler svarende til hver af de tre
situationer.
Eksempel 5.2 (fortsat) Model med vekselvirkning.
En bilfabrikant ønsker at finde ud af, hvorledes 3 olieblandinger O1, O2, og O3, og 2
karburatortyper K1 og K2 påvirker benzinforbruget.
Forsøgsresultaterne er følgende:
Karburator
K1
K2
O1
830 860
810
840
Olieblanding
O2
940 990
1050 1020
O3
855 815
930
910
Det forudsættes at betingelserne om uafhængighed, normalitet og varianshomogenitet er opfyldt.
I SAS-løsningen kontrolleres dog om betingelserne for normalitet og varianshomogenitet er
rimelig opfyldt
Angiv hvilke kombinationer af karburator og olieblanding der giver det laveste forbrug, og giv
et estimat for dette forbrug.
56
5.4 Beregning af tosidet variansanalyse
Løsning: TI89+TI-Nspire
Først testes H 0 : R * C  0 mod H: R * C  0
APPS, STAT/LIST hvorefter data indtastes med første søjle (K1 søjlen) i list1, 2 søjle (K2) i list 2.
List 1
List 2
830
810
860
840
940
1050
990
1020
855
930
815
910
TI89: F6, ANOVA2-Way, ENTER
DESIGN=2 Factor,EqReps, Levls of Col Factor =2,Levls of Row Factor =3, ENTER
Næste skema udfyldes med List1 og List 2, ENTER
TI-Nspire: Vælg Statistik, Statistiske test, 2 sidet Anova, udfyld menuer herunder vælg “Variabelreferance”
Under “interaction” findes P - værdi = 0.04596.
Idet vi som sædvanlig antager at signifikansniveauet er 5 % fås, at da P - værdi = 0.0460 < 0.05
forkastes H 0 (svagt).
Konklusion: Begge faktorer har en virkning i form af en vekselvirkning.
For at finde den kombination af olieblanding og karburator, der giver det mindste benzinforbrug
beregnes gennemsnittene i hver celle
Vi finder
Gennemsnit
Karburator
K2
K1
O1
845
825
Olieblanding
O2
965
1035
835
920
O3
Det ses, at det mindste gennemsnit er 825.
Beregning af 95% konfidensintervaller og LSD-intervaller (jævnfør afsnit 5.7)
2
Under “error” findes serror
 MS  600 og df = 6
Radius i 95% konfidensinterval er rkon  t 0.975 ( 6)
600
 2.446  300  42.38
2
Diameter i 95% konfidens- og LSD - intervaller er
84.76
d kon  2  rkon  84.76 og d kon  2  59.94
Det ses. at umiddelbart giver K2 O1 det laveste benzinforbrug, men da K1 O3 og K1 O1 begge har
et benzinforbrug der afviger mindre end 59.9 herfra, er der ingen signifikant forskel er mellem
K2 O1 ,K1 O3 og K1 O1 .
Konklusion:
Man får det laveste benzinforbrug ved at vælge en af kombinationerne K2 O1 ,K1 O3 og K1 O1
Et estimat for det laveste forbrug er 825 liter
57
5 To faktorer på 2 eller flere niveauer
Løsning: SAS.JMP
Data indtastes på sædvanlig måde .
Karburator
k1
k1
k1
k1
k1
k1
k2
olieblanding
o1
o1
o2
o2
o3
o3
o1
benzinforbrug
830
860
940
990
855
815
810 osv.
a)Varianshomogenitet.
Da varianserne i hver af de 6 celler skal være ens, karakteriserer man disse ved at gå ind i regnearket
og danne en ekstra søjle “celler” (og vælg den som “character”).
Da der er 6 celler med 2 tal i hver bliver søjlen:
Karburator
k1
k1
k1
k1
k1
k1
k2
olieblanding
o1
o1
o2
o2
o3
o3
o1
benzinforbrug celler
830
1
860
1
940
2
990
2
855
3
815
3
810
4
osv.
Gå derefter ind i ensidet variansanalyse og vælg celler som faktor og benzinforbrug som Y, ok
cursor på rød pil på tegning og vælg “Unequal Variances”
Oneway Analysis of Benzinforbrug By Celler
Tests that the Variances are Equal
Test
O'Brien[.5]
Brown-Forsythe
Levene
Bartlett
F Ratio
0,0000
.
.
0,1354
DFNum
-1
5
5
5
DFDen
0
6
6
.
Prob > F
0,0000*
.
.
0,9842
Warning: Small sample sizes. Use Caution.
Da Bartletts test giver en P-værdi= 0.9642 > 0.05 fås en accept af en nulhypotese om at
varianserne er ens, så kravet er rimeligt opfyldt.
b) Først testes H 0 : R * C  0 (Ingen signifikant vekselvirkning) H H: R * C  0
Vælg Analyze Fit Model Indsæt for Y: Benzinforbrug ,Indsæt for ADD:Karburator og Olieblanding Indsæt
for CROSS: Karburator,Olieblanding (marker begge) Emphasis’s rullemenu: vælg Minimal Report Run
Model
(Minimal report er kun valgt for at undgå nogle i denne forbindelse overflødige figurer)
Man får (blandt andet)
Summary of Fit
RSquare
0,951898
RSquare Adj
0,911814
Root Mean Square Error
24,4949
Mean of Response
904,1667
Observations (or Sum Wgts)
12
Analysis of Variance
Source
DF
Sum of Squares
Model
5
71241,667
Error
6
3600,000
C. Total
11
74841,667
Mean Square
14248,3
600,0
58
F Ratio
23,7472
Prob > F
0,0007
5.4 Beregning af tosidet variansanalyse
Effect Tests
Source
karburator
Olieblanding
karburator*Olieblanding
Nparm
1
2
2
DF
1
2
2
Sum of Squares
6075,000
58716,667
6450,000
F Ratio
10,1250
48,9306
5,3750
Prob > F
0,0190
0,0002
0,0460
Ud for “Karburator*olieblanding” findes P - værdi = 0.0460.
Da P - værdi = 0.0460 < 0.05 forkastes H 0 (svagt).
Konklusion: Begge faktorer har en virkning i form af en vekselvirkning.
For at finde hvilke kombinationer der giver lavest benzinforbrug vælges
Vælg “Effect Details”
rød pil ved “karburator x olieblanding
Vælg “LS means Plot”
Vi får følgende Udskrift+tegning :
Karburator*Olieblanding
Least Squares Means Table
Level
Least Sq Mean
k1,o1
845,0000
k1,o2
965,0000
k1,o3
835,0000
k2,o1
825,0000
k2,o2
1035,0000
k2,o3
920,0000
LS Means Plot
Std Error
17,320508
17,320508
17,320508
17,320508
17,320508
17,320508
Umiddelbart ses af figuren, at man ikke bør vælge olieblanding O2.
Derimod er det uklart hvilken af kombinationer (se tabellen) med de mindste “means”, der giver
det laveste olieforbrug.
Dette kan afklares ved på ovennævnte rullemenu at vælge “LSMeans students t”
Det giver en stor tabel (som kan fjernes ved med cursor på overskrift, højre musetast at fjerne markeringen
ved “Crostab Report).
Under den findes følgende lille tabel
Level
k2,o2
k1,o2
k2,o3
k1,o1
k1,o3
k2,o1
A
B
B
C
C
C
Least Sq Mean
1035,0000
965,0000
920,0000
845,0000
835,0000
825,0000
Levels not connected by same letter are significantly different
Heraf ses, at kombinationen K2 O1giver det laveste benzinforbrug (825), men, at der ingen
signifikant forskel er mellem K2 O1 , K1 O3 og K1 O1.
59
5 To faktorer på 2 eller flere niveauer
Konfidensintervaller
Ønskes fundet 95% konfidensintervaller
rød pil i tabellen “Least Square Means Table”
Karburator*Olieblanding
Least Squares Means Table
Level
Least Sq Mean
Std Error
k1,o1
845,0000
17,320508
k1,o2
965,0000
17,320508
k1,o3
835,0000
17,320508
k2,o1
825,0000
17,320508
k2,o2
1035,0000
17,320508
k2,o3
920,0000
17,320508
Vælg “Columns”
vælg “lower” og derefter “upper”.
Lower95%
802,61824
922,61824
792,61824
782,61824
992,61824
877,61824
Upper95%
887,3818
1007,3818
877,3818
867,3818
1077,3818
962,3818
Heraf ses, at for kombinationen K2 O1 er konfidensintervallet = [782.6 ; 867.4]
Ønskes gemt de estimerede middelværdier , “error”, konfidens- og prædiktionsgrænser gemt i den
oprindelige datatabel, så
rød pil ved “Response
på rullemenu vælg “SaveColumns
Vælg de ønskede størrelser.
Eksempel 5.3 Additiv model: To signifikante hovedvirkninger
I forbindelse med nogle brudstyrkebestemmelser for Portland-cement udføres et fuldstændigt
randomiseret forsøg til undersøgelse af middelbrudstyrkens afhængighed af cementblandere
og cementknusere.
Med hver af 3 cementblandere udstøbtes efter blanding med vand 12 cementterninger, som
efter en uges lagring underkastedes en brudstyrkeprøve ved hjælp af en af 4 cementknusere.
Forsøgsresultaterne var:
Cementknusere
1
2
3
4
1 147 175 130
99 85 75
67 23 35 215 97 180
Cementblandere 2 221 155 173 141 110 155
85 55 81 161 167 177
3 123 85 153 137 143 82
67 25 83 135 91 129
Forudsætningerne for en variansanalyse antages opfyldt.
Angiv hvilke kombinationer af cementblander og cementknuser, der giver den største
brudstyrke, og giv et estimat og et 95% konfidensinterval for denne største middelbrudstyrke.
Løsning:
TI89:APPS
STAT/LIST hvorefter data indtastes med første søjle (cementknuser 1) i list1, 2 søjle
(cementknuser 2) i list 2 osv.
F6
ANOVA2-Way
ENTER menu udfyldes
DESIGN=2 Factor,EqReps, Levls of Col Factor =4,Levls of Row Factor =3
ENTER
Næste skema udfyldes med List1, List 2,List3 og List 4, ENTER
TI-Nspire Indtastes som i eksempel 5.2
Nedenfor er resultaterne angivet for de dele af den sædvanlige variansanalysetabel der kan få
betydning
60
5.4 Beregning af tosidet variansanalyse
Variation
Column:Cementknuser : C
Row: Cementblander : R
Interaction:R*C
Error
MS= s 2
F
P - værdi
3
2
6
1187.1
1.33942
0.278669
21270.7 24
886.278
SAK=SS df
51995.2
8706.06
7122.61
a) H 0 : R * C  0 (Ingen signifikant vekselvirkning)
For “interaction” findes P - værdi = 0.2787.
Da P - værdi = 0.2787 > 0.05 accepteres H 0 .
Konklusion: Vi antager i det følgende, at vekselvirkningen er forsvindende.
b) Da vi lige har konkluderet, at der ingen vekselvirkning er, må et sikrere estimat for
variansen være en pooling af de to varianser
SAKpool = SAKerror + SAKvekselvirkning = 7122.61+21270.7 =28393.3.
28393.3
s 2pool 
 946.443
fpool = ferror + fvekselvirkning = 24+6 = 30
30
173317
.
Fknuser 
 18.31 . P - værdi =P(F > 18.31) = FCdf(18.31,  ,3,30) = 6.09  10  7
946.44
4253.03
Fblander 
 4.5994 . P - værdi =P(F >4.5994) = FCdf(4.5994,  ,2,30) =0.0181
946.44
Det giver følgende tabel:
2
Variation
SAK=SS df
P - værdi
F
MS= s
Column:Cementknuser : C 51995.2 3
17331.7
18.31
0.000000
Row: Cementblander : R
8706.06 2
4253.03
4.5994
0.0181
Error(pool):
28393.3 30 946.443
H0: C = 0 (Cementknuser har ingen virkning) forkastes, da P-værdi = 0.000 < 0.05
H0: R = 0 (Cementblander har ingen virkning) forkastes, da P-værdi = 0.01281 < 0.05
Konklusion: Cementknuserne har en (stærk) virkning
Cementblandere har en virkning
For at finde hvilken cementblander der giver den største middelbrudstyrke beregnes
gennemsnit for blanderne:
1: mean({147,175,130,99,85,75,67,23,35,215,97,180})=110.67
2: mean({221,155,173,141,110,155,85,55,81,161,167,177}) = 140.08
3: mean({123, 85, 153,137, 143, 82, 67, 25, 83, 135, 91, 129}) = 104.42
Det ses, at cementblander 2 giver den største brudstyrke
61
5 To faktorer på 2 eller flere niveauer
Konfidensinterval for de 4 knusere findes ved at benytte de i afsnit 5.7 angivne formler.
s 2pool
rkon  t 0.975 ( f pool )
946.443
 2.04  8.881  1814
.
3 4
 t 0.975 (30)
nq
d kon  2  1814
.  36.3
d lsd  2  1814
.  25.7
Da 140.08 - 110.67 = 29.41 > 25.7 ses af LSD-intervallet,
at cementblander 2 må foretrækkes
Gennemsnit for knuserne findes til
1: 151.3
2: 114.11
3: 57.89
rkon  t 0.975 ( f pool )
s 2pool
nr
 t 0.975 (30)
d kon  2  20.92  419
.
Benyttes LSD , ses, at
4:
150.22
946.443
 2.04  10.255  20.92
3 3
d lsd  2  20.92  29.6
Cementknuser 1 eller 4 må foretrækkes
Konklusion: Størst middelbrudstyrke fås i kombinationen
cementknuser 1 og cementblander 2 eller cementknuser 4 og cementblander 2
Et estimat
~12
for største middelbrudstyrke på basis af cementknuser 1 og cementblander 2:
kapitel 5.7)
x1  1513
.
x 2  140.08 x 
(se oversigt i
110.67  140.08  104.42
 118.4
3
~12  x1  x 2  x  1513
.  1401
.  118.4  172.9
Radius i konfidensinterval :
rkon  t 0.975 ( f m )
3 4 1
946.443
sm  t 0.975 (30)
 25.6
36
6
95% konfidensinterval : 172.9  25.6;172.9  25.6  146.6;197.8
Løsning:SAS.JMP
Lad starten af indtastningen i regnearket være
cementblandere cementknusere
c1
k1
c1
k1
c1
k1
c1
k2
c1
k2
osv.
brudstyrke
147
175
130
99
85
1) Variansanalysetabel opstilles.
Vælg Analyze Fit Model Indsæt for Y: Brudstyrke ,Indsæt for AD:Cementblandere og
Cementknusere Indsæt for CROSS: Cementblandere,Cementknusere (marker begge) Run Model
Der fremkommer en række figurer og tabeller.
62
5.4 Beregning af tosidet variansanalyse
Blandt disse er følgende variansanalysetabel
Summary of Fit
RSquare
RSquare Adj
Root Mean Square Error
Mean of Response
Observations (or Sum Wgts)
0,761257
0,651834
29,77042
118,3889
36
Analysis of Variance
Source
Model
Error
C. Total
DF
Sum of Squares
Mean Square
F Ratio
11
24
35
67823,889
21270,667
89094,556
6165,81
886,28
6,9570
Prob > F
<,0001*
Effect Tests
Source
Cementblander
Cementknuser
Cementblander*Cementknuser
Nparm
2
3
6
DF
2
3
6
Sum of Squares
8706,056
51995,222
7122,611
F Ratio
4,9116
19,5557
1,3394
a) H 0 : R * C  0 (Ingen signifikant vekselvirkning)
For “Cementblandere*cementknusere” findes P - værdi = 0.2787.
Da P - værdi = 0.2787 > 0.05 accepteres H 0 .
Konklusion: Vi antager i det følgende, at vekselvirkningen er forsvindende.
b) Vekselsvirkningen "pooles" ned i “error”".
Gå tilbage til starten, og slet vekselvirkningsleddet.
Blandt mange tabeller findes
Effect Tests
Source
Cementblander
Cementknuser
Nparm
2
3
DF
2
3
Sum of Squares
8706,056
51995,222
F Ratio
4,5994
18,3125
Prob > F
0,0181*
<,0001*
H0: C = 0 (Cementknuser har ingen virkning) forkastes, da P-værdi = 0.000 < 0.05
H0: R = 0 (Cementblander har ingen virkning) forkastes, da P-værdi = 0.0181 < 0.05
Konklusion: Cementknuserne har en stærk signifikant virkning,
Cementblanderne har en signifikant virkning,
Under “cementblandere” kan på samme måde som i forrige eksempel bl.a. findes følgende tabeller
Level
Least Sq Mean
c2
A
140,08333
c1
B
110,66667
c3
B
104,41667
Levels not connected by same letter are significantly different.
Heraf ses, at cementblander 2 må foretrækkes
Under cementknusere fås
Level
Least Sq Mean
k1
A
151,33333
k4
A
150,22222
k2
B
114,11111
k3
C
57,88889
Levels not connected by same letter are significantly different
Cementknuser 1 og 4 må foretrækkes.
Konklusion: Størst middelbrudstyrke fås i kombinationen
cementknuser 1 og cementblander 2 eller cementknuser 4 og cementblander 2
63
Prob > F
0,0163*
<,0001*
0,2787
5 To faktorer på 2 eller flere niveauer
~ for største middelbrudstyrke på basis af cementknuser 1 og cementblander 2:
Et estimat 
12
Rød pil ved Response Profiler
Factor profiling
Profiler
Ved de fremkomne figurer flyttes linier
Rød pil ved Predicter Profiler
Confidence Intervals
173,0278
±25,64987
Bruds tyrke
200
150
100
50
c2
Cem entbl ander
k4
k3
k2
k1
c3
c2
c1
0
k1
Ce m entknuser
~12  173.0
95% Konfidensinterval : 173.03  25.65;173.03  25.65  147.4;198.7
Eksempel 5.4 Additiv model: Een signifikant hovedvirkning
Samme problem som i eksempel 5.3, blot er tallene for cementblander 2 formindsket med 10.
Forsøgsresultaterne var:
Cementknusere
1
2
3
4
1 147
175
130
99
85
75
67
23
35
215
97
180
2 211
145
163
131
100
145
75
45
71
151 157
167
3 123 85 153 137 143 82
Forudsætningerne for en variansanalyse antages opfyldt.
67
25
83
135
129
Cementblandere
91
Angiv hvilke kombinationer af cementblander og cementknuser, der giver den største
brudstyrke, og giv et estimat og et 95% konfidensinterval for denne største middelbrudstyrke.
Løsning:TI89+ TI-Nspire
1) H 0 : R * C  0 (Ingen signifikant vekselvirkning)
Beregningerne er ganske analoge til eksempel 5.3.
Nedenfor er resultaterne angivet i den sædvanlige variansanalysetabel
Variation
SAK=SS df MS= s 2
F
Column:Cementknuser : C
Row: Cementblander : R
Interaction:R*C
Error
51995.2
4299.39
7122.61
3
2
6
1187.1
21270.7 24
886.278
64
1.33942
P - værdi
0.278669
5.4 Beregning af tosidet variansanalyse
For “interaction” findes P - værdi = 0.2787.
Da P - værdi = 0.2787 > 0.05 accepteres H 0 .
Konklusion: Vi antager i det følgende, at vekselvirkningen er forsvindende.
Test H0: C = 0
H0: R = 0
Pooling: SAKpool = SAKerror + SAKvekselvirkning = 7122.61+21270.7 =28393.3.
28393.3
s 2p 00l 
 946.443
fp00l = ferror + fvekselvirkning = 24+6 = 30
30
173317
.
Fknuser 
 18.31 . P - værdi =P(F > 18.31) = FCdf(18.31,  ,3,30) = 6.09  10  7
946.44
2149.69
Fblander 
 2.271 . P - værdi =P(F > 2.271) = FCdf(2.271,  ,2,30) =0.121
946.44
Det giver følgende tabel:
2
Variation
SAK=SS df
P - værdi
F
MS= s
Column:Cementknuser : C 51995.2 3
17331.7
18.31
0.000000
Row: Cementblander : R
4299.39 2
2149.69
2.271
0.121
Error (pool)
28393.3 30 946.443
H0: C = 0 (Cementknuser har ingen virkning) forkastes, da P-værdi = 0.000 < 0.05
H0: R = 0 (Cementblander har ingen virkning) accepteres, da P-værdi = 0.121 > 0.05
Konklusion: Cementknuserne har en (stærk) virkning
Cementblandere har ingen virkning
For at finde hvilken cementknuser der giver den største middelbrudstyrke kunne vi nu
beregnes gennemsnit og konfidensinterval for de 4 knusere ved at benytte de i oversigt
5.7 angivne formler.
Lettere er det at udnytte, at da vi nu kun har en faktor tilbage, så udnytte programmet
for ensidet variansanalyse, med cementknusere som faktor på 4 niveauer.
Konfidensintervaller findes som ekstra søjler efter list6
xbar
lowlist uplist
148
126.3
169.7
110.78 89.08
132.48
54.56
32.85
76.26
146.89 125.19 168.59
Cementknuser 1 og 4 må foretrækkes, selv om man ikke helt kan afvise at
cementknuser 2 kan være lige så god. For at afgøre dette beregnes diameter i LSDinterval
43.4
 30.7
dkon= 169.7 - 126.3 = 43.4 d LSD 
2
Konklusion: Cementknuser 1 og 4 må foretrækkes
Et estimat for største middelbrudstyrke: 148 95% konfidensinterval [126.3 ; 169.7]
65
5 To faktorer på 2 eller flere niveauer
Løsning:SAS.JMP
1) H 0 : R * C  0 (Ingen signifikant vekselvirkning)
Beregningerne er ganske analoge til eksempel 5.5.
Blandt disse er følgende variansanalysetabel
Analysis o Variance
Source
DF
Sum of Squares
Model
11
63417,222
Error
24
21270,667
C. Total
35
84687,889
Effect Tests
Source
Nparm
Cementblander
2
Cementknuser
3
Cementblander*Cementknuser
6
Mean Square
5765,20
886,28
DF
2
3
6
F Ratio
6,5050
Prob > F
<,0001
Sum of Squares
4299,389
51995,222
7122,611
F Ratio
2,4255
19,5557
1,3394
Prob > F
0,1098
<,0001
0,2787
a) H 0 : R * C  0 (Ingen signifikant vekselvirkning)
For “Cementblandere*cementknusere” findes P - værdi = 0.2787.
Da P - værdi = 0.2787 > 0.05 accepteres H 0 .
Konklusion: Vi antager i det følgende, at vekselvirkningen er forsvindende.
b) Vekselvirkningen "pooles" ned i “error”.
Gå tilbage til starten, og slet vekselvirkningsleddet.
Blandt mange tabeller findes
Whole Model
Effect Tests
Source
Cementblander
Cementknuser
Nparm
2
3
DF
2
3
Sum of Squares
4299,389
51995,222
F Ratio
2,2713
18,3125
Prob > F
0,1206
<,0001
H0: C = 0 (Cementknuser har ingen virkning) forkastes, da P-værdi = 0.000 < 0.05
H0: R = 0 (Cementblander har ingen virkning) accepteres, da P-værdi = 0.121 > 0.05
Konklusion: Cementknuserne har en stærk signifikant virkning,
Cementblanderne ikke har en signifikant virkning,
Under “cementknusere” kan på samme måde som i forrige eksempel bl.a. findes følgende tabeller
og figurer
Response Brudstyrke
Cementknuser
Least Squares Means Table
Level
Least Sq Mean
k1
148,00000
k2
110,77778
k3
54,55556
k4
146,88889
Std Error
10,654398
10,654398
10,654398
10,654398
Lower95%
126,29770
89,07548
32,85326
125,18659
LSMeans Differences Student's t
Level
Least Sq Mean
k1
A
148,00000
k4
A
146,88889
k2
B
110,77778
k3
C 54,55556
Levels not connected by same letter are significantly different
66
Upper95%
169,70230
132,48008
76,25785
168,59119
5.5 Fuldstændigt randomiseret blokforsøg
LS Means Plot
Konklusion: Cementknuser 1 og 4 må foretrækkes.
Et estimat for største middelbrudstyrke: 148 95% konfidensinterval [126.3 ; 169.7]
Grafisk kontrol af kravet om normalitet
rød pil
Save columns
residuals
derefter som under ensidet variansanalyse
5.5 FULDSTÆNDIGT RANDOMISERET BLOKFORSØG.
Som beskrevet i kapitel 4.3, kan man blive tvunget til at benytte forsøgsenheder, som er ret
uensartede. Derved får den tilfældige forsøgsfejl en relativ stor spredning (stor “støj”).
For at “dæmpe støjen” kan man inddele forsøgsenhederne i grupper (blokke), hvor de
forsøgsenheder der ligger i samme blok er væsentlig mere ensartede end forsøgsenhederne i
forskellige blokke.
Til illustration heraf, så betragter vi igen forsøget beskrevet i eksempel 5.1.
Eksempel 5.5 (randomiseret blokforsøg). En bilfabrikant ønsker at finde ud af, hvorledes 3
olieblandinger O1, O2, og O3, og 2 karburatortyper K1 og K2 påvirker benzinforbruget.
Forsøget planlægges som et fuldstændigt faktorforsøg idet hvert niveau skal gentages mindst
4 gange. Dette betyder at der skal udføres 12 delforsøg.
Et delforsøg med én bil tager 1 dag.(1 tank = 40 liter: Kører ca. 15 km/l så 40 liter = 600 km,
hvilket giver ca. 7 timer med 80 km/time). Af tidsmæssige grunde kan man ikke benytte 12
dage til forsøget. Der benyttes 2 biler med tilhørende chauffør, hvilket forkorter forsøgstiden
til 6 dage.
Da de to biler (med tilhørende chauffør) kan frygtes at give systematisk forskellige resultater,
ønskes foretaget et randomiseret blokforsøg med biler som blokke.
1) Beskriv hvorledes en randomisering kunne tænkes at foregå.
67
5 To faktorer på 2 eller flere niveauer
2) Opdelingen i 2 blokke resulterede i følgende plan med tilhørende benzinforbrug
bil 1
dag 1
O1K2
810
dag 2
O3K2
910
dag 3
O2K2
1020
dag 4
O1K1
830
dag 5 dag 6
O2K1 O3K1
940
815
bil 2
dag 1
O1K1
860
dag 2
O3K2
930
dag 3
O1K2
840
dag 4
O2K1
990
dag 5
O3K1
855
dag 6
O2K2
1050
Skitser udseendet af en variansanalysetabel og beregn om man på dette grundlag kan vise, at der er
vekselvirkning mellem olieblanding og karburator.
Løsning:
1) Randomisering: To dåser mærkes henholdsvis bil1 og bil2. Behandlingen O1K1 skrives på
2 sedler som anbringes i hver sin dåse, behandlingen O1K2 skrives på 2 sedler som
anbringes i hver sin dåse osv. (se figuren).
Man trækker nu først de 6 sedler fra dåse med mærket bil 1.
Lad den første seddel der trækkes være O1K2. Det betyder nu, at bil 1 skal forsynes med
karburator 2 og olieblanding 1 og køre dag 1. Lad den næste seddel der trækkes være O3K2
. Det betyder tilsvarende at bil 1 skal forsynes med karburator 2 og olieblanding 3 og køre
dag 2. Således fortsættes indtil alle 6 sedler er udtrukket
Derefter fortsættes med at trække sedler fra dåsen med bil 2.
2) Analyse:
Der udføres en tosidet variansanalyse med faktorerne “olieblanding” og “karburator”
Da tallene er de samme som i eksempel5.2 fås samme resultater.
Der udføres en ensidet varaiansanalyse med blokke (biler) som faktor.
Resultat: SS = 3333.33 df = 1 MS = 3333.33
Bemærk: Vi antager altid, at blokke ikke vekselvirker med faktorerne, idet vi forudsætter, at den ene blok
(eksempelvis bil 1) bidrager med en systematisk højere resultat end den anden blok (eksempelvis at bil 1 på
alle dage giver et større benzinforbrug end bil 2).
Der udføres en tosidet variansanalyse.
Resultat: Serror = 3600, df = 6
Idet blokvirkningen trækkes fra fås
SS = 3600 - 3333.33 = 266.67 med df = 6 - 1 = 5.
Resultaterne indskrives i en variansanalysetabel
Variansanalyse
SAK
f
MS
F
P-værdi
Blokke (biler)
3333.33
1
3333.33
Olieblanding
2
Karburator
1
Olie * karburator
6450
2
3225
60.469
FCdf (60.469, ,2,5)  0.0031
“Error”
Total
266.67
5
11
53.333
Idet vi som sædvanlig antager at signifikansniveauet er 5 % fås, at da P - værdi = 0.31% <5% forkastes
H0
Konklusion: Begge faktorer har en virkning i form af en vekselvirkning.
Bemærk: Selv om analysen viser, at blokkene mod forventning ikke kan antages at have betydning, må man
ikke poole blokkene ned, da det svarer til, at man analyserer forsøget som om det var et fuldstændigt
randomiseret forsøg.
SAS.JMP har ikke et program til dette tilfælde.
68
5.6.To binomialfordelte eller Poissonfordelte faktorer i et fuldstændigt faktorforsøg
5.6. To binomialfordelte eller Poissonfordelte faktorer i et fuldstændigt faktorforsøg.
Har man 2 faktorer i en fuldstændig faktorstruktur, og de statistiske variable er enten binomialfordelte eller
Poissonfordelte, kan man ikke bruge variansanlyseteknikken, da den kræver, at de variable er normalfordelte. I
appendix 5.2 er vist, hvordan man kan transformere data så det er tilladeligt at bruge variansanlyseteknikken på
de transformerede data
69
5 To faktorer på 2 eller flere niveauer
5.7. OVERSIGT OVER FREMGANGSMÅDE VED TOSIDET
VARIANSANALYSE
TI89 antages benyttet.
Giver følgende skema
Søjlefaktor Q
Rækkefaktor R
Q1
Q2
...
Qq
R1
x111 x112 .... x11n
x121 x122 .... x12n
x1q1 x1q2 .... x1qn
R2
x211 x212 .... x21n
x221 x222 .... x22n
x2q1 x2q2 .... x2qn
xr11 xr12 .... xr1n
xr21 xr22 .... xr2n
xrq1 xrq2 .... xrqn
...
Rr
H 0 : R * C  0 (Ingen signifikant vekselvirkning)
H: R * C  0
Apps Stats Data indtastes: Q1 søjle i list1 Q2 søjle i list2 osv. Qq søjle i listq
F6, ANOVA2-Way, ENTER
DESIGN=2 Factor,EqReps, Levls of Col Factor =q,Levls of Row Factor =r, ENTER
Næste skema udfyldes med List1, List 2,List3 og List 4, ENTER
Resultat fremkommer som en lang række tal
Under “interaction” findes “P-value”
1) P - værdi <  : H0 forkastes, dvs. Faktorerne R og C vekselvirker
Konfidens og LSD intervaller opstilles til afgørelse af hvilken kombination af faktorer,
der eksempelvis giver mindst resultat.
Man udregner de r  q gennemsnit og finder den mindste x min
Radius rkon= t 0.975 ( f error ) 
2
serror
n
2
, hvor man under “ERROR” finder serror
og f error =df
Beregner diameter dkon = 2  rkon og dlsd = 2  rkon
De gennemsnit der ligger indenfor en afstand dlsd fra x min er ikke signifikant forskellige.
2) P - værdi >  : H0 accepteres, dvs, der kan ikke påvises en signifikant vekselvirkning
For overskuelighedens skyld opstilles en variansanalysetabel ud fra udskrifterne
MS=s2
Variation
SAK=SS
f = df
Rækkefaktor R :
SAKR
f R  r 1
Søjlefaktor C :
SAKC
fC  q 1
Vekselvirkning R*C SAKRC
f RC  (r  1)(q  1)
Gentagelser
(residual, error)
f error  r  q  (n  1)
SAKerror
70
F
5.7. Oversigt over fremgangsmåde ved tosidet variansanalyse
Der foretages en “pooling” af vekselvirkning ned i Error, og man udregner nye Pværdier.
Variation
SAK=SS
MS=s2
f = df
Rækkefaktor SAKR
R
f R  r  12
Søjlefaktor
C:
f C  q  12
sR 
SAKC
sC 
Error(poolet) SAKpool=
SAKRC+SAKerror
2a)
fpool=fRC+ferror
F
P-værdi
SAK R
fR
sR2
s 2pool
FCdf(FR,  ,fR,fpool)
FR =
SAKC
fC
sC2
s 2pool
FCdf(FC,  ,fC,fpool)
FC =
s 2pool 
SAK pool
f pool
Begge P-værdier < 
H 0 : R  0 (Ingen signifikant virkning af rækkefaktor)
H0 forkastes, dvs. rækkefaktor har en signifikant virkning
Konfidens- og LSD intervaller opstilles til afgørelse af, hvilket niveau af
rækkefaktor der eksempelvis giver mindst resultat.
Man udregner de r rækkegennemsnit og finder den mindste xr ,min
Radius rkon= t 0.975 ( f pool ) 
s 2pool
nq
Beregner diameter dkon = 2  rkon og dlsd = 2  rkon
De gennemsnit der ligger indenfor en afstand dlsd fra xr ,min er ikke signifikant
forskellige
H 0 : C  0 (Ingen signifikant virkning af søjlefaktor)
H0 forkastes, dvs. søjlefaktor har en signifikant virkning
Man udregner de q søjlegennemsnit og finder den mindste xq,min
Radius rkon= t 0.975 ( f pool ) 
s 2pool
nr
Beregner diameter dkon = 2  rkon og dlsd = 2  rkon
De gennemsnit der ligger indenfor en afstand dlsd fra xq,min er ikke signifikant
forskellige
For celle i i’te række og j’te søjle er den estimerede middelværdi
~ij  xi . x . j  x .. (jævnfør betragtningerne i afsnit 5.3)
Konfidensintervaller for hver celle:

(r  q  1)
(r  q  1) 
sm ; ~ij  t  ( N  r  q  1)
sm 
 ~ij  t  ( N  r  q  1)
1
1
N
N


2
2
71
5 To faktorer på 2 eller flere niveauer
2b)
Kun en P-værdi <  .
Lad os antage, det er den ud for rækkefaktoren
H 0 : R  0 (Ingen signifikant virkning af rækkefaktor)
H0 forkastes, dvs. rækkefaktor har en signifikant virkning
H 0 : C  0 (Ingen signifikant virkning af søjlefaktor)
H0 acceptere, dvs. søjlefaktor har ingen signifikant virkning
Problemet svarer nu til, at man har en ensidet variansanalyse, og beregningerne
fortsætter derfor som sådan
72
Opgaver til kapitel 5
OPGAVER
Opgave 5.1
I et forsøg undersøgtes, om det kemiske udbytte af en proces afhænger af hvilken af 2
katalysatorer, der anvendes. Endvidere kan man benytte 3 forskellige apparater, og de kunne
også tænkes at have indflydelse på resultatet.
Der fandtes følgende udbytter:
Katalysator K1
Katalysator K2
Apparat A1
69
72
65
66
Apparat A2
72
71
70
69
Apparat A3
70
71
72
73
1) Idet det antages at forudsætningerne for at udføre en variansanalyse er tilstede, skal der
udføres en test til vurdering af, om middeludbyttets (eventuelle) afhængighed af de
benyttede katalysatorer og apparater kan beskrives ved en additiv model.
2a) Hvis man af økonomiske grund vælger apparat A1 hvilken katalysator skal man så vælge?
2b) Hvis man af økonomiske grunde vælger katalysator 1 hvilket apparat skal man så vælge?
2c) Hvilken (hvilke) kombinationer af apparat og katalysator giver det største udbytte.
Opgave 5.2
Man ønsker at undersøge den virkning som 2 faktorer (typen af glas og fosfor) har på
skarpheden af billedet på en TV-skærm. Responsvariablen er den strøm (i microampere) som
er nødvendig for at opnå et specifik skarpheds niveau.
Data er vist i nedenstående tabel:
Fosfortype
1
Glastype
2
1
280
290
285
230
235
240
2
300
310
295
255
240
235
3
290
285
290
220
225
230
Idet de sædvanlige variansanalyseforudsætninger antages opfyldt, ønskes følgende spørgsmål
belyst:
1) Har glastype og fosfortype indflydelse på skarpheden?
2) Ud fra svaret i spørgsmål 2 skal angives, hvilken glastype og fosfortype der giver den
største skarphed (giver den mindste respons)
73
5 To faktorer på 2 eller flere niveauer
Opgave 5.3
På en fabrik for glasvarer ønsker man at undersøge hvilken blandt 3 typer lim, der er bedst ved
sammenlimning af 3 forskel1ige glastyper. Forsøget foregik ved, at man limede to glasplader
sammen, og efter en passende tid undersøgte, hvor stor en kraft der skulle til for at trække
pladerne fra hinanden. Man valgte at lave et fuldstændigt faktorforsøg med 5 gentagelser af
hver behandling. Resultatet af forsøget var:
Glastype A
Glastype B
Glastype C
LIM I
20 18 23 22 23
21 27 24 20 18
17 23 18 21 25
LIM II
30 25 28 27 28
28 24 16 25 21
28 25 29 27 28
LIM III
31 32 18 30 21
18 30 18 32 31
23 24 19 22 24
Idet de sædvanlige variansanalyseforudsætninger antages opfyldt, ønskes følgende spørgsmål
belyst:
1) Angiv hvilke faktorer der har en virkning.
2) Angiv den eller de kombinationer af type lim og type glas, der har den største
sammenhængskraft. Angiv et 95% konfidensinterval for de pågældende kombinationer.
Opgave 5.4
Fabrikationen af et kemikalium baseres på en bestemt kemisk proces, som forudsætter
tilsætning af katalysator og en PH - værdi på ca. 5.
Som led i en laboratoriemæssig undersøgelse af mulighederne for at forøge procesudbyttet
foretoges bl.a. et forsøg, hvor man dels sammenlignede virkningen af tilsætning af 3
forskellige katalysatorer, dels undersøgte, om udbyttet afhang af, om den nødvendige PH værdi opnåedes ved tilsætning af HCl i stedet for som hidtil H2S04.
Forsøgsresultaterne var (udbytteprocenter):
Tilsat syre
HCl
Katalysatorer
H2S04
1
27.0
27.7
30.1
29.1
2
25.5
27.0
30.6
28.9
3
26.5
25.0
25.8
28.0
1) Foretag en statistisk analyse af forsøgsresultaterne og drag konklusioner.
2) Estimer under hensyn til resultatet af den under punkt 1) foretagne analyse procesudbyttet
ved benyttelse af katalysator 2 under tilsætning af HCl og opstil et 95% - konfidensinterval
for dette udbytte.
74
Opgaver til kapitel 5
Opgave 5.5
Hver af tre laboranter har bestemt hydroquinons smeltepunkt (0 Celcius) med (de samme) 4
termometre. Resultaterne var:
Termometre
Laboranter
1
2
3
4
1
174.0
173.0
171.5
173.5
2
173.0
172.0
171.0
171.0
3
173.5
173.0
173.0
172.5
Det antages, at de nødvendige variansanalyseforudsætninger er opfyldt, og at termometre og
laboranter ikke vekselvirker.
Følgende 2 spørgsmål ønskes belyst:
1. Aflæser laboranterne termometrene på samme måde?
2. Viser termometrene ens.
Opgave 5.6.
Ved en tekstilfabrikation måltes for to forskellige vævemetoder og 5 forskellige materialetyper antallet af
garnbrud pr. 1000 m2 klæde. Resultaterne var følgende:
Materialetyper
Vævemetoder
1
2
3
4
5
1
4
12
23
6
9
2
4
3
7
2
3
Foretag efter en passende variabeltransformation en analyse af, om og i bekræftende fald hvorledes middelantallet
af garnbrud afhænger af vævemetoder og/eller materialetyper.
Opgave 5.7.
Ved en undersøgelse af, hvorledes virkningen af forskellige giftstoffcr kunne bekæmpes, foretoges et fuldstændigt
randomiseret forsøg, hvorved 2 giftstoffer og 4 vitaminbehandlinger inddroges i undersøgelsen, og
overlevelsestiden (timer) af de benyttede forsøgsdyr måltes.
Nedenfor er anført en skematisk oversigt over forsøgsresultaterne:
Vitaminbehandlinger
1
2
3
4
1
3.1
4.5
8.2
11.0
4.3
4.5
4.5
7.1
2
2.2
2.1
3.0
3.7
2.3
2.5
3.0
3.6
Giftstoffer
Teoretiske overveje1ser i forbinde1se med tidligere lignende forsøg har vist, at variabeltransformationen Y 
sikrer den for analysen nødvendige varianshomogenitet.
1) Ana1yser forsøgsresultaterne og drag konklusioner med hensyn ti1 faktorernes virkemåde.
2) Opstil et 95%-konfidensinterval for den gennemsnitlige middeloverlevelsestid for hver enkelt
vitaminbehandling og bestem den vitaminbehandling. som må antages at have bedst virkning.
75
1
X
6. Flere end to forsøg, Screeningsforsøg
6 FLERE END TO FAKTORER,
SCREENINGS-FORSØG
6.1 INDLEDNING
Vi har i variansanalysen analyseret forsøg med 1 eller 2 faktorer. Imidlertid vil man i praksis ofte
have behov for forsøg, hvori der indgår mange faktorer.
De følgende eksempler illustrerer dette.
Eksempel 6.1. (5 faktorer)
Mængden af et uønsket spildprodukt ved en proces kan muligvis afhænge af en eller flere af
følgende 5 faktorer:
A: Mængden af reaktant
B: Syrekoncentrationen
C: Katalysatoren
D: Reaktionstid
E: Reaktionstemperatur.
Eksempel 6.2. (3 faktorer)
Antallet af brud i en stålfjeder er rigelig stor. Følgende 3 faktorer har muligvis betydning:
A: Stålets procentiske indhold af kul.
B: Temperaturen af det oliebad, som fjederen dyppes ned i under hærdningen
C: Fjederens temperatur lige før den nedsænkes i oliebadet.
Eksempel 6.3 (over 20 faktorer)
Skitsen viser et måleudstyr til måling af emissionen af NOx fra dieselmotorer
Da der var for stor variation i målingerne søgte man at forbedre udstyret. Efter "brainstorm" blev
foreslået en lang række faktorer, som på figuren er angivet med bogstaverne A, B, C, ....
76
6.1 Indledning
Formål med screeningsforsøg
Hvordan kan man med det mindst mulige antal forsøg dels finder hvilke faktorer der har en
virkning, dels finder hvorledes disse faktorer påvirker resultatet (ændres middelværdien?, ændres
spredningen?, øges robustheden overfor påvirkninger fra omgivelserne eller fra "dårlige"
komponenter?).
Her er det, at de i de følgende afsnit omtalte screeningsforsøg er centrale.
Man kan ved denne metode med forholdsvis få delforsøg undersøge mange faktorers virkning
på en produktions slutresultat.
Ved forsøget får man så afklaret, hvilke af faktorerne der har en væsentlig virkning. De
sædvanligvis få faktorer, som viser sig at have en virkning, kan man så studere nøjere ved
supplerende forsøg. Der gælder altid den regel, at man bør højst bruge 25% af det planlagte
budget på det første forsøg.
Den statistiske metode blev i 30-erne udviklet af en berømt statistiker R. Ficher, (F- fordelingen
er opkaldt efter ham) .
Metoden fik imidlertid først sin helt store udbredelse, da en japaner “Taguchi” formåede at gøre
metoden let forståelig og derved sikrede dens udbredelse. Endvidere udvidede han metoden til
også at finde hvilke faktorer der bidrog med den største spredning. Dette var bl.a. medvirkende
til at sikre japanske bilers overlegne kvalitet i forhold til eksempelvis de amerikanske biler.
Hvilke faktorer kan have betydning
Man starter med at søge at finde alle de faktorer, som på nogen mulig måde kan tænkes at have
en indflydelse på resultatet.
Her kan "brainstorm" være værdifuld, idet man "uden hæmninger" skal foreslå mulige faktorer.
Ved at lade en gruppe af "sagkyndige" på denne måde inspirerer hinanden, vil mange
utraditionelle forslag komme frem.
Man må passe på ikke at affærdige foreslåede faktorer som værende helt hen i vejret. Det er trods
alt bedre at tage mange faktorer med og så opdage, at de fleste ingen rolle spiller, end at risikere
at udskyde en væsentlig faktor.
Udførelse af forsøg
Det har stor betydning for forsøgets succes, at man er meget omhyggelig med at sammensætte
den gruppe af mennesker, som skal planlægge og udføre forsøget. Hvis det drejer sig om
udvikling af et nyt produkt vil det ofte være udviklingsafdelingen der både planlægger og udfører
forsøget. Hvis det drejer sig om et problem i en eksisterende produktion, som måske er
koncentreret om en bestemt maskine (eller del af produktionen), er det vigtigt at gruppen har
medlemmer (driftsingeniører, værkførere, opstillere), som arbejder tæt på maskinen (den del af
produktionen) til daglig. Det sikrer også, at de forstår ideen i forsøget, og derved sikrer at
forsøget bliver udført som planlagt.
Man har eksempler på, at hvis man ikke har forklaret metoden, så har man “på gulvet” strøget
nogle forsøg, fordi man fandt dem ganske overflødige, hvilket dermed ødelagde hele screeningen.
77
6. Flere end to forsøg, Screeningsforsøg
Screeningsforsøg
Har man mange faktorer der skal undersøges, må man for at begrænse antallet af delforsøg nøjes
med at undersøge hver faktor på 2 niveauer “lavt” niveau og “højt” niveau. Disse niveauer
forsøges valgt som “yderpunkter” med hensyn til faktorernes formodede virkning. Har man ingen
formodning herom, vælges sædvanligvis to faktorniveauer, som “afviger” mest muligt.
For at reducere antallet af forsøg mest muligt antages endvidere, at alle behandlinger kun
udføres 1 gang.
Har man k faktorer, vil antallet af forsøg være 2 k , deraf navnet “ 2 k faktorforsøg”.
Har man 4 faktorer er antallet af delforsøg 24=16, hvilket jo ikke er mange, men hvis eksempelvis
der er 7 faktorer, er antallet af delforsøg 27= 128, hvilket begynder at være uoverskueligt mange.
For at reducere antallet af delforsøg forudsættes derfor yderligere, at der ikke forekommer
vekselvirkninger mellem mere end 2 faktorer.
Det er en erfaringssag, at der meget sjældent forekomme signifikante vekselvirkninger mellem
3 faktorer, og vekselvirkninger mellem mere end tre faktorer er aldrig forekommet.
Man kan derfor poole disse “ledige” vekselvirkninger sammen til et estimat for spredningen.
Har vi eksempelvis 4 faktorer A, B, C og D, og hver faktor er på 2 niveauer, har de alle 1
frihedsgrad.
Vi har derfor følgende variansanalysetabel
Faktor
SAS=SS f
s2
F
P-værdi
A
1
B
1
AB
1
C
1
AC
1
BC
1
D
1
AD
1
BD
1
CD
1
Error
5
Total
15
Der er følgelig 5 frihedsgrader til rådighed til bestemmelse af den fælles varians.
Et forsøg som ovenstående kaldes et fuldstændigt 24 - faktorforsøg, da man er interesseret i at
teste alle 2-faktor-vekselvirkninger.
Hvis man har mange faktorer giver det dog stadig alt for mange delforsøg
Man kan imidlertid reducere antal forsøg kraftigt ved såkaldte “partielle 2 k faktorforsøg.
Sædvanligvis ved man (måske fra tidligere forsøg), at visse 2-faktorvekselvirkninger ikke er
signifikante. Dette kan man som der vises i det følgende udnytte til at reducere antallet af
delforsøg kraftigt.
78
6.2 Nomenklatur
6.2 NOMENKLATUR
Faktorerne omdøbes til A, B, C osv. og de antages alle på 2 niveauer , et “højt niveau og et lavt
niveau
En særdeles bekvem notation er følgende:
(1): Alle faktorer er på lavt niveau
a:
A på højt niveau, alle andre på lavt niveau.
b:
B på højt niveau, alle andre på lavt niveau.
ab: A og B på højt niveau, alle andre på lavt niveau.
c:
C på højt niveau, alle andre på lavt niveau.
ac: A og C på højt niveau, alle andre på lavt niveau
osv.
Nomenklaturen anvendes i en dobbelt betydning, idet eksempelvis a også betyder forsøgsresultaterne med denne behandling.
Faktorerne A, B, C ... på lavt niveau benævnes A1, B1, C1. . . og på højt niveau A2, B2, C2 ...
Nomenklatur og formler anskueliggøres i følgende eksempel.
Eksempel 6.4 23 faktorforsøg.
Ved et fuldstændigt randomiseret laboratorieforsøg undersøgtes, hvorledes udbyttet af en
nitreringsproces, hvis resultat ( i udbytteprocenter) indgår i en fabrikation af farvestoffer,
afhænger af 3 faktorer
Lav
Høj
A: Den tilføjede salpetersyre kold
varm
B: Omrøringstiden
kort
lang
C: Resteffekt
Renset beholder før delforsøget
urenset beholder
Forsøgsresultaterne fremgår af følgende skema, hvor også nomenklatur og gennemsnit er anført.
C1(renset beholder)
C2 (urenset beholder)
gennemsnit
B1 (kort)
B2 (lang)
B1 (kort)
B2 (lang)
A1 (kold)
(1) 87.2
b
c 86.7
bc 83.4
84.825
A2 (varm)
a 88.4
abc 83.7
86.075
82.0
ab 83.0
ac
89.2
a) Angiv faktor A’s hovedvirkning og tegn den
b) Angiv vekselvirkningen BC og tegn den
Løsning (håndregning)
Hovedvirkning
Ved A’s hovedvirkning forstås effekten af en ændring ud
fra gennemsnitsniveauet til niveauet, når A er på højt
niveau.
Et estimat (skøn) for A’s hovedvirkning er i eksempel 6.4
~
A =86 .075- 85.45 =0.625. (se figuren).
~
Bemærk: Et estimat for A skrives kort A osv. (der sættes
en “tilde” over bogstavet).
79
6. Flere end to forsøg, Screeningsforsøg
B og C’s hovedvirkning defineres analogt
(B’s virkning når B er på højt niveau og C’s virkning når C er på højt niveau).
Vekselvirkning:
Lad os betragte vekselvirkningen AB.
Vi har
A2 B2  83  83.7  166.7,
A1 B2  82  83.4  165.4
A2 B1  88.4  89.2  177.6
A1 B1  87.2  86.7  173.9
Tegnes forbindelseslinierne (se figuren) ses,
at linierne ikke er parallelle (da 10.9  8.5).
“Hældning” på B2 linie = 166.7 - 165.4= 1.3
“Hældning” på B1 linie = 177.6 - 173.9 = 3.7
Vekselvirkningen AB =
13
.  3.7
 0.3
23
SAS.jmp og andre statistikprogrammer tegner disse figurer, som gør det lettere at tolke
eksempelvis vekselvirkninger
Generelle formler for hoved- og vekselvirkninger
Fortegnsmatrix: Et vigtigt hjælpemiddel er de såkaldte fortegnsmatricer:
Disse er opbygget således, at
1) A , B og C søjlerne har +, hvis det til faktoren svarende lille bogstav indgår, ellers 
2) AB, AC , BC og ABC søjlerne er produktet” af tilsvarende fortegn i hovedsøjlerne.
I
+
+
+
+
+
+
+
+
(1)
a
b
ab
c
ac
bc
abc
A
+
+
+
+
B
+
+
+
+
AB
+
+
+
+
C
+
+
+
+
AC
+
+
+
+
BC
+
+
+
+
ABC
+
+
+
+
Resultat
87.2
88.4
82.0
83.0
86.7
89.2
83.4
83.7
For at beregne A’s virkning betragtes søjlen under A. Tælleren er så netop tallene i venstre
kolonne med det dertil svarende fortegn.
~
Eksempel : A 
 (1)  a  b  ab  c  ac  bc  abc
(nævner er det totale antal delforsøg).
23
~ 87.2  88.4  82.0  83  86.7  89.2  83.4  83.7 5
A
  0.625
8
23
87.2  88.4  82  83  86.7  89.2  83.4  83.7
2.4

 0.3
3
8
2
Det ses, at vi får værdierne fra før.
Resultaterne kan generaliseres til et vilkårligt antal faktorer.
AB 
80
6.3 Definitionsrelationer og aliasrelationer
Programmet mol1() i afsnit 6.9 beregner såvel virkningerne som varianserne.
Det samme gælder SAS.JMP.
6.3 Definitionsrelationer og aliasrelationer.
Lad os indledningsvis som eksempel betragte et fuldstændigt 22 - faktorforsøg.
Fortegnsmatricen for et sådant forsøg er
I
A
B



-1



a



b



ab
AB




Ved man, at vekselvirkningen AB er nul, kan man benytte fortegnssøjlen for AB til beregning
af et estimat for en ny faktor C.
Faktor C kan indføres i den fuldstændige 22 -faktorstruktur på en måde, som vi betegner C = AB.
Ved denne lader vi faktor C indgå på sit høje niveau i en behandling, når der i fortegnsmatricen
for den fuldstændige 22 - faktorstruktur er et + i AB-søjlen, og vi lader faktor C indgå i
behandlingen på sit lave niveau, når der er et minus (se følgende skema).
I
-1
a
b
ab
A






B






AB
C=AB








Mad 3 faktorer skulle vi normalt have udført 23 = 8 forsøg,
I ovenstående skema kan vi se, at netop halvdelen af alle behandlingerne i en fuldstændig 23 faktorstruktur udføres. Den fremkomne “partielle 23 - faktorstruktur” kaldes derfor for en
1 3
 2 -faktorstruktur.
2
Vi opskriver nu i en fortegnsmatrix samtlige virkninger
Fortegnssøjlerne bestemmes analogt med tidligere: I A-, B- og C - søjlerne sættes + eller eftersom det tilsvarende lille bogstav indgår i behandlingsnotationen eller ikke gør det. De øvrige
søjler udfyldes efter produktregelen, hvor eksempelvis fortegnene i ABC - søjlen fås ved produkt
af fortegnene i A-, B- og C-søjlerne.
Underliggende struktur Behandlinger
-1
c
a
a
b
b
ab
abc
I




A


B






81
AB C=AB








AC


BC






ABC




6. Flere end to forsøg, Screeningsforsøg
Af fortegnsmatricen ses, at der følger en række relationer mellem fortegnssøjlerne, som
symbolsk kan skrives:
A = BC
B = AC
C = AB
I = ABC
Det kan vises, at dette betyder, at vi ingen mulighed har for at estimere virkning ABC, og at de
linearkombinationer, der benyttes til estimation af virkningerne A, B og C, i virkeligheden
estimerer summer af virkninger: A+BC, B+AC og C+AB.
Vi benytter den terminologi, at A og BC er hinandens aliaser, B og AC er hinandens aliaser, og
at C og AB er hinandens aliaser. Vi siger også, at virkningerne er sammenblandede, og at
aliasrelationerne er A = BC, B = AC og C = AB.
Vi kalder endvidere I=ABC for den partielle faktorstrukturs definitionsrelation.
Vi kunne i stedet have sat C = -AB, dvs. at vi lader C-søjlen være AB - søjlen med modsat fortegn.
Det giver følgende fortegnsskema
Underliggende struktur
Behandlinger
I
A
B AB
(1)
a
b
ab
(1)
ac
bc
ab




 
 
 



  
C = - AB




AC BC ABC












Analogt med før ses, at der symbolsk gælder en række relationer:
A = - BC
B = - AC
C = - AB
I = -ABC
I dette tilfælde er I=-ABC den partielle faktorstrukturs definitionsrelation.
Vi kan af relationerne se, at hvis faktoren C vekselvirker med de oprindelige faktorer A og B, så
kan vi ikke estimere A og B rent, da de er sammenblandede med disse vekselvirkninger. Da vi
naturligvis ønsker at kunne estimere faktorerne, så er den ovenstående forsøgsplan kun
acceptabel, hvis alle 2-faktorvekselvirkninger på forhånd kan antages at være 0.
Produktregler
Ved betragtning af fortegnssøjlerne i den tilsvarende fortegnsmatrix indses let, at der for
“multiplikation” af fortegnssøjler gælder en række simple "produktregler", hvoraf vi eksempelvis
med let forståelig symbolik anfører:
AA = BB = CC = I ,
I  A = A  I = A, (dvs I svarer til tallet 1 ved normal multiplikation)
AB = A  B = B  A
ABC = A  B  C = B  A  C = C  A  B osv.
Ved benyttelse af disse produktregler fås aliasrelationerne umiddelbart ud fra definitionsrelationen I=ABC:
Ved multiplikation med A: A = BC.
Ved multiplikation med B: B = AC
Ved multiplikation med C: C = AB .
Omvendt kan definitionsrelationen fås ud fra en vilkårlig aliasrelation ved en multiplikation,
f.eks. fås ud fra C=AB ved multiplikation med C: I=ABC.
82
6.4 Planlægning af partielt forsøg
Foranstående mønster kan generaliseres, og der kan udarbejdes en fortegnsmatrix for enhver
2k-faktorstruktur.
6.4 Planlægning af et partielt forsøg
Et partielt 2k faktorforsøg kan opdeles i tre faser
1) Planlægning: Angivelse af hvilke forsøg der skal laves.
2) Udførelse: Forsøgene udføres randomiseret
3) Beregning: Beregne P-værdier, angive faktorer med signifikante virkninger, evt. hvilke
niveauer faktorerne skal indstilles på for at give maksimal virkning.
Vi vil i dette afsnit give et par eksempler på hvorledes man planlægger et partielt forsøg ud fra
givne oplysninger, mens vi i afsnit 6.5 vil vise hvorledes man udfører beregningerne.
Eksempel 6.5. Planlægning af et partielt 2k faktorforsøg
Virkningerne af 4 faktorer A, B , C og D ønskes undersøgt ved anvendelse af færrest mulige
delforsøg.
Man kan ikke på forhånd udelukke, at faktoren A vekselvirker med faktorerne B og C, mens det
anses for udelukket, at der kan forekomme andre vekselvirkninger.
Opstil en forsøgsplan, og angiv herunder
a) Den underliggende fuldstændige faktorstruktur, og relationerne hvormed nye faktorer er
indført i den underliggende struktur
b) Forsøgets behandlinger.
c) Antal frihedsgrader til “error” (forsøgsfejlens varians)
Løsning:
a) Der skal undersøges virkningerne af A, B, C , D, AB og AC, dvs. i alt 6 virkninger
1
Man kan derfor muligvis nøjes med at lave 8 delforsøg, dvs. vi vil udføre et partielt 2 4
2
faktorforsøg, da et sådant forsøg jo har 7 frihedsgrader. Der er dermed 1 frihedsgrad til
“error”.
Vi opskriver samtlige hoved- og vekselvirkninger i den underliggende fuldstændige 23
struktur, og sætter x ved de virkninger man foreløbig skal undersøge
A
B
AB
C
AC
BC
ABC
Beslaglagt virkning
x
x
x
x
x
Derefter indsættes faktoren D i modellen.
Sættes D = ABC ses, at AB = DC og AC = BD.
Da DC og BD antages at være forsvindende, kan AB og AC estimeres rent.
(En anden mulighed var at sætte D = BC, hvilket gav B = CD og C = BD, hvilket også er i
orden.)
83
6. Flere end to forsøg, Screeningsforsøg
Tabellen nedenfor angiver relationen hvormed D er indført.
A
B
AB
C
AC
BC
ABC = D
Beslaglagt virkning
x
x
x
x
x
x
b) De behandlinger (forsøg der skal laves) bestemmes af følgende fortegnsskema:
A
(1)
a
b
ab
c
ac
bc
abc

B
C
+


+
+
+
+






+
+
+
+
+
+
+



D=ABC

+
+

+


+
(1)
ad
bd
ab
cd
ac
bc
abcd
En kontrol er, at alle faktorer skal være 4 gange på højt og 4 gange på lavt niveau.
Forsøgene udgøres nu ( randomiseret) efter denne plan.
Har man ved lodtrækning fundet, at man først skal lave forsøget “ad”, så laves altså et forsøg
med faktorerne A og D på højt niveau og B og C på lavt niveau.
c) Antal frihedsgrader til error : 1
Eksempel 6.6 Konstruktion af forsøgsplan
Virkningerne af 7 faktorer T1, T2, T3, T4, T5,T6 og T7 ønskes undersøgt ved et screeningsforsøg.
Man kan ikke på forhånd udelukke, at faktoren T6 har 2-faktorvekselvirkninger med faktorerne
T2, T3 og T4. Endvidere kan faktoren T2 også tænkes at have 2-faktorvekselvirkninger med
faktorerne T3 og T4 . Endelig er det ikke utænkelig, at T5 vekselvirker med T7 .
Alle andre vekselvirkninger kan derimod anses for udelukket.
Opstil en forsøgsplan med færrest mulige delforsøg, og angiv herunder
a) Den underliggende fuldstændige faktorstruktur, samt relationerne hvormed nye faktorer er
indført i den underliggende struktur
b) Forsøgets behandlinger.
c) Antal frihedsgrader til “error” (forsøgsfejlens varians)
Løsning
a) Den underliggende struktur skal altid indeholde de faktorer, som har flest mulige vekselvirkninger med andre. T6 og T2 indgår i 3 vekselvirkninger, T3 og T4 indgår i 2 vekselvirkninger
mens T5 og T7 indgår i 1 vekselvirkning
Den mest “aktive” faktor benævnes med A, den næstmest aktive med B osv.
84
6.4 Planlægning af partielt forsøg
Vi foretager følgelig følgende omdøbning: A = T6 , B = T2, C = T3, D = T4 , E = T5, F =T7
og G = T1.
Der skal i alt estimeres 7 hovedvirkninger og 6 vekselvirkninger AB, AC, AD, BC, BD, EF.
Disse 13 virkninger kan muligvis estimeres ud fra en underliggende 24 faktorstruktur, da
13 < 15.
Vi prøver derfor om det er muligt at konstruere en
1 7
2 - faktorstruktur.
23
Der opskrives samtlige hoved- og vekselvirkninger i den underliggende fuldstændige 2 4 faktorstruktur.
Beslaglagt virkning
A
B
AB
C
AC
BC
Beslaglagt virkning






D

AD
BD
ABD
CD
ACD


BCD
ABC
ABCD
I skemaet er med  markeret de “beslaglagte” virkninger, dvs. virkninger som kan være
forskellig fra 0.
Vi skal nu indføre E og F så EF ikke er beslaglagt.
Efter at have prøvet forskellige kombinationer fandtes, at sættes E = ABC og F = CD er
EF = ABD, som ikke er beslaglagt (ses ved, at EF = ABCCD=ABD)
Resultatet kan samles i tabellen
Beslaglagt virkning
A
B
AB
C
AC
BC
ABC=E







Vi har dermed vist, at en
Beslaglagt virkning
D
AD
BD
ABD=EF
CD = F
ACD





BCD
ABCD = G

1 7
2 - faktorstruktur med ovenstående struktur kan benyttes til
23
testning af de mulige hoved- og 2-faktorvekselvirkninger.
85
6. Flere end to forsøg, Screeningsforsøg
b) Strukturens behandlinger bliver
Underliggende struktur
(1)
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
A B
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
C
















D








E=ABC

+














+













F=CD


+






+
G=ABCD
Behandlinger
+
fg
aef
bef
abfg
ce
acg
bcg
abce
d
adeg
bdef
abd
cdefg
acdf
bcdf
abcdefg


+





+
+
-




c) Da der i alt skal estimeres 7 hovedvirkninger og 6 vekselvirkninger er der
15 - 13 = 2 frihedsgrader til error
6.5 Beregning af et partielt forsøg
Planlægningen af et partielt forsøg må foretages manuelt, mens den talmæssige beregning af
P-værdier osv. sædvanligvis er så omfattende, at man vil benytte et statistikprogram hertil.
I afsnit 6.7 er anført et lille program til TI89, som kan beregne virkninger og SS = s2 .
SAS.JMP kan ligeledes foretage beregningerne.
Eksempel 6.7. Beregning af et partielt 2k faktorforsøg (fortsættelse af eksempel 6.5)
Virkningerne af 4 faktorer A, B , C og D ønskes undersøgt ved anvendelse af færrest mulige
delforsøg.
Man kan ikke på forhånd udelukke, at faktoren A vekselvirker med faktorerne B og C, mens det
anses for udelukket, at der kan forekomme andre vekselvirkninger.
I eksempel 6.5 udarbejdede man en forsøgsplan.
Denne blev anvendt, forsøgene blev udført (randomiseret)
Forsøgsresultaterne opført i standardrækkefølge er indsat i nedenstående skema
86
6.5 Beregning af partielt forsøg
(1)
a
b
ab
c
ac
bc
abc
A

+

+

+

+
B


+
+


+
+
C




D=ABC

+
+
+
+
+


+
+

+
(1)
ad
bd
ab
cd
ac
bc
abcd
65.0
30.0
10.0
85.0
25.0
80.0
40.0
60.0
a) Foretag beregningerne, og angiv hvilke faktorer, der har en signifikant virkning.
b) Angiv de niveauer faktorerne skal indstilles på, hvis man ønsker det største resultat.
c) Beregn et estimat for største middelværdi og angiv et 95% konfidensinterval herfor.
Løsning:
a) TI89 +TI-Inspire
Resultaterne indtastes i Stat/list i liste a i standardorden
(for at undgå eksakte tal vælg i “mode” approximate)
I HOME skrives mol1(3 ). Enter (da den grundlæggende struktur er 23)
I Stat/list fås liste ss= SAK =s2 (liste b med virkninger benyttes senere)
a
ss=SAK=s2
(1) 65
a
30
A=
1653.1
b
10
B=
3.125
ab
85
AB=
703.13
c
25
C=
28.125
ac
80
AC=
153.13
bc
40
BC=
3.125
abc 60
D=ABC= 2628.1
Vi får nu følgende variansanalysetabel, hvor vi først kun interesserer os for vekselvirkningerne
P-værdi
Faktor
SAK=SS f s  SAK
F= s
f
2
2
2
serror
A
1653.1
1 1653.1 529.0
B
3.125
1 3.125
1.0
C
28.125
1 28.125 9.0
D=ABC
2628.1
1 2628.1 841.0
AB
703.13
1 703.13 225.0 P(F>225)=FCdf(225,  ,1,1)=0.0424
AC
153.13
1 153.13 49.0
P(F>49)=FCdf(49,  ,1,1)=0.0903
BC=error 3.125
1 3.125
Af P-værdierne for vekselvirkningerne, ses, at med et signifikansniveau på 5% forkastes
H0: AC = 0 (svagt), mens AC ikke har nogen signifikant virkning.
Vi kan altså foreløbig konkludere, at A og B har en virkning i form af en vekselvirkning.
87
6. Flere end to forsøg, Screeningsforsøg
Vi vil nu undersøge om C og D skulle have en hovedvirkning.
AC pooles ned i Error, og man får
t2
Faktor
f s 2  SAK
s 2 P-værdi
SAK=SS= 3
F=
f
2
2
serror
A
B
C
28.125
1 28.125 0.36
må være over 0.5 da F < 1
AB
P(F>33.65)=FCdf(0,33.64,1,2)=0.0285
D=AB 2628.125
1 2628.125 33.64
C
153.125+3.125 =156.25 2 78.125
Error
Total
5171.875
7
Af P-værdierne ses, at H0: D = 0 forkastes (stærkt), men C ikke har nogen virkning.
Samlet konklusion: D har en hovedvirkning , A og B har en virkning i form af en vekselvirkning, og C har ingen virkning
c) Vi ser nu på de relevante virkningerne
a
b=virkning
(1) 65
49.375
a
30
A=
14.375
b
10
B=
-0.625
ab
85
AB=
9.375
c
25
C=
ac
80
AC=
bc
40
BC=
abc 60
D=ABC= -18.13
Da D har en negativ virkning, må D sættes på lavt niveau for at få det største resultat.
Da A har en stor positiv virkning, må A skulle sættes på højt niveau.
Da AB også har stor positiv virkning, mens B er lille og negativ, må det give det største
resultat,
at sætte A på højt niveau og B på højt niveau..
d) Største middeludbytte:
 ab =(1)+A+B+AB-D=49.375+14.375-0.625+9.375-(-18.13)=90.63
For at finde radius r kon i 95% konfidensinterval skal først poole C ned
SAKpool =156.25+28.125=185.38 s 2pool 
Radius rkon  t 0.975) ( f pool ) 
m  s 2pool
n
hvor m er antal virkninger der indgår i
r kon = t 0.975 (3) 
6145
. 5
8
185.38
.
 6146
med 3 frihedsgrader
3
,
 ab , dvs 5, og n er det totale antal forsøg, dvs. 8.
=19.72
95% konfidensinterval: [90.63-19.72 ; 90.63+19.72] = [70.91 ; 110.35]
88
6.5 Beregning af partielt forsøg
SAS-JMP:
a) Doe Screening Design Factors, Skriv 4 ved 2 level Catagorical ADD ændre navnene fra x1, x2 ... til A,
B, ... Continue Vælg 8 Run, Fractional Factorial (uden blokke) Continue
I “Changing Generating Rules” kunne man ændre planen, men da planen er meget simpel passer planen. Apply
Vi får planen , og ser den opfylder kravene (ingen betydende virkninger er sammenblandet)
Vi går til “Output Options” Make Tabel
Der fremkommer en tabel som skal udfyldes . Den er randomiseret, således at man nu blot kan
udføre forsøgene i den rækkefølge der står
I vort tilfælde indsætter vi de opgivne tal
Pattern
A
B
C
D
---L1 L1 L1 L1
++ - L2 L2 L1 L1
+-+L2 L1 L2 L1
-++ - L1 L2 L2 L1
+- - +
L2 L1 L1 L2
-+- - +
L1 L2 L1 L2
- - ++
L1 L1 L2 L2
++++
L2 L2 L2 L2
Rød pil i tabel ved “Model” Run Script
Y
65
85
80
40
30
10
25
60
Run
Under “Emphasis” vælg “Minimal report” (for at slippe for en masse udskrifter
Under “Construct Model Effects” slettes vekselvirkningen AD Run
Efter at have trykket på passende røde pile fås følgende:
Response Y
Analysis of Variance
Source
Model
Error
C. Total
DF
6
1
7
Sum of Squares
5168,7500
3,1250
5171,8750
Mean Square
861,458
3,125
F Ratio
275,6667
Prob > F
0,0461*
Parameter Estimates
Term
Intercept
A[L1]
B[L1]
C[L1]
D[L1]
A[L1]*B[L1]
A[L1]*C[L1]
Estimate
49,375
-14,375
0,625
-1,875
18,125
9,375
4,375
Std Error
0,625
0,625
0,625
0,625
0,625
0,625
0,625
t Ratio
79,00
-23,00
1,00
-3,00
29,00
15,00
7,00
Prob>|t|
0,0081*
0,0277*
0,5000
0,2048
0,0219*
0,0424*
0,0903
Effect Tests
Source
A
B
C
D
A*B
A*C
Nparm
1
1
1
1
1
1
DF
1
1
1
1
1
1
Sum of Squares
1653,1250
3,1250
28,1250
2628,1250
703,1250
153,1250
F Ratio
529,0000
1,0000
9,0000
841,0000
225,0000
49,0000
Prob > F
0,0277*
0,5000
0,2048
0,0219*
0,0424*
0,0903
Af P-værdierne for vekselvirkningerne, ses, at med et signifikansniveau på 5% forkastes
H0: AC = 0 (svagt), mens AC ikke har nogen signifikant virkning.
Vi kan altså foreløbig konkludere, at A og B har en virkning i form af en vekselvirkning.
AC pooles ned i “Error” : Rød pil ved “Response Y
89
Model Dialog
slet AC
Run
6. Flere end to forsøg, Screeningsforsøg
Vi får nu følgende udskrift
Response Y
Analysis of Variance
Source
DF
Model
5
Error
2
C. Total
7
Sum of Squares
5015,6250
156,2500
5171,8750
Parameter Estimates
Term
Estimate
Intercept
49,375
A[L1]
-14,375
B[L1]
0,625
C[L1]
-1,875
D[L1]
18,125
A[L1]*B[L1]
9,375
Effect Tests
Source
A
B
C
D
A*B
Mean Square
1003,13
78,13
Std Error
3,125
3,125
3,125
3,125
3,125
3,125
Nparm
1
1
1
1
1
DF
1
1
1
1
1
F Ratio
12,8400
Prob > F
0,0738
t Ratio
15,80
-4,60
0,20
-0,60
5,80
3,00
Sum of Squares
1653,1250
3,1250
28,1250
2628,1250
703,125
Prob>|t|
0,0040*
0,0442*
0,8600
0,6094
0,0285*
0,0955
F Ratio
21,1600
0,0400
0,3600
33,6400
9,0000
Prob > F
0,0442*
0,8600
0,6094
0,0285*
0,0955
Af P-værdierne ses, at H0: D = 0 forkastes (stærkt), men C ikke har nogen virkning.
Samlet konklusion: D har en hovedvirkning , A og B har en virkning i form af en vekselvirkning, og C har ingen virkning
b) Hovedvirkningen C pooles ned i “Error”:Rød pil ved “Response Y Model Dialog
Under “Prediction Profiles” vælges “Interaction Profiler” (slet evt. markør ved “Desirability
Functions”)
Prediction Profiler
±19,72384
Y
63,125
80
60
40
20
L1
A
Interaction Profiles
L1
B
90
L2
L1
D
L2
60
L1
A
L2
L1
30
A
Y
L1
L2
L1
L2
L1
0
0
90
L2
L1
60
Y
L1
L2
0
90
B
B
30
L1
60
L1
Y
D
D
L2
30
L2
0
L1
L2
L1
90
L2
L1
L2
6.5 Beregning af partielt forsøg
Det største resultat fås
ved at vælge faktoren D på lavt niveau (L1) ( ses under “Prediction Profiles” ).
ved at vælge A på højt niveau og B på højt niveau (ses under interaction profiles, “ ses bl.a.
på tegning ved siden af A og over B”)
c) Indstilles “Prediction profiles” på disse niveauer (eksempelvis ved at rykke de røde stiplede
linier) fås følgende figur
±19,72384
Y
90,625
80
60
40
20
L2
L1
L2
L1
L2
L1
0
L2
L2
L1
A
B
D
Heraf aflæses, at den største værdi er 90.625 og
95% konfidensinterval: [90.63-19.72 ; 90.63+19.72] = [70.91 ; 110.35]
Eksempel 6.8. Beregning af partiel faktorforsøg
Virkningerne af 7 faktorer ønskedes undersøgt ved et partielt faktorforsøg. Om 3 af faktorerne
kunne forudsættes, at kun hovedvirkninger kunne være forskellige fra nul, medens for de 4 øvrige
også 2-faktorvekselvirkninger eventuelt kunne være forskellige fra nul. De 4 sidste faktorer
identificeredes derfor med bogstaverne A,B,C og D og de 3 første med bogstaverne E,F og G.
1
8
Der udførtes et fuldstændigt randomiseret forsøg med en  2 7 - faktorstruktur, hvor denne sidste
er fremkommet ved, at faktorerne E,F og G indførtes i en fuldstændig 2 4 - faktorstruktur med
faktorerne A,B,C og D ved relationerne: E = ABC F = BCD G = ABCD
Behandlingerne anføres i standardrækkefølge efter A,B, C og D, og uden gentagelser, var
følgende:
15.3 18.4 26.1 26.3 13.5 15.7 18.8 17.3 21.0 22.3 18.9 15.5 9.6 10.5 23.1 25.0
a) Find, hvilke faktorer, der har virkning
b) Find de niveauer de pågældende faktorer skal indstilles på, for at give det største resultat.
c) Angiv et estimat for dette største middelresultat, og angiv et 95% Konfidensinterval herfor.
Løsning
Vi skal finde hovedvirkningerne + vekselvirkningerne AB, AC, AD, BC, BD, CD
Ti89
a) Resultaterne indtastes i Stat/list i liste a i standardorden
I HOME skrives mol1( ). Enter
k = 4 Enter
I Stat/list fås to lister b og ss. Vi anvender først ss-listen
91
6. Flere end to forsøg, Screeningsforsøg
(1)
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
a
15.3
18.4
26.1
26.3
13.5
15.7
18.8
17.3
21
22.3
18.9
15.5
9.6
10.5
23.1
25
ss=SAK=s2
A=
B=
AB=
C=
AC=
BC=
E=ABC
D=
AD
BD
ABD
CD
ACD
F=BCD
G=ABCD
1.3806
124.88
6.6306
57.381
0.33063
39.376
1.5006
1.8906
0.68063
2.6406
0.52563
7.9806
3.5156
148.23
2.6406
Vi tester først om der er vekselvirkning, dvs. vi danner følgende variansanalysetabel, hvor vi
har poolet de to ledige ABD og ACD ned i Error
Faktor
SAK=SS
f s  SAK
F= s P-værdi
f
2
2
2
serror
AB
AC
BC
AD
BD
CD
Error
6.6306
0.3306
39.376
0.68063
2.6406
7.9806
0.52563+3.5156=4.04123
1
1
1
1
1
1
2
6.6306
0.3306
39.376
0.68063
2.6406
7.9806
2.0206
3.2815
<1
19.4868
<1
1.30694
3.94963
>0.05
>0.05
P(F>19.49)=FCdf(19.49,  ,1,2)=0.0477
>0.05
>0.05
P(F>3.9463)=FCdf(3.95,  ,1,2)=0.185
Af P-værdierne for vekselvirkningerne, ses, at med et signifikansniveau på 5% forkastes
H0: BC = 0 (svagt), mens de øvrige ikke har nogen signifikant virkning.
Vi kan altså foreløbig konkludere, at B og C har en virkning i form af en vekselvirkning.
Vi vil nu undersøge om A, D, E , F og G skulle have en hovedvirkning.
AB, AC, AD , BD og CD pooles ned i Error, og man får
Faktor
A
B
C
D
E=ABC
F=BCD
G=ABCD
BC
Error
s2
1.3806
124.88
57.381
1.8906
1.5006
148.23
2.6406
SAK=SS
1.3806
124.88
57.381
1.8906
1.5006
148.23
2.6406
f
1
1
1
1
1
1
1
22.3043
7 3.1863
F
<1
P-værdi
39.19
<1
<1
46.52
<1
92
P(F>46.52)=FCdf(46.52,  ,1,7)=0.00025
6.5 Beregning af partielt forsøg
Af P-værdierne ses, at H0: F = 0 forkastes (stærkt), mens de øvrige faktorer ikke har nogen
virkning.
Samlet konklusion: F har en hovedvirkning , B og C har en virkning i form af en vekselvirkning,
de øvrige faktorer har ingen signifikant virkning
b) Vi ser nu på de signifikante virkninger.(kolonne b)
(1)
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
a
15.3
18.4
26.1
26.3
13.5
15.7
18.8
17.3
21
22.3
18.9
15.5
9.6
10.5
23.1
25
b
18.585
A=
B=
AB=
C=
AC=
BC=
E=ABC
D=
AD
BD
ABD
CD
ACD
F=BCD
G=ABCD
2.7938
-1.894
1.5688
3.0438
Da F har en positiv virkning, må F sættes på højt niveau for at få det største resultat.
B har den største numeriske virkning, C den næststørste (numerisk) og BC den mindste.
Da B er positiv og C er negativ, må vi have, at den største virkning er B-C-BC (da fortegnet
for BC jo er bestemt af fortegnene for B og C.) Konklusionen er, at
B må sættes på højt niveau og C på lavt niveau.
c) Største middelværdi af resultat
bf =(1)+B-C-BC +F=18.581+2.7938-(-1.894)- 1.5688+3.0438=24.74
For at finde radius r kon i 95% konfidensinterval skal først poole A, D, E,G ned
27.7167
 2.5198 med 11
SAKpool =22.3045+1.3806+1.8906+1.5006+2.6406=27.7167 s 2pool 
11
frihedsgrader
Radius rkon  t 0.975) ( f pool ) 
m  s 2pool
2
k
= t 0.975 (11) 
5  2..52
 195
.
16
95% konfidensinterval: [24.74-1.95 ; 24.74+1.95] =[22.79 ; 26.69]
d) Hvilke kombinationer af faktorer giver højest middelværdi (hører ikke til opgaven)
3.9
 2.76
Diameter i konfidensinterval er 2  1.95 = 3.9 og i LSD interval
2
Det er klart, at F skal på højt niveau, da en ændring til lavt niveau ændrer middelværdien med 2  3.03=6 > 3.9
 bcf =(1)+B+C+BC +F=18.581+2.7938+(-1.894)+ 1.5688+3.0438=24.09
 f =(1)-B-C+BC +F=18.581-2.7938-(-1.894)+ 1.5688+3.0438=22.30
 cf =(1)-B+C-BC +F=18.581-2.7938+(-1.894)- 1.5688+3.0438=15.37
Konklusion: F på højt niveau, og alle andre kombinationer end B lavt og C højt.
93
6. Flere end to forsøg, Screeningsforsøg
SAS:JMP
a) Doe Screening Design Factors, Skriv 7 ved 2 level Catagorical ADD
ændre navnene fra x1, x2 ... til
A, B, ... Continue Vælg 16 Run, Fractional Factorial (uden blokke) Continue
Vi ser nu følgende forslag til struktur (efter at have valgt nedenfor nævnte boks)
Display and Modify Design
Change Generating Rules
Factors
A
B
C
D
E
X
X
X
F
X
X
X
G
X
X
X
Skemaet skal læses E = BCD, F = ACD, G = ABD
I “Changing Generating Rules” ændres nu planen ved at sætte passende krydser.
Apply
Vi får planen
Display and Modify Design
Change Generating Rules
Factors
E
F
G
A
X
X
B
X
X
X
C
X
X
X
D
X
X
Aliasing of Effects
Effects
Aliases
A
= F*G
D
= E*G
E
= D*G
F
= A*G
G
= A*F = D*E
A*B
= C*E
A*C
= B*E
A*D
= E*F
A*E
= B*C = D*F
B*D
= C*F
B*F
= C*D
Det ses, at planen opfylder kravene, idet vi dog skal flytte BC og CD frem
Vi går til “Output Options”
Make Tabel
Der fremkommer en tabel som skal udfyldes (se nedenfor)
Under “Emphasis” vælg “Minimal report” (for at slippe for en masse udskrifter
Rød pil i tabel ved Design
Model
Edit
Vi flytter nu BC og CD frem ved at skrive B*C fremfor A*E og C*D fremfor B*F. samt sletter
de to sidste vekselvirkninger BG og CG
Run
Vi er nu tilbage ved Model Specifikation, hvor vi ses, at den endelige model stemmer
For at kunne udfylde tabellen er vi nødt til at finde ud af behandlingerne
94
6.5 Beregning af partielt forsøg
Underliggende struktur
(1)
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
A B C D E=ABC F=BCD
   
   
   
   
   
   
   
   
   
   
   
   
   
   
   





+









+




+








   
+


G=ABCD
Behandlinger
+
g
ae
bef
abfg
cef
acfg
bcg
abce
df
adefg
bdeg
abd
cdeg
acd
bcdf
abcdefg


+





+
+





Tabellen udfyldes
Pattern
------+
+---+- - +++ - +
- + - ++ - +
+++++++
+- -++++
++ - - -++
- ++ - - -+
- - + - ++ ++ - + - - +++ + - - - -+ - + + - +- -++
-+++ - + + - ++ - - - + - - ++ -
A
L1
L2
L1
L1
L2
L2
L2
L1
L1
L2
L2
L1
L2
L1
L2
L1
B
L1
L1
L1
L2
L2
L1
L2
L2
L1
L2
L2
L1
L1
L2
L1
L2
Rød pil i tabel ved Design
C
L1
L1
L2
L1
L2
L1
L1
L2
L2
L1
L2
L1
L2
L2
L2
L1
D
L1
L1
L2
L2
L2
L2
L1
L1
L1
L2
L1
L2
L1
L2
L2
L1
Model
E
L1
L2
L2
L2
L2
L2
L1
L1
L2
L1
L2
L1
L1
L1
L1
L2
F
L1
L1
L1
L1
L2
L2
L2
L1
L2
L1
L1
L2
L2
L2
L1
L2
Run Script
G
L2
L1
L2
L2
L2
L2
L2
L2
L1
L1
L1
L1
L2
L1
L1
L1
Y
15,3
18,4
9,6
18,9
25
22,3
26,3
18,8
13,5
15,5
17,3
21
15,7
23,1
10,5
26,1
I Emphasis vælg minimal report Run
Blandt mange andre udskrifter fås følgende tabeller:
Analysis of Variance
Source
Model
Error
C. Total
DF
13
2
15
Sum of Squares
395,54313
4,04125
399,58437
Mean Square
30,4264
2,0206
F Ratio
15,0579
Prob > F
0,0639
Effect Tests
Source
A
B
C
D
E
F
Nparm
1
1
1
1
1
1
DF
1
1
1
1
1
1
Sum of Squares
1,38062
124,88063
57,38063
1,89063
1,50062
148,23063
95
F Ratio
0,6833
61,8030
28,3975
0,9357
0,7427
73,3588
Prob > F
0,4954
0,0158*
0,0335*
0,4354
0,4796
0,0134*
15.3
18.4
26.1
26.3
13.5
15.7
18.8
17.3
21.0
22.3
18.9
15.5
9.6
10.5
23.1
25
6. Flere end to forsøg, Screeningsforsøg
Source
G
A*B
A*C
A*D
B*C
B*D
C*D
Nparm
1
1
1
1
1
1
1
DF
1
1
1
1
1
1
1
Sum of Squares
2,64063
6,63062
0,33062
0,68062
39,37563
2,64063
7,98063
F Ratio
1,3068
3,2815
0,1636
0,3368
19,4869
1,3068
3,9496
Prob > F
0,3714
0,2118
0,7250
0,6203
0,0477*
0,3714
0,1852
Heraf ses, at BC er den eneste signifikante vekselvirkning.
De øvrige vekselvirkninger pooles ned i “Error”, ved at slette dem i Design
Run
Vi får nu følgende udskrift
Analysis of Variance
Source
Model
Error
C. Total
Effect Tests
Source
Nparm
A
1
B
1
C
1
D
1
E
1
F
1
G
1
B*C
1
DF
8
7
15
Sum of Squares
377,28000
22,30437
399,58437
DF
1
1
1
1
1
1
1
1
Mean Square
47,1600
3,1863
Sum of Squares
1,38062
124,88063
57,38063
1,89063
1,50062
148,23063
2,64063
39,37563
F Ratio
0,4333
39,1925
18,0083
0,5934
0,4710
46,5207
0,8287
12,3576
Model
Edit
Run
F Ratio
14,8007
Prob > F
0,0010*
Prob > F
0,5314
0,0004*
0,0038*
0,4663
0,5146
0,0002*
0,3929
0,0098*
Heraf ses, at også F har en signifikant virkning.
Konklusion: B, C og F har en virkning B og C i form af en vekselvirkning
b) De øvrige hovedvirkninger pooles ned i “Error” Vælg derefter minimal Report, Run
Rød pil ved “Response Y” “Factor Profile “ vælg “Interaction Plots” og “Profiler”
Under “Prediction Profiler” slet kryds ved “Desirability Functions”
Interaction Profiles
Af interaction Profiles ses, at man skal vælge C på højt niveau (vigtigt) og B på højt niveau
96
6.6 Konfundering af blokke
Prediction Profiler
Af Prediction profiles ses, at man skal vælge F på højt niveau.
c) Rød pil ved “Prediction Profiler, Confidence Intervals
Placer de røde streger på figuren
±2,022308
Y
24,74375
25
20
15
L2
L1
L2
L1
L2
L1
10
L2
L1
L2
B
C
F
Det ses, at den største middelværdi er 24.74,
og et 95% konfidensinterval er [24.74 - 2.02 ; 24.74 + 2.02] = [22.72 ; 26.76]
6.6 KONFUNDERING AF BLOKKE
Blokke dannes som bekendt for at forminske “støjen”. Eksempelvis kan det være nødvendigt
af tidsmæssige grunde at benytte to ovne ved forsøget, og den ene ovn er af ældre dato, tager
længere tid at varme op, og man kan derfor risikere, at forsøgsresultaterne generelt er “lavere”
end et tilsvarende forsøg i den anden ovn.
Man kan så lave fuldstændige blokke, dvs. alle behandlinger skal være repræsenteret i begge
blokke. Uden en sådan balance er det klart ikke muligt at give en “fair” vurdering af behandlingerne. Imidlertid koster det jo mange forsøg, idet eksempelvis 2 blokke jo så kræver, at alle
behandlinger skal udføres 2 gange.
Skal antal delforsøg reduceres, er det derfor væsentligt, at have en metode til at lave lave
balancerede ufuldstændige blokke. Efter nogenlunde samme teknik som ved indførelsen af
faktorer i partielle forsøg, kan dette lade sig gøre. Man siger så, at man har konfunderet
blokkene i strukturen.
Metoden vises i de følgende to eksempler
Eksempel 6.9. Konstruktion af et konfunderet partielt forsøg.
Virkningerne af 5 faktorer T1, T2, T3, T4 og T5 ønskes undersøgt ved et screeningsforsøg. Man
ved at ingen af faktorerne T2 og T4 vekselvirker med andre faktorer. Man er nødt til at lave et
blokforsøg, med 4 forsøgsenheder i hver blok.
Opstil en forsøgsplan med færrest mulige delforsøg
Løsning:
Den underliggende struktur skal altid indeholde de faktorer, som har flest mulige vekselvirkninger med andre. Dette er i dette tilfælde T1, T3 og T5 .
97
6. Flere end to forsøg, Screeningsforsøg
Den mest “aktive” faktor med A, og de øvrige med B, C osv.
Vi foretager følgelig følgende omdøbning: A = T1 , B = T3, C = T5, D = T2 og E = T4.
Der skal i alt estimeres 5 hovedvirkninger og 3 vekselvirkninger AB , AC, BC.
Da blokkene er på 4 delforsøg, må vi så også indlægge 4 blokke. Dette koster 3 frihedsgrader,
dvs. i alt 5 +3 + 3 = 11 frihedsgrader.
1
Vi prøver derfor om det er muligt at konstruere en konfunderet 25 - faktorstruktur.
2
Vi indfører nu eksempelvis den “nye” faktor E ved aliasrelationen E = ABCD (som jo ikke er
beslaglagt).Endvidere konfunderer vi ABD og CD (og dermed også ABC).
Vi opskriver den beskrevne struktur i følgende skema:
x = Beslaglagt virkning
k = konfunderet virkning
A
B
AB
C
AC
BC
ABC
D
AD
BD
ABD
CD
ACD
BCD
ABCD=E
x
x
x
x
x
x
k
x = Beslaglagt virkning
k = konfunderet virkning
x
k
k
x
Vi har dermed vist, at ovenstående model kan anvendes.
Eksempel 6.10. Beregning af et konfunderet partielt 25-1 faktorforsøg
Virkningen af 5 faktorer A, B, C, D og E ønskes undersøgt. Man ved, at ingen af faktorerne
D og E vekselvirker med andre faktorer. Da man kun kan udføre 4 forsøg pr apparat, indføres
blokke på 4 forsøgsenheder.
I en fuldstændig 24 struktur med faktorerne A, B, C og D indføres E = ABCD. Endvidere
indføres blokkene ved at konfundere ABD og CD.
Her vælges (tilfældigt) fortegnene ++ til blok 1 + - til blok 2 osv.
Forsøgsplanen (opskrevet på sædvanlig måde i standardorden ) og forsøgsresultaterne er:
A
(1)
a
b
ab

+
+
+
+
+

+
+
+
+
+
+
+
+
+
+
+
+
+
ac
+





D




abc
d
ad
bd
abd
cd
acd
bcd
abcd
C








c
bc
B


+
+


+
+
+
+






+
+
+
+
+
+
+



E=ABCD
+


behandlinger
e
a
b
abe
ABD

+
+
c


+
ace
+
+
bce
+
+



+
+

+


+
abc
d
ade
bde
abd
cde
acd
bcd
abcde
98

+


+
+


+
CD
+
+
+
+








+
+
+
+
Blokke
3
1
1
3
Resultat
9
16
11
13
4
10
2
14
2
6
4
2
4
4
2
1
3
3
1
17
11
14
7
14
9
16
8
5
6.6 Konfundering af blokke
a) Find hvilke faktorer der har virkning
b) Angiv de niveauer de pågældende faktorer skal indstilles på, for at give det største
middelresultat.
Løsning TI89
a) Resultaterne indtastes i Stat/list i liste a i standardorden
I HOME skrives mol1( ). Enter
k = 4 Enter
I Stat/list fås to lister b og ss. Vi anvender først ss-listen
(1)
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
a
9
16
11
13
10
14
6
17
11
14
7
14
9
16
8
5
ss=SAK=s2
A=
B=
AB=
C=
AC=
BC=
ABC*
D=
AD
BD
ABD*
CD*
ACD
BCD
E=ABCD
90.25
20.25
1.00
6.25
0.0
4
0.25
9.0
6.25
12.25
4
2.25
9
4
42.25
Vi danner nu en variansanalysetabel, hvor vi pooler de tre SS for blokvirkning sammen og
pooler de fire ledige AD, BD, ACD og BCD ned i Error
Faktor
blok
AB
AC
BC
Error
SAK=SS
0.25+4+2.25=6.50
1.00
0.0
4
6.25+12.25+9+4=31.5
f
3
1
1
1
4
s2 
SAK
f
2.16
1
0
4
7.875
F=
<1
<1
<1
<1
s2
P-værdi
2
error
s
>0.05
>0.05
>0.05
Af P-værdierne for vekselvirkningerne, ses, at der ikke er nogen signifikante vekselvirkninger
99
6. Flere end to forsøg, Screeningsforsøg
Vi vil nu undersøge om A, B, C, D og E skulle have en hovedvirkning.
AB, AC, BC pooles ned i Error, og man får
Faktor
Blok
A
B
C
D
E=ABCD
Error
SAK=SS
f s2
F
P-værdi
90.25
20.25
6.25
9.0
42.25
31.5+1.0+0+4=36.5
1
1
1
1
1
7
17.308
3.88356
1.19863
1.726
8.10274
P(F>17.308)=FCdf(17.308,  ,1,7)=0.0042
P(F>17.308)=FCdf(17.308,  ,1,7)=0.0894
>0.05
>0.05
P(F>8.10274)=FCdf(8.10274,  ,1,7)=0.0248
90.25
20.25
6.25
9.0
42.25
5.2143
Af P-værdierne ses, at H0: A = 0 forkastes (stærkt), og H0: E = 0 forkastes, mens de
øvrige faktorer ikke har nogen virkning.
Samlet konklusion: A og E har en hovedvirkning
de øvrige faktorer har ingen signifikant virkning
b) Vi ser nu på de signifikante virkninger.(kolonne b)
A=
E=
b
11.25
2.375
-1.625
Da A har en positiv virkning og E en negativ virkning , må A sættes på højt niveau og E
på lavt niveau for at få det største resultat.
Løsning:SAS.JMP
a) Doe Screening Design
...
Continue
Factors, Skriv 5 ved Catagorical ADD
ændre navnene fra x1, x2 ... til A, B,
Vælg 16 Run, Fractional Factorial (med 4 blokke) Continue
Vi får en udskrift
Vælg “Change Generating Rules”
Vi ændrer nu planen ved at sætte og fjerne passende krydser i overensstemmelse med ovenstående
plan.
Apply
Change Generating Rules
Factors
E
Block Block
A
X
X
B
X
X
C
X
X
D
X
X
X
Aliasing of Effects
Effects
Aliases
C*D
C*E
D*E
Block Aliases
= Block
= Block
= Block
Vi ser planen stemmer
“Output Options”
Randomize within blocks.
Make Tabel
Der udskrives nu en tabel, efter hvilken rækkefølgen af forsøgene er bestemt (randomiseret) Vi
indsætter nu forsøgsresultaterne:
Bloknumrene svarer ikke til dem vi indførte, men da man jo ikke er interesseret i hvilke blokke der
er “bedst”, er det ligegyldigt. Eksempelvis svarer SAS blok 1 til vor nr 4
100
6.6 Konfundering af blokke
Pattern
--+-- + -++
+++ - + - - ++
---+- ++ - +
+-+-+
++ - + ----+
+ - ++ ++ - -+
- +++ - - +++
+----+--+++++
Block
1
1
1
1
2
2
2
2
3
3
3
3
4
4
4
4
A
L1
L1
L2
L2
L1
L1
L2
L2
L1
L2
L2
L1
L1
L2
L1
L2
B
L1
L2
L2
L1
L1
L2
L1
L2
L1
L1
L2
L2
L1
L1
L2
L2
C
L2
L1
L2
L1
L1
L2
L2
L1
L1
L2
L1
L2
L2
L1
L1
L2
D
L1
L2
L1
L2
L2
L1
L1
L2
L1
L2
L1
L2
L2
L1
L1
L2
E
L1
L2
L1
L2
L1
L2
L2
L1
L2
L1
L2
L1
L2
L1
L1
L2
Y
10
7
17
14
11
6
14
14
9
16
13
8
9
16
11
5
Analyse af data (variansanalyse)
Rød pil i tabel ved Design,Model Edit
I den fremkomne tabel fjernes nu alle de vekselvirkninger, man mener der er 0.
Rød pil i tabel ved Design,Model Run Script
Man ser nu den endelige model.
Run model
Vi får bl.a. følgende udskrift.
Analysis of Variance
Source
DF
Model
11
Error
4
C. Total
15
Parameter Estimates
Term
Intercept
A
B
C
D
E
Block[1]
Block[2]
Block[3]
A*B
A*C
B*C
Sum of Squares
179,50000
31,50000
211,00000
Estimate
11,25
2,375
-1,125
-0,625
-0,75
-1,625
0,75
0
0,25
-0,25
0
-0,5
Mean Square
16,3182
7,8750
Std Error
0,701561
0,701561
0,701561
0,701561
0,701561
0,701561
1,215139
1,215139
1,215139
0,701561
0,701561
0,701561
t Ratio
16,04
3,39
-1,60
-0,89
-1,07
-2,32
0,62
0,00
0,21
-0,36
0,00
-0,71
F Ratio
2,0722
Prob > F
0,2516
Prob>|t|
<,0001*
0,0276*
0,1841
0,4233
0,3453
0,0815
0,5705
1,0000
0,8470
0,7396
1
0,5154
Det ses, at alle vekselvirkninger er 0.
De pooles væk.
Marker dem under “Model Specification” og vælg Remove Run Model
Parameter Estimates
Term
Estimate
Std Error
t Ratio
Intercept
11,25
0,57087
19,71
A
2,375
0,57087
4,16
B
-1,125
0,57087
-1,97
C
-0,625
0,57087
-1,09
D
-0,75
0,57087
-1,31
E
-1,625
0,57087
-2,85
Block[1]
0,75
0,988776
0,76
Block[2]
0
0,988776
0,00
Block[3]
0,25
0,988776
0,25
Konklusion:
A og E har en virkning
101
Prob>|t|
<,0001*
0,0042*
0,0894
0,3098
0,2303
0,0248*
0,4729
1,0000
0,8077
6. Flere end to forsøg, Screeningsforsøg
b) Beregning af estimat for optimal værdi samt konfidensintervaller
B, C og D pooles ned i “error” hvorved vi får den endelige model. Derefter
Rød pil ved “Response Y”
Factor Profiling
Profiler
Rød pil ved “Prediction Profiler”
Der fremkommer en figur hvoraf man ser, at
A skal på højt niveau, og E skal på lavt niveau for at give det største middelværdi
L2
L1
1
A
E
Block
4
3
2
1
L2
L1
L2
18
16
14
12
10
8
6
4
L1
±3,661206
Y
16
Sættes tallene under figurerne til ovennævnte niveauer fås følgende figur, hvoraf man kan se, at
største middelværdi er 16.00
Det har imidlertid ikke så megen mening, da tallet jo afhænger af blokkene
Man ser iøvrigt af udskrifterne at blokkene ikke har haft nogen betydning.
6.7. SEKVENTIEL FORSØGSSTRATEGI
I en række situationer vil man selv med partielle 2k - faktorforsøg og med rimelige forhåndsforudsætninger om hvilke vekselvirkninger der er nul få mange behandlinger og dermed
mange delforsøg. Er delforsøgene dyre og budgettet begrænset, kan man prøve at formindske
antallet ved at udføre færre forsøg end nødvendigt til at estimere alle virkninger, og dog håbe
at nå et fornuftigt resultat.
Man sammenblander eksempelvis to vekselvirkninger AB=CD uden at vide om en af dem er
0. Hvis man så opdager at den sammenblandede faktor AB+CD ikke er signifikant, så vil den
enkleste model være, at ingen af dem har en virkning. Det behøver naturligvis ikke at være
tilfældet, men det er en erfaring, at man ofte kan få en korrekt fortolkning af forsøgsresultaterne ved at vælge den, som giver den enkleste model. (den simpleste models princip).
102
6.8 Oversigt over fremgangsmåde ved partiel 2k -faktorforsøg
6.8 OVERSIGT OVER FREMGANGSMÅDE VED PARTIELT 2k FAKTORFORSØG.
1) Faktorerne omdøbes, så den faktor der indgår i flest 2-faktorvekselvirninger kaldes A,
næstflest kaldes B osv.
2) Antallet af faktorer og 2-faktorvekselvirkninger, der ønskes testet, optælles.
Lad antallet være t.
3) t < 7 :
Start med en 24-1 faktorstruktur (8 delforsøg)
7  t  15 : Start med en 25-1 faktorstruktur (16 delforsøg)
osv.
4) Den grundlæggende struktur opskrives, og man markerer hvilke af disse der skal undersøges
5) De resterende faktorer indføres, idet man opskriver aliasstrukturerne, og dermed sikrer, at
der ikke sker sammenblanding af virkninger.
Er det ikke muligt at undgå, må man fordoble antallet af forsøg (eksempelvis gå fra 8 til 16
forsøg).
6) Behandlingerne bestemmes ved at lave et fortegnsskema
(kontrol: Alle faktorer skal være lige mange gange på højt og lavt niveau)
7) Forsøgene udføres (randomiseret)
I opgaver bliver de opgivet, ofte i standardorden
8) Beregningerne foretages via TI89, TI-Nspire eller SAS.JMP (se eksempel 6.6, 6.7, 6.8)
103
6. Flere end to forsøg, Screeningsforsøg
6.9 TI89 og TI-Nspire-PROGRAM TIL BEREGNING AF 2k-FAKTORFORSØG.
Programudførelse
TI89: Første gang man anvender programmet skal man oprette 3 lister (muligvis er de der allerede)
APPS Stat/List kald tre liste a, b og ss
Indtast tallene fra opgaven i liste a i standardrækkefølge (Efter at have lavet forsøgsplan)
I HOME skrives mol1(3) ENTER hvis et 23 faktorforsøg, skriv mol(4) hvis det er et 24 faktorforsøg
Programmet svarer Done
Nu ligger estimaterne i liste b og SAK=SS = s2 i liste ss
TI-Nspire Hent fra dokumentværktøjslinien (nr 5 fra højre) programmet PRO1 fra det katalog, hvor du har
placeret det.
Vælges dokumentværktøjslinien (nr 2 fra højre) ses øverst 3 lister a , b, ss (oprettes hvis de ikke allerede
er dannet).
Indtast tallene fra opgaven i liste a i standardrækkefølge (Efter at have lavet forsøgsplan)
I feltet til venstre under listerne skrives nu mol(3) ENTER hvis et 23 faktorforsøg, skriv mol(4) hvis det er
et 24 faktorforsøg
Programmet svarer “Udført”
Nu ligger estimaterne i liste b og SAK=SS = s2 i liste ss
Selve programmet i TI89 og TI-Nspire kan ses nedenfor
TI 89 :Forberedelser:
Var Link F1 Create Folder PRO1
Opret en folder (mappe) til program navn PRO1
Mode Current Folder
Vælg PRO1 som mappe
APPS Stat/List kald tre liste a, b og ss
Opretter 3 lister med navnene a, b og ss
Slet eventuelt de øvrige lister
Var Link Pro1 F4 marker list 1- list6 og slet
Program
Ordrer
Kommentarer
APPS Program editor New
Oprette et program .Navnet kan man selv vælge
I menu vælges Type= Program
Der fremkommer en skabelon, hvor ordrer indtastes mellem Prgm
Variabel= mol(k)
og END program
2^k STO m
STO findes på tastatur
F2: For i,1,m
a[i] STO c[i]
a[i] STO d[i]
EndFOR
1 STO n
LBL top
LBL findes i Catalog
F2: If n<k+1Then
If ... Then... ENDIF Der skrives ordrer mellem delene
For i,1,m-1,2
Udregner hjæpestørrelser og placerer dem i liste d
c[i]+c[i+1] STO d[(i+1)/2]
c[i+1]- c[i] STO d[(i+m+1)/2]
ENDFOR
For i,1,m
d[i] STO c[i]
EndFOR
n+1 STO n
Goto TOP
Goto findes i Catalog
EndIf
For i,1,m
c[i]/m STO b[i]
c[i]^2/m STO ss[i]
EndFOR
EndPrgm
104
6.8 Oversigt over fremgangsmåde ved partiel 2k -faktorforsøg
TI-Nspire Forberedelser:
Vælg Lister og regneark kald tre liste a, b og ss
Opretter 3 lister med navnene a, b og ss
Program
Ordrer
Kommentarer
Vælg "Beregner" Funktioner og program Opretter et program .Define LibPriv mol(k)=
Program editor NY mol(k)
Navnet kan man selv vælge
Der fremkommer en skabelon, hvor ordrer indtastes mellem Prgm
og END program
Prgm
ordrer skrives på ny linie som fremkommer ved at trykke på
m:=2^(k)
ENTER
For i,1,m,1
c[i]:=a[i]
d[i]:=a[i]
EndFor
n:=1
Lbl top
If n<k+1 Then
For i,1,m-1,2
d[((i+1)/(2))]:=c[i]+c[i+1]
d[((i+m+1)/(2))]:=c[i+1]-c[i]
EndFor
For i,1,m,1
c[i]:=d[i]
EndFor
n:=n+1
Goto top
EndIf
For i,1,m,1
b[i]:=((c[i])/(m))
ss[i]:=((c[i]^(2))/(m))
EndFor
EndPrgm
Vælger "kontrol"
For . . . EndFor
Ordrer skrives mellem For og EndFor
startværdi
Vælger Overførsel
LBL
Skriver eksempelvis Top
If ... Then... ENDIF Der skrives ordrer mellem delene
Udregner hjæpestørrelser og placerer dem i liste d
Goto findes i overførsler
behandlinger placeres i liste b
SS=SAK placeres i liste ss
105
6. Flere end to forsøg, Screeningsforsøg
OPGAVER
Opgave 6.1
Virkningerne af 6 faktorer T1, T2, T3, T4, T5 og T6 ønskes undersøgt ved et screeningsforsøg.
Man kan på forhånd udelukkes, at faktorerne T4 og T5 vekselvirker indbyrdes eller med de
andre faktorer. Derimod skal det være muligt at teste alle øvrige 2-faktorvekselvirkninger,
ligesom alle 6 hovedvirkninger skal kunne testes.
Foretag en hensigtsmæssig omdøbning til A, B osv. og opstil derefter en forsøgsplan med
færrest mulige delforsøg. Angiv herunder
a) Den underliggende fuldstændige faktorstruktur, og relationerne hvormed nye faktorer er
indført i den underliggende struktur
b) Forsøgets behandlinger.
c) Angiv antal frihedsgrader for forsøgsfejlen (error)
Opgave 6.2.
Virkningen af 8 faktorer T1,T2, T3, T4, T5, T6, T7,T8 ønskes undersøgt ved et screeningsforsøg.
Det vides på forhånd, at faktoren T2 muligvis vekselvirker med faktorerne T1, T3 og T7 samt
at T4 muligvis vekselvirker mad T7 . Alle andre vekselvirkninger er 0.
Foretag en hensigtsmæssig omdøbning til A, B osv. og opstil en forsøgsplan med færrest
mulige delforsøg.
Angiv herunder
a) Den underliggende fuldstændige faktorstruktur, samt relationerne hvormed nye faktorer er
indført i den underliggende struktur.
b) Forsøgets behandlinger
c) Angiv frihedsgraden for forsøgsfejlen (error)
Opgave 6.3
Som led i en serie forsøg med henblik på optimering af styrken af et plastprodukt ønskedes
ved et fuldstændigt 24 faktorforsøg virkningen af følgende faktorer undersøgt:
Lavt niveau
Højt niveau
A: Materialetype
Type 1
Type 2
B: Fabrikationsmetode Metode 1
Metode 2
C: Kemisk farvestof
Ikke tilsat
Tilsat
D:Opbevaring
Kort tid
Lang tid
Ved forsøget måltes styrken af produktet
Forsøgsplan og forsøgsresultater (kodede tal) var følgende (i randomiseret rækkefølge):
a
b
ab
bcd ac
bc
-1
ad
abc acd bd
c
cd
abd abcd d
30.9 39.8 50.2 26.9 26.0 30.4 29.2 23.5 28.4 21.0 40.0 23.9 20.4 50.5 24.7 24.3
Det forudsættes, at kun hovedvirkninger og 2-faktorvekselvirkninger kan være forskellig fra
nul.
a) Hvilke faktorer har en signifikant virkning (indgår eventuelt i en vekselvirkning?)
b) Bestem, idet man ønsker den størst mulige middelværdi, de(n) optimale kombination(er) af
de 4 faktorers niveauer.
106
Opgaver til kapitel 6
Opgave 6.4
Virkningen af 5 faktorer A, B, C, D og E, som ikke vekselvirker, skal undersøges ved et
fuldstændigt randomiseret forsøg.
Faktorerne D og E indføres ved aliasrelationerne D = ABC og E = BC.
Forsøgsresultaterne (opskrevet på sædvanlig måde i standardorden) er:
7
19
25
15
54 46
12
31
a) Hvilke faktorer har en signifikant virkning (indgår eventuelt i en vekselvirkning?)
b) Angiv de niveauer de pågældende faktorer skal indstilles på, for at give det største
middeludbytte, og angiv et 95% konfidensinterval for dette middeludbytte.
Opgave 6.5.
Virkningen af 4 faktorer A, B, C og D påtænkes undersøgt ved et fuldstændigt randomiseret
forsøg med en partikulær 2k faktorstruktur. Det antages, at bortset fra hovedvirkninger, kan
der kun tænkes at forekomme 2-faktorvekselvirkning AC .
Der udføres et 25-2 faktorforsøg med aliasrelationerne D = ABC .
Opstillet i standardrækkefølge (efter den underliggende fuldstændige faktorstruktur i
faktorerne A, B og C) er forsøgsresultaterne på responsvariablen Y:
77.2
84.4
80.9
70.3
75.2
75.0
62.1
86.7
a) Hvilke faktorer har en signifikant virkning (indgår eventuelt i en vekselvirkning?), idet
signifikansniveauet sættes til 10%.
b) Bestem, idet man ønsker den størst mulige middelværdi, de(n) optimale kombination(er) af
de 4 faktorers niveauer, samt et 95% konfidensinterval.
Opgave 6.6
Virkningerne af 6 faktorer T1, T2, T3, T4, T5 og T6 ønskes undersøgt ved et screeningsforsøg.
Man har kun råd til at lave 16 delforsøg, og det er af tidsmæssige grunde nødvendigt at
arbejde med 4 blokke på 4 forsøgsenheder. Det vides at kun hovedvirkninger og 2 - faktorvekselvirkningerne T4T1, T4T2, T4T3 og T4T5 kan være forskellig fra nul.
Foretag en hensigtsmæssig omdøbning til A, B osv. og opstil derefter en forsøgsplan med
færrest mulige delforsøg. Angiv herunder
a) Den underliggende fuldstændige faktorstruktur, samt relationerne hvormed nye faktorer er
indført i den underliggende struktur
b) Forsøgets behandlinger.
c) Angiv antal frihedsgrader for forsøgsfejlen (error)
107
6. Flere end to forsøg, Screeningsforsøg
Opgave 6.7
Virkningen af 6 faktorer A, B, C, D, E og F ønskes undersøgt. Man ved, at ingen af faktorerne vekselvirker med andre faktorer. Da man kun kan udføre 4 forsøg pr. apparat, indføres
blokke på 4 forsøgsenheder.
I en fuldstændig 24 struktur med faktorerne A, B, C og D indføres E = ABCD og F = ACD.
Endvidere indføres blokkene ved at konfundere ABC og CD.
Opstillet i standardrækkefølge (efter den underliggende fuldstændige faktorstruktur i
faktorerne A, B, C og D) er forsøgsresultaterne på responsvariablen Y:
27.9 43.7 24.3 46.1 37.2 13.3 20.7 29.6 27.5 25.0 30.3 20.7 17.4 52.8 35.2 36.6
a) Hvilke faktorer har en signifikant virkning.
b) Bestem, idet man ønsker den størst mulige middelværdi, de(n) optimale kombination(er) af
de 4 faktorers niveauer.
108
7.1 Indledning
7. ENKELT REGRESSIONSANALYSE
7.1 INDLEDNING
I dette kapitel betragtes forsøg, hvor man har målt sammenhørende værdier af to kvantitative
variable. Det følgende eksempel demonstrerer et sådant tilfælde.
Eksempel 7.1.
I et spinderi udtrykkes garnets kvalitet bl.a. ved en norm for den forventede trækstyrke. Kvaliteten anses således for at være i orden, hvis middeltrækstyrken mindst er lig med 10 måleenheder
(me).
Ved uldgarn opfylder garnets naturlige trækstyrke ikke det nævnte kvalitetskrav, hvorfor der
tilsættes en vis mængde kunstfibre, hvilket forøger trækstyrken. Herved sker der dog det, at andre
kvalitetsegenskaber, såsom elasticitet og isoleringsevne, forringes. Man har eksperimenteret med
forskellige tilsatte mængder kunstfibre x og registreret garnets trækstyrke y ved disse forskellige
mængder. Herved fremkom følgende observationsmateriale:
Mængde x (i gram) af 40 50 55 60 70 75 80 85 90 95 100 105 110 120
kunstfibre pr. kg uld
130
Trækstyrke (me): Y 4.5 6.5 5.4 7.0 8.2 8.0 7.1 8.9 8.2 10.3 9.6 10.8 10.5 11.2 12.0
Mængden af kunstfibre x er blevet bestemt på forhånd (har fået ganske bestemte værdier), så den
er ikke en statistisk variabel. Trækstyrken Y synes derimod udover mængden af kunstfibre også
at være påvirket af andre ukendte og ukontrollable “støjfaktorer”. Y må derfor opfattes som en
statistisk variabel.
I andre situationer er både X og Y statistiske variable. Dette gælder eksempelvis, hvis man ønsker
at undersøge om der er en sammenhæng mellem personers højde Y og vægt X, og derfor for en
række personer måler sammenhørende værdier af højde og vægt.
Målet med en regressionsanalyse er at finde en funktionssammenhæng mellem den uafhængige
variabel y og de afhængige variable.
I eksempel 7.1 ville man umiddelbart sige, at da man har 15 punktpar, så vil et polynomium af
fjortende grad y  a14 x 14  a13 x 13 ... a1 x  a 0 gå igennem alle punkter, og det må derfor
være en god model. Dette er imidlertid ikke tilfældet, da y - værdierne jo er resultater af forsøg
der er påvirket af ukontrollable støjkilder. Polynomiets koefficienter vil derfor afspejle disse
tilfældige udsving, og det giver derfor en ganske meningsløs model. Endvidere er modellen alt
for matematisk kompliceret til at kunne bruges i praksis. Vi søger derfor i regressionsanalysen
en enklere model, som tager rimeligt hensyn til støjen ved målingerne.
Er den ene variabel som i eksempel 7.1 en (kontrolleret) ikke statistisk variabel, så har man
mulighed for hver x- værdi, at foretage gentagne målinger af den statistiske variabel Y (randomiseret). Dette giver mulighed for at beregne et estimat for den spredning der skyldes støjen, hvilket
(som det vises i afsnit 7.2.3) kan udnyttes ved testning af den foreslåede model.
109
7. Regressionsanalyse
Lineær model.
Ved en lineær model forstås her en model, der er lineær med hensyn til parametrene.
Eksempelvis er såvel funktionen y  f ( x )  a  bx  cx som y  g ( P, T )  a  b  P  c  T
lineære i de 3 parametre a, b og c . Som et eksempel på en model der ikke er lineær i parametrene
c
kan nævnes y  a  bx .
2
Vi vil i dette kapitel betragte det ved anvendelserne meget ofte forekomne tilfælde, som kaldes
enkelt regressionsanalyse, og hvor modellen er lineær i 2 parametre, eller kan gøres lineær ved
en passende transformation..
Som eksempler herpå kan nævnes y  a  bx og ln y  a  b  ln x .
7.2. BESTEMMELSE AF REGRESSIONSLIGNING
Vi betragter igen eksempel 7.1
Regressionslinie og regressionskoefficienter.
Afsættes de målte punktpar ( x1 , yi ) i et koordinatsystem for at få et overblik over forløbet, fås
følgende tegning:
Plot of styrke vs kunstfibre
12,5
styrke
10,5
8,5
6,5
4,5
40
60
80
100
120
140
kunstfibre
Punkterne ligger ikke eksakt på en ret linie, men det synes rimeligt at antage, at afvigelserne fra
en ret linie kan forklares ved den tilfældige variation (støjen).
Derfor er det nærliggende at antage, at middelværdien af den statistiske variable Y er en lineær
funktion af x af formen E (Y x )   0   1 x .
(1)
E (Y x ) skal læses middelværdien af Y for fastholdt x.
Vi vil i det følgende ofte i ligningen (1) kort skrive Y eller  fremfor E (Y x ) .
Ligning (1) kaldes regressionsligningen (eller den teoretiske regressionsligning), grafen kaldes
for regressionslinien (eller den teoretiske regressionslinie) , og konstantledet  0 og hældningskoefficienten  1 kaldes regressionskoefficienterne.
110
7.2 Bestemmelse af regressionsligning
Mens middelværdien af Y ligger på regressionslinien, kan den aktuelle observerede værdi af Y
ikke forventes at ligge på den.
For et punktpar ( x1 , yi ) gælder derfor, at yi  0  1 xi   i , hvor  i kaldes den i’te residual.
Bestemmelse af regressionslinien ved mindste kvadraters metode.
På basis af en række sammenhørende værdier af x og y bestemmes estimater 0 og 1 for
regressionskoefficienterne  og  ved “ mindste kvadraters metode“. Værdierne  og
0
0
1
1 kaldes de empiriske regressionskoefficienter.
Kan det ikke misforstås, så kort blot regressionskoefficienterne.
Det følgende eksempel viser metoden anvendt på et lille taleksempel. Man benytter hertil et
matrixprogram. De angivne metoder kan umiddelbart generaliseres til mere komplicerede
eksempler.
Eksempel 7.2. Bestemmelse af regressionskoefficienter ved mindste kvadraters metode.
I et medicinsk forsøg måles på en forsøgsperson sammenhørende værdier af en bestemt medicin
i blodet (i %) og reaktionstiden. Resultaterne var:
x
1
2
3
6
8
y
2 1
4
9
7
Bestem ved mindste kvadraters metode et estimat for regressionslinien.
Residual. Ved et punkts residual til en linie forstås den “lodrette” afstand fra punktet til linien
(se tegningen).
På figur 7.1 er afsat de 5 punkter,
og indtegnet en ret linie.
Figur 7.1 Residualer
Mindste Kvadraters metode. Regressionslinien y  0  1 x bestemmes som den af alle
mulige rette linier, for hvilket summen af kvadratet af residualerne til linien er mindst.
I eksempel 7.2 er kvadratsummen r12  r22  r32  r42  r52 .
Løsningen af dette optimeringsproblem er angivet nedenfor (med petit).
111
7. Regressionsanalyse
Bestemmelse af regressionsligningen ved mindste kvadraters metode
LØSNING:
I vort tilfælde hvor vi har 5 punkter, indsættes vi disse i ligningen y  0  1 x . Dette giver:
2  0  1  1, 1  0  1  2, 4  0  1  3, 9  0  1  6, 7  0  1  8 .
De 5 ligninger med 2 ubekendte 0 og 1 kan i matrixnotation skrives:
YX
 2
 1 1
 


1 
 1 2
  
B hvor Y   4 , X  1 3 og B   0 
 


 1 
 9
 1 6


 
 1 8
 7
De søgte værdier af 0 og 1 findes som den løsning til dette overbestemte ligningssystem som giver den mindste
RMS - fejl.
Løsningen er (se evt. “Matematik for ingeniører” bind 3 eller Matricer og lineære ligninger afsnit 10) bestemt ved
løsningen B  ( X T  X ) 1  X T  Y .
I vort taleksempel er
1

 2
 1 1 

 



 1 2  1 1 1 1 1  1
1
1
1
1
1

    0.6


B  
 4  
 1 3  

  1 2 3 6 8 
  1 2 3 6 8    10
. 
1
6

 9


 



 7
 1 8 

. x
Regressionsligningen bliver følgelig y  0.6  10
I praksis vil man benytte et færdigt program til bestemmelse af regressionskoefficienterne.
Dataene indtastes enten i et statistikprogram som SAS-JMP, eller i en lommeregner med regressionsprogram som TI-89 eller TI-Nspire.
7.3 VURDERING AF OM REGRESSIONSLIGNING BESKRIVER
DATA GODT.
Vi vil i dette afsnit se på det tilfælde, hvor der for hver x - værdi kun er målt én y - værdi.
Det er altid muligt ved mindste kvadraters metode at finde en sådan “mindste kvadraters linie”.
Det betyder ikke nødvendigvis, at linien så også er en rimelig model, som kan anvendes til at
beskrive sammenhængen.
Til vurdering heraf vil man
1) se på en tegning.
“Mindste kvadraters linie” tegnes i et koordinatsystem sammen med punkterne. Hvis den
lineære model beskriver dataene godt, skal punkterne fordeler sig tilfældigt omkring linien
I mere komplicerede tilfælde, er det nødvendigt i stedet at afsætte residualerne (i et såkaldt
residualplot). Residualerne bør så fordele sig tilfældigt omkring den vandrette 0 - linie
112
7.3 Vurdering af om regressionsligning beskriver data godt
2) Se på størrelsen af forklaringsgraden r 2 (også kaldet determinationskoefficient).
Den angiver et talmæssigt mål for hvor tæt punkterne ligger på linien.
Sædvanligvis finder man, at den fundne model på tilfredsstillende måde beskriver data, hvis
forklaringsgraden er på over 70% samtidig med, at tegningen viser, at punkterne fordeler sig
tilfældigt omkring den fundne regressionskurve.
Selv om forklaringsgraden er lav, kan der dog godt være en vis afhængighed mellem de to
variable.
Eksempelvis, hvis man måler sammenhørende værdier af højde og vægt for alle værnepligtige
mænd, vil forklaringsgraden være lav (under 50%). Ser man på den såkaldte korrelationskoefficient  vil den dog være positiv.
Hvis det ved en test viser sig at være signifikant større end 0 (svarer til at man tester om
liniens hældningskoefficient er større end 0) , har vi vist, at i middel vil der gælde, at jo højere
man er jo mere vil man i middel veje.
Målepunkterne ligger imidlertid så spredt, at dette blot afspejler en tendens. Man kan ikke
benytte regressionslinien til at forudsige noget med blot en rimelig sikkerhed.
3) Undersøge om der er outliers.
Outliers er en betegnelse for enkelte målinger som afviger så kraftigt fra den almindelige
tendens, at det kan skyldes fejlmålinger. Sådanne punkter kan i uheldige tilfælde på grund af
et stort bidrag til residualsummen få regressionslinien til at dreje. Det er dog klart, at man ikke
blot kan stryge sådanne “ubehagelige” punkter. Det må kun ske, hvis man er sikker på, at
punktet skyldes en fejl af en eller anden art ved målingen.
Definition og beregning af forklaringsgrad.
I praksis vil lade en lommeregner eller en PC med et statistikprogram beregne de enkelte statistiske størrelser.
Ved tolkningen af de fremkomne størrelser vil en anskuelig forståelse af størrelserne dog være
nyttig.
I det følgende vil vi derfor definere nogle fundamentale definitioner, og søge at anskueliggøre
dem dels på figur 7.3 dels ved at foretage beregningeren på tallene i eksempel 7.2.
Figur 7.3. SAK - størrelser
113
7. Regressionsanalyse
Definitioner:
SAKtotal = sum af kvadrater af residualerne til den vandrette linie y = y
2  1 4  9  7
 4.6
5
De 5 punkters “residualer” til den vandrette linie y = y .
Data i eksempel 7.2 giver: y 
r1  2  4.6   2.6, r2  1  4.6   3.6, r3  4  4.6   0.6, r4  9  4.6  4.4, r5  7  4.6  2.4 .
Vi får SAK total  r12  r22  . . .  r52  2.6 2  3.6 2  0.6 2  4.4 2  2.4 2  45.2 .
SAKresidual = sum af kvadrater på de enkelte punkters afstand fra den fundne regressionslinie .
Af eksempel 7.2 fås følgende residualer til den fundne regressionslinie y = 0.6 + 1.0 x:
r1  2  (0.6  1  1)  0.4, r2  1  (0.6  1  2)   16
. , r3  4  (0.6  1  3)  0.4,
r4  9  (0.6  1  6)  2.4, r5  7  (0.6  1  8)  0.4 .
SAK residual  r12  r22  . . .  r52  0.4 2  (  16
. ) 2  0.4 2  2.4 2  .(  16
. ) 2  112
.
SAKmodel = sum af kvadrater af “regressionsliniens afstand” fra det totale gennemsnit y .
Af eksempel 7.2 fås residualerne for regressionslinien y = 0.6 + 1.0 x ‘s “afstand” fra det totale gennemsnit y =4.6.
r1  0.6  1  1  4.6   3.0, r2  0.6  1  2  4.6   2.0, r3  0.6  1  3  4.6   10
. ,
r4  0.6  1  6  4.6  2.0, r5  0.6  1  8  4.6  4.0 .
SAK model  r12  r22  . . .  r52  (  3.0) 2  (  2.0) 2  (  10
. ) 2  2.0 2  .4.0 2  34
Der gælder generelt, at SAKtotal = SAKresidual + SAKmodel (jævnfør, at 45.2 = 11.2 + 34)
Forklaringsgraden
r2 
r 2 er bestemt ved
SAK model SAK total  SAK residual
SAK residual

 1
SAK total
SAK total
SAK total
(r2 
34
 0.752 )
45.2
Anskuelig forklaring:
Ligger punkterne tæt ved linien, er residualerne små, og SAKresidual lille.
Nu er lille jo et relativt begreb, så man sammenligner med SAKtotal, dvs. med residualerne til den
vandrette linie y  y . Hvis der ingen sammenhæng er mellem y- og x- værdierne (Y er uafhængig af x) vil regressionslinien stille sig næsten vandret, dvs. y  y .
Måler man eksempelvis sammenhørende værdier af personers højde, og deres IQ (intelligenskvotient) vil man uden tvivl få en ret linie der er praktisk taget vandret, og en forklaringsgrad der
ligger tæt på 0.
SAK residual
0 .
Det betyder igen at SAK residual  SAK total og dermed at r 2  1 
SAK total
Hvis derimod der er en sammenhæng (Y er lineært afhængig af x ) vil regressionslinien have en
hældning forskellig fra nul. Det betyder igen at SAK residual   SAK total .
Heraf følger, at r  1 .
Man siger også, at den fundne model “forklarer “ r 2  100% af den “totale variation”
I eksempel 7.2 forklarer den fundne model således “ 75.2% af den totale variation.
2
Transformation. Hvis man ikke finder, at en ret linie beskriver data godt nok, så er det jo muligt,
at en anden kurve bedre beskriver sammenhængen. Eksempelvis er det jo velkendt fra matematikken, at graferne for eksponentialfunktioner og potensfunktioner ved en passende logaritmisk
transformation kan blive til rette linier. Det giver naturligvis lidt mere komplicerede regninger,
men statistikprogrammer og også en del lommeregnere kan dog let foretage en regressionsanalyse
også i sådanne tilfælde. I eksempel 7.5 er et sådant eksempel gennemgået.
114
7.3 Vurdering af om regressionsligning beskriver data godt
At man ikke alene kan stole på forklaringsgraden illustreres ved følgende eksempel.
Eksempel 7.3 .Grafisk vurdering af model.
De følgende 4 figurer afspejler forskellige muligheder.+
Plot of Fitted Model
12,5
styrke
10,5
8,5
6,5
4,5
40
60
Figur 7.2a:
80
100
120
140
kunstfibre
r = 0.959 r 2 = 91.9%
Figur 7.2c: r = 0.278
Figur 7.2b: r = 0.962 r 2 =92.6%
Figur 7.2d: r = 0.229
r 2 = 7.73%
r 2 = 5.24%
I
figur 7.2a synes den lineære model at kunne beskrive dataene godt, idet punkterne fordeler sig tilfældigt omkring linien, og forklaringsgraden
r 2 = 91.9% er høj.
I figur 7.2b er forklaringsgraden også høj, og punkterne ligger da også tæt ved linien. Imidlertid
ligger punkterne ikke tilfældigt omkring linien. Yderpunkterne ligger over og de midterste
punkter under linien, så det er næppe rimeligt at anvende en ret linie som model. I stedet kunne
man overveje en eksponentialfunktion eller et andengradspolynomium.
I figur 7.2c er regressionslinien er næsten vandret, og forklaringsgraden ringe.
En test må afgøre om hældningen er signifikant forskellig fra 0. Er dette ikke tilfældet, er der
ingen relation mellem x og y (de er uafhængige)y.
Er x og y uafhængige vil punkterne fordele sig tilfældigt omkring gennemsnitslinien y  y , og
forklaringsgraden være 0.
I figur 7.2d er forklaringsgraden også lille, men alligevel må vi antage at der er en sammenhæng
mellem x og y. Den er blot ikke lineær, men muligvis en parabel.
115
7. Regressionsanalyse
Sammenhæng mellem korrelationskoefficient og forklaringsgrad.
Hvis både X og Y er normalfordelte statistiske variable (som eksempelvis når man aflæser
sammenhørende værdier af højde og vægt for en række personer) angiver korrelationskoefficienten  en størrelse mellem -1 og 1 som kan anvendes til at angive, om der er en sammenhæng
(korrelation) mellem X og Y. Er korrelationskoefficienten positiv har punkterne en voksende
tendens, hvis den er negativ har de en aftagende tendens.
Et estimat for  er størrelsen r. Kvadreres den er r 2 den samme som forklaringsgraden.
Ekstrapolation. Selv om modellen synes på tilfredsstillende måde at beskrive data, så er det jo
faktisk kun sikkert indenfor måleområdet. Man skal være yderst forsigtig med at ekstrapolere,
dvs. på basis af modellen for x - værdier udenfor måleområdet beregne hvad y er.
Årsagssammenhæng. Selv om man finder, at der er en sammenhæng mellem x og y, er det ikke
sikkert, at der er en årsagssammenhæng.
Der findes en god korrelation mellem antallet af storke i Sønderjylland i 1930-erne og antallet
af børnefødsler (de faldt begge i samme takt), men det ene er nok ikke årsagen til det andet.
Man kender det også fra sammenhængen mellem kræft og tobaksrygning, hvor der i mange år
var en diskussion om der ene bevirkede det andet, eller om det var en hel tredie faktor, der fik
antallet af lungekræft til at stige.
Eksempel 7.4 Vurdering af model
Tilsætning af en vis mængde kunstfibre forøger et garns trækstyrke. Man har eksperimenteret
med forskellige tilsatte mængder kunstfibre x og registreret garnets trækstyrke y ved disse
forskellige mængder. Herved fremkom følgende observationsmateriale:
Mængde x (i gram) af
kunstfibre p. kg uld
40 50 55 60 70 75 80 85 90 95 100 105 110 120 130
Trækstyrke : Y
4.5 6.5 5.4 7.0 8.2 8.0 7.1 8.9 8.2 10.3 9.6 10.8 10.5 11.2 12.0
2
1) Find r og anvend denne samt en figur på lommeregnerens grafiske display eller residualernes fortegn til vurdering af modellen.
2) Opskriv regressionsligningen.
Løsning
1) TI89 APPS STAT/LIST
x-værdier indtastes i list1, og y-værdier indtastes i list 2
F4, 3:Regressions
lin reg ax+b
Udfyld lister
Da vi ønsker at tegne regressionslinien så StoreReqn to: y1(x), ENTER,
TI-Nspire Data indtastes i “lister og regneark” Dokomentværktøjer Statistik
Lineær regression Udfyld menu ok
2
Der fremkommer konstanterne a = 0.0777, b = 1.808 og r =0.9193
Man kan nu tegne linien ved at vælge “GRAPH”.
Vi ønsker imidlertid punkterne tegnet med, så vi vælger
ESC, F2: Plots,,1: Plot Setup,F1: Define, Behold Scatter og
Box, indsæt listerne , ENTER, ENTER, F5
Linien vises sammen med punkterne.
116
Statistiske beregninger
7.3 Vurdering af om regressionsligning beskriver data godt
Tegningen på lommeregnerens display viser, at punkterne fordeler sig tilfældigt omkring
linien.
Da lommeregnerens display er lille kan man ofte ikke rigtig se om punkterne fordeler sig
tilfældigt om linien. I stedet kan man tegne et residualplot
F2: Plots, 1: Plot Setup F1: Define Behold Scatter og Box
i “folderen STATVARS ) ENTER
F5
indsæt list1 ,og RESID (findes under VAR-LInk
Hvis man ikke har mulighed for at vise tegningen kan man (hvis x-værdierne står i stigende
rækkefølge) betragte fortegnet for residualerne, som i TI89 står sidste kolonne og i TI-Nspire
nederst i udskrift under navnet “resid”.
Fortegnene er - + - + + + - + - + - + - - -, dvs. de fordeler sig rimelig tilfældigt på begge
sider af linien.
Outliers: Af tegningen ses, at ingen af punkterne afviger kraftigt fra linien.
En mere sikker metode er de såkaldte “Studentized Residuals”
TI 89: Vælg F6
MultRegTtest
udfylder menu
Enter
Nu dukker en række nye lister op, og sresid er “Studentized Residuals”
TI-Nspire: Vælg Statistiske tests
Multibel lineær regressionstest
udfyld menu
ok
Tryk på cellen sresid, hvorved man ser en række tal
Hvis ingen af disse transformerede residualer numerisk er større end 3 (det er tilladt, at nogle
få er større end 2) er der ingen outliers.
Vi ser, at ingen er større end 2, så konklusionen er, at der ikke er nogen outliers.
Da forklaringsgraden er tæt på 1, punkterne fordeler sig tilfældigt om linie, og der ikke er
nogen outliers er den lineære model acceptabel.
2) Regressionskoefficienterne ses i den ovennævnte udskrift eller ved at vælge “Y=” hvoraf man
finder y = 1.8087+0.0799x
Løsning:SAS.JMP
1) Data indtastes
kunstfibre
40
50
osv.
styrke
4,5
6,5
Man kan ved analysen vælge 2 modeller, enten “fit Y by X” som giver en forholdsvis simpel
og overskuelig analyse, eller “Fit model” som er nødvendig ved mere specielle analyser.
1)
Vælg Analyze
Factor OK
Fit Y by X
markér “Styrke” og tryk på Y Response
markér “kunstfibre” og tryk på X
Der fremkommer et “scatterplot”, hvor man i et koordinatsystem kan se punkterne afbildet.
Rød pil
vælg fra rullemenuen “Fit Line”.
Der fremkommer så følgende tegning og udskrift:
117
7. Regressionsanalyse
Bivariate Fit of Styrke By Kunstfibre
Linear Fit
Styrke = 1,8086555 + 0,0798974 Kunstfibre
Summary of Fit
RSquare
RSquare Adj
Root Mean Square Error
Mean of Response
Observations (or Sum Wgts)
0,919301
0,913093
0,648068
8,546667
15
Af udskriften ses, at forklaringsgraden “RSquare” er 91,93 %. , hvilket er tilfredsstillende, da
modellen altså “forklarer” 91,93% af variationen.
Af figuren ses, at punkterne fordeler sig tilfældigt omkring linien.
Outliers. Af ovenstående figur ses, at der næppe er nogen “outliers” (punkter der afviger så
kraftigt fra det generelle billede, at man kunne frygte de var fejlmålinger).
En undersøgelse af om der er outliers er vigtigt.
En (lidt usikker) metode er, at få tegnet såkaldte 95% predikationskurver, og se om praktisk
taget alle punkter ligger indenfor disse.
Rød pil under tegningen ved “linear fit”
vælg”Confid. Curves indv”
Det resulterer i følgende figur
Bivariate Fit of Styrke By Kunstfibre
13
12
11
Styrke
10
9
8
7
6
5
4
30 40 50 60 70 80 90 100110120130140
Kunstfibre
Da alle punkter ligger indenfor grænserne, tyder det ikke på, at der er outliers.
118
7.4 Test og bestemmelse af konfidensintervaller
En lidt sikrere metode er, at lade SAS-JMP beregne såkaldte “Studentized Residuals”, som
tager i betragtning, at spredningen er mindre ved “midtpunktet” end langt fra det.
Vælg Analyze Fit model markér “Styrke” og tryk på Y
“Minimal Report” (for at begrænse udskrifterne) Run
markér “kunstfibre” og tryk ADD
I “Emphasis” vælg
Vi får tegninger og udskrifter nogenlunde magen til før.
Rød pil
vælg Save Columns
Studentized residuals
Der bliver nu tilføjet en ekstra kolonne til data
Kunsfibre Styrke Studentized resid styrke
40
4,5
-0,910214
50
6,5
1,19237827
55
5,4
-1,3479279
60
7
0,6566306
70
8,2
1,29007124
75
8
0,31944498
80
7,1
-1,7594549
85
8,9
0,47928292
90
8,2
-1,2790965
95
10,3
1,44832329
100
9,6
-0,3212379
105
10,8
0,98512428
110
10,5
-0,1614718
120
11,2
-0,3381357
130
12
-0,3553506
Heraf fremgår, at da ingen “Studentized Residuals”, numerisk er større end 3 (det er tilladt,
at nogle få er større end 2) er der ingen outliers.
Et residualplot ( tegning af de sædvanlige residualer) kan ses nederst, og af den kan man
(måske lettere) se at residualerne, og dermed at punkterne, fordeler sig tilfældigt omkring
linien.
Konklusion: Modellen synes tilstrækkelig godt at beskrive data indenfor måleområdet.
7.4 TEST OG KONFIDENSINTERVALLER
De foregående betragtninger kræver ingen statistiske forudsætninger, idet man jo altid ved
mindste kvadraters metode kan beregne regressionskoefficienterne, beregne forklaringsgrad,
tegne kurver og punkter ind i et koordinatsystem og så herfra vurdere om modellen er acceptabel.
Forudsætninger for regressionsanalyse.
Ønsker vi at foretage en nøjere statistisk analyse som eksempelvis at teste “om Y er uafhængig
af x, dvs. af om  1 = 0", eller opstille konfidensintervaller for  1 må observationerne opfylde
de samme krav som ved variansanalyser, dvs.
1) Uafhængige målinger:
De enkelte observationer y i er indbyrdes uafhængige (eksempelvis hvis der udføres flere
målinger for samme mængde medicin skal de være indbyrdes uafhængige, ligesom det også
skal gælde målinger baseret på forskellige mængder medicin.
Kravet kan opfyldes ved en hensigtsmæssig forsøgsplan. I eksempel 7.2 skal man således være
sikker på at den foregående dosis medicin er ude af blodet inden man foretager en ny indsprøjtning, ligesom forsøgene skal være randomiseret. Man kan nok i dette tilfælde betvivle
uafhængigheden, hvis man udfører forsøgene på samme person.
119
7. Regressionsanalyse
2) Residualerne skal være rimelig normalfordelt.
Analysen er robust overfor afvigelser, men er man i tvivl kan man indtegne residualerne på
et normalfordelingsplot.
3) Varianshomogenitet.
Variansen af residualerne (eller af Y) Y skal være den samme uafhængig af x’s værdi.
Igen er analysen robust overfor afvigelser, så man vil sædvanligvis nøjes med at se på et
residualplot, og deraf se, ar residualerne fordeler sig jævnt uden store udsving.
Test af om Y er uafhængig af x
Lad os antage, at forudsætningerne er opfyldt, og at vi har fundet (ved at betragte tegning +
forklaringsgrad og manglende outliers), at modellen E (Y x )   0   1 x gælder.
Hvis Y er uafhængig af x betyder det, at regressionslinien er vandret, eller at hældningskoefficienten  1 er 0.
Vi får altså: H0 :Y er uafhængig af x  H 0 : Regressionslinien er vandret  H 0 : 1  0 .
Metode 1: F - test.
Ifølge definitionen af SAKmodel angiver denne kvadratsummen af punkter på regressionsliniens afstand til det totale
gennemsnit y (se side 117)
Det er derfor klart, at hvis regressionslinien er næsten vandret, vil SAKmodel  SAKresidual
2

Man kan vise, at smodel
Idet Fmodel =
2
s model
2
sresidual
SAK model
har frihedsgraden 1 og s
1
2
residual

SAK residuall
N 1
har frihedsgraden N -1
kan vises, at en test for om linien er vandret er en sædvanlig F-test.
Metoden er forklaret mere udførligt i appendix 7.1.
H0 forkastes, hvis P - værdi = P( F  Fmodel )   , hvor Fmodel er F- fordelt med en tællerfrihedsgrad på 1 og en nævnerfrihedsgrad på N - 2.
Metode 2. t - test.
Metoden er forklaret mere udførligt i appendix 7.1.
Lad t 
1
s 1
, hvor s 
1
1  s residual
s model
er et estimat for spredningen på 1 .
Det kan vises, at t et t - fordelt med N - 2 frihedsgrader.
H0 forkastes, hvis P - værdi = P(T  t )  
På tilsvarende måde kan man teste H 0 : 1  0 og H 0 : 1  0 ved ensidede test.
Endvidere kan man analogt teste nulhypotesen H0:   k hvor k er en konstant
Konfidensintervaller og prædistinationsintervaller.
Et led i analysen kan være, at udregne et 95% konfidensinterval for 1 .
Endvidere vil man ofte være interesseret i en speciel værdi for x, for hvilken man ønsker beregnet
såvel den tilsvarende “forventede” y - værdi (predicted value”) som et 95% -konfidensinterval
for middelværdien ~ og et 95% prædistinationsinterval for én ny observation.
120
7.4 Test og bestemmelse af konfidensintervaller
På figur 7.4 er her tegnet 95% konfidensintervaller for middelværdierne (de inderste buede kurver), og
95% prædistinationsintervaller (de
yderste to kurver).
Man ser tydeligt, at konfidensintervallerne er smallest omkring
“centrum” ( x , y ) .
y
Plot of Fitted Model
16
14
12
10
8
6
4
2
0
0
2
4
6
8
x
Figur 7.4. Konfidensintervaller
og prædistinationsintervaller
I appendix 7.1 er angivet formler for bl.a. disse konfidensintervaller.
I eksempel 7.5 vises hvorledes man kan foretage beregningerne ved anvendelse af TI89, TINspire og SAS-JMP.
Eksempel 7.5 (fortsættelse af eksempel 7.4) Test
Tilsætning af en vis mængde kunstfibre forøger et garns trækstyrke. Man har eksperimenteret
med forskellige tilsatte mængder kunstfibre x og registreret garnets trækstyrke y ved disse
forskellige mængder. Herved fremkom følgende observationsmateriale:
Mængde x (i gram) af
kunstfibre p kg uld
40 50 55 60 70 75 80 85 90 95 100 105 110 120 130
Trækstyrke : Y
4.5 6.5 5.4 7.0 8.2 8.0 7.1 8.9 8.2 10.3 9.6 10.8 10.5 11.2 12.0
Det forudsættes, at forudsætningerne for regressionsanalyse er opfyldt.
I eksempel 7.4 fandt man at ligningen y = 1.8087+0.0799x var en god model for data.
1) Test om y er uafhængig af x
2) Find 95% konfidensinterval for hældningen 
3) Find den til x = 65 svarende værdi for y, samt et 95% konfidensinterval for y .
4) Find 95% prædistinationsinterval for 1 ny observation svarende til x - værdien 65.
Løsning:
1) H0 :Y er uafhængig af x  H0 : Regressionslinien er vandret  H 0 : 1  0 .
Da vi skal teste, vælges nu
TI89: APPS STAT/LIST F6, A: Lin Reg T-Test menu udfyldes herunder Alternate Hyp=  &   0
TI-Nspire: Vælg statistik
Statistiske tests
lineær regressionstest
udfyld menu
ok
Vi får samme værdier af regressionskoefficienterne som i eksempel 7.4
121
7. Regressionsanalyse
Endvidere ses, at P - værdi = 2  10 8 svarende til t = 12.1693.
Da P - værdi < 0.05 forkastes H 0 :   0 (stærkt)
Konklusion:. Y er ikke uafhængig af x.
2) 95% konfidensinterval for 1 :
TI89:F7: LinRegTInt: Udfyld menu bl.a Interval = Slope:
TI-Nspire Vælg statistik Konfidensintervaller Lin.Reg t-intervaller
vælg Hældning
Udfyld menu
ok
Resultat: [0.0657;0.09413]
3) Konfidensinterval for y svarende til x = 65:
TI89:Som under punkt 2) men Interval=Response, x Value = 65
TI-Nspire: Som under punkt 2) men vælg svar
y’s værdi for x = 65: y_hat = 7.002, 95% konfidensinterval: [6.548 ; 7.456]
4) 95% Prædistinationsinterval for 1 ny observation svarende til x - værdien 65.
TI89+ TI-Nspire Som under punkt 3. Se længere nede i udskrift Resultat: [5.53 ; 8.474].
Løsning SAS.JMP
Data er indtastet som i eksempel 7.4
1) H0 :Y er uafhængig af x  H 0 : Regressionslinien er vandret  H 0 : 1  0 .
Vælg Analyze
Fit model
markér “Styrke” og tryk på Y
markér “kunstfibre” og tryk på Add
Run
Der fremkommer så blandt andet følgende udskrift:
Analysis of Variance
Source
DF
Model
1
Error
13
C. Total
14
Sum of Squares
62,197436
5,459897
67,657333
Parameter Estimates
Term
Estimate
Intercept
1,8086555
Kunstfibre
0,0798974
Mean Square
62,1974
0,4200
Std Error
0,578421
0,006565
t Ratio
3,13
12,17
F Ratio
148,0919
Prob > F
<,0001
Prob>|t|
0,0080
<,0001
Det ses, ud for “Model”, at F - Ratio = 148.09 og at P-value = 0.0001 (kan også ses ud for “kunstfibre”
Y er ikke uafhængig af x.
Heraf fås, at H0 forkastes
2) Konfidensinterval for hældningskoefficienten 1 :
Cursor placeres i tabel for “Parameter Estimates”, højre musetast
Columns
“Lower 95%”
“Upper 95%”
Man får bl.a. følgende tabel:
Parameter Estimates
Term
Estimate Std Error t Ratio Prob>|t| Lower 95%
Intercept
1,8086555 0,578421
3,13 0,0080 0,5590522
Kunstfibre
0.0798974 0,006565
12.17 <,0001* 0.0657135
Upper 95%
3,0582587
0.0940812
Heraf aflæses
[0.0657 ; 0.0941]
3) 95% konfidensinterval for middeltrækstyrken svarende til x - værdien 65.
rød pil ved “Response, styrke
aflæs
vælg “Factor Profiling”
Profiler
sæt cursor på tallet i bunden og skriv 65 og
±0,453736
Styrke
7,001984
12
10
8
6
130
90
110
70
50
30
4
65
Kunstfibre
x = 65 Y = 7.002
95% konfidensinterval [7.002 - 0.4537 ; 7.002 + 0.4537]=[6.55;7.46]
122
7.5 Transformation af data
4) Indsæt 65 nederst i x-kolonne i tabel
rød pil ved response
save Columns
Individ Confidence Interval
I tabel fremkommer nu prædistinationsintervaller [5.50 ; 8.47]
Ønsker man at vurdere om forudsætningerne om normalitet og varianshomogenitet er opfyldt, gøres det
på samme måde som beskrevet under ensidet variansanalyse
7.5. TRANSFORMATION AF DATA.
Da man altid vil foretrække den simplest mulige model, er modellen y  ax  b altid den, man
starter med at anvende.
Hvis man ser, at punkterne ikke ligger tilfældigt omkring linien, men dog synes at følge en krum
kurve, så må man anvende en anden model.
Blandt de oftest forekommende modeller er
1) Eksponentialmodellen y  a  b x
Tages logaritmen på begge sider fås ln( y )  ln(a )  ln(b)  x
som er en normal retlinet model, hvis man erstatter ln(y) med z
2) Potensmodellen y  a  x b
Tages logaritmen på begge sider fås ln( y )  ln(a )  b  ln( x )
som er en normal retlinet model, hvis man erstatter ln(y) med z og ln(x) med v.
3) Logaritmemodellen y  a  b  ln( x )
som er en normal retlinet model, hvis man erstatter ln(x) med v.
Generelt gælder, at man så vidt mulig foretrækker modeller med kun 2 parametre a og b (som (1),
(2) og (3) ), fremfor modeller som eksempelvis andengradsmodellen y  ax 2  bx  c
der indeholder 3 parametre, da de mest stabile (set fra et statistisk synspunkt).
I appendix 7.3 er angivet en liste med kommentarer over de mest almindelige transformationer.
Har man på forhånd en viden om, at en bestemt transformation skal anvendes, kan man uden
større besvær foretage den pågældende transformation på dataene og så udføre regressionsanalysen på de transformerede data, på samme måde som vist i eksempel 7.5.
Dette illustreres ved følgende eksempel.
Eksempel 7.6. Valg mellem lineær og eksponentiel model
I et forsøg undersøgtes et ventilationsanlægs effektivitet. Målingerne foretoges ved at fylde et
lokale med gas og vente til koncentrationen var stabil. Herefter startedes ventilationsanlægget
og gaskoncentrationen Ct måltes til forskellige tidspunkter t.
Følgende resultater fandtes:
t
(min. efter anlæggets start)
C [ppm]
2.67 4.59 6.75 7.67 11.34 14.34 16.25 18.25 23.09
34
28
26
Følgende 2 modeller for funktioner overvejes:
123
22
16
14
12
10
8
7. Regressionsanalyse
Model l (lineært henfald):
C  a  bt
Mode12 (eksponentielt henfald):
C  a  e b t
1) Vurder hvilken model der er bedst.
2) Opskriv regressionsligningen for den model du finder bedst.
3) Beregn ud fra den valgte model den værdi af C, for hvilken t = 12 minutter, og opskriv et 95%
konfidensinterval for C.
Løsning:
1) TI89: APPS, STAT/LIST data indtastes i to tomme lister (kan eventuelt give dem navne som t og c)
F4: Calc, 3. Regressions, 1:linReg(a+bx), Udfylder lister,
TI-Nspire: Data indtastes i “lister og regneark” Dokumentværktøjer
Lineær regression Udfyld menu ok
Statistik
Statistiske beregninger
2
Af udskriften fås umiddelbart r =0.9293
Endvidere tegner vi kurve og linie (sker som i eksempel 7.4)
Forklaringsgraden er høj, men punkterne ligger ikke tilfældigt om linien, så modellen kan
næppe anvendes udenfor måleområdet.
Vi kunne i stedet betragte residualernes fortegn: + + + - - - - - +
Vi gentager nu ovenstående, idet vi nu vælger ExpReg (eksponential regression)
(PowerReg er potensmodellen)
Bemærk, at det kan være klogt at slette Statsvar kataloget inden man begynder forfra, da
gamle udskrifter kan forvirre.
2
Af udskriften fås umiddelbart r =0.9883
Af tegningen ses, at punkterne som forventet ligger tæt omkring
kurven, og de ligger vist tilfældigt om kurven.
Da det kan være svært at se tegnes nu et residualplot
F2: Plots, 1: Plot Setup F1: Define
i “folderen STATVARS ) F5
Behold Scatter og Box
indsæt list1 ,og RESID (findes under VAR-LInk
alternativt vælge Y = og slet alle andre markeringer end Plot1
GRAPH
Gå ind i Windows og sæt fornuftige grænser
Hvad man sætter grænserne til afhænger naturligvis af residualernes størrelse
124
7.5 Transformation af data
Det ses, at punkterne ligger tilfældigt omkring den vandrette linie, og der næppe er nogen
outliers .
Alternativt kan man betragte residualernes fortegn: + - + - -+- - +
Da forklaringsgraden er højere, og residualerne ligger tilfældigt omkring linien vælges
model 2
t
2) Af udskriften ses, at modellen er C  39.57  0.93
3) Da vi nu skal til at beregne konfidensintervaller må vi transformere ligningen
C  a  b t  ln(C)  ln(a )  ln(b)  t
Vi må nu danne en søjle for ln ( C)
TI89: APPS, STAT/LIST
en søjle navngives z
F3:4:Attach list Formula
udfyld “Formula” med ln( c)
Formula Name = z ENTER
F7: linRegTinteg(a+bx), Udfylder lister med t og z Interval: Vælg Response x-value =12
TI-Nspire:
en søjle navngives z
Placer cursor i rubrikken under z og marker cellen så et lighedstegn
fremkommer skriv ln( c) ENTER
Vi får y-hat = 2.80722, dvs. for t = 12 er c = e 2.80722  16.56
(Kontrol= Indsættes t = 12 i regressionsligningen fås det samme)
. ;17.34
95% konfidensinterval e 2.762 ; e 2.853  1583


Løsning SAS.JMP:
Data indtastes
1)
t
2,67
4,59
6,75
osv.
Analyze
c
34
28
26
Fit Y by X
markér “c” og tryk på Y Response
markér “t” og tryk på X Factor
OK
Der fremkommer et “scatterplot”, hvor man i et koordinatsystem kan se punkterne afbildet.
Rød pil
Fit line
ok
Der fremkommer følgende figur og udskrift:
Bivariate Fit of c By t
Linear Fit
c = 33,710679 - 1,2710444*t
Summary of Fit
RSquare
RSquare Adj
Root Mean Square Error
Mean of Response
Observations (or Sum Wgts)
0,929312
0,919214
2,559818
18,88889
9
Forklaringsgraden 91.9% er høj, men punkterne fordeler sig ikke jævnt om linien.
125
7. Regressionsanalyse
Vi gentager nu, idet vi nu vælger
Fit special
Marker “Natural logarithm” for y
OK
Bivariate Fit of c By t
Transformed Fit Log
Log(c) = 3,6780207 - 0,072567*t
Summary of Fit
RSquare
RSquare Adj
Root Mean Square Error
Mean of Response
Observations (or Sum Wgts)
0,988291
0,986618
0,057679
2,831809
9
Vi ser, at punkterne fordeler sig tilfældigt omkring kurven, og at RSquare =0.988 er høj, så
model2 (eksponentiel model) må være den bedste model.
2) Af Log(c) = 3,6780207 - 0,072567*t fås
c  e 3.6780 0.07257t  39.57  e  0.07257t
3) Danner en ny kolonne med navnet logc cursor på navn, højre musetast, Formula vælg c trancental log
ok
Skriv nederst i tabel under t tallet 12.
Analyze Fit model Marker logc og vælg y marker t og vælg add Run
Rød pil ved "Response logc" Save Columns predicted values mean Confidence interval
Der fremkommer følgende tabel
t
c
logc
Upper 95% Mean
logc
3,5623412
3,41245635
Predicted logc
3,52636052
3,33220451
Lower 95% Mean
logc
3,40619261
3,27742032
2,67
4,59
osv.
18,25
23,09
12
34
28
10
8
.
2,30258509
2,07944154
.
2,28863203
1,90984064
2,76169153
2,41871516
2,09505833
2,85274272
2,3536736
2,00244949
2,80721712
Heraf ses, at for t = 12 er log(c) = 2.8072  c  e 2.8072  16.56


2.76169
; e 2.8527  1583
. ;17.33
95% konfidensinterval: e
126
3,48426691
3,34493833
7.6 Enkelt Regressionsanalyse med flere y-værdier for hver x-værdi
7.6. ENKELT REGRESSIONSANALYSE MED FLERE y -VÆRDIER FOR
HVER x - VÆRDI.
Hvis man selv fastlægger sine x - niveauer, er det ofte muligt for hver x -værdi, at foretage flere
målinger af y - værdien. Vi siger kort at analysen er “med gentagelser”. Sædvanligvis er det
bedre at nøjes med en y-værdi for hver x-værdi, og så til gengæld have flere forskellige punkter,
men i tilfælde, hvor man er i alvorlig tvivl om forudsætningen om varianshomogenitet gælder,
eller hvor man vil teste om en lineær model gælder, kan det være relevant med eksempelvis to
gentagelse for hver x-værdi.
Dette er således tilfældet i følgende eksempel:
Eksempel 7.7 (regressionsanalyse med gentagelser)
Metalpladers overflader oxideres i en ovn ved 2000 C. Med henblik på en undersøgelse af
sammenhængen mellem det oxiderede lags tykkelse y (i ångstrøm) og tiden t ( i minutter) foretog
man følgende målinger:
Tiden t
20
30
40
60
70
90
100
120
150
180
Tykkelse
y
4.2
4.9
7.4
6.9
8.8
8.2
13.6
12.0
13.1
12.4
14.9
16.8
20.0
21.2
23.1
25.2
27.5
25.1
32.9
32.4
Fordelen herved er, at man nu kan få et estimat for forsøgsfejlens spredning (“støjen”), som kan
anvendes til at teste, om den lineære model kan accepteres, når man tager støjen i betragtning.
Endvidere kan man, hvis man finder det nødvendigt, teste om der er varianshomogenitet.
Alle andre test udføres på samme måde som beskrevet i forrige afsnit.
Forklaring af metode og formler
Test af model.
For hver x - værdi beregnes gennemsnittet af de dertil hørende y - værdier. Disse “gennemsnitspunkter” bør ligge tæt på linien hvis modellen er god. Hvis modellen er den rigtige, så er den
eneste grund til at “gennemsnitspunkterne ikke ligger eksakt på linien, at der er støj.
Vi kan derfor beregne et estimat (kaldet
2
slack
of fit ) for variansen af denne støj ud fra de afvigelser
som gennemsnitspunkterne har. Hvorledes denne beregnes ses i appendix 7,2.
2
Da vi samtidig ud fra gentagelserne kan beregne et andet estimat for støjen (kaldet serror ), har
vi mulighed for at teste de to varianser mod hinanden, ved en sædvanlig F - test
2
slack
of fit
Flack of fit  2
serror
Får vi her en forkastelse, kan “gennemsnitspunkternes” afvigelser fra linien ikke forklares alene
ved støjen, og vi må derfor forkaste modellen.
127
7. Regressionsanalyse
Test af varianshomogenitet.
Som tidligere nævnt, er analysen robust overfor afvigelser fra kravet om varianshomogenitet
(konstant varians  2 ), hvis der er lige mange gentagelser (som i dette forsøg). Man vil derfor
kun foretage en vurdering af dette krav, hvis man ud fra forsøgets natur mener, at varianserne kan
tænkes at være voldsomt forskellige.
Testen kan foretages præcist som beskrevet under ensidet variansanalyse (se appendix 4.1).
Eksempel 7.7. Regressionsanalyse (med gentagelser)
Givet følgende målinger
Tiden t
20
30
40
60
70
90
100
120
150
180
Tykkelse
y
4.2
4.9
7.4
6.9
8.8
8.2
13.6
12.0
13.1
12.4
14.9
16.8
20.0
21.2
23.1
25.2
27.5
25.1
32.9
32.4
1) Foretag (kun i SAS) en testning af forudsætningen om varianshomogenitet.
2) Det formodes på forhånd, at der er en lineær sammenhæng mellem x og y.
Undersøg ved en “lack of fit” test, om formodningen kan accepteres.
3) Bestem i bekræftende fald ligningen for den fundne regressionslinie.
4) Det påstås i litteraturen, at hældningskoefficienten 1 er 0.15
Test om dette på et signifikansniveau på 5% kan være sandt.
5) Angiv et 95% konfidensinterval for middelværdien af tykkelsen y, når t = 110 minutter.
Løsning TI89+ TI-Nspire:
Data indtastes vandret, ved at man opretter 10 lister med navnene t1, t2 osv.
Tiden t
t1
t2
t3
t4
t5
t6
t7
t8
t9
t10
Tykkelse
y
4.2
4.9
7.4
6.9
8.8
8.2
13.6
12.0
13.1
12.4
14.9
16.8
20.0
21.2
23.1
25.2
27.5
25.1
32.9
32.4
2
1) Test af nulhypotesen H 0 :  12   22 ...   10
sker kun i SAS
2) H 0 : Lineær model gælder  H 0 :( xi , i ) ligger på en ret linie
TI89: F6, C:ANOVA, Data Input : Data Antal grupper = 10,ENTER, Udfyld listnavne t1, t2 osv. ENTER.
TI-Nspire:Statistik Statistiske test Ensidet variansanalyse Udfyld menuer ENTER
Man noterer sig til senere brug (under error) df =10, SAKerror= SS= 9.81 og
2
=MS = 0.981.
serror
Data indtastes “lodret”
list1
20
20
30
30
osv.
list2
4.2
4.9
7.4
6.9
osv.
128
7.6 Enkelt Regressionsanalyse med flere y-værdier for hver x-værdi
Laver regressionstest på de to lister list 1 og list 2
TI89:APPS, STAT/LIST
F6, A:LinRegTest
Udfyld list1 = list 1 og list2 = list 2, Alternate Hyp=
&   0
ENTER
TI-Nspire:Statistik Statistiske test Lineær Regresions t-test udfyld menu ENTER
.
) 2  18  32.5382
Heraf: s  sresidual  13445
.
, df  f residual  18 og SAK residual  (13445
SAK lack of fit  SAK residual  SAK error  32.538  9.81  22.728
Vi kan nu udfylde variansanalysetabellen
SAK
Variation SAK f
2
s 
Lack of
fit
Error
Residual
f
22.728 8 2.841
F
2
P-værdi
slack
2.896
s02
P(F>2.896) = FCdf(2.896,  ,8,10) = 0.0591
9.81 10 0.981
32.538 18 1.3445
Da P - værdi = 0.0591 > 0.05 accepteres H0, dvs.
vi vil i det følgende antage, at den lineære model gælder.
3) I ovenstående udskrifter finder man konstanterne


.
 01730
.
t .
Den empiriske regressionslinie bliver: y   0  1  t  1654
.
4) H 0 : 1  015
TI89: F7: LinRegTInt
Udfyld menu: Interval=Slope
TI-Nspire:Statistik Konfidensintervaller Lineær Reg t-intervaller
udfyld menu bl.a. hældning
95% konfidensinterval for  : [0.160 ; 0.186]
Da 0.15 ikke ligger i intervallet forkastes H0 , dvs.
data giver ikke den i litteraturen angivne hældningskoefficient..
ENTER
5) 95% konfidensinterval for middelværdien af tykkelsen y, når t = 110 minutter.
TI89: F7: LinRegTInt
Udfyld menu: Interval=Response, x Value = 100
TI-Nspire:Statistik Konfidensintervaller Lineær Reg t-intervaller udfyld menu bl.a. svar
y_hat = y’s værdi for x = 110 = 20.68.
95% konfidensinterval [19.98 ; 21.38]
Det skal bemærkes, at hvis man vil beregne forklaringsgresen for modellen, skal det gøres ud fra
gennemsnittene dvs. lave to lister med henholdsvis gennemsnit og y-værdier
Løsning SAS.JMP:.
Data indtastes på sædvanlig måde:
t
20
20
30
30
40
...
...
180
180
y
4,2
4,9
7,4
6,9
8,8
...
...
32,9
32,4
129
7. Regressionsanalyse
1) Undersøgelse af varianshomogenitet.
Test af nulhypotesen H 0 :  12   22  ...   102
Man gør som beskrevet under ensidet variansanalyse, dvs. vi vælger at gøre t til”character”
Sæt cursor på t’s hoved, tryk på venstre musetast og vælg “column Info”
Vælg Analyze Fit Y by X markér “y” og tryk på Y Response markér “t” og tryk på X Factor
Sæt cursor på overskrift, højre musetast vælg fra rullemenuen “ “UnEqual Variances”.
Tests that the Variances are Equal
Test
F Ratio
DFNum
O'Brien[.5]
0,0000
-1
Brown-Forsythe
-1,896e16
9
Levene
-1,896e16
9
Bartlett
0,4990
9
Warning: Small sample sizes. Use Caution.
DFDen
0
10
10
.
OK
Prob > F
0,0000
.
.
0,8763
Da vi kun har 2 gentagelser for hver t-værdi kan kun Bartletts test anvendes.
Da P - værdien=0.8763 > 0.05 accepteres H0 , dvs. vi vil i det følgende antage, at kravet om
varianshomogenitet er opfyldt.
2) H 0 : Lineær model gælder  H 0 :( xi , i ) ligger på en ret linie
Man sørger nu for, at t er “numeric”, og vælger nu forfra
Analyze
Fit Y by X
markér “y” og tryk på Y Response
markér “t” og tryk på X Factor
OK
Der fremkommer et “scatterplot”, hvor man i et koordinatsystem kan se punkterne afbildet.
Sæt cursor på overskrift, højre musetast vælg fra rullemenuen “Fit Line”.
Tryk på pil ud for “Lack of Fit” på den røde pil under tegningen ved “linear fit”
vælg”Confid. Curves indv”
Der fremkommer følgende udskrift:
Bivariate Fit of y By t
Linear Fit
y = 1,6541465 + 0,172975 t
Summary of Fit
RSquare
RSquare Adj
Root Mean Square Error
Mean of Response
Observations (or Sum Wgts)
0,978579
0,977389
1,344501
16,53
20
Lack Of Fit
Source
Lack Of Fit
Pure Error
Total Error
DF
8
10
18
Sum of Squares
22,728289
9,810000
32,538289
Mean Square
2,84104
0,98100
130
F Ratio
2,8961
Prob > F
0,0591
Max RSq
0
7.6 Enkelt Regressionsanalyse med flere y-værdier for hver x-værdi
Analysis of Variance
Source
Model
Error
C. Total
DF
1
18
19
Sum of Squares
1486,4437
32,5383
1518,9820
Mean Square
1486,44
1,81
F Ratio
822,2924
Prob > F
<,0001
Parameter Estimates
Term
Intercept
t
Estimate
1,6541465
0,172975
Std Error
0,599582
0,006032
t Ratio
2,76
28,68
Prob>|t|
0,0129
<,0001
Af figuren ses, at “gennemsnitspunkterne ligger tilfældigt omkring linien, og der næppe er
outliers, da punkterne næsten alle falder indenfor “prediction linierne”
Af udskriften for “Lack of fit” ses, at P - value er 0.0591. På et signifikansniveau på 5%, ses,
at H0 må accepteres, dvs. vi kan antage, at indenfor måleområdet giver førstegradsmodellen
en rimelig god beskrivelse af resultaterne,
3) Af udskriften ses, at regressionsligningen bliver y  16542
.
 01730
.
x
.
4) H 0 : 1  015
Sæt cursor på et vilkårligt tal under " Parameter estimates" , højre musetast
gentag men vælg "Upper"
Columns
vælg "lower"
Parameter Estimates
Term
Intercept
t
Estimate
Std Error
t Ratio
Prob>|t|
Lower 95%
Upper 95%
1,6541465
0,599582
2,76
0,0129*
0,3944709
2,9138221
0,172975
0,006032
28,68
<,0001*
0,160302
0,1856481
Heraf ses, at et 95% konfidensinterval for  ikke indeholder 0.15.
dvs. data giver ikke den i litteraturen angivne hældningskoefficient..
5) Find det til t = 110 svarende 95% konfidensinterval for tykkelsen y.
Skriv nederst i tabel under t tallet 110.
Analyze Fit model Marker y og vælg y marker t og vælg add Run
Rød pil ved "Response y Save Columns predicted values mean Confidence interval
Der bliver nu tilføjet ekstra søjler .
Vi får y’s værdi for x = 110 = 20.68.
95% konfidensinterval [19.98 ; 21.38]
131
7. Regressionsanalyse
7.7 MULTIPEL REGRESSIONSANALYSE.
7.7.1 Indledning
Vi vil i dette afsnit behandle det tilfælde, hvor der indgår mere end 1 kvantitativ variabel. Vi vil
begrænse os til at se på modeller, hvor de variable indgår lineært. Et eksempel herpå er modellen
Y   0  1 x1   2 x2 , hvor parametrene er  0 ,  1 og  2 .
I appendix 7.4 findes de nødvendige matrixformler til beregningerne. Det er dog langt lettere at
have et statistikprogram til rådighed, så eksemplerne er regnet med Ti - 89 og med SAS-JMP.
7.7.2 Multipel regressionsanalyse med én y - værdi for hver x - værdi.
Man vurderer om modellen er acceptabel ved
1) at se på “forklaringsgraden” r 2
2) at se om der er outliers (se om "studentized residuals" alle numerisk er under 3, og kun få er
over 2 )
Vi vil illustrere metoden ved følgende eksempel.
Eksempel 7.8 (multipel regressionsanalyse uden gentagelser)
Det månedlige elektriske forbrug Y på en fabrik formodes at være afhængig af den gennemsnitlige udendørs temperatur x1, antal arbejdsdage x2 i måneden , den gennemsnitlige renhed x3 af det
fremstillede produkt og det antal tons x4, der produceres i den pågældende måned. Det formodes,
at Y er en lineær funktion af x1, x2 , x3 og x4 , dvs. på formen
Y   0  1 x1   2 x2   3 x3   4 x4 .
Følgende observationer fra det forløbne år foreligger
x1
x2
x3
x4
Y
-4
22
91
100
836
-1
20
90
95
789
7
21
88
110
883
16
19
87
88
790
18
20
91
94
816
23
19
94
99
859
27
23
87
97
831
29
21
86
96
832
24
22
88
110
897
16
23
91
105
872
10
20
90
100
842
3
20
89
98
821
1) Vurder ud fra forklaringsgraden og "studentized residualer" om ovennævnte model er rimelig.
Det antages i det følgende, at ovenstående model gælder.
2) Undersøg om modellen kan reduceres, dvs. kan nogle af koefficienterne antages at være 0.
3) Angiv regressionsligningen i den endelige model.
4) Angiv 95% konfidensintervaller for de regressionskoefficienter der indgår i ovenstående model
5) Angiv et 95% konfidensinterval for Y i punktet ( x1 , x 2 , x 3 , x 4 )  (0,20,90,100)
132
7.7 Multipel Regressionsanalyse
Løsning :
1) TI89: APPS, STAT/LIST
indtast data x1 i list 1 osv. , x4 i list 4 og y i list 5 F6:Test
B:MultRegTests
Udfyld menuen ENTER
TI-Nspire:Data indtastes i “lister og regneark” Statistik Statistiske tests Multipel lineær regressionstest udfyld menuer ENTER
Vi får bl.a r  0.9654
I listen sresid (i TI89 efter inddata), er “Studentized residuals”.
Da kun en enkelt værdi numerisk er større end 2 og ingen er over 3, antages, at der ikke er
outliers
Da yderligere forklaringsgraden er tæt ved 1 vurderes modellen at være rimelig god.
2
2) H 0 : 1   2   3   4  0 , H: Mindst en af regressionskoefficienterne er forskellig fra 0.
I Udskriften fra MultRegTests findes en P -værdi på 0.000034
Da P -værdi = 0.000034 < 0.05 forkastes H0 (stærkt), dvs. mindst en af regressionskoefficienterne er forskellig fra 0.
I P-list findes P - værdierne for de enkelte regressionskoefficienter.
Man ser, at nr. 3 giver den største P-.værdi på 0.7195.Da den første P - værdi svarer til konstantleddet svarer nr. 3 til x2.
H0: 2 = 0 accepteres, da P -værdien = 0.7195> 0.05.
x2 - leddet bortkastes. Bemærk, at man kun eliminerer én variabel ad gangen
TI89+TI-Nspire:Vælg igen MultRegTests, og udfyld menuen med kun 3 variable.
Man ser, at nu er den største P - værdi ud for x3 og P -værdien = 0.0849.
H0:  3 = 0 accepters da, da P -værdien = 0.0849 > 0.05
x3 slettes nu af modellen.
TI89+TI-Nspire:Vælg igen MultRegTests, og udfyld menuen med kun 3 variable.
Nu ses, at alle P - værdier er mindre end 0.05, dvs. modellen kan ikke reduceres mere.
3) I listen blist findes koefficienterne, dvs. y = 335.65 + 0.9017 x1 + 4.94 x4.

4) 95% konfidensinterval for 1 :  1  t  ( f residual )  s  ; 1  t  ( f residual )  s
1
1

1
1
2
2

fresidual= dferr= 9
s findes i “selist” =0.23495.




1
;. ]
0.9017  t 0.975 (9)  0.23495;0.9017  t 0.975 (9)  0.23495  [0.3711432
Tilsvarende findes s i “selist” =0.40245 og dermed
4
95% konfidensinterval for  4
. ]
4.94  t 0.975 (9)  0.40245;4.94  t 0.975 (9)  0.40245  [4.03;585
5)
TI89: F7:Ints, 8: MultRegInt, Udfyld menuer heraf x Value List={0,100}, ENTER
TI-Nspire: Statistik Konfidensintervaller Multipl Reg Int Udfyld menuer Enter
Man finder 95% konfidensintervallet : [820.34 ; 838.99]
133
7. Regressionsanalyse
Løsning SAS.JMP:
Data indtastes
x1
-1
7
16
18
23
27
29
24
16
10
3
x2
20
21
19
20
19
23
21
22
23
20
20
x3
90
88
87
91
94
87
86
88
91
90
89
x4
95
110
88
94
99
97
96
110
105
100
98
y
789
883
790
816
859
831
832
897
872
842
821
1) Vælg Analyze Fit model markér “y” og tryk på Y Response markér “x1, x2, x3.x4” og tryk ADD Emphasis:
Miniimal report
Run
Der fremkommer bl.a. følgende udskrift
Summary of Fit
RSquare
RSquare Adj
Root Mean Square Error
Mean of Response
Vælg rød pil
Save Columns
0,965448
0,945705
7,90936
839
Studentized residuals
I datatabel kan man nu yderligere finde følgende
x1
-4
-1
7
16
18
23
27
29
24
16
10
3
x2
22
20
21
19
20
19
23
21
22
23
20
20
x3
91
90
88
87
91
94
87
86
88
91
90
89
x4
100
95
110
88
94
99
97
96
110
105
100
98
y
836
789
883
790
816
859
831
832
897
872
842
821
Studentized Resid y
1,79003969
-2,2547678
0,13625987
1,49780253
-0,6335664
0,52748444
-0,6533457
0,11469765
-0,3300421
0,20781137
0,25236158
-0,0125531
Da kun en enkelt værdi numerisk er større end 2 og ingen er over 3, antages, at der ikke er outliers
Da yderligere forklaringsgraden= 0.965 er tæt ved 1 vurderes modellen at være rimelig god.
2) Mulig reduktion af modellen
H 0 : 1   2   3   4  0 , H: Mindst en af regressionskoefficienterne er forskellig fra 0.
I samme udskrift som under "Summery of Fit" fandtes
Response y
Summary of Fit
Analysis of Variance
Source
Model
Error
C. Total
DF
4
7
11
Sum of Squares
12236,094
437,906
12674,000
Mean Square
3059,02
62,56
F Ratio
48,8990
Prob > F
<,0001*
Parameter Estimates
Term
Intercept
x1
x2
x3
x4
Estimate
175,49949
1,0266425
-0,793015
1,9113126
4,9822626
Std Error
113,8626
0,226819
2,120284
1,145911
0,44901
t Ratio
1,54
4,53
-0,37
1,67
11,10
134
Prob>|t|
0,1671
0,0027*
0,7195
0,1393
<,0001*
7.7 Multipel Regressionsanalyse
Af ovenstående udskrift ses for model, at P - Value <0.0001 < 0.05.
Heraf følger, at H0 forkastes (stærkt), dvs. mindst en af regressionskoefficienterne er forskellig fra 0.
Vi ser nu regressionskoefficienterne
Den  størrelse, der har størst P-værdi er 2 .
H0: 2 = 0 accepteres, da P -værdien = 0.7195> 0.05.
x2-leddet bortkastes.
Bemærk, at man kun eliminerer én variabel ad gangen.
Vi eliminerer nu x2 : (slettes under “ADD”)
Effect Tests
Source
x1
x3
x4
Nparm
1
1
1
DF
1
1
1
Sum of Squares
1274,177
215,715
10796,609
F Ratio
22,8216
3,8636
193,3764
Prob > F
0,0014
0,0849
<,0001
Da P-værdien for x3 er 0.0849 > 0.05 eliminerer vi nu x3.
Effect Tests
Source
x1
x4
Nparm
1
1
DF
1
1
Sum of Squares
1083,972
11089,679
F Ratio
14,7285
150,6814
Prob > F
0,0040
<,0001
Det er nu ikke muligt at reducere modellen mere.
3) For at kunne angive regressionsligningen betragtes følgende udskrift.
Parameter Estimates
Term
Intercept
x1
x4
Estimate
335,65234
0,9016966
4,9401735
Std Error
40,26796
0,234953
0,40245
t Ratio
8,34
3,84
12,28
Prob>|t|
<,0001
0,0040
<,0001
Ligningen bliver y  335.65  0.9017  x1  4.9402  x 4
4) Cursor i tabellen ovenfor, højre musetast
Columns
Upper 95%
lower
95%
Parameter Estimates
Term
Intercept
x1
x4
Estimate
335,65234
0,9016966
4,9401735
Std Error
40,26796
0,234953
0,40245
t Ratio
8,34
3,84
12,28
Prob>|t|
<,0001
0,0040
<,0001
.
]
.
] ,  4 : [4.030 ; 5851
Konfidensintervallerne bliver 1 : [0.3702 ; 14332
135
Lower 95%
244,55989
0,370196
4,0297676
Upper 95%
426,74479
1,4331972
5,8505795
7. Regressionsanalyse
5) Cursor på rød pil"Response Y" vælg “Factor Profiling”
Profiler
cursor på det røde tal forneden
ved x1, skriv 0, Cursor på rødt tal ved x4, skriv 100
Prediction Profiler
Vi har derfor, at y  829.67 og et 95% konfidensinterval er [820.35 ; 838.99]
7.8 POLYNOMIAL REGRESSIONSANALYSE
7.8.1 Indledning
Ved en polynomial regressionsanalyse er den statistiske model
Y   0  1 x   2 x 2   3 x 3 ...  p x p .
hvor den variable Y skal opfylde de sædvanlige regressionsforudsætninger.
Som det ses, er den i afsnit 7.2 betragtede enkelte regression et specialtilfælde. Den statistiske
analyse da også meget beslægtet hermed.
Det man søger er altid den “enkleste” model der giver en tilstrækkelig god beskrivelse af Y
indenfor det foreliggende variationsområde for x. Ud fra et statistisk synspunkt, vil man altid
foretrække den model med de færreste parametre, da de på samme datamateriale giver en sikrere bestemmelse af parametrene. At andet lige vil man derfor foretrække de i afsnit 7.3 nævnte “transformerede” modeller som alle kun har 2 parametre fremfor eksempelvis et andengradspolynomium Y   0  1 x   2 x 2 hvor man skal bestemme tre parametre  0 , 1 og  2 .
Blandt polynomierne vil man naturligvis foretrække et af lavest grad.
Såvel TI89 som SAS.JMP tegner let polynomier af 2. grad , 3 grad og 4 grad og regner forklaringsgraden ud. Derved kan man få et indtryk af hvilket polynomium, af lavest grad, der
giver en rimelig beskrivelse af data.
Imidlertid er man altid nødt til at teste modellen, og derfor er fremgangsmåden den, at polynomiet omskrives og man går over til multipel regression.
Eksempelvis omskrives polynomiet T  a 0  b1 x  b2 x 2  b3 x 3
til T  a 0  b1 x1  b2 x 2  b3 x 3 ved at sætte x1  x , x 2  x 2 , x 3  x 3
Vi vil i dette kapitel kun betragte tilfældet hvor der til hver x-værdi svarer en y-værdi.
136
7.8 Polynomial Regressionsanalyse
Modificeret forklaringsgrad (adjusted)
Et 17-gradspolynomium vil gå eksakt gennem de 18 punkter, og r2 = 100% . Det er imidlertid
klart, at en sådan model dels er alt for komplicerede til de fleste praktiske formål, dels følger
kurven alle de tilfældige variationer, som vi netop ikke bør tage hensyn til.
Betragter man nu eksempelvis polynomiet Y   0  1 x   2 x 2 , beregner forklaringsgraden r2 ,
derefter betragter et polynomium af tredie grad, og beregner igen forklaringsgraden , så er den
steget, selv om trediegradsmodellen måske ikke er væsentlig bedre.
Det er altid muligt at øge r2 ved at addere flere led til modellen.
For hvert led der tilføjes mistes der en frihedsgrad i "error", og hvis SAK for det nye led ikke
giver et væsentligt bidrag kan det betyde, at den nye model er ringere end den gamle model.
For at tage hensyn til dette, betragtes ofte et modificeret r2 (R-squared (adjusted for d.f.1))
Når r2 ikke stiger væsentligt, og R-squared (adjusted for d.f.) næsten er konstant, eller begynder at falde, er man tæt ved den “bedste” model.
Fremgangsmåde
Man starter med at tegne punkterne , eventuelt sammen med en lineær model af første grad
y    1 x (se eksempel 7.4)
Er punkterne i et interval stigende og i et andet interval faldende så de eksempelvis kunne
beskrive en parabel, så vil det være rimeligt at se på et polynomium af anden eller højere grad.
Der er i princippet to fremgangsmåder:
Forward:
Man ser på en model af anden grad y    1 x   2 x 2 og sammenligner den med en af tredie
grad y    1 x   2 x 2   3 x 3
Dette sker ved at man sammenligner de to "adjusted forklaringsgrader ",
samt teste nulhypotesen H 0 :  3  0
Hvis man får en accept af H0 og endvidere at "adjusted r2 " for trediegradspolynomiet ikke er
væsentlig højere end den af anden grad, så vil man vælge andengradspolynomiet.
Man vil dog så for andengradspolynomiet også se om der er outliers (studenticed residuals).
Hvis man omvendt får en forkastelse af H 0 :  3  0 vil man sammenligne trediegradspolynomiet med et polynomium af fjerdiegrad.
Backward
Her starter man med en model af fjerde grad y    1 x   2 x 2   3 x 3   4 x 4
Man tester nulhypotesen H 0 :  4  0
Får man en accept af nulhypotesen ser man nu på en model af trediegrad, og tester analogt
H0 : 3  0
Endvidere sammenligner man de to "adjusted r2 " for at se om der er sket en væsentlig ændring
Således fortsættes indtil man får en forkastelse af nulhypotesen, samt ser, at "adjusted r2 " ikke
har ændret sig væsentlig.
1
r2 (adjusted) =
2
 s02
(n  1)  r 2  1  k stotal

, hvor k er antal parametre i modellen(incl konstantled).
nk
s02
137
7. Regressionsanalyse
De to metoder kan godt give forskelligt resultat, da der jo er et element af personlig vurdering
i konklusionen.
For det polynomium man ender med, ser man derfor på outliers, og residualplot for at være
sikker på, at modellen er acceptabel..
7.8.2. Beregning af polynomial regressionsanalyse
Eksempel 7.9. Polynomial regressionsanalyse uden gentagelser.
Et forsøg udføres, for at finde hvordan størkningstiden T (i minutter) afhænger af antal gram x
af et additiv. Man fik følgende forsøgsresultater:
x g/l
0
0.5
1
1.5
2
2.5
3
3.5
4
4.5
5
5.5
6
6.5
7
7.5
8
8.5
T min. 740 710 610 650 470 540 440 420 400 450 440 480 530 470 420 480 450 490
1) Vurder på basis af ovennævnte observationer, hvilket polynomium
T   0   1 x   2 x 2   3 x 3  ...  p x p af lavest mulig grad p, der indenfor måleområdet
[ 0 ; 8.5 ] giver en tilfredsstillende beskrivelse af T’s variation.
2) Angiv regressionsligningen for den model, man i spørgsmål 1 har fundet frem til.
3) Beregn værdien af T for x = 6.2, og angiv et 95% konfidensinterval for T for x = 6.2.
Løsning:
1) TI89:Først betragtes en tegning af punkterne samt en ret linie (jævnfør eksempel 7.4).
APPS
STAT/LIST
x-værdier indtastes i list1, og y-værdier indtastes i list 2
F4, 3:Regressions
lin reg ax+b
Udfyld lister
Da vi ønsker at tegne regressionslinien så StoreReqn to: y1(x), ENTER,
2
Der fremkommer r =0.435
ESC, F2: Plots,,1: Plot Setup,F1: Define, Behold Scatter og Box, indsæt listerne , ENTER, F5
Det ses tydeligt, at punkterne viser både en opadgående og nedadgående tendens, så et polynomium må være den rette model
Vi vælger "Backward"-metoden, dvs. vi starter med et polynomium af fjerde grad
y    1 x   2 x 2   3 x 3   4 x 4
For at teste må man omforme regressionslignngen til en lineær funktion i de variable .
2
3
4
T    1 x1   2 x 2   3 x 3   4 x 4 ved at sætte x1  x , x 2  x , x 3  x , x 4  x
TI89: APPS, STAT/LIST
dan nye lister x2 = x^2, x3 = x^3, x4=x^4
F6:tests
B: MultRegIn
Udfyld menuer
TI-Nspire: Lister og regneark
dan lister x, y, , x2 = x^2, x3 = x^3, x4=x^4
Statistik statistiske tests
Multipel lineær regresionstest Udfyld menuer
Enter
Vi får "adjusted" r2 = 0.799,
H0 : 4  0
I P-list fås P-værdierne for koefficienterne. Vi ser, at P-værdien for  4 = 0.52
Da P-værdi > 5% accepteres H0, dvs vi bortkaster fjerdegradsleddet.
138
7.8 Polynomial Regressionsanalyse
Vi ser nu på tilsvarende måde på et trediegradspolynomium y    1 x   2 x 2   3 x 3
Vi får "adjusted" r2 = 0.807, dvs lidt højere
Vi tester nu nulhypotesen H 0 :  3  0
Vi finder, at P-værdi = 0.047
Da P-værdi < 5% forkastes H0, dvs vi kan ikke bortkaste trediegradsleddet. (vi er dog tæt
på)
Man må nu se på fortegn for residualer som findes under "resid"
"{-30.701754385917,21.310629515004,-11.075851393155,83.408152734805,-53.968008255912,
48.065015479893,-29.223426212578,-34.563983488124,-46.687306501544,5.6759545923639,
-6.2048503611996,28.939628482967,72.378740970064,5.3818369452936,-50.781733746144,
5.157378740953,-25.531475748214,18.421052631557}"
Heraf ses, at residualerne har rimeligt skiftende fortegn
evt. se på et residualplot
F2,1:Plot Setup
F1:Define
Vælg VARLINK
list1
varlist og resid
F5:ZoomStat
Heraf ses, at punkterne fordeler sig rimelig tilfældigt omkring den vandrette linie.
For at sikre os, at der ikke er outliers, ses på listen sresid
Den viser, at ingen numerisk er over 3, og kun en enkelt på 2.05 er numerisk over 2
Konklusion: Trediegradsmodellen er den bedste model
2) Af b-list fås koefficienterne
T  1692
.
 x 3  313364
.
 x 2  179.266  x  770.702
3) Beregn værdien af T for x = 6.2, og angiv et 95% konfidensinterval for T for x = 6.2.
TI89: F7:Ints
8: MultRegIn
Udfyld menuer heraf x Value List={6.2, 6.2^2, 6.2^3}, ENTER
TI-Nspire: Statistik Konfidensintervaller Multipl Reg Int Udfyld menuer Enter
Man får T = 460.44 og 95% konfidensinterval [420.0;500.9]
139
7. Regressionsanalyse
Løsning SAS.JMP:
1) Data indtastes
a) Analyze Fit Y by X markér “T” og tryk på Y Response markér “x” og tryk på X Factor OK
Der fremkommer et “scatterplot”, hvor man i et koordinatsystem kan se punkterne afbildet.
Bivariate Fit of T By x
750
700
650
T
600
550
500
450
400
350
-1
0
1
2
3
4
5
6
7
8
9
x
Cursor på overskrift, højre musetast
Fit Polynomial
Man kan nu vælge, hvilken grad polynomiet skal have.
Ud fra scatterplottet synes en andengradsmodel ikke at være en god model
Vi vælger en fjerdegradsmodel
Der fremkommer blandt andet følgende udskrift:
Summary of Fit
RSquare
RSquare Adj
Root Mean Square Error
Mean of Response
Observations (or Sum Wgts)
0,846337
0,799056
45,41548
510,5556
18
Vælges en trediegradsmodel fås tilsvarende
Summary of Fit
RSquare
RSquare Adj
Root Mean Square Error
Mean of Response
Observations (or Sum Wgts)
0,841256
0,807239
44,48109
510,5556
18
Vi ser, at R-squared (adjusted) nu er steget svagt fra 80,72% til 79,90%. Heraf må sluttes,
at fjerdegradsmodellen ikke har givet et væsentligt forbedret bidrag til forklaring af data.
For at lave tests, konfidensintervaller m.m. må man indføre 2 nye kolonner x2 = x2 og x3=x3
og gå over i multipel analyse.
Hertil benyttes formula (Cursor på kolonneoverskrift højre musetast formula)
Vælg Analyze
Fit model
markér “T” og tryk på Y Response
markér “x, x2, x3” og tryk
Man får bl.a.
Parameter Estimates
Term
Intercept
Estimate
770,70175
Std Error
34,52201
t Ratio
22,32
Prob>|t|
<,0001*
x
-179,2699
36,21048
-4,95
0,0002*
x2
31,336429
10,07039
3,11
0,0077*
x3
-1,692466
0,777816
-2,18
0,0472*
140
ADD
Run
7.8 Polynomial Regressionsanalyse
Da vi ser, at P-værdien for  3 = 0.047 < 0.05 forkastes H0:  3  0 , dvs.
Vi kan ikke bortkaste trediegradsleddet.
Heraf sluttes, at en trediegradsmodel må være det foreløbig bedste bud
Grafen for trediegradsmodellen blev følgende
Bivariate Fit of T By x
Da punkterne ligger tilfældigt omkring kurven finder vi, at trediegradsmodellen er en acceptabel model
For at vurdere om der er outliers, vælges studentized residuals
Vælg rød pil(ved response)
Save Columns
Studentized residuals
Resultat blev følgende tabel
x
0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
5
5,5
6
6,5
7
7,5
8
8,5
T
740
710
610
650
470
540
440
420
400
450
440
480
530
470
420
480
450
490
x2
0
0,25
1
2,25
4
6,25
9
12,25
16
20,25
25
30,25
36
42,25
49
56,25
64
72,25
x3
0
0,125
1
3,375
8
15,625
27
42,875
64
91,125
125
166,375
216
274,625
343
421,875
512
614,125
Studentized Resid T
-1,0945392
0,56154621
-0,2737721
2,05315659
-1,3378076
1,19147889
-0,7178786
-0,8387979
-1,123754
0,13661908
-0,1505792
0,71090704
1,79418941
0,13340982
-1,2500319
0,12747972
-0,6727677
0,65672353
Den viser, at ingen numerisk er over 3, og kun en enkelt på 2.05 er numerisk over 2
Konklusion: Trediegradsmodellen er den bedste model
2) Regressionsligningen ses under punkt 2
Polynomial Fit Degree=3
T = 464,53399 - 4,620743 x + 9,7574819 (x-4,25)^2 - 1,6924665 (x-4,25)^3
2
3

.
x  1629
.
x .(udregnet på lommeregner)
eller T  770.70  179.27 x  31336
141
7. Regressionsanalyse
3) Beregn værdien af T for x = 6.2, og angiv et 95% konfidensinterval for T for x = 6.2.
Skriv 6.2 nederst i datatabel
cursor på overskrift på x2, højre musetast
Nu kommer automatisk i kolonnerne 6.2^2 osv.
Rød pil ved Response T
Save Columns
Predicted value
Mean Confidence Interval
Nu dannes i tabellen tre nye kolonner op, hvoraf man aflæser det ønskede
x
0
0,5
1
1,5
2
2,5
3
3,5
4
4,5
5
5,5
6
6,5
7
7,5
8
8,5
6,2
T
740
710
610
650
470
540
440
420
400
450
440
480
530
470
420
480
450
490
.
x2
0
0,25
1
2,25
4
6,25
9
12,25
16
20,25
25
30,25
36
42,25
49
56,25
64
72,25
38,44
x3
0
0,125
1
3,375
8
15,625
27
42,875
64
91,125
125
166,375
216
274,625
343
421,875
512
614,125
238,328
Lower 95% Mean T
696,659416
638,924223
581,420936
527,734498
483,773946
451,740922
430,771063
418,637279
412,60539
410,242129
410,278146
412,608008
417,427197
424,424101
431,924385
435,187706
425,766328
397,536609
420,015059
Upper 95% Mean T
844,744093
738,454518
660,730766
605,449196
564,162071
532,129047
507,675789
490,490688
480,769223
478,405962
482,131555
489,512735
497,815321
504,812225
509,639083
514,497536
525,296623
545,621286
500,862506
Man får T = 460.44 og 95% konfidensinterval [420.0;500.9]
142
Predicted T
770,701754
688,68937
621,075851
566,591847
523,968008
491,934985
469,223426
454,563983
446,687307
444,324045
446,20485
451,060372
457,621259
464,618163
470,781734
474,842621
475,531476
471,578947
460,438782
7.9 Oversigt over fremgangsmåde ved regressionsanalyse
7.9. OVERSIGT OVER FREMGANGSMÅDE VED REGRESSIONSANALYSE
TI89 antages benyttet
7.9.1 Lineær model:
Valg af model
F4
regression linReg(a+bx)
Punkter + ret linie tegnes
1) Punkter ligger tilfældigt om den rette linie
a) Se på forklaringsgrad r2
a1) r2“høj”(over ca. 70%), så ok
F6 LinRegTTest
a2) r2 lav, så test om hældning er 0.
Hvis ja, så er y uafhængig af x (ingen sammenhæng)
Hvis nej, så viser data en stigende / faldende tendens.
b) Se på Outliers. Se evt. på “Studized Residuals”
F6 MultRegTests se på slist
b1) Ingen outliers, så ok
b2) Outliers : Forsøgsomstændighederne ved dette forsøg undersøges.
2) Punkter ligger ikke tilfældigt om linie
a) Se på forklaringsgrad r2
a1) r2 meget høj (over 90%) :Model måske accepteres indenfor måleområdet.
a2) r2 ikke så høj, eller en sikrere model ønskes undersøgt:
I: Punkter ligger “krummer monotont op eller ned”:
Se på modeller med 2 parametre (eksponentiel, potens, logaritme)
Model skal opfylde krav om: Punkter ligger tilfældigt om kurve, r2 høj, Ingen outliers
II: Punkter ligger ikke monotont
Se på polynomier.
Model vælges af lavest grad. Quadreg, CubicReg, beregne r2(adjusted), se på residualplot
evt. teste om koefficient til højestegradsled  0
Test
1) Ret linie y   0  1 x
a) H0: Y er uafhængig af x  H0 : Regressionslinien er vandret  H 0 : 1  0 .
F6, A: Lin Reg T-Test
b) Konfidensinterval for 1 :
c) Konfidensinterval for y svarende til x =t:
F7: LinRegTInt:
Alternate Hyp=
&   0
Interval = Slope:
F7: LinRegTInt:
Interval = Response, x
Value = Slope:
d) Prædistinationsinterval for 1 ny observation
2) Andre modeller i 2 parametre:
Ligningen transformeres til et lineært udtryk (se side 126)
Indsætter nye lister med de transformerede variable
Derefter som under punkt 1)
143
Som under punkt c). Se nederst i udskrift
7. Regressionsanalyse
7.9.2 Multipel regression
Model acceptabel
Residualplot tegnes
F4: Calc
Punkter ligger tilfældigt om den vandrette linie
Forklaringsgrad r2 høj (over ca. 70%)
Outliers kun få (ingen)
. Se på “Studentized Residuals”
Test
1) Reduktion af model:
Find det led hvis koefficient har den største P-værdi >5%
Vælg F6:MultRegTests Fjerner leddet
Gentag med næste P-værdi Der elimineres én variabel ad gangen
2) Regressionskoeficienter : Findes i blist

3) 95% konfidensinterval for 1 :  1  t


I Statvar findes s i “selist”
1

1
2
( f residual )  s ; 1  t
1

1
2
3. Regressions
F6
MultRegTests
D:MultReg
se på slist
se under P-list

( f residual )  s 
1 

fresidual= dferr
4) Man finder 95% konfidensintervallet for y for given x-værdi
144
F7:Ints, 8: MultRegInt
Opgaver til kapitel 7
OPGAVER
Opgave 7.1
Nedenstående tabel angiver sammenhørende værdier af den "radiale" afbøjning X (i milliradianer) og den totale energiflux Y ( i kilowatt) på et solvarmeanlæg.
x 16.66 16.46 17.66 17.50 16.40 16.28 16.06 15.93 16.60 16.41 16.17 15.92 16.04
16.19 16.71
y 271.8 264.0 238.8 230.7 251.6 257.9 263.9 266.5 229.1 239.3 258.0
257.6
267.3 267.0 263.8
x 16.62 17.37 18.12 18.53 15.54 15.70 16.45 17.62 18.12 19.05 16.51
16.02
15.89 15.83
y 259.6 240.4 227.2 196.0 278.7 272.3 267.4 254.5 224.7 181.5 227.5
253.6
263.0 265.8
Det oplyses, at korrelationskoefficienten er -0.8488
Punkterne er afsat på nedenstående figur.
Plot of y vs x
280
260
y
240
220
200
180
15
16
17
18
19
20
x
1) Begrund i ord på baggrund af figuren og forannævnte oplysninger, om du finder det sandsynligt, at der er uafhængighed mellem X og Y.
2
2) Find r og anvend denne, ovenstående figur samt residualernes fortegn og størrelse til
vurdering af om en lineær model kan antages at gælde.
I det følgende antages, at forudsætningerne for en regressionsanalyse er opfyldt, og at den
lineære model gælder.
3) Opskriv regressionsligningen.
4) Angiv et 99% konfidensinterval for hældningen  1 . (Bemærk, der ønskes et 99% interval).
5) Beregn er 95% konfidensinterval for middelfluxen y i det tilfælde, hvor den radiale afbøjning x er 16.5 milliradianer.
145
7. Regressionsanalyse
Opgave 7.2
Man ønskede på et universitet at undersøge om der var en sammenhæng mellem de point de
studerende fik ved en indledende prøve i matematik, og de point de fik ved den afsluttende
prøve i matematik.
Resultaterne var
Student
1
2
3
4
5
6
7
8
9
10
Indledende prøve x
39
43
21
64
57
47
28
75
34
52
Afsluttende prøve y
65
78
52
82
92
89
73
98
56
75
1) Find en ligning for regressionslinien m, og tegn i et koordinatsystem såvel punkterne som
linien m.
2) Man forventer en positiv korrelation mellem x og y. Finder du at dette er tilfældet?
Det antages i det følgende at forudsætningerne for en regressionsanalyse er opfyldt.
3) Test om y er uafhængig af x (signifikansniveau  =0.01)
4) Find er 95% konfidensinterval for hældningskoefficienten 1 .
5) En student har opnået 50 point ved den indledende prøve. Forudsig indenfor hvilket interval
denne student pointtal vil ligge ved den afsluttende prøve. (signifikansniveau  =0.05)
6) Angiv et 95% konfidensinterval for middelværdien af det pointtal som studenter opnår ved
den afsluttende prøve, når de alle ved den indledende prøve har opnået 50 point.
Opgave 7.3
Ved en kemisk proces vides reaktionshastigheden v at afhænge af mængden x af et bestemt
additiv, som virker som katalysator.
Ved et fuldstændigt randomiseret forsøg fandtes følgende observationer:
Tilsat mængde additiv x
0.001
0.2
0.5
1.0
1.5
2.0
Reaktionshastighed v
1
17
29
41
50
58
1) Foretag en vurdering, ud fra forklaringsgrad og graf, hvilken af de fire standardmodeller,
der bedst bedst approksimerer data.
2) Angiv regressionsligningen for den valgte model
3) Find ved en additivtilsætning på 1.75, middelværdien af reaktionshastigheden og angiv et
95%~konfidensinterval herfor.
Opgave 7.4
Man mener der er en sammenhæng mellem en bilists alder og antallet af alvorlige færdselsulykker, der skyldes for stor hastighed. Man har fra USA, hvor aldersgrænsen for erhvervelse af
kørekort er 16 år, følgende data indsamlet gennem en periode:
Alder x
16 17 18 19 20 22 24 27 32 42 52 57 62 72
Antal fart-relaterede ulykker y 37 32 33 34 33 31 28 26 23 16 13 10 9 7
Det fremgår klart, at antallet af ulykker falder med alderen.
a) Giv en vurdering af, om modellen y = a + bx (antal ulykker aftager lineært med alderen) på
rimelig måde kan beskrive denne sammenhæng.
b) En trafikekspert mener, at modellen y    e bx (antal ulykker aftager eksponentielt med
alderen) giver en bedre beskrivelse af modellen. Har vedkommende ret?
c) Bestem ligningen for den model du finder bedst.
146
Opgaver til kapitel 7
d) Angiv ud fra ovennævnte ligning det forventede antal fart-relaterede ulykker som 50 - årige
i middel vil forårsage i den givne periode.
e) Angiv et 95% konfidensinterval for middelværdien af ulykker for 50-årige.
Opgave 7.5
I et organisk-kemisk laboratorium undersøgte man forskellige reaktionskinetiske processer. Ud
fra teoretiske overvejelser har man fundet frem til, at "middeludbyttet" (angivet i %'-enheder)
af en bestemt kemisk forbindelse for t > 5 er approksimativt bestemt ved et udtryk af formen
y  100   0  e 1t , hvor t angiver reaktionstiden og y procesudbyttet.
(1)
For at efterprøve rigtigheden af de teoretiske overvejelser udførte man et forsøg med følgende
resultater:
t
6.5
8.2
11.1 13.6 16.4 18.5 20.7 23.0 25.8 28.5 33.3
y
39.5 64.7 65.6 72.9 88.0 92.7 92.5 95.9 96.3 98.3 99.2
1) Omskriv ovennævnte udtryk for modellen således, at regressionsmodellen kan gøres lineær
i parametrene ved en logaritmisk transformation.
2) Foretag den logaritmiske transformation og vurder såvel grafisk som ud fra forklaringsgraden om den formodede model (1) kan accepteres.
3) Foretag, idet det forudsættes, at modellen (1) gælder, en estimation af parametrene  0 og
1 .
4) Opstil et 95% - konfidensinterval for middelværdien af udbyttet y svarende til t = 20.
Opgave 7.6
Ved en standardisering af et bestemt hormonpræparat behandler man et mindre antal mus med
doser af forskellig størrelse og registrerer i hvert tilfælde tiden t, indtil musen dør. Fra tidligere
undersøgelser ved man, at t er normalfordelt med konstant varians og med en middelværdi,
som er en lineær funktion af logaritmen til dosis, dvs. t = a+b  ln(dosis).
Til brug for standardiseringen af et produktionsparti af præparatet blev foretaget 5 delforsøg,
som gav følgende resultater:
dosis (antal enheder)
1585
2239
2884
5248
6918
t (timer)
8.70
6.20
8.22
2.94
3.88
1) Angiv et estimat for regressionslinien, hvor t er en funktion af 1ogaritmen ti1 dosis.
2) Opsti1 et 95% - konfidensinterval for koefficienten til logaritmen til dosis.
3) Opsti1 et 95% - konfidensinterval for midde1værdien af t for en dosis på 6300 enheder.
147
7. Regressionsanalyse
Opgave 7.7
Man har erfaring for, at jerns viskositet Y under smeltning afhænger af jernets siliciumindhold
x. Man besluttede sig ti1 at foretage et forsøg med henblik på at undersøge denne sammenhæng nærmere. Ved forsøget foretoges 3 viskositetsmålinger for hver af 5 forskel1ige værdier
af siliciumindholdet. Forsøgsresu1taterne var:
x
Y
125
150
175
200
225
47.5
55.0
40
60.0
55.0
50.0
65.0
67.5
70.0
72.5
75.0
77.0
77.5
85.0
75.0
1) Angiv forudsætningerne for at kunne udføre en regressionsanalyse.
Det antages i det følgende, at forudsætningerne er opfyldt.
2) Test om der er en lineær sammenhæng mellem jerns viskositet og siliciumindholdet, og
angiv i bekræftende fald ligningen for den empiriske regressionslinie.
Det antages i det følgende, at der er en lineær sammenhæng mellem x og y.
3) Foretag en testning af om regressionslinien er vandret.
4) Angiv et 95% konfidensinterval for hældningskoefficienten
5) Angiv et 95% konfidensinterval for middelværdien af middelviskositeten y, når x = 1.60.
Opgave 7.8
Koncentrationsbestemmelse af stoffet aprindin kan foretages ved hjælp af en gaskromatograf.
Ved denne metode indsprøjtes en del af prøven indeholdende aprindin i gaskromatografen, og
den såkaldte tophøjde bestemmes. Såfremt de laboratorietekniske procedurer er korrekt udført,
skal tophøjden, bortset fra tilfældige udsving, være proportional med koncentrationen i prøven.
I et eksperiment fremstillede man 12 prøver med kendte koncentrationer af aprindin og målte
tophøjderne. Resultaterne fremgår af nedenstående tabel.
Koncentration x ( g / ml )
Tophøjde
Y
0.5
1
2
3
4
5
46
55
120
90
232
241
310
318
440
435
550
539
1) Bestem den lineære regressionslinie for Y på x
2) Test, om en sådan lineær regression kan beskrive data.
3) Test, om tophøjden y kan antages at være proportional med koncentrationen x, dvs.
y  a x.
148
Opgaver til kapitel 7
Opgave 7.9
Den tid (y) det tager inden en bestemt maskinkomponent svigter kan tænkes at afhænge af den
spænding (x1) , den temperatur (x2) som komponenten udsættes for under kørslen, samt motorens omdrejningshastighed pr. minut (x3)
Det forløbne år har givet de data, som er vist i følgende tabel:
(x1, x2, x3) (110,60,750) (110,82,850) (110,60,1000) (110,82,1100) (120,60,750)
y
2145
2155
2220
2225
2360
(x1, x2, x3)
y
(120,82,850) (120,60,1000) (130,82,1100)
2266
2334
2340
(115,66,840)
2212
(115,66,880)
2180
Det forudsættes, at regressionsforudsætningerne er opfyldt.
1) Vurder ud fra forklaringsgraden , grafisk, og ud fra en vurdering af om der er outliers, om
en lineær model i de tre variable ,dvs. af formen Y   0  1 x1   2 x 2   3 x 3 er rimelig.
Det antages i det følgende, at ovenstående model gælder.
2) Undersøg om modellen kan reduceres, dvs. om nogle af koefficienterne kan antages at være
0.
3) Angiv regressionsligningen i den endelige model.
4) Bestem et estimat for Y i tilfældet x1 = 125, x2 = 70 og x3 = 900, og angiv et 95% konfidensinterval for denne værdi.
Opgave 7.10
Ved en given produktion ønskes undersøgt, hvorledes mængden Y af et uønsket biprodukt
afhang af mængderne x1, x2 og x3 af tre tilsætningsstoffer. Følgende forsøg blev foretaget (kodede tal):
(x1, x2, x3)
(1,1,1) (2,9,4)
(3,3,9)
(4,7,5)
(5,5 7)
(6,3,3)
(7,6,2)
(8,9,6)
Y
30
85
55
75
76
56
85
106
Det forudsættes, at regressionsforudsætningerne er opfyldt.
1) Vurder ud fra forklaringsgraden , grafisk, og ud fra en vurdering af om der er outliers, om
en lineær model i de tre variable ,dvs. af formen Y   0  1 x1   2 x 2   3 x 3 er rimelig.
Det antages i det følgende, at ovenstående model gælder.
2) Undersøg om modellen kan reduceres, dvs. om nogle af koefficienterne kan antages at være
0.
3) Angiv regressionsligningen i den endelige model.
3) Bestem et estimat for Y i tilfældet x1 = 4, x2 = 5 og x3 = 6, og angiv et 95% konfidensinterval
for denne værdi.
149
7. Regressionsanalyse
Opgave 7.11
Det formodes, at den producerede mængde Y af et stof ved en given produktion er en lineær
funktion af de anvendte mængder x1 , x2, og x3 af tre råvarer.
Følgende ikke særligt systematiske observationer foreligger:
x2
1
2
4
5
x3
1
1
3
3
3)
4)
3
5
1
3
5
1
3
5
670
802
754
870
908
5
1)
2)
1
637
2
x1
5
1030
1040
10
1534
1612
Vurder på basis af disse observationer, om en lineær model i x1 , x2 og x3 er rimelig.
Foretag så vidt mulig en reduktion af modellen, og angiv tilsidst regressionsligningen for
den endelige model.
Beregn et 95% konfidensinterval for regressionskoefficienterne i den endelige model.
Beregn et 95% konfidensinterval for middelværdien af Y hvis x1 = 0.3, x2 = 0.4 og x3 = 0.1.
Opgave 7.12
En fabrik fremstiller salpetersyre ved oxidering af ammoniak med luft. I løbet af processen
ledes kvælstofoxider under afkøling ind i en absorptionskolonne, idet absorptionen i gennemstrømmende salpetersyre afhænger af kølevandstemperaturen x1 (EC) , lufttemperaturen x2 (EC)
og salpetersyrekoncentrationen x3
Man ønsker at teste, om sammenhængen mellem mængden Y af ikke-absorberede kvælstofoxider i et givet tidsrum og x1, x2 og x3 (aproksimativt) var lineær, og ønskede i bekræftende fald
at estimere denne sammenhæng. Følgende observationer af Y (kodede tal) fandtes:
x2
-5
x1
5
x1
x3
10
32
48
54
32
50
57
5
10
15
5
10
15
20
50
60
70
49
64
74
30
62
73
90
64
82
88
40
88
96
102
86
92
108
1) Vurder på basis af disse observationer, om en lineær model i x1 , x2 og x3 er rimelig.
2) Undersøg, om modellen kan reduceres, dvs. om nogle af regressionskoefficienterne kunne
være 0.
3) Opskriv regresionsligningen.
4) Angiv et 95% konfidensinterval for 1 .
5 Angiv et estimat for Y i tilfældet x1 = 8, x2 = 20 og x3 = 4, og angiv et 95% konfidensinterval
for denne værdi.
150
Opgaver til kapitel 7
Opgave 7.13
Følgende sammenhørende data er 25 målinger mellem den jævnstrøm (y) en vindmølle udvikler og vindhastigheden (x).
x
500
600
340
270
100
970
955
305
815
620
290
635
460
y
1582
1822
1057
500
2236
2386
2294
588
2166
1866
653
1930
1562
x
580
740
360
785
880
700
545
910
1020
410
395
245
y
1737
2088
1137
2179
2112
1800
1501
2303
2310
1194
1144
123
1) Vurder på basis af ovennævnte observationer ud fra forklaringsgraden, hvilket polynomium
y   0  1 x   2 x 2   3 x 3 ...  p x p af lavest mulig grad p, der indenfor måleområdet
[0 ; 10 ] giver en tilfredsstillende beskrivelse af Y’s variation.
2) Vurder ud fra residualerne , om det i 1) fundne polynomium indenfor måleområdet [0 ; 10 ]
giver en tilfredsstillende beskrivelse af Y’s variation.
3) Angiv regressionsligningen for den model, man i spørgsmål 2 har fundet frem til.
4) Skitser grafen indenfor intervallet [0;10], og beregn værdien af y svarende til en vindhastighed på x = 7
Opgave 7.14
Ved et fuldstændigt randomiseret forsøg foretoges følgende observationer mellem den ikkestatistiske variabel x og den statistiske variabel Y:
x
10
20
30
40
50
60
70
80
Y 72.5
78.3
79.6
78.9
76.9
76.6
68.9
66.4
1) Bestem ved en polynomial regressionsanalyse det polynomium i x af lavest mulig grad, der
giver en tilfredsstillende beskrivelse af Y’s variation.
Betragt såvel forklaringsgrader som residualer
2) Opskriv regressionsligningen for den i spørgsmål 1 fundne model
3) Find middelværdien af Y, når x = 45.
4) Find den værdi xm som giver den største y - værdi . Angiv endvidere den til xm svarende
estimerede middelværdi Ym
Opgave 7.15
Ved nogle forsøg med målinger af det tryk, som udgår fra jetmotorer, måltes for udvalgte værdier af ændringen i udstødningsdysens vinkel x værdier af ændringen i trykket Y. Resultaterne
var:
x
Y(i%)
4
24.5
4.5
26.3
5
27.2
6.5
67.3
7
77.8
7.3
80.6
7.5
83.4
1. Bestem ved en polynomial regressionsanalyse det polynomium af lavest grad, der giver en
tilfredsstillende beskrivelse af Y’s variation.
2. Benyt den fundne model til at bestem middelværdien af Y, når x = 6 og beregn det dertil
svarende 95% konfidensinterval .
151
8.1.Indledning
8 STATISTISK PROCESKONTROL
8.1. INDLEDNING
Formålet med det meget omfattende begreb kvalitetsstyring (også kaldet kvalitetskontrol1) er at
kontrollere, styre og forbedre kvaliteten af et produkt. Endvidere at nedsætte virksomhedens
samlede styrings- og fejlomkostninger. Forskellige undersøgelser antyder, at mange virksomheder ved overgang til kvalitetsstyring kan nedsætte deres samlede kvalitetsomkostninger fra
størrelsesordenen 10-15% af omsætningen til 3-5% af denne.
Der er på international basis opstillet krav, som skal opfyldes for opnåelse af en " kvalitetscertificering" af virksomheders kvalitetsstyring, bl.a. anført i serien af “ISO 9000-standarder”.
Virksomheder, som opfylder de pågældende krav, kan opnå et såkaldt “ISO 9000 - certifikat”.
Vi begrænser os i nærværende kapitel til omtale af statistisk proceskontrol ( SPC = Statistical
Process Control) i egentligt materialeproducerende virksomheder.
Formålet med denne er at styre produktionsprocesserne således, at fejlproduktion forebygges.
En industriel produktionsproces kan formelt betragtes som en talfrembringende proces.
Eksempler herpå er angivet i det følgende skema:
nr Produktion af Frembragte tal
1 Kunstgødning Kvælstofindhold
2 Jernbjælker
Trykstyrke , Siliciumindhold
3 TV-apparater Antal loddefejl pr. apparat
4 Patroner
Antal defekte patroner i en stikprøve
5 Leverpostej
0:Dårlig smag ,1: Mindre god smag, 2: God smag ,3: Særdeles god smag
6 Vin
Alkoholprocent
7 Flasker
Rumindhold
8 Film
0: defekt, 1: ikke defekt
9 Tekstil
Antal fejl pr. m2
10 Aksler
Diameter
1
På engelsk kaldet “Quality Control” eller “Quality Management” .
151
8.Statistisk Proceskontrol
8.2 PROCES I STATISTISK KONTROL.
Ved enhver proces vil de frembragte tal udvise en "naturlig" variation, uanset hvor godt
processen er planlagt og hvor omhyggeligt den bringes til udførelse og vedligeholdes. Denne
"naturlige" variation der i praksis ikke kan kontrolleres, er et resultat af talrige små
påvirkninger/variationsårsager ("common causes").
Hvis en proces kun er påvirket af tilfældige variationsårsager, siges den at være i statistisk
kontrol.
Fig 8.1. Proces i statistisk kontrol
De producerede tal er uafhængige observationer fra en population med en bestemt sandsynlighedsfordeling. Den dertil svarende statistiske variabel kaldes procesvariablen. Er en proces
i statistisk kontrol kan man derfor på basis af en stikprøve estimere dens parametre, og kan
eksempelvis beregne størrelsen af en kommende fejlproduktion.
Proces ude af statistisk kontrol. Udover den tilfældige variation kan der forekomme en
variation, som kan tilskrives bestemte årsager, f.eks. maskiner, operatører eller råvarer; maskiner
kan være indstillet forkert, en operatør kan være træt eller uopmærksom, et råvareparti kan være
af dårlig kvalitet. Man taler i disse situationer om væsentlige, specielle eller påviselige
variationsårsager ("assignable causes")
Hvis en proces i løbet af et givet tidsrum går fra at være i statistisk kontrol i en procestilstand til
at være i statistisk kontrol i en anden procestilstand, har processen været ude af statistisk kontrol indenfor det pågældende tidsrum.
Fig.8.2. Proces ude af statistisk kontrol
152
8.3.Opbygning og alarmkriterier for kontrolkort
8.3 OPBYGNING OG ALARMGRÆNSER FOR KONTROLKORT .
Kontrolkort (også kaldet Shewhart kontrolkort efter opfinderen) er baseret på, at man af den
løbende produktion med regelmæssige mellemrum udtager stikprøver af størrelsen n.
Figur 8.3 viser en normalfordeling sammen med et enkelt kontrolkort.
Fig 8.3. Kontrolkort med øvre og nedre kontrolgrænser
Hvis en på basis af stikprøven beregnet parameter eksempelvis gennemsnittet x holder sig
indenfor nogle kontrolgrænser, antager man at processen er i kontrol med hensyn til denne
parameter. Hvis den beregnede størrelse ligger udenfor kontrolgrænserne vil man “slå alarm”
fordi så kan det tænkes at processen er kommet ud af kontrol.
Stikprøvernes størrelse n.
Generelt gælder det, at det er bedre at tage små stikprøver på 4-5 emner ud med korte mellemrum
end at tage store stikprøver på 20-25 emner ud med lange mellemrum. Formålet er jo, at man
ønsker hurtigt at opdage, hvis processen er ved at komme ud af kontrol (fordi eksempelvis en
maskine er ved at gå i stykker). Bruger man store stikprøver vil man kunne opdage selv
forholdsvis små forskydninger i niveauet, men på grund af at der går temmelig lang tid mellem
man tager stikprøverne, kan en stor katastrofal forskydning blive opdaget for sent.
“Alarmkriterier”.
Man finder der er grund til at tro at processen er ude af kontrol (at slå alarm), hvis der sker et af
følgende (se også de følgende figurer).
1) 1 punkt (mindst) udenfor 3  - kontrolgrænserne
2) 9 på hinanden følgende punkter alle over /under centerlinien
3) 6 på hinanden følgende punkter stiger i værdi eller falder i værdi.
4) 2 af 3 på hinanden følgende punkter falder udenfor en 2   - grænse
5) 4 ud af 5 på hinanden følgende punkter falder udenfor en 1  - grænse.
153
8.Statistisk Proceskontrol
1)
Fig 8.4. Mindst 1 punkt
udenfor 3  - kontrolgrænser
2)
Fig 8.5.
9 på hinanden følgende
punkter over centerlinien
eller 9 på hinanden følgende
punkter under centerlinien
3)
Figur 8.6
6 på hinanden følgende punkter
stiger i værdi eller falder i værdi.
154
8.4.Kontrolkortsanalyse
4)
Fig 8.7. Mindst 2 punkter ud af
3 på hinanden følgende punkter
udenfor en 2   - grænse
5)
Fig 8.8. Mindst 4 punkter ud
af 5 på hinanden følgende
punkter falder udenfor en
1   - grænse.
8.4. KONTROLKORTANALYSE.
Anvendelsen af kontrolkort kræver, at processen fra starten er i statistisk kontrol. Indførelsen af
proceskontrol i en “ny” produktion kræver derfor, at man ved en såkaldt kontrolkortanalyse får
undersøgt og om nødvendigt justeret processen således, at den kommer i statistisk kontrol. Først
når dette er tilfældet, kan man estimere de ukendte parametrene og konstruere kontrolkortet.
Ved en kontrolkortanalyse foretages en række målinger af procesvariablen. Samtidig med en
måling registreres en række oplysninger, f.eks. observationstidspunkt, temperatur, råmaterialeparti, arbejdshold m.v., samt hvilke personer der har foretaget målingerne. På grundlag heraf
inddeles måltallene i “rationelle undergrupper”, inden for hvilke de formodes at være produceret
under samme væsentlige betingelser. Endvidere tilstræber man, at antal målinger er det samme
i hver undergruppe.
Indsamling og opdeling af et observationsmateriale i rationelle undergrupper kræver ofte en
betydelig teknisk indsigt i den betragtede produktionsproces. Alle de i praksis uundgåelige
variationsårsager skal bidrage til den faktiske variation indenfor undergrupper, hvorimod alle de
variationsårsager, som man mener kan være væsentlige variationsårsager, ikke må bidrage til
variationen indenfor undergrupper.
155
8.Statistisk Proceskontrol
De variationsårsager, som måske er væsentlige, må altså kun indvirke fra undergruppe til
undergruppe. Mener man således, at tal produceret af forskellige maskiner kan være en væsentlig
variationsårsag, så må disse tal ikke være placeret i samme undergruppe.
På basis af undergrupperne konstrueres så kontrolkort som beskrevet i eksempel 8.1. Falder en
undergruppe udenfor de beregnede kontrolgrænser, så må man undersøge nærmere hvad årsagen
kan være. Er det eksempelvis en gruppe hvis tal er produceret af en bestemt maskine, så må man
ofre en hovedreparation på maskinen eller kassere den. På den måde får man ikke alene processen
i kontrol, men man øger også kvaliteten af den igangværende proces.
Der udarbejdes forskellige typer kontrolkort afhængig af sandsynlighedsfordelingen for
procesvariablen X.
I afsnit 8.6 behandles tilfældet hvor X approksimativt er en kontinuert normalfordelt variabel
(jævnfør tilfældene 1, 2,6, 7 og 10 i skemaet på side 2), mens afsnit 8.7 ser på de tilfælde, hvor
X approksimativt er binomialfordelt (tilfældene 4 og 8) eller Poissonfordelt (tilfældene 3 og 9).
Det er i alle tilfælde væsentligt, at observationerne er uafhængige, mens mindre afvigelser fra den
forventede sandsynlighedsfordeling ikke vil give nogen væsentlig forøgelse i falske alarmer.
8.5 TOLERANCEGRÆNSER OG KAPABILITET
I forbindelse med en fabrikation er der ofte fastsat “tolerancegrænser” eller “specifikationsgrænser (jævnfør eksempel 8.1).
Det kan enten være en nedre tolerancegrænse NTGx og/eller en øvre tolerancegrænse ØTGx ,idet
man ved fabrikationen ønsker/forlanger, for procesvariablen X , at X  NTG x henholdsvis
X  ØTG x .
Produktion, for hvilken X falder udenfor tolerancegrænsen/tolerancegrænserne, betragtes altså
som fejlproduktion.
Bemærk, at der her ikke er tale om stikprøvens gennemsnit, men om den enkelte værdi af
procesvariablen.
I det følgende forudsætter vi, at der er fastsat såvel en nedre som en øvre tolerancegrænse.
Ved “kapabiliteten” af en proces (proceskababiliteten) forstås processens evne til at producere
inden for et specificeret toleranceinterval.
Som omtalt , er “det naturlige variationsområde” for en proces en variation på 6 , nemlig fra  3
til  3 .
Når der ved en given fabrikation er fastsat et toleranceinterval [ NTG x ; ØTG x ] er det derfor
nærliggende at sammenligne dette med intervallet for den naturlige variation [  3 ;3 ] .
ØTG x  NTG x
Hertil udregnes et kapbilitetsindeks C p 
6
C p er et mål for processens evne til produktion indenfor toleranceintervallet.
Der foreligger herved i en kontrolsituation en af flere muligheder:
Hvis C p  1 dvs ØTG x  NTG x  6 skulle man tro, at dette ville være en proces med lille
fejlproduktion.
156
8.6.Procesvariablen er normalfordelt
Imidlertid er det med en stor løbende produktion svært hele tiden at holde middelværdien midt
mellem de to tolerancegrænse.
Man vil derfor sædvanligvis først sige, at man har en produktion med en lille fejlproduktion, hvis
C p  133
. . Det afhænger naturligvis af produktionen og hvilke krav man stiller. hvor man
sætter grænsen, og i den såkaldte “6 sigma proces” kræves et C p  2  ØTG x  NTG x  6
1) C p stor ( større end eksempelvis 1.33 eller 2)
I dette tilfælde kan fejlproduktion (næsten) helt undgås; en processtyring er fortsat
anbefalelsesværdig, men kontrollen kan foretages relativt afslappet
2) C p lille (under 1.33 eller 2)
I dette tilfælde udøves sædvanlig processtyring, f.eks. med anvendelse af x - kort og R - kort.
En (for stor) fejlproduktion kan ikke undgås, men den kan søges minimeret ved stram styring
ØTG x  NTG x
af processen, hvorved procesniveauet søges fastholdt på midterværdien
.
2
Eventuelt foretages en totalinspektion; eventuelt gennemføres en produktionsforbedring,
hvorved processens spredning formindskes; eventuelt aftales nye tolerancegrænser og/eller
en ny pris for det fremstillede produkt osv.
Som et mål for den aktuelle kapabalitet indføres et centreringsindeks (performanceindeks)
 ØTG x  x x  NTG x 
C pk  min
,

3
3


Hvis C p  C pk er processen meget godt centreret, mens C pk  C p viser, at dette ikke er tilfældet.
8.6 PROCESVARIABLEN ER NORMALFORDELT
Lad os antage at processen er i kontrol med en middelværdi på  og en spredning på  . Vi
kender ikke de eksakte værdier, men ønsker at beregne estimater herfor.
~
For at kunne beregne kontrolgrænserne for x -kortet: x  3
må man kende et estimat for
n
spredningen  . Man starter derfor altid med at lave et kontrolkort for spredningen. Man udtager
i produktionen løbende (“af folk på gulvet”) stikprøver. Da det tidligere var besværligt at beregne
estimatet s , foretrak man ofte, at benytte variationsbredderne Ri som et mål for spredningen.
Derfor vil man stadig møde mange “ R -kontrolkort” selv om “s - kontrolkort” er blevet mere
almindelige.
Sædvanligvis vil man benytte et statistikprogram som SAS.JMP til beregning af kontrolgrænser
m.m., men som eksempel 8.1 viser, kan man godt beregne dem ved”håndkraft” ved hjælp af de
formler og konstanter, der findes i nedenstående 2 tabeller.
En nærmere forklaring på formlerne findes i oversigt 8.1
157
8.Statistisk Proceskontrol
Tabel 8.1: Kontrolkort.
x - R - kontrolkort. Procesvariablen X er normalfordelt n(  ,  ) .
Procestilstand
Centerlinie Nedre kontrolgræn- Øvre kontrolgrænse
se
Kendt:
x -kort
R - kort
Ukendt:
x -kort

d2  
  A1  
D1  
  A1  
D2  
x
R
x  A2  R
D3  R
x  A2  R
D4  R
R - kort
Estimater
 
R
d2
 
s
c4
x - s - kontrolkort. Procesvariablen X er normalfordelt n(  ,  ) .

s - kort
c4  
  A1  
B5  
x -kort
x
s - kort
s
x  A3  s
x -kort
Kendt
Ukendt
B3  s
  A1  
B6  
x  A3  s
B4  s
Tabel 8.2. Konstanter til fastlæggelse af kontrolgrænser ved hjælp af x kort, R - kort og s-kort.
n
x - kort
R - kort
s - kort
A1
A2
A3
d2
d3
D1
D2
D3
D4
c4
B3
B4
B5
B6
2
3
4
5
2.121
1,732
1.500
1.342
1.880
1.023
0.729
0.577
2.659
1.954
1.628
1.427
1.128
1.693
2.059
2.326
0.853
0.888
0.880
0.864
0
0
0
0
3.686
4.358
4.698
4.918
0
0
0
0
3.267
2.575
2.282
2.115
0.798
0.886
0.921
0.940
0
0
0
0
3.267
2.568
2.266
2.089
0
0
0
0
2.606
2.276
2.088
1.964
6
7
8
9
10
1.225
1.134
1.061
1.000
0.949
0.483
0.419
0.373
0.337
0.308
1.287
1.182
1.099
1.032
0.975
2.534
2.704
2.847
2.970
3.078
0.848
0.833
0.820
0.808
0.797
0 5.078
0.205 5.203
0.387 5.307
0.546 5.394
0.687 5.469
0
0.076
0.136
0.184
0.223
2.004
1.924
1.864
1.816
1.777
0.952
0.959
0.965
0.969
0.973
0.030 1.970
0.118 1.882
0.185 1.815
0.239 1.761
0.284 1.716
0.029
0.113
0.179
0.232
0.276
1.874
1.806
1.751
1.707
1.669
11
12
13
14
15
0.905
0.866
0.832
0.802
0.775
0.285
0.266
0.249
0.235
0.223
0.927
0.886
0.850
0.817
0.789
3.173
3.258
3.336
3.407
3.472
0.787
0.778
0.770
0.762
0.755
0.812
0.924
1.026
1.121
1.207
5.534
5.592
5.646
5.693
5.737
0.256
0.284
0.308
0.329
0.348
1.744
1.716
1.692
1.671
1.652
0.975
0.978
0.979
0.981
0.982
0.321 1.679
0.354 1.646
0.382 1.618
0.406 1.594
0.428 1.572
0.313
0.346
0.374
0.399
0.421
1.637
1.610
1.585
1.563
1.544
16
17
18
19
20
0.750
0.728
0.707
0.688
0.671
0.212
0.203
0.194
0.187
0.180
0.763
0.739
0.718
0.698
0.680
3.532
3.588
3.640
3.689
3.735
0.749
0.743
0.738
0.733
0.729
1.285
1.359
1.426
1.490
1.548
5.779
5.817
5.854
5.888
5.922
0.364
0.379
0.392
0.404
0.414
1.636
1.621
1.608
1.596
1.586
0.983
0.984
0.985
0.986
0.987
0.448 1.552
0.466 1.534
0.482 1.518
0.497 1.503
0.510 1.489
0.440
0.458
0.475
0.490
0.504
1.526
1.511
1.496
1.483
1.470
158
8.6.Procesvariablen er normalfordelt
Eksempel 8.1. Kontrol af stof i levnedsmiddelprodukt.
En levnedsmidddelvirksomhed har problemer med at holde koncentrationen af et skadeligt stof
A i et konservesprodukt nede under en øvre tolerancegrænse på 12 enheder pr. gram . Man
vælger derfor at få foretaget en kontrolkortanalyse. På basis af tidligere erfaringer inddeles
målingerne i 30 undergrupper , som hver har deres karakteristika:(råvarecharge, apparatur,
tidspunkt på dagen osv.). For hver undergruppe (som er på 5 målinger) er der af hensyn til de
følgende beregninger også beregnet gennemsnit xi , variationsbredde Ri og spredning si .
Gruppe Målinger
xi Ri
si
Gruppe
Målinger
xi
1
13 8 2 5 8
7.2
11 4.0866
16
16 11 14 8 17 13.2
2
3
4
5
6
7
8
9
10
11
12
13
14
15
0 6 1 9 15
4 2 4 3 4
3 15 8 3 5
5 10 5 4 0
9 5 13 7 7
0 4 4 3 9
9 3 0 6 0
14 0 0 5 3
3 9 5 0 2
5 8 0 7 8
3 2 2 7 4
5 11 14 8 3
13 5 5 12 7
7 0 1 0 6
6.2
3.4
6.8
4.8
8.2
4.0
3.6
4.4
3.8
5.6
3.6
8.2
8.4
2.8
15 6.1400
2 8.944
12 5.0200
10 3.5637
8 3.0332
9 3.2404
9 3.9115
14 5.7706
9 3.4205
8 3.3616
5 2.0736
11 4.4385
8 3.8471
7 3.4205
SUM
17
18
19
20
21
22
23
24
25
26
27
28
29
30
9 4 4
6 1 1
7 0 5
10 0 10
3 7 5
3 0 10
3 3 0
0 2 3
2 3 5
3 1 4
2 4 5
0 22 7
3 5 9
9 7 10
8
3
7
12
10
5
6
6
4
2
13
2
8
13
9
13
2
7
12
4
9
7
10
4
4
11
6
0
6.8
4.8
4.2
7.8
7.4
4.4
4.2
3.6
4.8
2.8
5.6
8.4
6.2
7.8
173.0
Ri
si
9
3.7014
5
12
7
12
9
10
9
7
8
3
11
22
6
13
281
2.5884
5.0200
3.1145
4.7117
3.6469
3.6469
3.4205
2.8810
3.1145
1.3038
4.2778
8.7350
2.3875
4.8683
113.64
1) Foretag ved hjælp af x  og R - kort en kontrolkortanalyse og opstil kontrolkort, der kan
benyttes til en løbende kontrol af indholdet af det skadelige stof.
2) Idet der er fastsat en øvre tolerancegrænse på 12, skal man finde sandsynligheden for at én
måling falder udenfor, når processen antages i kontrol med de i punkt 1 fastsatte kontrolgrænser.
Løsning (håndregning).
1) Først foretages en R - kort analyse.
Idet R 
NKG R
281
 9.366 er grænserne for R - kortet ifølge tabel 8.1 (og tabel 8.2):
30
 D3  R  0  9.366  0 og ØKG R  D4  R  2.115  9.366  19.809 .
Det ses, at alle grupper pånær gruppe 28 falder indenfor grænserne. Man foretager nu en
nærmere undersøgelse af hvilke forhold i gruppe 28 der kan tænkes at bevirke dette. Hvis det
eksempelvis skyldes et bestemt apparat, kan man kassere dette eller reparere det. Vi vil i det
følgende udskyde gruppen, revidere grænserne og se om de resterende grupper nu falder
indenfor de nye grænser.
281  22
 8.931 og dermed
Vi får R * 
29
NKG R  D3  R *  0  8.931  0 og ØKG R  D4  R *  2.115  8.931  18.889 .
159
8.Statistisk Proceskontrol
Nu falder alle grupper indenfor kontrolgrænserne, og vi konkluderer derfor at processen er i
R * 8.931
~

 3840
.
kontrol med hensyn til spredningen, og at denne estimeres ved  
d 2 2.326
Dernæst foretages en x - kort analyse.
x* 
173  8.4
 5.676 , og dermed
29
NKG x  x *  A2  R *  5.676  0.577  8.931  0.5228
ØKG x  x *  A2  R *  5.676  0.577  8.931  10.829
Det ses, at alle grupper pånær gruppe 16 falder indenfor grænserne.
Man foretager nu en nærmere undersøgelse af hvilke forhold i gruppe 16 der kan tænkes at
bevirke dette. Vi vil i det følgende udskyde gruppen, revidere grænserne og se om de
resterende grupper nu falder indenfor de nye grænser.
173  8.4  13.2
x ** 
 5.407 .
28
Strengt taget burde vi også revidere R - kortet, men da en udskydelse af punkt 16 kun vil give
en ubetydelig ændring af R - grænserne beholdes disse.
NKG x  x **  A2  R *  5.407  0.577  8.931  0.2538
ØKG x  x **  A2  R *  5.407  0.577  8.931  10.560
Vi antager herefter at processen også er i kontrol med hensyn til middelværdien.
De to kort med de reviderede grænser kan nu benyttes til den løbende proceskontrol.
2) X = koncentrationen af stoffet A ved en enkelt måling.
X antages normalfordelt n(5.407, 3.840).
P( X  12.0)  normCdf (12, ,5.407,384
. )  0.043
Løsning SAS.JMP.
Data indtastes på sædvanlig måde:
gruppe
1
1
1
1
1
2
2
2
osv.
30
30
30
30
30
indhold af A
13
8
2
5
8
0
1
6
9
7
10
13
0
1) Vælg Graph Control Chart X Bar I menu vælg Process = Indhold af A
“Xbar, R, kSigma
OK
Vi får følgende udskrift
160
Sample Label = gruppe
Marker
8.6.Procesvariablen er normalfordelt
Variables Control Chart
XBar of Indhold af A
U CL=11,17
10
Avg=5,77
5
LC L=0,36
30
27
24
21
18
15
12
9
6
0
3
Mean of Indhold af A
15
gruppe
Note: The sigma was calculated using the range.
R of Indhold af A
25
20
U CL=19,81
15
10
Avg=9,37
5
0
30
27
24
21
18
15
12
9
6
-5
LC L=0,00
3
Range of Indhold af A
30
gruppe
Det ses, at gruppe 28 er udenfor kontrolgrænserne på R-kortet.
Det kan somme tider være svært umiddelbart at se om et punkt falder indenfor eller udenfor
kontrolgrænsen
Det er ikke tilfældet her, men ellers kan man gøre følgende
Rød pil ved R-kort
Test beyond limits
Nu bliver alle punkter udenfor markeret
Synes man figuren er for lille og uoverskuelig, så
Højre musetast på figur
Size/Scale
Y-axis
Angiv Min , Max og Incrediment.
Gruppe 28 udskydes.
Cursor placeres på gruppe 28 på R-kort venstre musetast, I datatabel markeres nu gruppe 28 med blåt
på gruppen Højre musetast Exclude
Cursor
Gentag med det nye datasæt
Control Chart
kSigma OK
X Bar
I menu vælg Process = Indhold af
Vi får nye kontrolkort med nye grænser
For R-kortet er UCL = 18.88.
161
Sample Label = gruppe
Marker “Xbar, R,
8.Statistisk Proceskontrol
Vi ser, at nu er der ingen udenfor R-kortet, men stadig en gruppe (gruppe 16) udenfor kontrolgrænserne på x - kortet.
Vi udskyder nu dette punkt efter samme metode som før,
Derefter er der ingen punkter på hverken x - kortet eller R- kortet, der er udenfor grænserne
De to kort kan nu benyttes til den løbende proceskontrol.
R of Indhold af A
XBar of Indhold af A
30
Range of Indhold af A
Mean of Indhold af A
15
UCL=10,56
10
Avg=5,41
5
LCL=0,26
0
25
20
UCL=18,88
15
10
Avg=8,93
5
LCL=0,00
0
gruppe
gruppe
Kontrolgrænserne kan aflæses på kortet.
Spredningen  kan findes på følgende måde:
Vælg rød pil ved “Variable Control Chart” Save sigma ok
Cursor på søjleoverskrift”“Indhold af A” højre musetast Column Info
Man kan nu aflæse spredningen til 3.8387
2) Rød pil ved “Variable Control Chart” Capability
Control Chart Sigma
-3s
Mean
Upper Spec Limit = 12
+3s
USL
0
10
20
Sigma = 3,83871
Capability
CP
CPK
CPM
CPL
CPU
Portion
Below LSL
Above USL
Index
.
0,572
.
.
0,572
Lower CI
.
0,485
.
.
0,485
Percent
.
4,2947
Upper CI
.
0,659
.
.
0,659
PPM Sigma Quality
.
.
42947,037
3,217
Heraf ses, at P(X>12) = 0 4.29%
162
OK
30
27
24
21
18
15
9
12
6
3
30
27
24
21
18
15
9
12
6
3
-5
8.6.Procesvariablen er normalfordelt
Eksempel 8.2. Kontrol af stof i levnedsmiddelproduktion.
Samme spørgsmål som i eksempel 8.1, men udarbejd i stedet for R - kortet et s- kort.
Løsning:
Først foretages en s - kort analyse.
113.64
 3.7880 er grænserne for s - kortet:
Idet s 
30
NKGs  B3  s  0  3.7880  0 og ØKGs  B4  s  2.089  3.7880  7.9132 .
Det ses, at alle grupper pånær gruppe 28 falder indenfor grænserne. Denne gruppe udskydes
113.64  8.735
 3.6174 og dermed
og grænserne revideres. Vi får s * 
29
NKGs  B3  s *  0  3.6174  0 og ØKGs  B4  s *  2.089  3.6174  7.5568 .
Nu falder alle grupper indenfor kontrolgrænserne, og vi konkluderer derfor at processen er i
s * 3.6174
~
.

 38483
kontrol med hensyn til spredningen, og at denne estimeres ved  
.
c4
0.940
173  8.4
 5.676 , og dermed
29
NKG x  x *  A3  s *  5.676  1427
.
 3.6174  0.5140
Dernæst foretages en x - kort analyse.
x* 
ØKG x  x *  A3  s *  5.676  1427
.
 3.6174  10.838 .
Det ses, at alle grupper pånær gruppe 16 falder indenfor grænserne.
173  8.4  13.2
 5.407 .
Denne gruppe udskydes og grænserne revideres: x ** 
28
Strengt taget burde vi også revidere R - kortet, men da en udskydelse af punkt 16 kun vil give
en ubetydelig ændring af R - grænserne beholdes disse.
NKGx  x **  A3  s *  5.407  1427
.
 3.674  0.2450
ØKG x  x **  A3  s *  5.407  1427
.
 3.674  10.569
Vi antager herefter at processen også er i kontrol med hensyn til middelværdien.
De to kort med de reviderede grænser kan nu benyttes til den løbende proceskontrol.
Eksempel 8.3. Løbende kontrol.
De i eksempel 8.1 fundne kontrolkort er i de følgende dage blevet benyttet til løbende kontrol
af processen.
1) I de første 30 dage gav det følgende resultat:
Range Chart for indhold af A
X-bar Chart for Indhold_af_A
20
UCL = 18,89
CTR = 8,93
16
LCL = 0,00
12
X-bar
Range
12
8
4
UCL = 10,55
10
CTR = 5,40
8
LCL = 0,25
6
4
2
0
0
5
10
15
20
25
30
0
Subgroup
0
5
10
15
20
Subgroup
Er processen stadig i kontrol?
163
25
30
8.Statistisk Proceskontrol
2 Man har nu en mistanke om, at koncentrationerne af A har ændret sig. Kan dette bekræftes
af kontrolkortene for de følgende 30 dage?
Range Chart for Indhold_af_A
X-bar Chart for indhold af A
20
UCL = 18,89
12
CTR = 8,93
CTR = 5,40
8
LCL = 0,25
LCL = 0,00
12
8
UCL = 10,55
10
X-bar
Range
16
4
6
4
2
0
0
5
10
15
20
25
0
30
0
Subgroup
5
10
15
20
25
30
Subgroup
Løsning (håndregning)
1) Det ses, at processen er i kontrol med hensyn til R - kortet, da punkterne fordeler sig
tilfældigt omkring centerlinien, og ingen af “alarmkriterierne” er overtrådt.
For x - kortets vedkommende er alarmregel 2 (9 punkter i træk over centerlinie) tæt ved at
være opfyldt, men da dag 17 lige er placeret på centerlinien, så anses processen også her at
være i kontrol
2) Det ses, at for R - kortets vedkommende er alarmregel 3 opfyldt ( 6 på hinanden følgende
punkter nemlig dagene 3,4,5,6,7,8 falder i værdi
For x - kortets vedkommende er alarmregel 5 (mindst 4 punkter ud af 5 falder udenfor en
1  grænse nemlig dagene 12,13,14,15,16,17).
Vi må derfor konkludere, at der er grund til at formode, at en nøjere undersøgelse er
påkrævet.
Løsning (SAS.JMP)
Der oprettes på sædvanlig måde en ny datatabel. Lad første søjle få navnet målinger.Indsæt de første
målinger.Vælg som før
Control Chart X Bar I menu vælg Process = målinger
Sample Size Constant Vælg stikprøvestørelse (eksempelvis 3)
mean(range) = 8,4 og mean(stdv)= 9 OK
Specify Stats
indsæt eksempelvis
Der fremkommer nu nogle kontrolkort for xBar og R (hvis det er valgt) og man kan nu løbende sætte
sine måleresultater ind i datatabellen.
Vælg “rød pil ved overskrift xBar
tests
alle test
Man kan nu løbende se om der sker en overtrædelse af alarmkriterierne
Nedenfor er givet et eksempel, hvor der også er indtastet de tre “Zoner”
Mean of Column 1
20
1
15
10
U CL=16,11
A
B
C
Avg=9,89
C
B
5
A
1
LC L=3,67
2
3
4
5
6
7
8
9 10 11 12
Sam ple
164
8.7 Procesvariablen er diskret
8.7 PROCESVARIABLEN X ER DISKRET.
Vi vil her behandle den situation, hvor X enten er binomialfordelt eller Poissonfordelt.
8.7.1: X er binomialfordelt
Procesvariablen X er bestemt ved :
X = antal enheder med fejl ud af en stikprøve på n.
X er binomialfordelt b(n,p).
Sædvanligvis benyttes ved kontrol af fejlprocent ikke p, men middelværdien for binomialfordelingen   n  p som parameter, og man siger man laver et np - kontrolkort.
Som beskrevet i forrige afsnit foretages en kontrolkortanalyse, ved at man opdeler i k
undergrupper, som hver er karakteriseret ved en bestemt egenskab.
For hver undergruppe i på n enheder findes antallet af fejlenheder yi .
1 k
yi , fås hermed et estimat for   n  p .
Beregnes nu gennemsnittet y  k 
i 1
y
Et estimat for p er derfor p  og da spredningen for en binomialfordeling er n  p  (1  p)
n
forklarer dette formlerne i oversigt 8.3
Oversigt 8.3
np - kontrolkort. Procesvariablen X er binomialfordelt b(n,p)
Forudsætning
Centerlinie
Der udtages k undergrupper
hver på n enheder.
For hver undergruppe i findes y 
antallet af fejlenheder yi .
k
y
i 1
k
i
Nedre
kontrolgrænse
Øvre
kontrolgrænse
y
y


y  3 y   1   y  3 y   1  


n
n
(dog altid mindst 0)
Estimater
p 
y
n
Eksempel 8.4 (np - kort)
En fabrikant af nogle specielle typer keramikfliser som er beregnet til at kunne klare høje
temperaturer ønsker udarbejdet et kontrolkort. Ved en løbende produktion af fliser udtoges 40
gange en stikprøve på 100 fliser. De blev undersøgt om de levede op til de forventede
kvalitetsmål. Fliser der ikke opfyldte disse krav blev klassificeret som defekte
Resultatet var følgende:
Gruppe
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Antal defekte 8 6 4 4 3 7 3 6 9 5 7 2 6 11 4 6 7 4 9 6
Gruppe 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
Antal defekte 6 2 5 7 6 4 6 10 5 5 7 9 3 8 5 3 14 6 4 5
165
8.Statistisk Proceskontrol
Løsning (håndregning):
Procesvariablen X er bestemt ved :
X = antal enheder uden fejl af en produktion på 100 fliser
X er binomialfordelt b(100, p)
Der er i alt 237 defekte fliser fordelt på 40 stikprøver, dvs. i gennemsnit y 
237
 5.925 pr. 100
40
fliser..
Af oversigt 8.3 fås derfor kontrolgrænserne
y
5.925


ØKG  y  3  y   1    5.925  3  5.925   1 
  5.925  7.0828  13.008


n
100 
5.925

NKG  5.925  3  5.925   1 
.
dvs. NKG = 0
  5.925  7.0828  11578

100 
Da punkt 37, falder udenfor kontrolgrænserne, foretoges en nærmere undersøgelse af produktionsforholdene på det pågældende tidspunkt, men der blev herved ikke afsløret nogen
tegn på væsentlige variationsårsager, jævnfør også, at punkt 37 ikke ligger meget over ØKG.
Man sluttede nu, at processen indtil videre kunne betragtes som værende i kontrol med en
procestilstand på p 
y
 0.0593 .
100
Løsning SAS.JMP:
Data indtastes i en kolonne “antal defekte”
Vælg Control Chart NP
I menu vælg Process = antal defektemålinger
Vælg rød pil på øverste overskrift Tests = ALL tests Show Zones
Constant Size = 100
OK
Der fremkommer følgende kort
Number for antal defekte
Control Chart
NP of antal defekte
15
1
U CL=13,01
10
Avg=5, 93
5
0
LC L=0,00
4
8 12 16 20 24 28 32 36 40 44
Sam ple
Heraf ses, at der kun er et punkt, hvor alarmkriterierne overtrædes.
Ved indførelse på kortet af 2  - grænser og l  - grænser ses, at ingen af de alarmgrænser vi omtalte
tidligere bliver overtrådt
166
8.7 Procesvariablen er diskret
8.7.2: X er Poissonfordelt
Procesvariablen X er bestemt ved :
X = antal fejl i en stikprøve på n enheder.
X antages Poissonfordelt p(  )
Middelværdien af Poissonfordelingen er c  n  
Som beskrevet i forrige afsnit foretages en kontrolkortanalyse, ved at man opdeler i k
undergrupper, som hver er karakteriseret ved en bestemt egenskab.
For hver undergruppe i på n enheder findes antallet af fejlenheder ci .
1
k
Beregnes nu gennemsnittet c  k  ci , fås hermed et estimat for middelværdien c  n   .
i 1
c
Vi har derfor, at et estimat for  er ~  , og da spredningen for en Poissonfordeling er
n

forklarer dette formlerne i oversigt 8.4
Oversigt 8.4
c - kontrolkort. Procesvariablen X er Poissonfordelt P(  )
Forudsætning
Der udtages k undergrupper
hver på n enheder.
For hver undergruppe i findes
samlet antal fejl ci .
Centerlinie
k
c

i 1
ci
k
Nedre
kontrolgrænse
Øvre
kontrolgrænse
c  3 c
c  3 c
Estimater
 
c
n
(dog altid mindst 0)
Eksempel 8.5.(c - kort)
2
Ved en tekstilproduktion taltes anta1 fejl pr. 100 m klæde. Følgende resultater fandtes
(tidsmæssig rækkefølge for produktionen) :
nr
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
antal fejl 3 3 6 3 0 1 3 5 8 7 4 10 5 5 5 4 2 4 5 1 2 0 1 1 4
Med henblik på en kontrolkortanalyse skal konstrueres et c-kort for processen
Løsning (håndregning)
k
c
c
i 1
k
i

92
 3.68
25
NKG  3.68  3  3.68  0 , dvs. NKG = 0
ØKG  3.68  3  3.68  9.435
Punktet (12,10) falder uden for kontrolgrænserne, dvs. processen formodes at have været ude
af statistisk kontrol på det pågældende tidspunkt. Fjernes den pågældende undergruppe, fås
følgende reviderede kontrolgrænser ud fra den reviderede estimerede procestilstand:
c1 
92  10
 3.42 .
24
NKG = 0 (som før),
ØKG  3.42  3  3.42  8.96 .
Ingen af de resterende punkter falder uden for de reviderede kontrolgrænser.
167
8.Statistisk Proceskontrol
Løsning SAS.JMP
Hvis den variable er Poissonfordelt dannes et c-kort på samme måde som np-kortet.
Kortet med indførelse af 2  - grænser og l  - grænser ses nedenfor.
c Chart for Antal fejl
10
UCL = 8,96
8
CTR = 3,42
LCL = 0,00
c
6
4
2
0
0
5
10
15
20
25
Observation
Da ingen af de alarmgrænser vi omtalte tidligere bliver overtrådt antages derfor, at det
reviderede c-kort kan benyttes til løbende kontrol.
168
Opgaver til kapitel 8
OPGAVER
Opgave 8.1
Ved en fabrikation af solbærsyltetøj tilstræbtes et gennemsnitligt nettoindhold af ca. 455 g
solbærsyltetøj pr. glas. På glasetiketten anførtes: Nettoindhold 450 g.
Man havde på fabrikken mistanke om, at en af de automatiske fyldemaskiner havde svært ved
at fastholde den ønskede nettovægt, og overvejede at foretage et hovedeftersyn af maskinen.
For at afgøre, om et sådant burde foretages, udtog man med 5 minutters mellemrum i alt 18
gange 4 successivt producerede glas fra den omhandlede maskines produktion, og nettoindholdet af solbærsyltetøj bestemtes. Følgende resultater fandtes:
Stikprøve nr
1
2
3
4
5
6
7
8
9
Nettoindhold
452
455
454
453
452
457
458
456
458
455
458
455
456
458
456
456
460
456
454
457
457
457
452
456
452
450
454
453
455
456
456
457
454
459
456
459
x
453.5 455.75 456.5 456.5 456.8 455.5 452.3 456.0 457.0
Stikprøve nr 10
Nettoindhold
x
454
456
457
456
11
12
13
14
15
16
17
18
453
457
457
457
453
452
455
453
453
453
458
455
455
449
455
455
448
453
456
455
450
455
450
453
452
448
454
453
454
453
454
450
455.8 456.0 553.3 454.8 453.5 453.0 452.0 452.0 452.8
1) Foretag ved hjælp af x  R - kort en kontrolkortanalyse og drag konklusioner med
hensyn til, om maskinen synes at trænge til et hovedeftersyn (indsæt punkterne i et
kontrolkort med alarmgrænser) .
2) Estimér, hvor stor en del af produktionen der ville være fejlproduktion (underfyldte glas),
såfremt maskinen i statistisk kontrol med den i 1) konstaterede variation producerede med
et middelindhold på 455g .
Opgave 8.2
Med henblik på indførelse af en proceskontrol for en løbende produktion er observeret
følgende data:
Maskine nr
1
2
3
4
5
6
7
8
9
10
Data
12.9
11.6
13.0
l1.8
12.4
12.7
12.8
12.8
12.5
12.9
14.4
13.4
l1.9
12.3
12.5
12.1
12.7
12.0
13.6
12.0
12.4
13.8
l1.6
12.4
12.0
l1.4
l1.3
13.1
12.2
12.2
Foretag en kontrolkortanalyse med opstilling af x - kort og s - kort.
Udarbejd på basis heraf kontrolkort med alarmgrænser.
169
8 Kvalitetskontrol
Opgave 8.3
Ved en fabrikation af gips på basis af kalksten ønskedes indført en løbende proceskontrol med
x  s - kort. Produktets kvalitet vurderedes bl.a. ved måling af DOP - absorptionen
(g DOP/100 g pulver). .
Ved den indledende kontrolkortanalyse benyttedes successive råvareleverancer som undergrupper, idet der af hver råvareleverance udtoges en stikprøve af størrelsen 5. Herved
opnåedes følgende resultater:
Gruppe
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Sum
xi
22.31 19.89 21.56 22.05 21.80 22.45 22.02 21.66 21.56 22.85 22.80 21.99 20.77 21.44 21.90 327.05
si
1.52 5.24 1.33 2.09 0.27 2.45 0.20 4.15 2.75 2.65 1.39 4.04 1.88 1.49 3.67 35.12
1) Udfør en sædvanlig kontrolkortanalyse og vurdér, om processen kan antages at være i
kontrol.
I det næste spørgsmål forudsættes, at processen under indkørselen var i statistisk kontrol i den
i henhold til 1) estimerede procestilstand, og at de udarbejdede kontrolkort derfor benyttes til
den løbende kontrol.
2) Hvilket middelniveau bør processen ideelt søges indstillet og fastholdt på, hvis der er
fastsat følgende tolerancegrænser for produktionen:
NTG = 12.0
ØTG = 25.0
Hvilken fejlprocent vil fabrikationen have med dette middelniveau, når spredningen fortsat
antages at være den i henhold til 1) estimerede?
3) Angiv kapabilitetindeks
Opgave 8.4
På en papirfabrik fabrikeredes en bestemt papirtype ved en af virksomhedens maskiner.
Under fabrikationen måltes løbende værdien af en bestemt egenskab G (vægt/arealenhed).
Man tilstræbte et gennemsnitligt niveau på 86.0 og havde ved produktionens påbegyndelse
fastsat nedre og øvre tolerancegrænser NTG = 85.5 og ØTG =86.5. Produktionsniveauet
kunne reguleres op eller ned ved manuel betjening af maskinen. En betroet formand havde
instruks om at søge at holde det anførte gennemsnitlige niveau og at regulere på maskinindstillingen, hvis han skulle finde tegn på at produktionsniveauet var faldet under NTG eller
over ØTG.
Virksomheden besluttede sig i forbindelse med en eksportaftale til at indføre statistisk
kvalitetskontrol og foretog indledningsvis en kontrolkortanalyse af G-værdier fra den omtalte
maskine. Da man ikke havde nogen tekniske gruppeinddelingskriterier, lod man tidsmæssig
nærhed være kriterium og valgte rationelle undergrupper på to på hinanden følgende
observationer. Herved fremkom følgende gruppeinddeling:
170
Opgaver til kapitel 8
Gruppe
1
2
3
4
5
6
7
G-værdi 87.2 85.8 85.8 85.7 86.6 86.1 85.6
86.4 85.6 85.8 86.4 86.1 86.0 86.0
Gruppe
14
15
16
17
18
19
20
G-værdi 84.7 85.8 85.6 85.5 85.3 85.3 85.8
85.4 87.7 85.6 85.2 85.0 85.6 86.1
8
86.0
85.9
21
86.3
86.3
9
10
11
12
86.2 85.3 85.4 85.6
86.8 85.1 85.0 85.5
22
23
24
25
87.0 87.0 87.3 87.0
86.8 87.6 87.2 86.8
13
86.7
85.3
26
86.9
87.3
1) Opstil som led i kontrolkortanalysen R - kort og vurder om processen efter eventuel
fjernelse af enkelte punkter på kortet har været i statistisk kontrol med hensyn til spredning.
2) Estimer på grundlag af R - kortanalysen processens spredning  .
3) Opstil som led i kontrolkortanalysen x - kort og vurder, om processen efter eventuel
fjernelse af enkelte punkter på kortet har været i statistisk kontrol med hensyn til niveau.
4) Beregn. idet processen antages indstillet på et gennemsnitligt niveau på 86.0, og processen
på det pågældende tidspunkt antages at være i statistisk kontrol med den under punkt 2
estimerede  - værdi, sandsynligheden p for, at den undersøgte procesvariabel antager en
værdi uden for det anførte toleranceinterval.
Efter kontrolkortanalysen bestemte driftsledelsen sig til at fortsætte med at føre kontrol med
produktionen ved hjælp af x - og R - kort. I forbindelse hermed fastsatte man nye tolerancegrænser for produktionen (de tidligere grænser var blevet fastsat ret tilfældigt af driftsledelsen).
5) Angiv med motivering, hvilke tolerancegrænser du på grundlag af den foretagne kontrolkortanalyse ville fastsætte, såfremt man fortsat ønskede et gennemsnitligt niveau på 86.0
og ikke ønskede at gøre toleranceintervallet bredere, end den pågældende produktion
nødvendig- gjorde.
Opgave 8.5
Fra en fyldeproces er udtaget 25 stikprøver af størrelsen 400. En enhed siges at være
underfyldt, hvis enheden er påfyldt mindre end 95g. Antallet af underfyldte enheder i hver
stikprøve er optalt. Følgende data fandtes:
Stikprøve nr 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Antal underf. 6 14 10 4 13 9 7 11 15 13 5 14 11 8 15 11 9 21 6 12 6 12 8 15 14
enh.
Sum 269
Foretag en kontrolkortanalyse og opstil kontrolkort, der kan benyttes til løbende kontrol.
171
9.Statistisk godkendelseskontrol
9. STATISTISK GODKENDELSESKONTROL
9.1 INDLEDNING.
Vi vil i dette kapitel betragte problemer af følgende type:
Eksempel 9.1. Problemstilling
Fra en leverandør til en aftager kommer varer i partier bestående af N emner. Hvert parti kan
karakteriseres ved en ukendt procent af fejlemner , som kan variere fra parti til parti. Hvis denne
fejlprocent er stor, vil aftageren ikke godkende partiet. Hvorledes afgøres, om et parti skal
godkendes eller forkastes?
I visse tilfælde er fejlene ved produktionen så uvæsentlige (måske kun skønhedsfejl) at aftagerne
ud fra økonomiske overvejelser i en periode har foretrukket helt (eller næsten helt) at undlade en
godkendelseskontrol, dvs. leverancerne accepteres uden inspektion.
Omvendt kan der være situationer, hvor konsekvenserne af godkendelse af fejlproduktion er så
alvorlige, f.eks. helbredsmæssige konsekvenser for forbrugere af medicin (kritiske fejl), at l00%kontrol principielt er nødvendig. Produktionen må tilrettelægges, så kritiske fejl ikke
forekommer.
Sædvanligvis vil det imidlertid hverken være økonomisk rentabelt ikke at have nogen
godkendelseskontrol (mange fejl giver mange klager og store erstatningsomkostninger) eller have
en 100% - inspektion af hvert parti (inspektionsomkostningerne bliver for store).
Inspektion af alle emner i et parti stammende fra en massefabrikation af “ens” artikler vil
erfaringsmæssigt alligevel sjældent giver 100% sikkerhed. Der hævdes at være erfaringer om,
at en 100% inspektion af et meget stort antal emner kan være ned til kun 80% effektiv, dvs. at
op til 20% af de defekte emner kan slippe igennem kontrollen ved en sådan 100% inspektion (på
grund af kedsommeligt rutinearbejde). Hvis kontrollen er destruktiv (bevirker at emnet
ødelægges), er en total inspektion naturligvis umulig.
Det mest økonomiske er sædvanligvis at foretage en stikprøvekontrol, udtage nogle emner fra
partiet og på grundlag af en vurdering af disse at afgøre, om partiet skal godkendes eller
forkastes.
Dette medfører naturligvis, at uanset at kontrollen i gennemsnit fungerer godt, løber aftageren
en vis risiko for, at et parti af dårlig kvalitet bliver accepteret, og leverandøren tilsvarende en
risiko for, at et parti af god kvalitet bliver forkastet.
Indirekte kan godkendelseskontrollen i høj grad påvirke kvaliteten af en produktion gennem det
pres, der lægges på producenten, om at forbedre kvaliteten af det fremstillede produkt, såfremt
mange leverancer bliver forkastet ved kontrollen.
Hvis vurderingen af de udtagne emner baseres på en bedømmelse af hvert emne som fejlfrit eller
defekt, taler man om “partikontrol ved alternativ variation”.
Hvis vurderingen baseres på en måling af en kvantitativ egenskab ved hvert emne såsom
diameteren af en aksel, , taler man om “partikontrol ved kontinuert variation”.
Vi vil i det følgende kun gennemgå “partikontrol ved alternativ variation”.
Med hensyn til kontrol med andre egenskaber, f.eks. middelværdi og spredning, henvises til
egentlige bøger om kvalitetskontrol.
172
9.2. Enkelt stikprøveplan
9.2. ENKELT-STIKPRØVEPLAN
Denne stikprøveplan er den mest benyttede i praksis på grund af, at den er så let at administrere.
Definition af enkelt stikprøveplan.
Lad n være et positivt helt tal, og lad c være et ikke-negativt helt tal, hvor c  n .
Ved en enkelt - stikprøveplan (n,c) udtages tilfældigt en stikprøve af størrelsen n, og
antallet x af defekte i stikprøven optælles.
Partiet godkendes, såfremt x  c ; partiet forkastes, såfremt x  c .
n kaldes stikprøvestørrelsen. c kaldes godkendelsestallet.
Eksempel 9.2. Enkelt stikprøveplan
Et legetøjsfirma modtager leverancer bestående af 10.000 billige dukker, og ønsker at kontrollere
disses kvalitet ved stikprøveplanen (n, c)  (100,3) .
Angiv hvorledes kontrollen skal foregå.
Løsning:
Af hver leverance (på 10.000 dukker) udtages en stikprøve på 100.
Hvis 3 eller færre af disse er defekte godkendes hele leverancen, ellers forkastes det.
OC-kurve for en stikprøveplan
For en given stikprøveplan kan man beregne sandsynligheden for at et parti bliver godkendt
(acceptsandsynligheden pa ) som funktion af partiets fejlprocent.
Grafen for denne funktion kaldes funktionens OC-kurve.
Beregning af acceptsandsynlighed.
Der udtages en stikprøve på n emner uden tilbagelægning ud af en leverance på N emner.
Lad c være godkendelsestallet.
X = antal fejlemner blandt n emner. Lad sandsynligheden for fejl i leverancen være p.
Acceptsandsynligheden er pa ( p)  P( X  c) .
Der er M  N  p fejlemner i partiet, dvs. X er hypergeometrisk fordelt h (N, M, n).
Sædvanligvis vil det gælde, at
n
1
, og derfor kan approksimeres med binomialfordelingen

N 10
b(n, p).
Eksempel 9.3. Beregning af OC - kurve.
Et legetøjsfirma modtager leverancer bestående af N = 10.000 dukker, og ønsker at kontrollere
disses kvalitet ved stikprøveplanen (n, c)  (100,3) .
Beregn acceptsandsynligheden pa for fejlprocenterne 1, 2, 3, 4, 5, 6, 7, 8 , 9 10, og tegn på
grundlag heraf stikprøveplanens OC - kurve.
Løsning:
X = antal fejlemner blandt n = 100 emner.
Er sandsynligheden for fejl p i leverancen er der M  N  p  10000  p fejlemner i partiet.
X er derfor hypergeometrisk fordelt h(10000, 10000 p , n)
173
9.Statistisk godkendelseskontrol
n
100
1


kan fordelingen for X approksimeres med binomialfordelingen b(100, p).
N 10000 10
Vi finder da eksempelvis, at Pa (0.02)  P( X  3)  binomCdf(100, 0.02, 0, 3) = 0.859.
På tilsvarende måde findes de øvrige værdier.
100p%
1
2
3
4
5
6
7
8
9
10
7.4
3.6
1.7
0.8
100 Pa ( p) % 98.2 85.9 64.7 42.9 25.8 14.3
Da
OC kurve
Acceptsandsynlighed
n=100, c=3
1
0,8
0,6
0,4
0,2
0
0
4
8
12
16
20
Fejlprocent 100 p
Valg af parametre i enkelt-stikprøveplan.
Til bestemmelse af stikprøvestørrelsen n og godkendelsestal c vælger de to parter, leverandør
(producer) og aftager (consumer) to “risikopunkter” som på OC - kurven skal gå igennem.
1) den tilfredsstillende kvalitet AQL (Acceptable Quality Level), og den tilsvarende acceptsandsynlighed Pa ( AQL)  1   , hvor  kaldes “leverandørens risiko”.
(AQL,1 -  ) kaldes leverandørens risikopunkt.
2) den utilfredsstillende kvalitet LQ (Limiting Quality), og den tilsvarende acceptsandsynlighed
Pa ( LQ)   , hvor  kaldes “aftagerens risiko”.
( LQ,  ) kaldes aftagerens risikopunkt.
De to risikopunkter må altid vælges ud fra de konkret foreliggende forhold (tekniske, økonomiske
m.v.), idet AQL sættes lig en “lille" fejlandel pG, og LQ sættes lig en noget større fejlandel pK.
(jævnfør den følgende figur)
Traditionelt vælges næsten altid  = 5% og  =10%. Undertiden vælges dog  = 5%. .
174
9.2. Enkelt stikprøveplan
En enkelt stikprøveplan er i princippet fastlagt ved disse specifikationer og kan approksimativt
bestemmes ved hjælp af tabel 9.1.
Eksempel 9.4. Bestemmelse af stikprøveplan.
Ved levering af et partier på 10.000 dukker træffer en leverandør og en aftager aftale om at
vælge en enkelt - stikprøveplan bestemt ved, at acceptsandsynligheden i tilfælde af 0.6% defekte
dukker i partiet skal være 95%, og i tilfælde af 3,1% defekte skal være ca. 10%.
Bestem stikprøvestørrelsen n og godkendelsestallet c.
Løsning:
pk
LO
31
.


 51667
.
Idet AQL =0,6% og LQ = 3,1% er R =
.
AQL pG 0,6
I tabel 9.1 i kolonnen for  = 5% og  =10% fås, at det største tal mindre end 5.17 er 4.89.
Dette svarer til, at godkendelsestallet c = 3. I kolonnen for
n  pG  137  n 
n  p g og  = 5% findes
137
 228.33  229
0.6
Vi finder derfor c = 3 og n = 229
Beregning af stikprøveplan
I stedet for at benytte tabellen kan man da p-værdierne er små (forhåbentlig højst 10%) approksimere binomialfordelingen b(n,p) med Poissonfordelingen P(  ) hvor   n  p .
Benyttes tallene fra eksempel 2.4 haves

n  pk
p
LO
31
.
 k 
 51667
.
 k  51667
.
IdetAQL =0,6% og LQ = 3,1% er R 
, eller R 
.
AQL p G 0,6
n  pG  g
Vi har nu: P(Y  c)  010
.  PoisCdf ( y ,0, c)  010
.
og P( X  c)  0.95  PoisCdf ( x ,0, c)  0.95
Gæt på c:
c = 5: solve(PoisCdf(x,0,5)=0.10,x)
x>0
Resultat x = 9.27
solve(PoisCdf(y,0,5)=0.95,y)
y>0
Resultat y = 2.61
c = 4: x =7.99 y = 1.97
R = 4.05
175
R
9.27
 35
.
2.61
9.Statistisk godkendelseskontrol
c=3: x = 6.68 y= 1.37
R = 4.87
c=2
x = 5.32 y= 0.82
R = 6.49
Vi vælger nu det nærmeste tal under den ønskede værdi for R = 0.5167, dvs c = 3
Vi har nu for c = 3: n  p K  x  n 
6.68
 215
0031
n  pG  x  n 
137
.
 229
0006
Konklusion: (n,c) = (229,3)
9.3. REKTIFICERENDE KONTROL.
Undertiden aftales, at stikprøvekontrollen skal udføres på den måde, at leverandøren underkaster alle kasserede
partier 100% - inspektion og “renser" disse partier, dvs. erstatter fejlemner med fejlfrie emner. En sådan kontrol
kaldes for “rektificerende kontrol” (rensende kontrol).
En sådan aftale kan eksempelvis ske ved leverancer inden for samme virksomhed (intern kontrol) eller hvis en
(dominerende) storaftager ikke er sikker på, at en leverandør kan overholde aftagerens krav til AQL - værdi.
I forbindelse med fastlæggelse af en enkelt stikprøveplan med rektificerende kontrol spiller følgende begreber en stor
rolle.
AOQ (Average Qutgoing Quality): Fejlandelen af de udgående partier når de indkommende partier produceres af
en proces, der med en sandsynlighed på p frembringer fejlemner.
AOQ  p  Pa ( p) .
Der gælder formlen
Bevis: Det modtagne parti har en “fejlsandsynlighed” på p , og sandsynligheden for at dette parti bliver godkendt
er Pa ( p) .
Det udgående parti (efter den rektificerende kontrol), vil derfor have en “fejlsandsynlighed” pu på enten p eller
på 0 afhængig af om det blev godkendt eller ej.
Vi får derfor: AOQ  E ( pu )  p  Pa ( p)  0  (1  Pa ( p)  p  Pa ( p)
AOQL (Average Outgoing Quality Limit): Den maksimale værdi af AOQ.
ATI (Average Total Inspection): Den gennemsnitlige totale inspektionsstørrelse når de indkomne partier produceres
af en proces, der med en sandsynlighed på p frembringer fejlemner.
Der gælder formlen
ATI  n  ( N  n)  (1  Pa ( p))
Bevis:
Lader vi
nT betegne
det totale antal inspicerede emner ved en rektificerende kontrol, må det gælde,
 n med sandsynligheden Pa ( p)
 N med sandsynligheden 1  Pa ( p)
at nT  
Middelværdien bliver E (nT )  n  Pa ( p)  N  (1  Pa ( p))  n  ( N  n)  (1  Pa ( p))
Det følgende eksempel illustrerer beregningerne.
Eksempel 9.5 Rektificerende kontrol.
Vi betragter atter den i eksempel 9.4 omtalte situation, med kontrol af dukker, idet man har valgt enkeltstikprøveplanen (n,c) = (229, 3).
Vi antager nu, at der yderligere er aftalt, at kontrollen udføres som rektificerende kontrol.
Beregn acceptsandsynligheden AQL og ATI for p = 2%.
Løsning:
Da vi har et stort parti kan approksimeres med binomialfordelingen b(229, 0.02)
Pa (0.02)  P( X  3) = binomCdf(229, 0.02, 0, 3) = 0.326.
og dermed og ATI  229  (10000  229)  (1  0.326)  68112
.
176
9.4.Dobbelt stikprøveplan
9.4. DOBBELT STIKPRØVEPLAN
Anvendelsen af dobbelt-stikprøveplaner er administrativt noget besværligere end benyttelsen af
enkelt-stikprøveplaner. Er det imidlertid meget dyrt (besværligt) at kontrollere emnerne, er det
væsentligt at stikprøvestørrelsen bliver så lille som muligt og man kan i sådanne situationer se
en fordel i at gå over til en dobbelt-stikprøveplan. Den gennemsnitlige stikprøvestørrelse vil
derved ofte kunne formindskes i forhold til stikprøvestørrelsen n for en enkelt stikprøveplan (n,c),
som går igennem de samme risikopunkter.
Definition af dobbelt stikprøveplan.
Lad n1 og n2 være positive hele tal, og lad c1 , c2 og c3 være ikke- negative hele tal, hvor
c1  c2  n1 og c2  c3  n1  n2 .
Ved en dobbelt-stikprøveplan (n1 , n2 , c1 , c2 , c3 ) udtages tilfældigt en stikprøve af
størrelsen n1 og antallet x1 af defekte i stikprøven optælles.
Partiet godkendes, såfremt x1  c1 ; partiet forkastes, såfremt x1  c2 .
Såfremt c1  x1  c2 udtages en ny stikprøve af størrelsen n2 og antallet x 2 af defekte i
den anden stikprøve optælles.
Partiet godkendes, såfremt x1  x 2  c3 ; partiet forkastes, såfremt x1  x 2  c3
Skematisk kan en dobbelt stikprøveplan fremstilles på følgende måde:
Som det fremgår, forudsætter fastlæggelsen af en bestemt dobbelt-stikprøveplan valg af
stikprøvestørrelserne n1 og n2 og de tre tal c1 , c2 og c3 .
Hvorledes dette valg påvirker beslutningen om accept eller forkastelse af modtagne varepartier,
som underkastes kontrol i henhold til en dobbelt-stikprøveplan, illustreres som ved enkelt- stikprøveplaner af den til planen hørende OC-kurve.
177
9.Statistisk godkendelseskontrol
Bestemmelse af en dobbelt-stikprøveplan
OC-kurven for den valgte plan skal på samme måde som ved enkelt-stikprøveplan så vidt muligt
gå gennem de 2 risikopunkter ( pG ,1   ) og ( pk ,  ) .
Dette er imidlertid ikke tilstrækkeligt til en entydig bestemmelse af en dobbelt-stikprøveplan. En
sådan bliver derimod mulig ved valg af ekstra bånd mellem parametrene. Sædvanligvis forlanger
man, at n2  n1 eller n2  2  n1 . Endvidere vælges ofte c3  c2 , hvilket har vist sig ikke at
hindre, at man i praksis altid kan bestemme en velegnet dobbelt-stikprøveplan.
På samme måde som for enkelte stikprøveplaner er der for dobbelte stikprøveplaner udarbejdet
tabeller. Tabel 9.2 er en sådan tabel, hvor, n2  n1 eller n2  2  n1 , c3  c2 ,   5% og
  10% .
ASN (Average Sample Number):Værdien af den gennemsnitlige stikprøvestørrelse for en given
værdi af “produktionskvaliteten p.
Der gælder formlen ASN  n1  n2  P(c1  X 1  c2 )
Formlen fremgår af, at der altid udtages en stikprøve på n1 og der så yderligere udtages n2 med
en sandsynlighed på P(c1  X 1  c2 ) .
Ækvivalente stikprøveplaner er stikprøveplaner, der går gennem de samme risikopunkter.
Som nævnt er fordelen ved de dobbelte stikprøveplaner i forhold til de enkelte stikprøveplaner,
at for ækvivalente stikprøveplaner, vil den gennemsnitlige stikprøvestørrelse være mindre for de
fleste (alle) værdier af p.
Eksempel 9.6 Bestemmelse af en dobbelt-stikprøveplan.
Ved levering af et partier på 10.000 dukker træffer en leverandør og en aftager aftale om at
vælge en dobbelt - stikprøveplan (n1 , n2 , c1 , c2 , c3 ) som er ækvivalent med den i eksempel 9.9
angivne enkelte stikprøveplan, dvs. at acceptsandsynligheden i tilfælde af 0.6% defekte dukker
i partiet skal være 95%, og i tilfælde af 3.1% defekte skal være ca. 10%.
1) Bestem stikprøveplanens parametre, idet vi ønsker, at n2  2  n1 , og c3  c2 .
2) Skitser OC-kurven på basis af de 4 støttepunkter man kan beregne ud fra tabellen
3) Find acceptsandsynligheden for p = 2% ved aflæsning på kurven.
4) Find acceptsandsynligheden for p = 2 % ved direkte beregning.
5) Find ASN for de to risikopunkter, samt for p = 4 %.
LØSNING:
pk
LO
31
.


 51667
.
1) Idet AQL =0,6% og LQ = 3,1% er
.
AQL pG 0,6
I tabel 9.2 ud for række 9 fås, at det største tal mindre end 5.17 er 5.09.
Dette svarer til, at c1  1 og c2  4 . Endvidere fås n1  pG  77  n1 
Vi finder derfor (n1 , n2 , c1 , c2 , c3 ) = (129 , 258 ,1 , 4 , 4).
178
77
 128.33 .
0.6
9.4.Dobbelt stikprøveplan
2) Pa (0)  100%
Pa (0.006)  95% :Leverandørens risiko må være ca. 5%, da vi her beregnede n1 ud fra
pG  0.006 .
392
 3.04% , dvs.
Af række 9, fås, at pa ( p K )  10% for n1  p K  392  p K 
129
Pa (0.0304)  10% . Aftagerens risiko på 10% opnås for p = 3.0%, altså lidt mindre end den
aftalte på 3.1%. Dette skyldes, at tabellen ikke indeholder forholdet 5.17.
Af række 9, fås, at pa ( p)  50% for n1  p  197  p 
Pa (0.015)  50% . Vi har altså fundet følgende tabel:
197
 153%
.
, dvs.
129
100  p %
0
0.6
1.5
3
100  Pa ( p) %
100
95
50
10
3)Af kurven fås, at Pa (0.02)  31%
4) X1 =antal fejlemner blandt n1 = 129 emner
X2 = antal fejlemner blandt n2 = 258 emner
X1 og X2 er hypergeometrisk fordelt, men da
n
1

kan approksimeres med en
N 10
binomialfordeling.
Man får en accept på 2 måder:
Ved 1. stikprøve på 129, at få højst 1 defekt.
eller
Ved 1. stikprøve på 129 at få over 1 og mindre end eller lig 4, og i alt på 1. og 2. stikprøve
højst at have fået 4.
Pa (0.02)  P( X 1  1)  P( X 1  2)  P( X 2  2)  P( X 1  3)  P( X 2  1)  P( X 1  4)  P( X 2  0)
P( X 1  1) = binomCdf(129, 0.02, 0 , 1) = 0.2682
179
9.Statistisk godkendelseskontrol
P( X 1  2)  P( X 2  2)  P( X 1  3)  P( X 2  1)  P( X 1  4)  P( X 2  0)
= binomPdf(129, 0.02, 2)  binomCdf(258, 0.02, 0, 2)
+binomPdf(129, 0.02, 3)  binomCdf(258, 0.02, 0, 1)
+binomPdf(129, 0.02, 4)  binomCdf(258, 0.02, 0,0) =0.03602
Pa (0.02)  0.2682  0.0360  0.3042  30,4%
5)
ASN  129  258  P(1  X 1  4)
100  p %
0
P(1  X 1  4) 0
ASN
129
0.6
3.1
4
binomCdf(129, 0.006,2,4)
= 0.181
binomCdf(129, 0.0304,2,4)
= 0.550
binomCdf(129, 0.04,2,4)
=0.3759
175.6
129+258  0.55 =270.6
129+258  0.376 =226.0
Det ses som forventet, at for meget gode partier og for meget dårlige partier, vil den
gennemsnitlige stikprøvestørrelse blive mindre end de 229 vi fandt ved den ækvivalente
enkelte-stikprøveplan.
180
Tabel 9.1.Bestemmelse af enkelt - stikprøveplaner
Tabel 9.1. Bestemmelse af enkelt - stikprøveplaner
R
pk
pg
pG og pk regnes i procenter

c
1%
5%
10




1%
5%
10%
n  pG
1%
5%
10%
1%
5%
10%
1%
5%
10%
0
458
298
229
89.8
58.4
45.1
43.2
28.1
21.8
1.0
5.1
10.5
1
44.7
31.9
26.2
18.7
13.3
11.0
12.7
8.97
7.40
14.9
35.5
52.8
2
19.3
14.4
12.2
10.3
7.70
6.50
7.65
5.72
4.84
43.6
81.8
110
3
12.2
9.42
8.12
7.35
5.68
4.89
5.77
4.46
3.83
82.3
137
174
4
9.07
7.16
6.25
5.89
4.65
4.06
4.77
3.77
3.29
128
197
243
5
7.34
5.89
5.20
5.02
4.02
3.55
4.16
3.33
2.95
179
261
315
6
6.25
5.08
4.52
4.44
3.60
3.21
3.74
3.03
2.71
233
329
389
7
5.51
4.52
4.05
4.02
3.30
2.96
3.44
2.81
2.53
291
398
465
8
4.96
4.12
3.71
3.71
3.07
2.77
3.20
2.65
2.39
351
470
544
9
4.55
3.80
3.44
3.46
2.90
2.62
3.02
2.52
2.28
413
543
623
10
4.22
3.56
3.23
3.27
2.75
2.50
2.87
2.42
2.20
477
617
701
11
3.96
3.35
3.06
3.10
2.63
2.40
2.75
2.32
2.12
543
692
784
12
3.74
3.19
2.92
2.97
2.53
2.31
2.64
2.25
2.06
610
769
865
13
3.56
3.05
2.80
2.85
2.44
2.24
2.55
2.19
2.00
678
846
950
14
3.40
2.93
2.69
2.75
2.37
2.18
2.51
2.16 1.96
748
925
1030
15
3.27
2.82
2.60
2.67
2.30
2.12
2.41
2.08 1.91
818
1000
1110
181
9.Statistisk godkendelseskontrol
Tabel 9.2: Bestemmelse af dobbelt stikprøveplan.
 =5%,  =10%; c3  c2 . p regnet i %.
Pa ( p)
Plan
nr
pK
pG
n2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
14.50
11.90
8.07
7.54
6.79
6.48
5.39
5.39
5.09
4.65
4.31
4.25
4.19
3.88
3.63
3.60
3.38
3.26
3.21
3.09
21
2.96
22
2.85
23
2.77
24
2.62
25
26
27
28
29
30
31
32
2.60
2.46
2.44
2.32
2.22
2.21
2.12
1.97
2  n1
n1
2  n1
n1
n1
2  n1
n1
2  n1
2  n1
n1
2  n1
n1
2  n1
n1
n1
2  n1
n1
2  n1
n1
n1
2  n1
n1
2  n1
2  n1
n1
2  n1
n1
n1
n1
2  n1
n1
2  n1
c1 c2
95% ( p G )
50%
n1  p
10% ( p K )
0
0
0
1
0
1
1
0
1
2
0
1
1
2
3
1
2
2
3
4
1
1
2
2
2
3
3
3
4
4
4
4
5
5
6
6
6
8
7
8
16
21
30
52
43
60
76
49
77
116
68
104
96
143
187
116
172
168
215
262
84
100
107
182
142
180
211
135
197
290
164
250
218
320
398
244
356
328
427
502
232
250
242
392
296
389
411
264
392
539
293
442
402
555
678
417
582
547
691
810
3
10
227
413
672
4
9
290
533
826
3
11
246
436
682
4
13
307
521
805
5
4
5
5
5
3
5
4
11
14
12
13
14
15
16
20
368
329
400
435
470
341
539
475
640
540
673
706
752
540
840
702
956
811
977
1008
1045
755
1141
935
182
Opgaver til kapitel 9
Opgaver
Opgave 9.1
En fabrik fremstiller billige disketter. Disketterne pakkes i kasser, som hver indeholder 100
disketter.
Produktionen er i statistisk kontrol, og det vides, at der i gennemsnit er 1 defekt diskette ud af
125 disketter .
1) Angiv øvre og nedre kontrolgrænse for et kontrolkort, baseret på, at man hver time udtager
en kasse på 100 disketter, og optæller antallet af defekte disketter.
En forretningskæde med 5 forretninger køber hver måned et stort antal disketter fra fabrikken.
Kæden træffer aftale med fabrikanten om at benytte en enke1t-stikprøveplan med følgende
specifikationer:
Ved den tilfredsstillende kvalitet: fejlprocent 0.8, skal leverandørens risiko være 10%.
Ved den utilfredsstillende kvalitet: fejlprocent 3, skal aftagerens risiko være 10%.
2) Bestem stikprøvestørrelsen n (afrund til nærmeste med 100 delelige tal) og godkendelsestallet c.
3) Beregn aftagerens risiko ved en fejlprocent på 3.
4) Hver af de 5 forretninger foretager ovennævnte stikprøvekontrol.
Hvis produktionen er i statistisk kontrol således, at der som nævnt i gennemsnit forekommer 1
defekt diskette ud af 125 disketter, beregn da sandsynligheden for, at fabrikanten får et parti
godkendt,
a) i 2 forretninger ud af de 5,
b) i alle 5 forretninger .
Opgave 9.2
Ved en statistisk partikontrol ved alternativ variation fastsættes en enkelt-stikprøveplan ved
følgende specifikationer:
Ved den tilfredsstillende kvalitet: fejlprocent 3, skal leverandørens risiko være 5%.
Ved den utilfredsstillende kvalitet: fejlprocent 8, skal aftagerens risiko være 5%.
1) Bestem stikprøvestørrelsen n (afrund til nærmeste med 10 delelige tal) og godkendelsestallet
c.
2) Beregn for den valgte stikprøveplan acceptsandsynlighederne
Pa (0.04), Pa (0.05), Pa (0.06), Pa (0.07), Pa (010
. ).
3) Skitsér stikprøveplanens OC-kurve.
Opgave 9.3
En kemisk fabrik bestemte sig for at indføre kontrol med kvaliteten af en produktion, som
virksomhedens halvfabrikatafdeling leverede til færdigvareafdelingen.
Kontrollen udførtes som partikontrol ved alternativ variation med en enkelt-stikprøveplan fastlagt
ved følgende specifikationer:
Ved den tilfredsstillende kvalitet, fejlprocent 2, skal leverandørens risiko være 1%.
Ved den utilfredsstillende kvalitet, fejlprocent 10, skal aftagerens risiko være 1%'.
1) Bestem stikprøveplanens parametre. stikprøvestørrelsen n (der rundes op til et med 10 deleligt
tal) og godkendelsestallet c.
183
9.Statistisk godkendelseskontrol
Halvfabrikatafdelingen havde en dagsproduktion på 2500 emner. og stikprøvekontrollen foretoges én gang daglig
på den samlede dagsproduktion.
Efter nogen tids forløb bestemte man sig til med bibeholdelse af den valgte enkelt-stikprøveplan at udføre kontrollen
som en rektificerende kontrol.
2) Idet l00p' angiver de til kontrollen indgående partiers fejlprocent og l00pu de fra kontrollen udgående partiers
fejlprocent, ønskes E(pu ) bestemt for følgende værdier af p':
p'
0.01
0.02
0.03
0.04
0.05
0.06
0.08
0.10
3) Angiv grafisk E(pu) som funktion af p'.
4) Bestem , idet nT betegner det totale antal emner, som inspiceres ved den rektificerende kontrol, E(nT ) for den
værdi af p', for hvilken E(pu) er størst.
Opgave 9.4
En enkelt -stikprøveplan ønskes fastlagt ved følgende specifikationer:
Tilfredsstillende kvalitet AQL: pG  10%
. . Leverandørens risiko:   ca 5% .
Utilfredsstillende kvalitet LQ: pk  7.0% .
Aftagerens risiko:   ca 10% .
1) Bestem stikprøveplanens parametre.
2) Bestem den ækvivalente dobbelte stikprøveplans parametre, idet der yderligere er givet, at
stikprøvestørrelserne: n2  2  n1 , og godkendelsestallene: c3  c2
3) Skitsér OC - kurven på basis af de 4 støttepunkter man kan beregne på basis af tabellen, samt
for p = 4%.
4) Beregn den gennemsnitlige stikprøvestørrelse ASn for de to risikopunkter, samt for p = 4%
og for p = 10% og afbild resultatet grafisk.
5) Giv på basis heraf en vurdering af om det ville være en fordel at gå over til den dobbelte
stikprøveplan.
Opgave 9.5
Ved en kontrol af en bestemt type installerede husholdningsgasmålere udførtes en stikprøvekontrol af disse ved anvendelse af en dobbelt-stikprøveplan.
Man valgte en procedure, hvorved målere fra samme årgang (partistørrelse ca. 2000) med 4 års
mellemrum kontrolleredes ved stikprøveudtagning.
En dobbelt-stikprøveplan ønskes fastlagt ved følgende specifikationer:
Stikprøvestørrelserne: n2  n1 ,
Godkendelsestallene: c3  c2
Tilfredsstillende kva1itet AQL: pG  2.4% . Leverandørens risiko:   ca 5% .
Utilfredsstillende kvalitet LQ: pk  9.0% . Aftagerens risiko:   ca 10% .
1) Bestem dobbelt-stikprøveplanens parametre.
2) Skitsér OC - kurven på basis af de 4 støttepunkter man kan beregne på basis af tabellen.
3) Bestem den gennemsnitlige stikprøvestørrelse for de ovenanførte p -værdier .
4) I praksis udførtes kontrollen som rektificerende kontrol, således at alle målere af den undersøgte årgang
udskiftedes med nye målere, såfremt “partiet" kasseredes.
5) Beregn for hver af de oven anførte p -værdier den gennemsnitlige fejlprocent efter kontrollen og angiv
approksimativt den maksimale gennemsnitlige fejlprocent AOQL.
184
10.1.Indledning
10 ANTALSTABELLER
10.1. INDLEDNING
Vi vil i dette kapitel betragte observationer, som bliver katalogiseret i klasser (categorical data).
Et eksempel herpå er følgende:
Eksempel 10.1.(antalstabel)
Et ministerium planlægger en oplysningskampagne om de fysiske og psykiske virkninger af at
ryge hash. Før kampagnen viste en undersøgelse at 7% af indbyggerne ønskede at hash blev
legaliseret, 65% at man beholde det nuværende forholdsvis liberale straffepolitik, 18 % ønskede
strengere straffe og 10 % havde ingen mening. Efter kampagnen spurgte man 500 personer
(repræsentativt udvalgt) , og svarene fremgik af følgende tabel.
Legalisering Efter eksisterende lov
Efter kampagnen
39
336
Strengere straf
Ingen mening
99
26
Kan man på dette grundlag vise på et signifikansniveau på   0.01 ,at kampagnen har betydet
en ændring af folks mening?
Af central betydning for testning af sådanne spørgsmål er begrebet “multinomial eksperiment”.
Definition af et multinomialt eksperiment.
1) Lad et eksperiment have k mulige udfald. Disse udfald kaldes “klasser”, “ kategorier” eller “celler”
2) Eksperimentet gentages n gange uafhængigt af hinanden.
3) Sandsynligheden for de k udfald er p1, p2, . . . , pk (hvor p1 + p2 + . . . + pk =1) er de samme ved de n gentagelser.
4) De statistiske variable der er af interesse er antallet n1, n2, . . . , nk i hver af de k klasser.
Betragter vi eksempel 10.1 ses, at betingelserne er opfyldt:
Eksperimentet består i tilfældigt at udtage n = 500 personer af en stor population og spørge dem om strafferammen
for besiddelse af hash
1) Udfaldene er svar på spørgsmålet, og der er k = 4 (og kun 4) svarmuligheder (4 klasser).
2) Resultatet af hvad en person svarer vil være uafhængigt af hvad de øvrige svarer.
3) Sandsynligheden for udfaldene i de 4 klasser vil være p1, p2, p3 og p4 , hvor disse sandsynligheder er ukendte.
4) De statistiske variable Xi er antal personer blandt 500 som har en af de i meninger om straffen for hash.
Den test der anvendes kaldes en  2  test.
Kort beskrevet bygger testen på, at man under forudsætning om at nulhypotesen er sand for hver
klasse beregner en forventet værdi Ei. Kaldes den tilsvarende observerede værdi for Oi så
beregnes summen  
2
k

i 1
Oi  E i 
2
Ei
Det er klart, at ligger de observerede værdier tæt ved de forventede værdier, så er summen lille,
mens den bliver stor hvis de ligger langt fra hinanden.
Man kan vise, at størrelsen  2 er  2 -fordelt, med et frihedsgradstal på f  k  1  m , hvor k
er antal klasser og m er det antal parametre der må benyttes til beregningen af de forventede
værdier.
185
10 Antalstabeller
En forudsætning for denne test er, ingen af klasserne har en forventet værdi under 1, og
at mindst 80% af klasserne har en forventet værdi over 5.
 2  testen er nøjere beskrevet i oversigt 10.1 og 10.2.
Sædvanligvis vil man benytte et program til beregningerne
Metoden belyses i de følgende eksempler.
10.2. EN-VEJS TABEL
Eksempel 10.1.(fortsat)
Kan man på det i eksempel 10.1 angivne grundlag vise på et signifikansniveau på   0.01 ,at
kampagnen har betydet en ændring af folks mening?
Løsning:
Lad
X1= antal personer blandt 500 , der går ind for legalisering. P(X1) = p1.
X2= antal personer blandt 500 , der går ind for den nuværende straffepolitik. P(X2) = p2.
X3= antal personer blandt 500 , der går ind for en strengere straf. P(X3) = p3.
X4= antal personer blandt 500 , der ingen mening har. P(X4) = p4.
Vi ønsker at teste nulhypotesen
H 0 : p1  0.07, p2  0.65, p3  018
. , p4  010
.
mod den alternative
H: “Mindst én af sandsynlighederne afviger fra den angivne værdi i nulhypotesen.”
Vi beregner nu de forventede værdier, forudsat nulhypotesen er sand.
Resultatet opstilles i det følgende skema:
nr
1
2
3
4
Før kampagnen
7%
65%
18%
10%
Ei= Forventet antal
500  0.07  35
500  0.65  325
Oi= Observeret antal
39
336
500  018
.  90 500  01
.  50
99
26
Da alle de forventede værdier er større end 5 er forudsætningerne for at kunne foretage en  test opfyldt.
Da vi ikke har anvendt nogle parametre ved beregningerne af de forventede værdier, er  2 fordelt med frihedsgradstallet f = k - 1 = 4 - 1 = 3
2
TI 89: APPS, STAT/LIST
F6:Test
Indtast observeret antal i list1 og forventet antal i list2
7: Chi2 GOF
ENTER
Udfyld menuen
ENTER
TI-Nspire: Lister og regneark Indtast observeret antal i liste x og forventet antal y
statistik statistiske test χ2 -Godness of fit test Udfyld menu Enter
P - value = 0.0041
186
10.3 Todimensional tabel
Beregning ved formel
 
2

O
i
 Ei 
Ei
2

(39  35) 2 (336  325) 2 (99  90) 2 (26  50) 2



 13.249 .
35
325
90
50
 2 er  2 - fordelt med frihedsgradstallet f = k - 1 = 4 - 1 = 3
P - værdi = P(  2  13.249)  chi2Cdf(13.249,  ,3) = 0.0041
Da P - værdi = 0.0041 < 0.01 forkastes nulhypotesen, dvs. kampagnen har haft en betydning for
meningen om legalisering af hash.
SAS.JMP har intet egentlig program hertil, så her må man benytte formlerne til at beregne Pværdien
Testning af fordelingstype.
Er der data nok, er der ved ovennævnte metode muligt at teste om en statistisk variabel har en
forventet fordeling (som eksempelvis normal- binomial- eller Poisson-fordeling).
Det følgende eksempel hentet fra eksempel 1.1 i kapitel 1 viser fremgangsmåden.
Eksempel 10.2. (Testning af om data er normalfordelt).
En fabrik der fremstiller plastikprodukter ønsker at evaluere holdbarheden af rektangulære støbte
plastik blokke som anvendes i møbelfabrikationen.
Der udtages tilfældigt 50 blokke, og deres hårhed måles (i Brinell enheder) .
Resultaterne var følgende
283.5
240.8
249.3
283.1
273.3
267.5
228.7
2609
278.8
279.3
255.3
274.8
238.7
228.4
267.2
277.4
334.9
265.2
253.3
276.9
302.6
285.9
281.0
259.5
239.9
279.3
302.1
262.0
254.6 281.9 270.4 269.1 250.1 301.6 289.2
252.3 271.7 235.0 313.2 277.8 243.8 295.5
256.3 233.0 194.4 219.9 263.7 273.6 267.7
263.5
Lad X = holdbarheden af plastblokke
Vi antog dengang, at X var normalfordelt n( x , s) og sandsynliggjorde det grafisk ved bl.a. et
normalfordelingsplot
Foretag en  - test af denne påstand.
Løsning:
Vi fandt i eksempel 1.1 , at gennemsnittet x = 266.22 og et estimat for spredningen er s = 25.09.
Vi ønsker at teste nulhypotesen
H0: X er normalfordelt med middelværdi 266.22 og spredning 25.09.
2
Vi deler nu intervallet fra den mindste værdi 194.4 til den største værdi 334.9 op i en passende
mængde intervaller, og tæller op, hvor mange resultater der falder i hvert interval. Resultatet ses
i nedenstående skema som de observerede værdier.
Under forudsætning af, at nulhypotesen er sand, kan man nu beregne det forventede antal i hvert
interval. Som et eksempel på beregnes den forventede værdi i intervallet ]240 ; 260]:
E i  50   P(240  X  260  50  normCdf (240,260,266.22,25.09)  50  0.2541  12.71
Da ingen forventede værdier må være under 1 slås de yderste klasser sammen.
Endvidere må højst 20% være under 5, men det ses nu at være opfyldt.
187
10 Antalstabeller
Klasser
]-  - 220]
]220 - 240]
]240 - 260]
]260 - 280]
]280 - 300]
]300 - 320]
]320 -  [
Observerede værdier
2
6
10
20
7
4
1
Forventede værdier
1.64
5.76
12.71
15.32
10.12
3.65
0.08
Klasser sammenlægges
7.4
12.71
15.32
10.12
3.73
Da vi har brugt to værdier (gennemsnit og spredning) til at udregne de forventede værdier, er
f = k - 1 - 2 = 5 - 3 = 2.
TI 89: APPS, STAT/LIST
Indtast observeret antal i list1 og observeret antal i list2
F6 Test, 7: Chi2 GOF
ENTER
Udfyld menuen
ENTER
TI-Nspire: Lister og regneark Indtast observeret antal i liste x og forventet antal y
statistik statistiske test χ2 -Godness of fit test Udfyld menu Enter
Vi får P - værdi = 0.178
Beregning ved formel:
(8  7.4) 2 (10  12.71) 2
(5  3.73) 2

...
 3.45
7.4
12.71
3.73
P-værdi = P(  2 > 3.95) = chiCdf(3.45,  , 2) = 0.178
2 
Da P - værdi =17.8% > 5% accepteres nulhypotesen, dvs. vi kan ikke på det grundlag afvise, at
X er normalfordelt.
10.3. To-vejs tabel
I dette afsnit betragter vi eksperimenter, hvor data er karakteriseret ved to kriterier.
Eksempel 10.3. Test af uafhængighed
Ved et universitet indstillede et år 500 studerende sig til en årsprøve,
matematik og fysik.
De opnåede karakterer i de to fag inddeltes i 4 grupper:
Fysikkarakterer
Observerede værdier
- 3, 0
2, 4
7, 10
-3, 0
18
46
13
2, 4
22
60
42
Matematik7, 10
7
123
42
karakterer
12
2
28
68
Total
49
257
165
der bl.a. omfattede
12
0
5
16
8
29
Total
77
129
188
106
500
Undersøg om der er en sammenhæng mellem de opnåede fysikkarakterer og de opnåede
matematikkarakterer.
188
10.3 To-vejs tabel
Løsning:
X1 = antal studerende med opnået matematikkarakter
X2 = antal studerende med opnået fysikkarakter
H0: X1 og X2 er statistisk uafhængige.
Håndregning:
Beregning af forventet værdi.
Et estimat for sandsynligheden for, at man i matematik får 0 eller 3 er
77
500
49
500
Hvis X1 og X2 er statistisk uafhængige er sandsynligheden får både en dårlig matematik- og fysik77 49

karakter
500 500
77 49 77  49


Den forventede værdi er derfor 500 
500 500
500
Resultatet ses i følgende skema.
Fysikkarakterer
Forventede værdier
- 3, 0
2, 4
7, 10
12
Et estimat for sandsynligheden for, at man i fysik får 0 eller 3 er
-3, 0
Matematikkarakterer
2, 4
77  49
 7.546
500
77  257
 39.578
500
77  165
 25.41
500
77  29
 4.466
500
129  165
129  29
129  49
129  257
 7.482
 42.57
 12.642
 66.306
500
500
500
500
7, 10
188  49
 18.424
500
188  257
 96.632
500
188  165
 62.04
500
188  29
 10.904
500
12
106  49
 10.388
500
106  257
 54.484
500
106  165
 34.98
500
106  29
.
 6148
500
Da alle de forventede værdier er over 1, og kun 1 klasse af 16 ligger under 5 er betingelserne for
en  - test opfyldt.
I en tosidet tabel er frihedsgradstallet f = (antal søjle - 1)  (antal rækker - 1) = (4 - 1)  (4-1)= 9.
(8  6148
. )2
(18  7.546) 2 (46  39.578) 2
2
 

 ... 
 108.917
.
7.546
39.578
6148
2
2
P - værdi = P(   108.9)  chiCdf(108.92,  ,9) = 2.4  10 19
TI 89: APPS
DATA/MATRIX
3:New
Data = Matrix, Variable = a,Row Dimension=4, Col dimension = 4
ENTER
Indtast de observerede tal i matricen.
APPS
STAT/LIST
Enter
F6, 8:Chi2 2way
ENTER
Observed Mat = a. ENTER
Vælg Varlink
StatsVar
expMat
F6
TI.Nspire: Beregninger skriv a := matricer og vektorer opret matrix udfyld menu Indtast observerede data
statistik Statistiske tests χ2 -uafhængighedstest i menu skriv a enter
Cursor på næste “firkant” højre musetast vælg variabel stat-exp math enter
Man kan nu se de forventede værdier, og konstatere, at kun 1 ligger under 5.
Man kan derfor stole på den fremkomne P - værdi = 2.44  10 19
Da P - værdi = 2.4  10 19 < 0.05 forkastes nulhypotesen (stærkt ) dvs.
der er ikke uafhængighed mellem fysikkaraktererne og matematikkaraktererne.
189
10 Antalstabeller
Når vi ser på tallene er det tydeligt at gode karakterer i det ene fag også har en tendens til at
bevirke gode karakterer i det andet fag.
Løsning SAS.JMP:
Data indtastes som vist nedenfor, idet man sørger for at kolonnerne Matamatik og Fysik ændres til typen
“Nominal”
Cursor på navn, højre musetast
Matematik
-3-0
-3-0
-3-0
-3-0
2-4
2-4
2-4
2-4
7-10
7-10
7-10
7-10
12
12
12
12
Fysik
-3-0
2-4
7-10
12
-3-0
2-4
7-10
12
-3-0
2-4
7-10
12
-3-0
2-4
7-10
12
Vælg “Analyze “
Fit Y By x
“Modelling Type”
Nominal
Antal
18
46
13
0
22
60
42
5
7
123
42
16
2
28
68
8
sæt Matematik som XY
sæt Fysik som X
I den fremkomne tabel sæt cursor på tabel, højre musetast
markering ved “expected” ok
sæt antal som Freq
slet markeringer ved “Total”, “Col” og “Row”, og sæt
Resultat:
Contingency Analysis of Fysik By Matematik
Freq: Antal
Contingency Table
Matematik By Fysik
Count
12
2-4
-3-0
Expected
12
8
28
2
6,148
54,484
10,388
2-4
5
60
22
7,482
66,306
12,642
-3-0
0
46
18
4,466
39,578
7,546
7-10
16
123
7
10,904
96,632
18,424
29
257
49
7-10
68
34,98
42
42,57
13
25,41
42
62,04
165
106
129
77
188
500
Tests
N
500
Test
Likelihood Ratio
Pearson
DF
9
-LogLike
55,490394
ChiSquare
110,981
108,917
RSquare (U)
0,1008
Prob>ChiSq
<,0001*
<,0001*
Man kan nu se de forventede værdier, og konstatere, at kun 1 ligger under 5.
Man kan derfor stole på at “Pearson’s P - værdi
Da P - værdi < 0.05 forkastes nulhypotesen (stærkt ) dvs.
der er ikke uafhængighed mellem fysikkaraktererne og matematikkaraktererne.
190
ok
Opgaver til kapitel 10
OPGAVER
Opgave 10.1
For en støvfyldt gasart ønskede man at bestemme antallet af støvpartikler pr. volumenenhed. Til
brug herfor sendte man 500 gange en lysstråle gennem et volumen. der var så lille (10-6 cm3), at
det kun indeholdt få støvpartikler. Man iagttog hver gang volumenet gennem et ultramikroskop
og optalte antallet af støvpartikler. Forsøgsresultaterne var:
Antal partikler
0
1
2
3
4
5
6
7
8
I alt
Antal gange
95
163
134
67 24 12 4 0
1
500
-6
1) Angiv hvilken fordelingstype du vil benytte for antallet X af støvpartikler pr. 10 cm3.
2) Estimer parameteren/parametrene i den formodede fordeling.
3) Foretag en testning af den opstillede model.
4) Estimer middelantallet af støvpartikler pr. cm3.
Opgave 10.2
Ved måling af 100 akslers diametre fandtes følgende grupperede empiriske fordeling:
Intervalinddeling
Antal observationer
Nedre grænse
Øvre grænse
1.155
1.165
1.175
1.185
1.195
1.205
1.215
1.225
1.165
1.175
1.185
1.195
1.205
1.215
1.225
1.235
1
7
10
22
27
18
8
7
I alt
100
Udfør en  - testning af, om akseldiameteren kan antages at være normalfordelt.
(Vink: Ved beregningen af estimater for middelværdi og spredning tænkes alle observationer i
et interval samlet i midtpunktet af intervallet)
2
Opgave 10.3
En terning kastedes 120 gange, hvorved følgende resu1tater fandtes:
Antal Øjne
Antal gange
1
2
3
4
5
6
25
17
15
23
24
16
Test nulhypotesen: Terningen er en ærlig" terning.
191
Antalstabeller
Opgave 10.4
En kemika1iefabrik har påbegyndt en fabrikation af kunstgødning. Ved fabrikationen hældes
gødningen i sække af 5 "ens" maskiner, idet det tilstræbes, at nettoindho1det i sækkene er 25 kg
i hver .
Ved indkørselen af produktionen fandt man, at der var mange overvægtige og undervægtige
sække. Fø1gende antalstabel indeholder produktionsresultatet ved første prøvekørsel:
Maskiner
Nettovægt
1
2
3
4
5
Under 24 kg
5
3
7
3
12
Mellem 24 og 26 kg
14
17
16
15
13
Over 26 kg
11
10
7
12
5
Foretag en testning af, om det kan antages, at vægtfordelingen er den samme for de 5 maskiner.
Opgave 10.5
Ved start af en stor amerikansk industrivirksomhed underkastedes alle 173 ansøgere til et bestemt
job på fabrikken en psykoteknisk prøve. Idet ansøgerne grupperedes efter, om de var medlemmer
af en fagforening eller ikke, er nedenstående anført resultaterne af den pågældende prøve.
Resultat af prøven
godt
middel
dårligt
Medlem af en fagforening
37
42
23
Ikke medlem af en fagforening
17
26
28
Hvad kan der sluttes om sammenhæng mellem præstation ved prøven og medlemskab af en
fagforening?
Opgave 10.6
En fabrik, der arbejdede i 3 - holdskift, fremstillede b1.a. en bestemt maskindel i massefabrikation.
For at undersøge, om kvaliteten af denne maskindel påvirkedes af omstændigheder, der afhang
af, inden for hvi1ket tidsrum af døgnet fabrikationen fandt sted (træthed, belysningsforhold m.v.),
lod man et bestemt arbejdshold arbejde på hvert af de 3 skift en uge ad gangen. Man regnede
med, at produktionsbetingelserne fra uge ti1 uge var i det væsentlige uændrede.
Arbejdsholdets ugentlige produktion var:
Skift
Antal ikke - defekte emner
Antal defekte emner
kl. 800 - 1600
kl. 1600 - 2400
kl. 000 - 800
1602
1590
1507
88
122
103
Foretag en statistisk ana1yse af, om produktionens kvalitet må antages at afhænge af
produktionsperioden.
192
Opgaver til kapitel 10
Opgave 10.7
Et forsikringsselskab har i løbet af et kalenderår undersøgt bilkaskoskaderne og registreret
antallet af skadesanmeldelser og forsikringstagerens (førerens) alder.
Resultatet blev:
Forsikringstagerens alder
Antal skader
18 - 27
28 - 37
38 - 47
48 - 57
 58
1
74
60
51
66
50
2
31
25
22
16
15
3
29
10
6
5
7
1) Man havde en forhåndsformodning om, at aldersgruppen 18-27 år skadesmæssigt adskiller sig
fra de øvrige grupper. Bekræftes denne forhåndsformodning?
2) Tillader det ovennævnte materiale en antagelse om, at der er uafhængighed mellem antallet
af skader og forsikringstagerens alder for de sidste 4 aldersgrupper?
193
11 Rangtest (fordeling ukendt)
11. RANGTEST (Fordeling ukendt)
11.1 INDLEDNING
De testprocedurer vi har benyttet i kapitlerne 3,4 og 5 har alle været baseret på, at i det mindste approksimativt kendte
fordelingen (normal-, binomial- eller Poisson-fordelt) og testen vedrørte parametre i fordelingen såsom  ,  eller
p . Denne form for statistik kunne kaldes “parametrisk statistik”. Kendes fordelingen ikke, og kan man heller ikke
approksimere den til en kendt fordeling, så må man benytte de såkaldte “ikke- parametriske test”. Disse forudsætter
ikke, at fordelingen er kendt, og kunne derfor også kaldes “fordelingsfri test”.
Da det ligger udenfor denne bogs centrale emner, er beskrivelsen i det følgende kun oversigtsmæssigt og skrevet med
petit.
Rangtest
Disse test har som forudsætning at observationerne afspejler mindst en ordning, samt at de foreliggende
observationer er baseret på (eventuelt underliggende ) kontinuerte statistiske variable, jævnfør det følgende eksempel
3.6
Eksempel 11.1. Smagsprøveeksperiment.
En levnedsmiddelproducent overvejede at introducere et nyt konservesprodukt i stedet for et hidtil produceret. I disse
overvejelser indgik resultatet af en smagsprøvning foretaget af et panel bestående af 15 smagsdommere. De smagte
hver på det nye produkt og gav dette en "karakter" ved afsættelse af et kryds på et standardliniestykke, hvis ene
endepunkt svarer til værst mulig smag, det andet endepunkt til bedst mulig smag.
Med henblik på den statistiske analyse af resultaterne transformeredes disse til tal, idet hvert af de 15 standardliniestykker inddeltes lineært efter en skala fra 0 (værst mulig smag) til 100 (bedst mulig smag) , og krydsenes placering
aflæstes.
De transformerede forsøgsresultater var: 75, 90, 66, 82, 75, 88, 55, 80, 83, 75, 70, 80, 68, 86, 84.
Ved et stort antal tilsvarende smagsprøvninger af det hidtil producerede konservesprodukt var medianen 70.
Producenten ønsker at få at vide, om forsøgsresultaterne giver et eksperimentelt bevis for, at det nye produkt smager
bedre end det hidtidige.
Tallene i eksempel 11.1 er ikke sædvanlige måletal. Betragtes eksempe1vis de 3 første observationer 75,90 og 66,
så kan vi kun slutte, at smagsdommer 2 synes produktet smager bedre end nr. 1 som igen synes det smager bedre end
nr. 3. Differensen mellem de to første er 15, mellem nr. 1 og 3 er 9. Vi kan derfor muligvis også slutte, at der vil være
større smagsforskel i det første tilfælde end i det sidste. Derimod kan vi næppe slutte, at smagsforskellen i det første
tilfælde er
15  9
 100  40% større end i det sidste. Det har ingen fysisk realitet at foretage procentiske
15
sammenligninger mellem smagsforskelle. Sådanne sammenligninger ville derimod have mening, hvis der forelå
sædvanlige måletal, jævnfør eksempel 1.1, hvor, hvor procentiske forskelle mellem hårheden umiddelbart kan
fortolkes.
En forsigtig fortolkning af de transformerede resultater af smagsprøvningen er derfor, at de kun afspejler en ordning
med hensyn til smag.
Da man afsatte punkter på en standardliniestykke hvorved i princippet ethvert tal mellem 0 og 100 kunne tænkes,
er kravet om kontinuitet opfyldt.
Forudsætningerne for at kunne udføre en rangtest er dermed opfyldt.
En “diskret” skala må altså i princippet ikke anvendes. Man kunne dog godt have anvendt en skala fra 0 til 100 da
den ville være tilstrækkelig “finmasket” i forhold til antallet af smagsdommere. En skala fra 0 til 3 ville derimod ikke
kunne bruges (der ville blive alt for mange ens “målinger).
Man ser undertiden nogle som “for en sikkerheds skyld” anvender en Rangtest, selv om de faktisk med rimelighed
kunne have udført en parametrisk test. Hvis man derved får en forkastelse af nulhypotesen er konklusionen korrekt.
Hvis derimod man får en accept, kunne det være at en parametrisk test ville give en forkastelse (da de parametriske
test har størst styrke). Derfor skal parametriske test naturligvis foretrækkes, hvis man som tidligere beskrevet har en
rimelig formodning om fordelingen. Har man således en stor stikprøve, så kan man i følge den centrale grænseværdisætning være sikker på, at gennemsnittet x er normalfordelt, selv om fordelingen ikke er det.
De forskellige typer rangtest blive forklaret i forbindelse med passende eksempler.
194
11.2 Wilcoxons rangtest for 1 stikprøve
I den forbindelse får vi brug for følgende oplysninger:
Definition af rangtal: Lad os antage vi har givet n forskellige tal.
Det mindste af disse tal gives rangtallet 1, det næstmindste tal gives rangtallet 2 osv.
Eksempel:
Observationer
Tilhørende Rangtal
6
17
7
13
5
2
3
6
4
5
2
1
Sum af Rangtal: Sum af tal fra 1 til n kan vises at være S  1  2  3 . . . .  n 
Bevis: S  1  2  3. . . . ...... (n  2)  (n  1)  n
n  (n  1)
.
2
S  n  (n  1)  (n  2)  (n  3)...3  2  1
Heraf fås 2 S  (n  1)  (n  1)  (n  1) ... (n  1)  n  (n  1)
Eksempel S  1  2  3 . . . .  6 
6  (6  1)
 15
2
Median : Observationerne ordnes i rækkefølge:
Ulige antal observationer: median = midterste tal,
Lige antal observationer: median = gennemsnit af de to midterste tal
Eksempel: Observationer 6, 17, 7, 13, 5, 2.
Ordnet i rækkefølge: 2, 5, 6, 7 13, 17. Median 6,5
11.2. WILCOXONS RANGTEST FOR 1 STIKPRØVE
Eksempel 11.2 (fortsættelse). Wilcoxons rangtest for 1 variabel
Det hidtidige produkt havde en median på 70. Producenten ønsker at undersøge på et signifikansniveau på 5% om
det nye produkt smager bedre end det gamle.
Løsning:
Lad m betegne fordelingens median.
Nulhypotese: H0: m = 70 Alternativ hypotese H: m > 70
Differenserne i forhold til medianen på 70 beregnes.
75
90
66
82
75
88
55
x
i
xi  70
5
20
-4
12
5
18
-15
80
83
75
70
80
68
86
84
10
13
5
0
10
-2
16
14
Den numeriske værdi af differenserne tilordnes rangtal, således at den mindste værdi får rangtallet 1, den næstmindste
rangtallet 2, osv. Hvis flere værdier er ens tilordnes de alle gennemsnittet af de rangtal de skulle have haft. Er en
differens 0 tilordnes intet rangtal.
Rangtallene forsynes derefter med fortegnet for de tilsvarende differenser.
Dette giver følgende tabel
75 90 66
82 75 88 55 80
83
75
70
80
68
86 84
x
i
xi  70
5
20
-4
12
5
18 -15
10
13
5
0
10
-2
16
14
Rang af xi  70
4
14
2
8
4
13 11
6.5
9
4
-
6,5
1
12
10
Fortegn
Lad
-2
-11
-1
w være summen af rangtallene med positivt fortegn og w summen af rangtallene med negativt fortegn. Da
vi udskød en værdi, her vi , at summen af rangtallene er S 
Da w- = 2+11+1=14 følger heraf, at w  105  14  91 .
195
14  15
 105 .
2
11 Rangtest (fordeling ukendt)
Hvis nulhypotesen er sand ville vi forvente at der lå nogenlunde lige mange tal over og under medianen på 70, og
at summen af rangtallene for de med positivt fortegn ville være nogenlunde lig med summen af dem med negativt
fortegn dvs. omkring
105
 52,5 .
2
Man kan vise, at hvis antallet n af tal i stikprøven er større end 10, så vil fordelingen af summen af rangtallene med
negativ fortegn W og dem med positivt fortegn W begge være approksimativt normalfordelt med middelværdi

n  (n  1)
n  (n  1)  (2n  1)
og spredning  
.
24
4
Metode 1: Da antallet i stikprøven er større end 10 kan man approksimere med en normalfordeling med
n  (n  1) 14  15
n  (n  1)  (2n  1)
14  15  29

 52.5 og spredning  

 15.93 .
middelværdi  
24
24
4
4
Vi har P - værdi = P( w   14)  normCdf ( ,14,52.5,15.93)  0.008 ,
( eller P - værdi = P( w  91)  normCdf (91, ,52.5,15.93)  0.008 )
Da P-værdi < 0.01 forkastes H0 (2 stjernet), dvs. vi har vist, at det nye produkt smager bedre end det gamle.
Metode 2: Hvis n  10 er det nødvendigt at benytte nedenstående tabel. Benyttes denne i dette tilfælde findes, at
for n = 14 er w0.05  25 og w0.01  15 (da testen er ensidet)
Idet w  min{w , w }  min{14,91}  14 ses, at w  w0.01 .
H0 forkastes (2 stjernet), dvs. vi har igen vist, at det nye produkt smager bedre end det gamle.
TABEL 11.1. Rang test vedrørende 1 statistisk variabel (Wilcoxons teststørrelse).
Tabel over kritiske værdier af Wilcoxons teststørrelse

n
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
w
0.10
0.05
0.02
0.01
to-sidet test
0.05
0.025
0.01
0.005
én-sidet test
0
2
3
5
8
10
13
17
21
25
30
35
41
47
53
60
67
75
83
91
100
0
2
0
3
1
0
5
3
1
8
5
3
10
7
5
13
9
7
17
12
9
21
15
12
25
19
15
29
23
19
34
27
23
40
32
27
46
37
32
52
43
37
58
49
42
65
55
48
73
62
54
81
69
61
89
76
68
Idet w  min{w , w } forkastes nulhypotesen H0 hvis w  w (jævnfør eksempel 15.2).
196
11.3 Wilcoxons rangtest for to uafhængige stikprøver
11.3 WILCOXONS RANGTEST FOR 2 UAFHÆNGIGE STIKPRØVER
Hvis de i de første afsnit angivne metoder (t - test m.m.) ikke kan anvendes, fordi forudsætningerne ikke er opfyldte,
så kan man sædvanligvis anvende denne metode.
Nulhypotesen er, at de to stikprøver er taget fra den samme population med samme medianer. Hvis vi nu danner en
rækkefølge for de samlede observationer under et, så burde rangtallene fra de to stikprøver fordele sig tilfældigt i
forhold til hinanden. Summen for hver stikprøve burde derfor være nogenlunde den samme. Hvis de afviger meget
fra hinanden må nulhypotesen kunne forkastes.
n1 og summen af rangtallene være w1 .
Lad tilsvarende antallet i den anden stikprøve være n 2 og summen af rangtallene være w2 .
Lad antallet i den ene stikprøve være
Er n1  5, n 2  5 og n1  n 2 gælder , at fordelingen af summerne W1 og W2 er approksimativt normalfordelt med
middelværdi  
n1  (n1  n2  1)
og spredning  
2
n1  n2  (n1  n2  1)
12
Metoden demonstreres i følgende eksempel 11.3.
Eksempel 11.3 . Wilcoxons rangtest for 2 uafhængige stikprøver
Man ønsker at sammenligne reaktionstiden for mænd, som har taget én type medicin “A” , med reaktionstiden for
de mænd, der har taget en anden type medicin “B”. Forsøg har imidlertid vist, at disse reaktionstider ikke er
normalfordelte, men fordelingen er skæv mod højre.
Man kan derfor ikke benytte en t-test, men måtte benytte en rangtest.
Blandt 14 mænd udvalgte man tilfældigt 7 som indtog medicin A mens de øvrige 7 indtog medicin B. Efter en
passende tid måltes reaktionstiden for de 14 personer. En person måtte desværre udgå på grund af specielle
omstændigheder.
Resultaterne var:
Medicin A
1.96
2.24
1.71
2.41
1.62
1.93
Reaktionstid
Medicin B
2.11
2.43
2.07
2.71
2.50
2.84
2.88
Undersøg om der er signifikant forskel på reaktionstiden.
Løsning:
Lad m A og mB betegne de to fordelingers medianer.
Nulhypotese: H0: m A  mB Alternativ hypotese H: m A  mB
Vi tildeler de samlede observationer rangtal.
Medicin A
1.96
2.24
1.71
Reaktionstid
Medicin B
2.11
2.43
2.07
Rangtal
A
4
7
2
B
6
9
5
Vi beregner nu summen w A og w B af rangtallene.
w A  4  7  2  8  1  3  25
2.41
2.71
8
11
1.62
2.50
1
10
1.93
2.84
3
12
2.88
13
(n A  n B )(n A  n B  1) (7  6)(7  6  1)

 91 er w B  91  25  66
2
2
Da summen af w A og w B er et fast tal, vil en lille værdi af den ene delsum betyde en stor værdi af den anden, og
dermed en stor forskel på de to summer. Der gælder derfor, at jo mindre en af delsummerne er, jo større er
muligheden for at stikprøverne er udtaget af forskellige fordelinger.
Tabelmetode
I tabel 11.2 er for forskellige værdier af antal observationer n1 og n2 angivet et interval.
I vort tilfælde er n A  6  n B  7 , og teststørrelsen altså w A = 25.Ved opslag i tabellen under den tosidet test for
signifikansniveau 5% fås, at intervalgrænserne er 28 og 56. Da w A  28 forkastes nulhypotesen, dvs. der er
signifikant forskel på reaktionstiderne.
Idet w A  w B 
197
11 Rangtest (fordeling ukendt)
Aproksimation med normalfordeling
Da de to stikprøver er større end 5 er det tilladeligt at approksimere med en normalfordeling med middelværdi
n1  (n1  n 2  1) 6  (6  7  1)
n  n  (n  n  1)
6  7  (6  7  1)

 42 og spredning   1 2 1 2

7
12
12
2
2
Vi har P - værdi = P( w A  25)  normCdf ( ,25,42.7)  0.0076 .

Da P - værdi < 0.025 forkastes H0, dvs. vi har vist, at der er en signifikant forskel på reaktionstiderne.
TABEL 11.2. Rang test vedrørende 2 uafhængige statistiske variable (Wilcoxons teststørrelse).
I: Tosidet test:   0.05
Ensidet test:   0.025
n2
3
n1
4
5
6
7
8
9
10
wn wø wn wø wn wø wn wø wn wø wn wø wn wø wn wø
3
5
16
6
18
6
21
7
23
7
26
8
28
8
31
9
33
4
6
18
11
25
12
28
12
32
13
35
14
38
15
41
16
44
5
6
21
12
28
18
37
19
41
20
45
21
49
22
53
24
56
6
7
23
12
32
19
41
26
52
28
56
29
61
31
65
32
70
7
7
26
13
35
20
45
28
56
37
68
39
73
41
78
43
83
8
8
28
14
38
21
49
29
61
39
73
49
87
51
93
54
98
9
8
31
15
41
22
53
31
65
41
78
51
93
63
108
66
114
10
9
33
16
44
24
56
32
70
43
83
54
98
66
114
79
131
II: Tosidet test:   010
.
n2
Ensidet test:   0.05
3
n1
4
5
6
7
8
9
10
wn wø wn wø wn wø wn wø wn wø wn wø wn wø wn wø
3
6
15
7
17
7
20
8
22
9
24
9
27
10
29
11
31
4
7
17
12
24
13
27
14
30
15
33
16
36
17
39
18
42
5
7
20
13
27
19
36
20
40
22
43
24
46
25
50
26
54
6
8
22
14
30
20
40
28
50
30
54
32
58
33
63
35
67
7
9
24
15
33
22
43
30
54
39
66
41
71
43
76
46
80
8
9
27
16
36
24
46
32
58
41
71
52
84
54
90
57
95
9
10
29
17
39
25
50
33
63
43
76
54
90
66
105
69
111
10
11
31
18
42
26
54
35
67
46
80
57
95
69
111
83
127
n1  n2 : H0 forkastes hvis wn1  wn eller wn1  wø (ligger udenfor intervallet [ wn ; wø ]
Hvis n1  10 og n2  10 er teststørrelsen approksimativt normalfordelt med middelværdi  
spredning  
n1  n2  (n1  n2  1)
12
198
n1  (n1  n2  1)
og
2
11.4 Kruskal Wallis test
Da det kan være ret besværligt at rangordne tallene, kan man få TI 89 til at gøre det på følgende måde:
APPS
STAT/LIST , slet indholdet i alle gamle listet.
Indtast i list 1 først de 6 tal fra medicin A og derefter de 7 tal fra medicin B
Indtast i list 2 tallet 1 6 gange og tallet 2 7 gange (se skemaet nedenfor)
list1
list2
1.96
1
2.24
1
1.71
1
2.41
1
1.62
1
1.93
1
2.11
2
2.43
2
2.07
2
2.71
2
2.50
2
2.84
2
2.88
2
Cursor i list 1
F3
2 -Ops
2: Sort list, Adjust all
Enter
ENTER
Man ser nu at LIST 1 er sorteret i stigende rækkefølge, og man kan nu udfylde skemaet.
11.4. KRUSKAL WALLIS TEST . Erstatter ensidet variansanalyse
Er forudsætningerne for en ensidet variansanalyse ikke opfyldte, så kan vi benytte nedenstående rangtest (kaldet
Kruskal-Wallis test), der som tidligere nævnt kun kræver at observationerne mindst afspejler en ordning, og at den
bagved liggende fordeling er kontinuert.
Eksempel 11.5 . Kruskal-Wallis test for mere end 2 variable.
Et levnedsmiddels smag kan tænkes at afhænge af hvilken af 3 produktionsmetoder der anvendes. For at undersøge
om det er tilfældet planlægges følgende forsøg:
Med hver af de 3 metoder fremstilles i en forsøgsproduktion 6 prøver.
En ekspertsrnager vurderer de i alt 18 smagsprøver enkeltvis og i tilfældig rækkefølge uden kendskab til, hvilken
metode der er anvendt i det enkelte tilfælde. Efter hver smagning markeres resultatet ved afsætning af et kryds på
et standardliniestykke, hvis ene endepunkt svarer til værst mulig smag, det andet endepunkt til bedst mulig smag.
Ved den statistiske analyse af resultaterne transformeres disse til tal, idet hvert af de 18 standardliniestykker inddeles
lineært efter en skala fra 0 (værst mulig smag) til 100 (bedst mulig smag). De transformerede resultater er de tal, som
angiver krydsernes placering, og kan betragtes som stikprøveværdier af q (=3) kontinuerte statistisk uafhængige
variable med ukendte fordelingstyper.
De transformerede forsøgsresultater blev:
Metode M1
61
69
79
61
59
Metode M2
62
58
47
59
63
Metode M3
57
45
60
54
57
48
Det bemærkes, at der ved forsøget kun fremkom 5 observationer for metoderne Ml og M3 på grund af tekniske fejl
ved fremstillingen af 2 prøver.
Idet m1, m2 og m3 betegner de 3 fordelingers medianer, ønsker vi på grundlag af stikprøveværdierne at teste
nulhypotesen
H0: De 3 fordelinger er ens (hvilket indebærer, at ml = m2 = m3) imod den alternative hypotese H: De 3 fordelinger
er ikke ens.
199
11 Rangtest (fordeling ukendt)
Løsning:TI89
Observationerne tilordnes rangtal som om de kom fra samme population (som ved Wilcoxons test),
Da det kan være ret besværligt at rangorden tallene, kan man få TI 89 til at gøre det på følgende måde:
APPS
STAT/LIST , slet indholdet i alle gamle lister.
Indtast i list 1 først de 5 tal fra metode M1 og derefter de 6 tal fra metode M2 og tilsidst de 5 tal fra metode M3
Indtast i list 2 tallet 1 5 gange og tallet 2 6 gange og tallet 3 5 gamge(se skemaet nedenfor)
list1
list2
61
1
69
1
79
1
61
1
59
1
62
2
58
2
osv.
-
57
3
Cursor i list 1
F3
2 -Ops
2: Sort list, Adjust all
Enter
ENTER
Man ser nu at LIST 1 er sorteret i stigende rækkefølge, og man kan nu udfylde skemaet.
Metode M1
61
69
79
61
Rangtal
11.5
15
16
11.5 8.5
Metode M2
62
58
47
59
63
48
13
7
2
8.5
14
3
57
45
60
54
57
5.5
1
10
4
5.5
Metode M3
59
Sum af rangtal
Ri
62.50
47.5
26.0
3
Da alle stikprøvestørrelser er større end eller lig 5 gælder det , at teststørrelsen  2 
12   ni ( Ri  R ) 2
1
n(n  1)
er
2 -
fordelt med frihedsgradstal f = 3 - 1 = 2
Som det ses af formlen vil  være tæt ved nul hvis nulhypotesen er sand, mens den får en stor værdi hvis de
gennemsnitlige rangtal afviger meget fra hinanden, så testen er ensidet.
Beregningsteknisk er det lettere at anvende den i appendix 11.1 angivne omskrivning:
k
 62.52 47.52 26.0 2 
Ri2


12  

12  
6
5 
 5
i  1 ni
2
 3  (16  1)  6.02
 3  (n  1) 
 
16  (16  1)
n  (n  1)
2


2
Da P - værdi = P   6.02  chi 2cdf (6.02, ,2  0.0493 < 0.05 forkastes nulhypotesen (tæt ved accept), og vi må
derfor konkludere, at de 3 fordelinger ikke er identiske.
Ud fra de fundne summer må man kunne slutte, at metode 1 giver en bedre smag end metode 3.
200
11.4 Kruskal Wallis test
Løsning: SAS.JMP
Data indtastes som vist nedenfor
metode
m1
m1
m1
m1
m1
m2
m2
osv
Smag
61
69
79
61
59
62
58
m3
m3
Vælg Analyze
54
57
Fit y by x
Indsæt smag i Y og metode i X
ok
rød pil "
Non-parametric
Wilconson test
ENTER
Man får bl.a. følgende udskrift
Wilcoxon / Kruskal-Wallis Tests (Rank Sums)
Level
Count
Score Sum
m1
5
62,500
m2
6
47,500
m3
5
26,000
Score Mean
12,5000
7,9167
5,2000
(Mean-Mean0)/Std0
2,214
-0,326
-1,817
1-way Test, ChiSquare Approximation
ChiSquare
DF
Prob>ChiSq
6,0484
2
0,0486*
Small sample sizes. Refer to statistical tables for tests, rather than large-sample approximations.
Da P - værdi = 0.0486 < 0.05 forkastes nulhypotesen (tæt ved accept), og vi må derfor konkludere, at de 3 fordelinger
ikke er identiske.
Ud fra de fundne summer må man kunne slutte, at metode 1 giver en bedre smag end metode 3.
201
11 Rangtest (fordeling ukendt)
OPGAVER
Opgave11.1
Et mellemprodukt ved en kemisk proces bliver med mellemrum undersøgt for urenheder. Urenhedsniveauet (i ppm)
blev ved sidste måling målt til
2.4 2.5 1.7 2.1 2.2 2.6 1.3 1.9 2.0 2.5 2.6 2.3 2.0 1.8 1.3 1.7 2.0 1.9 2.3 1.9 2.4 1.6
Kan du ved en rangtest vise, at urenhedsniveauet er mindre end 2.5 ppm (   0.05 ).
Opgave 11.2
Ved en psykologisk undersøgelse ønskede man at undersøge om den førstefødte af to tvillinger har en tendens til at
blive mere aggressiv end den sidstfødte. Man gav 12 tvillingpar den samme psykologiske test. Resultaterne af testen
ses nedenfor. Et større pointtal viser tegn på en større aggresivitet.
Tvillingepar nr
1
2
3
4
5
6
7
8
9
10
11
12
førstfødte
86
71
77
68
91
72
77
91 70 71
88
87
sidstfødte
88
77
76
64
96
72
65
90 65 80
81
72
1) Hvorfor er en rangtest rimelig at anvende i dette tilfælde.
2) Foretag en testning af om man på grundlag heraf konkludere at den førstfødte er mere aggressiv end den
sidstfødte.
Opgave 11.3
Ved en udgravning på Cypern fandt man bl.a. Byzantinske mønter fra to perioder af Manuel I's regering (1143-1180).
Der var 9 mønter fra den 1. udmøntning og 7 mønter fra den 4. udmøntning. Mønterne blev analyserede for indholdet
af sølv, og man fandt følgende resultater (i %):
1. udmøntning
59
68
64
70
66
77
72
69
62
2. udmøntning
53
56
55
51
62
58
58
Test, om der er forskel på sølvindholdet for de to udmøntninger
1) ved en rangtest, idet man er usikker på om forudsætningerne for en parametrisk test er opfyldt.
2) ved et parametrisk test.
Opgave 11.4
Et støberifirma har købt 2 nye maskiner som producerer stempler af en anden type end de hidtidige maskiner. Efter
nogen tids produktion begyndte der at komme klager over, at de nye stempler ikke har samme holdbarhed som de
hidtidige. For at teste dette udtager man tilfældigt stempler fra såvel den nye som den gamle type og måler på en
testmaskine, hvor længe det varer inden de går i stykker.
Man fandt (i timer):
Gamle stempler
947
1358
821
1032
Nye stempler
765
834
699
957
1021
756
Undersøg ved en ikke-parametrisk test på et signifikansniveau på 5% om de gamle stempler holder længere end de
nye stempler.
Opgave 11.5
Ved 2 forskellige metoder til syntetisering af et stof fandtes følgende udbytter (%)
Metode 1
578
562
619
544
536
564
532
Metode 2
642
587
631
625
598
592
571
Test, om middeludbyttet er forskelligt ved de 2 metoder.
Da man ikke er sikker på, at forudsætningerne for en parametrisk test er opfyldt, så vælges at udføre en rangtest.
202
Opgaver til kapitel 11
Opgave 11.6
Med henblik på markedsføring af dansk Feta-ost i et mellemøstligt land gennemførtes en prøvesmagningsundersøgelse i det pågældende land. Som et led i undersøgelsen medvirkede 32 smagsdommere ved en bedømmelse af 4
ostetyper, hvoraf 2 var bestemte ostefabrikater fra det pågældende land (Feta-typerne l og 2), medens de 2 andre var
danske, henholdsvis UF-Feta-ost og traditionel dansk Feta-ost. De 32 dommere inddeltes tilfældigt i 4 grupper a 8.
Hver af dommerne i samme gruppe fik en prøve af samme ostetype, jfr. nedenstående skema, idet osteprøverne
præsenteredes, så smagerne ikke havde mulighed for at identificere de enkelte fabrikater og heller ikke fik oplyst
deres oprindelsesland.
Ved hver prøvesmagning markeredes vurderingen af osteprøven ved afsætning af et kryds på et standardliniestykke
hvorefter krydset på sædvanlig måde "oversattes" til en 0 - l00 - skala. Herved fremkom følgende forsøgsresultater:
Udenlandsk Feta-type 1 (gruppe l)
45
68
33
61
48
22
60
48
Udenlandsk Feta-type 2 (gruppe 2)
86
95
59
75
69
80
86
59
Dansk UF-Feta (gruppe 3)
81
54
69
63
65
88
61
87
Traditionel dansk Feta (gruppe 4)
35
52
70
45
42
60
43
48
Foretag en statistisk analyse af forsøgsresultaterne.
Opgave 11.7
En å er blevet kraftigt forurenet. For at få et indtryk af, om forureningen påvirker de tre vigtigste fiskearter i samme
grad, fangedes nogle fisk, som anbragtes i passende bassiner. En ekspert iagttog fiskene og gav en vurdering af deres
helbredstilstand ved for hver fisk at afsætte et kryds på et standardliniestykke, hvis ene endepunkt svarer til meget
sygeligt udseende og unormal opførsel, og hvis andet endepunkt svarer til rask udseende og normal opførsel. Derefter
opdeltes hvert standardliniestykke efter en skala fra 0 til 25. Idet de tre arter kaldes A, B og C fremkom følgende
tabel:
A
13
11
16
13
2
7
11
13
B
24
15
11
19
14
16
18
19
15
7
C
22
14
20
11
17
10
15
11
16
21
Test på grundlag af ovenstående, om det kan antages. at de tre fiskearter lider lige meget under forureningen.
203
Appendix
APPENDIX
APPENDIX 4.1. Formler til beregning af ensidet variansanalyse
I denne oversigt vises hvorledes man kan beregne en ensidet variansanalyse, blot man har en lommeregner der kan
beregne gennemsnit og spredning.
For hvert observationssæt udregnes gennemsnit og spredning.
Faktor
Observationer
Gennemsnit
Spredning
R1
x11, x12, x13, . . . , x1n1
x1 .
s1
R2
x21, x22, x23, . . . ,
x 2 n2
x2 .
s2
R3
x31, x32, x33, . . . , x 3n3
x3 .
s3
Rr
xr1, xr2, xr3, . . . , x rn3
xr .
sr
Forudsætning: xij - værdierne er uafhængige observationer af statistisk uafhængig normalfordelte variable Xi med
2
middelværdi  i og samme varians  .
Beregninger:
Lad N  n1  n2  n3 .. nr
Der beregnes et “vægtet” gennemsnit af varianserne (vægtet efter frihedsgraderne)
se2 
(n1  1)  s12  (n2  1)  s22  (n3  1)  s32 ... (nr  1)  sr2 SAK1  SAK2 ... SAKr

N r
(n1  1)  (n2  1)  (n3  1) ... (nr  1)
Sidste omskrivning følger af, at s 2 
SAK
n 1
se2 er variansen for “forsøgsfejlen” eller på engelsk “error”.
se2 har N - r frihedsgrader.
Vi har nu SAK e  ( N  r )  se2
Man indtaster alle N målinger og beregner variansen
Heraf fås
2
stotal
2
SAK total  ( N  1)  stotal
Man kan vise, at SAKR + SAKe = SAKtotal og at det tilsvarende gælder for frihedsgraderne
Tallene indsætes nu traditionelt i en såkaldt variansanalysetebel, og P-værdien beregnes.
Variansanalysetabel: (ANOVA = ANalysis Of VAriance)
Variation
SAK
f
SAK
s2 
(Source)
(SS)
(df)
f
Behandlinger
(Between groups)
SAKR
r-1
sR2 
SAKR
r 1
Gentagelser
(Within groups)
(error)
Total
SAKe
N-r
se2 
SAK 0
N r
SAKtotal
N-1
204
P - værdi
F
FR 
sR2
s02
Appendix 4.1
Testprocedure.
Nulhypotese: H0 : 1   2  . . .   r  H0 : R  0
Lad  være signifikansniveau.
H0 forkastes, hvis P - værdi = P( Z  FR )   , hvor Z er F - fordelt ( f T , f N )  (r  1, N  r ) .
Konfidensintervaller: Lad rkon  t
1

2
i :
 xi .  rkon ;
LSD Konfidensinterval for
 i :  xi .  rkon
Konfidensinterval for

se2
n
( N  r) 
2
xi .  rkon 
; xi . 
rkon 

2 
Varianshomogenitet. H0 : 12   22  ...   k2
Test for, at de variable Yi har samme varians
a) Simplificeret F-test.
2
2
Lad den største værdi af de k estimerede varianser være s max
og den mindste være s min
.
Beregn teststørrelsen F 
2
s max
2
s min
2
.
Lad Y være F - fordelt med frihedsgraderne f tæller  f nævner  n  1
H0 forkastes, hvis P - værdi = P(Y  F ) 

2
.
Hvis nulhypotesen accepteres, så antages kravet om varianshomogenitet at være opfyldt.
Hvis nulhypotesen forkastes, må anvendes en test med større styrke såsom Bartletts test eller Levines test.
b ) Bartletts test. Denne test er beregningsmæssigt vanskelig, og har den svaghed, at den er særdeles følsom overfor
afvigelser fra normalitet.
 k

  (ni  1)  si2 
   (n  1)  ln( s2 )
( N  k )  ln i 1
i
i


Nk




Beregn teststørrelsen  2 
k
1
1

N  k i 1 ni  1
1
3( k  1)
Lad Y være  2 - fordelt med frihedsgrade k - 1.
H0 forkastes, hvis P - værdi = P(Y   2 )   .
c) Levines test. God test, som imidlertid kræver mere end 2 gentagelser.
 i  1,2,...., k
Lad dij  yij  yi hvor 
, hvor y i er medianen af de ni gentagelser af i’te behandling. Man udfører
 j  1,2,..., ni
en sædvanlig ensidet variansanlyse på tallene d ij
Median af en række tal Tallene ordnes i voksende rækkefølge:
Ulige antal tal: median = midtertal blandt de ordnede tal,
Lige antal tal: median = genemsnit af de to midterste blandt de ordnede tal
Eksempel:
y i
d ij
T1
108, 110, 112
110
2, 0, 2
En ensidet variansanlyse på d ij giver
T2
105, 110, 109
109
4, 1, 0
F = 0.15, og dermed
P -værdi = 0.9285, dvs. en accept af nulhypotesen.
T3
108, 111, 113
111
3, 0, 2
T4
117, 119, 112
117
0, 2, 5
205
Appendix
Forklaring på konstruktion af normalfordelingsplot.
Et koordinatsystemet har en lodret akse, hvor inddelingen er “normalfordelt”, dvs fordelingsfunktionen for en
normeret normalfordeling vil i dette koordinatsystem blive en ret linie.
I dette koordinatsystem placeres residualerne som vist:
Lad residualerne (fra eksempel 4.1) -2, 0, 2, -3, 2, 1, 2.7,-2.3, -0.3,1, 3, -4
De ordnes i rækkefølge og man beregner deres komulative frekvens
i  0.5
i
Residualer x
 100 %
12
1
2
3
4
5
6
7
8
9
10
11
12
-4
-3
-2.3
-2
0
-0.3
1
1
2
2
2.7
3
4.1
12.5
20.8
29.1
37.5
45.8
54.2
62.5
70.8
79.2
87.5
95.8
Hvis residualerne er aproksimativt normalfordelt burde punkterne (x,y) afsat i koordinatsystemet tilnærmelsesvis
de ligge på en ret linie.
percentage
Normal Probability Plot for RESIDUALS
99,9
99
95
80
50
20
5
1
0,1
-4
-2
0
RESIDUALS
206
2
4
Appendix 5.1
APPENDIX 5.1. Formler til beregning af tosidet variansanalyse
I denne oversigt vises hvorledes man kan beregne en tosidet variansanalyse, blot man har en lommeregner med
gennemsnit og spredning.
Som taleksempel benyttes eksempel 5.2.
Forsøgsresultaterne er følgende:
Karburator
Olieblanding
Karburator
Beregning af gennemsnit.
Olieblanding
K2
810 840
1050 1020
930 910
K1
830 860
940 990
855 815
O1
O2
O3
O1
O2
O3
K1
845
965
835
K2
825
1035
920
Rækkegennemsnit
835
1000
877.5
Søjlesum
881.667
926.667
Antal rækker r = 3, Antal søjler q = 2,
Antal delforsøg i celler n = 2
Antal delforsøg i række = n  q  2  2  4 . Antal delforsøg i søjle n  r  2  3  6
Antal celler r  q  3  2  6 , Totalt antal forsøg N  r  q  n  3  2  2  12 .
Spredning på de r rækkegennemsnit: s xr  85.6714
.
Spredning på de q søjlegennemsnit: s xq  318198
Spredning på de r q cellegennemsnit: sceller  84.4048
Beregninger:
SAK rækker  ( N  n  q ) sxr2  (12  4)  85.6714 2  58716.67,
2
2
SAKsøjler  ( N  n  r )  s xq
 (12  6)  318198
.
 6075.00,
2
SAKceller  ( N  n)  sceller
 (12  2)  84.4048 2  7124166
. ,
SAKvekselvirkning  SAKceller  SAKrækker  SAKsøjle  6450.00,
fR  r  1 2
fC  q  1  1
f celler  r  q  1  5
f RC  f celler  f R  f C  2
2
SAK total  ( N  1) stotal
 (12  1)  82.4852  7484166
. , f total  N  1  11
SAK e(=error=residual)  SAK total  SAK celler  600.00 f 0  f total  f celler  6
(alternativt: SAK rækker  n  q  SAK x rækker , hvor
2
SAK x rækker  (r  1)  s xr
2
SAKsøjler  n  r  SAK x søjler , hvor SAK x søjler  (q  1)  sxq
2
SAKceller  n  SAK x celler , hvor SAK x celler  (r  q  1)  sceller
)
207
Appendix
Opstilling af variansanalysetabel:
f
s2 
SAK
f
Variation
SAK=SS
Rækkefaktor R
:
Olieblanding
SAKR =58716.67
fR  r  1 2
s R2  29358.33
Søjlefaktor C :
Karburator
SAKC =6075.00
fC  q  1  1
sC2  6075.00
Vekselvirkning SAKRC=6450.00
R*C
f RC  (r  1)(q  1)  2
2
s RC
 3225.00
Gentagelser
SAKe =3600.00
(residual, error)
f e  r  q  (n  1)  6
Total
f total  N  1  11
74841.67
F
FRC 
2
s RC
se2
=5.38
se2  600.00
Test:
Lad  være signifikansniveau.
1) H 0 : R * C  0 (Ingen signifikant vekselvirkning)
H0 forkastes, hvis P - værdi = P( Z  FRC )   , hvor Z er F - fordelt ( f T , f N )  ( f RC , f e ) .
2a) Hvis H0 forkastes, så opstilles konfidensintervaller til nærmere vurdering af faktorernes virkning.
2b) Hvis H0 accepteres, antages, at der ikke er nogen signifikant vekselvirkning, og man pooler de to varianser
sammen, til et nyt estimat for forsøgsfejlens variation (støjen).
sm2 
SAK RC  SAK e
med f m  f RC  f e
f RC  f e
Dette estimat benyttes så til en samtidig vurdering af hovedvirkningerne.
2b.1) H 0 : R  0 (Ingen signifikant virkning af rækkefaktor)
Lad FR 
s R2
sm2
H0 forkastes hvis P - værdi = P( Z  FR )   , hvor Z er F - fordelt ( f T , f N )  ( f R , f m ) .
Hvis H0 forkastes, så opstilles konfidensintervaller til vurdering af faktorerens virkning.
2b.2) H 0 : C  0 (Ingen signifikant virkning af søjlefaktor)
Lad FR 
sC2
sm2
H0 forkastes, hvis P - værdi = P( Z  FC )   , hvor Z er F - fordelt ( f T , f N )  ( f C , f m ) .
Hvis H0 forkastes, så opstilles konfidensintervaller til vurdering af faktorerens virkning.
Opstilling af konfidensintervaller og drage konklusion.
Lad xij være gennemsnittet af værdierne i cellen i i’te række og j’te søjle.
Lad
xi . være gennemsnittet af værdierne i den i’te række.
Lad x. j være gennemsnittet af værdierne i den j’te søjle.
208
Appendix 5.1
1)
R *C  01

Konfidensintervaller for hver celle:  xij  t

(r  q  (n  1))

1
2
s0
s 
; xij  t  (r  q  (n  1)) 0  ,
1
n
n 
2
2) R * C  0 2 R  0  C  0:
For celle i i’te række og j’te søjle er den estimerede middelværdi
~ij  xi . x . j  x .. (jævnfør betragtningerne i afsnit 2.3.2.2 side 59.)
Konfidensintervaller for hver celle:

(r  q  1)
(r  q  1) 
sm ; ~ij  t  ( N  r  q  1)
sm 
 ~ij  t  ( N  r  q  1)
1
1
N
N


2
2
Det giver et bedre overblik, hvis man udregner de marginale konfidensintervaller:

sm
; x . t ( N  r  q  1)
Konfidensintervaller for hver række:  xi . t  ( N  r  q  1)
1
n  q i 1 2

2

sm
; x . j  t  ( N  r  q  1)
Konfidensintervaller for hver søjle:  x . j  t  ( N  r  q  1)
1
1
n r

2
2
3) R * C  0 , R  0  C  0:
For hver række i beregnes et rækkegennemsnit
sm2 1 
SAK e  SAK RC  SAK C
, f m1  f e  f RC  f C  N  r
f 0  f RC  f C

Konfidensintervaller for hver række:  xi . t

4) R * C  0 , R  0  C  0:
1
For hver søjle j beregnes et søjlegennemsnit
sm2 2 
xi .
 ( N  r)
2
sm1
sm1 
; xi . t  ( N  r )

1
n q
n  q 
2
x. j
SAK e  SAK RC  SAK R
, f m2  f e  f RC  f R  N  q
f 0  f RC  f R

Konfidensintervaller for hver søjle:  x . j  t


1
2
( N  q)
1
Kort skrivemåde for, at H 0 : R * C  0 forkastes.
2
Kort skrivemåde for, at H 0 : R * C  0 accepteres
209
sm2
sm2 
; x. j  t  ( N  q)

1
nr
n  r 
2
sm 

n  q 
sm 

n  r 
Appendix
Appendix 5.2. Transformation af Binomialfordelte eller Poissonfordelt variable
To binomialfordelte eller Poissonfordelte faktorer i et fuldstændigt faktorforsøg.
Har man 2 faktorer i en fuldstændig faktorstruktur, og de statistiske variable er enten binomialfordelte eller
Poissonfordelte, kan man ikke bruge variansanlyseteknikken, da den kræver, at de variable er normalfordelte.
Transformeres data som angivet nedenfor er det imidlertid tilladeligt at bruge variansanlyseteknikken på de
transformerede data
Endvidere får man så den fordel, at man får en eksakt værdi for forsøgsfejlens varians (støjen), som bevirker, at selv
om man ikke har gentagelser, så kan man dog teste om der er vekselvirkning.
Det skal bemærkes, at testresultaterne er vanskelig at fortolke, så finder man der er vekselvirkning eller
hovedvirkninger, så kan man sædvanligvis kun konkludere, at faktorerne har en virkning, men ikke komme nærmere
ind på hvorledes denne virkning ytrer sig.
Tabel 1
Variabel
Transformation før tosidet variansanalyse
Forsøgsfejlens varians s0 .
Tilhørende frihedsgrad 
Relativ hyppighed H
H binomialfordelt b(n, p)
X
X Poissonfordelt p(  )
Y  Arcsin H
1
4n
Y
2
1
4
X
Eksempel : Variabeltransformation.
Fire forskellige metoder til anvendelse af et møldræbende middel på uldklæde ønskes sammenlignet ved et forsøg.
For hvert af fire forskellige fabrikater uldklæde udtoges 4 “ens” stykker klæde (20×20 cm), som blev behandlet med
hver sin af de fire metoder.
På hvert af de 16 stykker uldklæde anbragtes 25 møllarver, hvorefter man observerede det møldræbende middels
virkning på larverne i løbet af et givet tidsrum.
Resultaterne var (målt i antal døde larver):
Klædefabrikat
1
2
3
4
1
19
18
20
21
2
17
14
18
18
Metode
3
19
19
20
22
4
20
19
22
22
Det antages, at antallet af døde larver ved metode i anvendt på klædefabrikat j er binomialfordelt b(25,pij)
Foretag en statistisk analyse af om det møldræbende middels virkning afhænger af metoderne, og af klædefabrikatet.
Løsning TI89:
Da antallet af dræbte larver anses for at være binomialfordelt, foretages den i ovennævnte tabel nævnte
variabeltransformation.
De relative hyppigheder beregnes ved at alle tal i skemaet divideres med 25. Derefter beregnes Y  Arcsin hij .
Eksempelvis for metode 1 klæde 1:
19
.
h11 
 0.76 Y  Arcsin h11  Arcsin 0.76  10588
25
Klædefabrikat
1
2
3
4
1
1.0588
1.0132
1.1071
1.1593
2
0.9695
0.8455
1.0132
1.0132
Metode
3
1.0588
1.0588
1.1071
1.2171
4
1.1071
1.0588
1.2171
1.2171
Vi kan nu foretage en sædvanlig tosidet variansanalyse.
De transformerede tal for klædefabrikat 1 gemmes i list1, klædefabrikat 2 gemmes i list 2 osv.
F6
ANOVA2-Way
ENTER DESIGN=Block, Levls o Col Factor =4
Næste skema udfyldes med list1, list2, list3, list4 og list5
ENTER
210
ENTER
Appendix 5.2
Resultatet kan umiddelbart aflæses: Nedenfor er de relevante resultater angivet i den sædvanlige variansanalysetabel
F
P-værdi
Variation
SAK=SS df
MS= s 2
Factor: klædefabrikat
Block: Metoder
Error
0.057665
0.080445
0.008881
3
3
9
0.019222
0.026815
0.000987
Her svarer “Error” en sum af “støj”+”vekselvirkning”.
Da vi fra ovennævnte tabel kender den eksakte støj til
1
1

 0.01 kan tabellen udbygges
4n 4  25
Variation
SAK=SS
df
MS= s 2
F
Factor A: klædefabrikat
Block B: Metoder
Vekselvirkning AB
Error
0.057665
0.080445
0.008881
3
3
9
0.019222
0.026815
0.000987
0.01
1.92
2.68
0.009

H0: AB = 0 (Model har ingen vekselvirkning) accepteres, da F - værdi er mindre end 1
I det følgende antages, at der ikke er vekselvirkning.
Vi pooler ikke, da vi har et eksakt værdi for “støjens varians”.
H0: A = 0 (Klædefabrikat har ingen virkning) accepteres, da P-værdi = P(F > 1.92) =FCdf(1.92,  ,3, 1000)=0.12
Konklusion: Klædefabrikat har ingen virkning
H0: B = 0 (Metoder har ingen virkning) forkastes, da P-værdi = P(F > 2.68)=FCdf(2.68,  ,3, 1000) = 0.0457 < 0.05
Konklusion: Metoder har en (svag) virknng
Skal vi finde ud af hvilken virkning der er størst, kan vi udregne konfidensintervaller for de transponerede tal.
1
1.0688
0.9695
1.0588
1.1071
1
2
3
4
Metode
Klædefabrikat
2
3
1.0132
1.1071
0.8455
1.0132
1.0588
1.1071
1.0588
1.2171
4
1.1593
1.0131
1.2171
1.2171
Gennemsnit
1.0846
0.9604
1.1105
1.1502
Radius i konfidensintervallet er
rkon  t 0.975 ()
s
 196
.
0.01
 0.098
nq
1 4
Konklusion: Metode 2 er ringere end metode 4, mens de øvrige ikke kan adskilles.
Løsning SAS.JMP:
Antallet af dræbte larver anses for at være binomialfordelt b (25,p)
For hver tal x foretages transformationen Y  Arcsin
x
.
25
Data indtastes på sædvanlig måde:
klædefabrikat metode larver
k1
m1
19
k1
m2
17
k1
m3
19
k1
m4
20
k2
m1
18
osv.
Placer cursor på næste kolonne,og omdøb på sædvanlig måde navnet til “transform”.
Placer cursor i “transform”s hoved og marker denne ved tryk på venstre musetast
“Formula” Trigonomeric Arcsine Brug lommeregnertastatyret til resten ok
Man ser nu, at søjlen “transform” er udfyldt med de transformerede tal.
211
tryk på højre musetast
Vælg
Appendix
klædefabrikat
k1
k1
k1
k1
k2
metode larver transform
m2 17 0,96953211
m1 19 1,05882364
m3 19 1,05882364
m4 20 1,10714872
m1 18 1,0131975
osv.
På de transformerede tal foretages så en tosidet variansanalyse.
Vælg Analyze Fait Model
Indsæt for Y: Benzinforbrug ,Indsæt for AD:Karburator og Olieblanding
Karburator,Olieblanding (marker begge)
Run Model
Indsæt for CROSS:
Det giver følgende resultat
Response transform
Whole Model
Samarie o Fait
RSquare
RSquare Adj
Root Mean Square Error
Mean of Response
Observations (or Sum Wgts)
Analysis of Variance
Source
DF
Model
15
Error
0
C. Total
15
Effect Tests
Source
klædefabrikat
Metode
klædefabrikat*Metode
1
.
.
1,076366
16
Sum of Squares
0,14699173
0,00000000
0,14699173
Nparm
3
3
9
Da vi fra tabel 1 kender den eksakte støj til
Mean Square
0,009799
.
DF
3
3
9
F Ratio
.
Prob > F
.
Sum of Squares
0,05766545
0,08044481
0,00888146
F Ratio
.
.
.
Prob > F
.
.
.
1
1

 0.01 kan tabellen udbygges
4n 4  25
Variation
SAK
f
s2
Metoder
0.08044448
3
0.0268149
Klæde
0.0576655
3
0.0192218
Vekselvirkning
0.00888146
9
0.000986829

0.01
Gentagelser
H0: AB = 0 (Model har ingen vekselvirkning) accepteres, da F - værdi er mindre end 1
I det følgende antages, at der ikke er vekselvirkning.
Vi pooler ikke, da vi har et eksakt værdi for “støjens varians”.
H0: A = 0 (Klædefabrikat har ingen virkning) accepteres, da P-værdi = P(F > 1.92)
=FCdf(1.92,  ,3, 1000)=0.12 > 0.05
Konklusion: Klædefabrikat har ingen virkning
H0: B = 0 (Metoder har ingen virkning) forkastes, da P-værdi = P(F > 2.68)
=FCdf(2.68,  ,3, 1000) = 0.0457 < 0.05
Konklusion: Metoder har en (svag) virkning
F
2.68
1.92
0.009 < 1
For at få et overblik over hvilken metode, der kan anbefales, beregnes 95% konfidensintervaller ud fra en ensidet
variansanalyse på metode og transform
Oneway Analysis o transform By Metode
Oneway Anova
Means for Oneway Anova
Level
Number
m1
4
m2
4
m3
4
m4
4
Mean
1,08461
0,96037
1,11046
1,15002
Std Error
0,03723
0,03723
0,03723
0,03723
Lower 95%
1,0035
0,8792
1,0293
1,0689
Upper 95%
1,1657
1,0415
1,1916
1,2311
Heraf kan sluttes, at metode 2 er dårligere end metode4.
Konfidensintervallerne er ikke korrekte, da de ikke er baseret på den “eksakte” spredning.
Mere præcist er radius i konfidensintervallet rkon  t 0.975 ()
212
s
nq
 196
.
0.01
1 4
 0.098
Appendix 7.1
APPENDIX 7.1. Formler til beregning af enkelt regressionsanalyse uden gentagelser.
I dette apendix vises hvorledes man kan beregne en enkelt regressionsanalyse uden gentagelser, blot man har en
lommeregner med regressionsprogram. I eksempelet er formlerne anvendt på et konkret eksempel.
Forudsætning:
Data :
x
x1
x2
x3
....
xN
y
y1
y2
y3
...
yN
De N-værdier er uafhængige observationer af stokastisk uafhængig normalfordelte variable Yi med samme varians
2.
Det antages endvidere at man har fundet, at data kan beskrives ved en lineær model.
Vi har derfor at middelværdien af den statistiske variable Y er en lineær funktion af x af formen
E (Y x )   0   1 x
Beregninger:
1) De N punktpar indtastes i lommeregner.
Regressionsprogram aktiveres, og blandt beregnede størrelser findes estimater for


regressionskoefficienter:  0 og 1 , korrelationskoefficient r, gennemsnit
x , spredning s y
.
2) Udfylder variansanlysetabel:
Udregner
SAKtotal  ( N  1)  sy2 ,
SAKmodel  r 2  SAKtotal
Variation
(Source)
SAK
(SS)
f
(df)
Model
SAKmodel
1
Residual
SAKresidual
N-2
Total
SAKtotal
N-1
s2 
2
smod
el 
2
sresidual

og SAKresidual  SAKtotal  SAKmodel .
SAK
f
SAKmod el
1
F
Fmodel 
2
smodel
2
sresidual
SAK residual
N 2
Test:
Lad  være signifikansniveau.
1) H 0 : Regressionslinien er vandret  H 0 : y er uafhængig af x  H 0 : Model  0  H 0 :  1  0
Metode 1.
Hvis modellen gælder så burde punkterne (uanset om H0 er sand eller ej) ligge eksakt på en ret linie (og dermed
2
sresidual
= 0 ), hvis ikke forsøgsresultaterne havde været påvirket af
Et estimat for forsøgsfejlens (støjens) varians
”støjen” .
2
.
 2 er derfor sresidual
Er H0 sand, så burde (jævnfør definitionen af SAKmodel )
2
smodel
være nul. Når det ikke er tilfældet skyldes det, at
2
forsøgsresultaterne har været påvirket af “støjen”. Af samme grund som før må derfor også smodel være et estimat
for
2.
Vi har følgelig, at hvis H0 er sand, så er Fmodel 
2
smodel
 1.
2
sresidual
213
Appendix
Det kan vises, at hvis nulhypotesen ikke er sand, så vil Fmodel  1 , og at Fmodel er F- fordelt med en
tællerfrihedsgrad på 1 og en nævnerfrihedsgrad på N - 2.
Testen bliver følgelig en ensidet F - test, dvs.
H0 forkastes, hvis P - værdi = P( Z  Fmodel )   , hvor Z er F - fordelt ( f T , f N )  (1, N  2) .
Metode 2. Lad t 
1
s 1
, hvor s 1 
1  s residual
s model
er et estimat for spredningen på 1 .
Det kan vises, at t et t - fordelt med N - 2 frihedsgrader.
Lad T være t - fordelt med N - 2 frihedsgrader

H0 forkastes, hvis P - værdi = P(T  t )  .
2
En fordel ved denne metode er, at man også kan teste H 0 : 1  0 og H 0 : 1  0 ved ensidede test.
Hvis begge variable X og Y er statistiske variable kan man tilsvarende teste korrelationen  ved ovennævnte t test.
2) H0 : 1  a , hvor a er en given konstant.
Lad t 
1  a
s 1
1  s residual
, hvor s 1 
H0 forkastes, hvis t  t
Konfidensinterval for 1 :
1
s model

2
( N  2) (for a = 0 svarer det til ovennævnte metode 2).

   t
( N  2)  s ; 1  t  ( N  2)  s
1
1
 1 1 
1
2
2

Lad   E (Y x  x 0 ) være et estimat for middelværdien
Konfidensinterval for


1  s residual
 hvor s  
.
1
s model


 for Y for en given værdi x  x 0


  ;   t
  
   t
(
N

2
)

V
(
N

2
)

V




1
1
2
2


 
2

( x 0  x ) 2  1  
1



2
hvor    0  1 x 0 , V (  )  sresidual   

 
SAK model 
N


Prædistinationsinterval: (Konfidensinterval) for 1 ny observation for en given x - værdi:



1 ( x  x ) 2  ( 1 ) 2 
   t
 , hvor Q  s 2




 ( N  2 )  Q ;   t  ( N  2)  Q
residual   1 
N
SAK model 


1
1

2
2


214
.
Appendix 7.2
APPENDIX 7.2.
Beregning af enkelt regressionsanalyse med lige mange
gentagelser
Forudsætning: Data :
x2
x3
....
xk
x
x1
y
y11
y21
y31
...
yk1
y12
y22
y32
yk2
...
...
...
...
y1n
y2n
y3n
ykn
yij - værdierne er uafhængige observationer af statistisk uafhængig normalfordelte variable Yi .
For hver af de k x - værdier er der lige mange gentagelser n af y - værdier, dvs. i alt N=n  k observationer.
Der antages , at der er varianshomogenitet (ønskes dette testet se under punkt b)
Lad  være signifikansniveau.
Beregninger:
a) “Lack og fit test:
H 0 : Lineær model gælder  H 0 :( xi , i ) ligger på en ret linie
 H 0 :Residual for gennemsnitspunkter  0 .
1) For hver x - værdi x i indtastes de n y-værdier, og man beregner spredningen si .
Der beregnes et estimat for den fælles varians se2 
s12  s22  . . .  s k2
.
k
se2 har k (n  1)  N  k frihedsgrader .
2) De N=n  k punktpar
( xi , yij ) indtastes i lommeregner.
Regressionsprogram aktiveres, og blandt beregnede størrelser findes estimater for:


regressionskoefficienter:  0 og 1 , korrelationskoefficient r, gennemsnit
3) Man udregner
x , spredning s y .
SAKtotal  ( N  1)  sy2 , SAKmodel  r 2  SAKtotal og SAK e  ( N  k )  se2
SAK lack of fit  SAK total  SAK model  SAK e
4) Udfylder variansanlysetabel:
Variation
SAK
f
(Source)
(SS)
(df)
Model
SAKmodel
1
Lack of fit
SAKlack of fit
k-2
Gentagelser
(error)
SAKe
N-k
Total
SAKtotal
N-1
s2 
2
smod
el 
2
slack
of fit

se2 
SAK
f
F


s2
 Fmodel  model 
2
s residual


SAK model
1
SAKlack of fit
Flack of fit 
k2
2
slack
of fit
s02
SAK e
N k
5) H0 forkastes, hvis P - værdi = P( Z  Flack of fit )   , hvor Z er F - fordelt ( f T , f N )  ( k  2, N  k ) .
Såfremt H0 accepteres (og et residualplot også virker rimelig) fortsætter testningen:
2
2
Da såvel se2 som slack
of fit nu er et udtryk for forsøgsfejlens varians  , foretages en pooling:
2
s residual

2
( N  k )  se2  ( k  2)  slack
of fit
N 2

SAK e  SAK lack of
N 2
fit
,
og Fmodel beregnes (se variansanalysetabel.
6) Formlerne for de forskellige test svarer nu fuldstændig til formlerne i afsnit 11.1.
b) Varianshomogenitet (se appendix 4.1)
215
Appendix
Appendix 7.3.
Nr
Transformation til lineær model .
Model
Kommentar
1 Linear model: Y = a + b*X
2 Exponential model: Y = exp(a + b*X)
Y  e a  bX  e a  e bX  ln(Y )  a  bX
Sættes Z =ln(Y) fås Z= a+b
X
3 Reciprocal-Y model: Y = l/(a + b*X)
1
1
  a  b X
a  b X
Y
1
Sættes Z  fås Z= a+b  X
Y
4 Reciprocal-X model: Y = a + b/X
Y a
1
b
. Sættes W 
fås Y= a+b  W
X
X
5 Double reciprocal model:
Y = l/(a + b/X)
Y
1
Y
a
b
X
Sættes Z 
6 Logarithmic-X model: Y = a + b*ln(X)

1
1
 ab
Y
X
1
1
og W 
fås Z= a+b  W
X
Y
Sættes W = ln(X) fås Y= a+b  W
7 Multiplicative model: Y = a*X^b
Y  a  X b  ln(Y )  ln(a )  b  ln( X )
Sættes Z = ln(Y) og W = ln(X) fås Z= a+b  W
8 Square root-X model:
Y = a + b*sqrt(X)
Y  a  b  X . Sættes W 
9 Square root-Y model: Y = (a + b*X)^2
X fås Y= a+b  W
Y  a  b  X   Y  a  b  X
2
Sættes Z  Y fås Z= a+b  X
10 S-curve model: Y = exp(a + b/X)
Ye
a
b
X
 ln(Y )  a 
b
X
Sættes Z = ln(Y) og W 
11 Logistic model:
Y = exp(a + b*X)/(l + exp(a + b*X))
Y
1
fås Z= a+b  W
X
e a bX
1 
 ln  1  a  bX
a bX
Y 
1 e
1 
 1 fås Z= a+b  X
Y

Sættes Z  ln
12 Log probit model:
Y = normal(a + b*ln(X))
Y   (a  b  ln( X ))   1 (Y )  a  b  ln( X )
Sættes Z   1 (Y ) og W=ln(X) fås Z= a+b  W
216
Appendix 7.4
APENDIX 7.4.
Formler til beregning af multipel regressionsanalyse.
I dette appendix vises hvorledes man kan beregne en multipel regressionsanalyse, blot man har en “matematiklommeregner” med et matrixprogram.
Lad der være givet k uafhængige variable og N observationer
( xi1 , xi 2 ,..., xik , yi ) , i = 1,2, . . . , N og N > k.
x1
x2
.
.
.
xk
y
x11
x 21
x12
x22
.
.
.
.
.
.
y1
y2
xN2
.
.
.
.
.
.
x 1k
x2 k
x N1
.
.
.
.
.
.
x Nk
yN
.
.
.
.
.
.
.
.
.
.
.
.
Lad regressionsligningen være Y   0  1 x1   2 x 2 ...  k x k ,
(1)
hvor  0 ,  1 ,  2 ,...,  k er regressionskoefficienterne
Bestemmelse af estimater for regressionskoefficienterne
Modellen kan i matrixnotation skrives y  X  
hvor
 y1 
1 x11 x12
y 
1 x
x22
21
 2

 . 
.
.
.
y , X 
.
.
 . 
.
 . 
.
.
.
 

 y N 
1 x N 1 x N 2
. . . x1k 
 0 
 
. . . x2 k 
 1
 .
. . . . 
,    .
. . . . 
 .
 .
. . . . 
 

. . . x Nk 
  k 
Vi ønsker ved mindste kvadraters metode, at finde en vektor  , der er et estimat for vektoren
 .
Løsningen til et sådant overbestemt ligningssystem X    y er (se eventuelt M. Oddershede Larsen: Matricer og
lineære ligninger) bestemt ved
~
(3)
X T  X    X T  y (kaldet normalligningssystemet).
Matricen X T  X er en kvadratisk symmetrisk matrix, som sædvanligvis ved regressionsproblemer ikke er singulær.
Der eksisterer derfor en invers matrix ( X T  X ) 1 , hvorved løsningen til normalligningssystemet (3) bliver
  ( X T  X ) 1  X T  y
(4)
Herved er regressionskoefficienterne bestemt..
217
Appendix
Beregning af variansanalysetabel.
Variation
SAK
(Source)
(SS)
f
(df)
s2 
Model
SAKmodel
k
Residual
SAKresidual
N-k-1
Total
SAKtotal
N-1
2
s model

sr2esidual 
SAK
f
SAK model
k
F
Fmodel 
2
smodel
2
sresidual
SAKresidual
n  k 1
Som ved den ensidede regressionsanalyse, er residualerne forskellen mellem en observeret værdi yi og den
tilsvarende værdi y i beregnet ud fra modellen, dvs. ri  y i  y i .
n
SAKresidual =
r
2
i
.
i 1
 r1 
r 
 2
 . 
Sættes r    kan vi foretage følgende omskrivning
 . 
 . 
 
rN 
n
SAKresidual =
r
i 1
2
i
 r T  r  ( y  X ) T  ( y  X ).
SAK total  (n  1)  s 2y hvor s 2y .er spredningen på y - værdierne
SAKmodel.= SAKtotal - SAKresidual.
Vurdering af model
Har man ikke gentagelser kan man beregne forklaringsgraden r 2 
SAK model
SAK total
(se vurdering i eksempel 7.4)
Har man gentagelser kan man foretage en “lack of fit test” (se hvordan i eksempel 7.7)
Undersøgelse af om modellen kan reduceres.
1) H0 : 1  2 ...  k  0 mod H: Mindst en af koefficienterne er forskellig fra 0.
Teststørrelse Fmodel er F - fordelt med tællerfrihedsgrad k og nævnerfrihedsgrad N - k - 1.
Hvis P - værdi = P(F > Fmodel) <  forkastes H0 , dvs. y er ikke uafhængig af x - værdierne.
2) Forkastes H0 vil man dernæst undersøge om nogle af koefficienterne kunne være 0, dvs. teste nulhypoteserne
H0 : i  0 mod den alternative hypotese H:  i  0
Teststørrelsen er t i 
i
s( i )
, som kan vises at være t - fordelt med n - p frihedsgrader, hvor p er antal
regressionskoefficienter
H0 forkastes, hvis P - værdi = P(T  t i ) 

2
.
Beregningen af s( i ) (kaldet “standard error” for i ) beregnes på følgende måde.
For den såkaldte kvadratiske symmetriske p × p kovariansmatrix  2  ( X T  X ) 1
(p er antal regressionskoefficienter) gælder, at
a) diagonalelementerne er varianserne for regressionskoefficienterne og
b) elementerne udenfor diagonalen Cij angiver kovariansen mellem i og  j
218
Appendix 7.4
2
Vi beregner derfor  residual
 ( X T  X )  1 , idet vi erstatter
 2 med sit estimat
2
sresidual
Af diagonalelementerne fås V ( 0 ), V ( 1 ), V ( 2 ), V ( 3 ) osv.
Konfidensintervaller.




100(1   )% konfidensinterval for  i . i  t 1  ( N  p)  s( i )  i  i  t 1  ( N  p)  s( i ) .
2
2
Konfidensinterval for et til punktet x 0 svarende værdi y 0 .
 1 
x 
 01 
 x 02 
Lad x 0  

 . 
 . 


 x 0k 


1
1
T
T
T
T
2
2
 y  t


(
N

p
)

s

x

(
X

X
)

x
;
y

t
(
N

p
)

s

x

(
X

X
)

x
residual

residual
0
0
0
0
0
 0 1 

1
2
2


Forklaring på formlen
Forklaringen bygger for simpelheds skyld på det enkle regressionspolynomium Y   0   1 x1   2 x 2 .
Er 0 , 1 , 2 de estimerede værdier, og indsættes punktet ( x01, x02 ) i ligningen, fås den dertil svarende estimerede
y - værdi y     x   x .
0
0
1 01
2 02
Ifølge reglerne for varians af en linearkombination fås
2
2
V ( 0  1x01  2 x02 )  V ( 0 )  x01
 V ( 1)  x02
 V ( 2 )  2 x01  V ( 0 , 1)  2 x02  V ( 0 , 2 )  2 x01  x02  V ( 1, 2 ) .
 V (  )
V ( 0 , 1) V ( 0 , 2 ) 
1
0


2
T
1
 
V ( 1)
V ( 1, 2 )  ses, at
Sættes x0   x01  og idet kovariansmatricen er   ( X  X )  V ( 1,  0 )
 
V (  ,  ) V (  ,  )
V ( 2 ) 
2 0
2 1
 x02 


 V (  )
V ( 0 , 1) V ( 0 , 2 )   1 
0
 


V ( 0  1x01  2 x02 )   2  1 x01 x02  V ( 1, 0 )
V ( 1)
V ( 1, 2 )    x01 
V (  ,  ) V (  ,  )
V ( 2 )   x02 
2 0
2 1


T
T
1
2



.
 V ( 0  1x01  2 x02 )    x0  ( X  X )  x0


Konfidensintervallet bliver følgelig


2
2
T
T
T
T
1
1
 y  t

0
 (n  p)  s residual  x 0  ( X  X )  x 0 ; y 0  t  ( n  p)  s residual  x 0  ( X  X )  x 0


1
1
2
2


219
Appendix
Appendix 8.1. Begrundelse for grænserne for kontrolkort
Vi danner k undergrupper hver med n observationer.
Gruppe
Observationer
Gennemsnit
Variationsbredde
Spredning
1
x11 , x12 , , ..., x1n
x1
R1
s1
2
x 21 , x 22 , , ..., x 2 n
x2
R2
s2
.
.
k
.
.
.
.
.
.
x k 1 , x k 2 , , ..., x kn
xk
Rk
sk
Total
x
R
s
Grænser for R - kort. Det kan bevises, at E ( R)  d 2 og  ( R)  d 3   , hvor d 2 og d 3 kun afhænger af
stikprøvestørrelsen n . Disse konstanter samt alle de i det følgende nævnte konstanter kan aflæses i tabel 4.
Et R - kort med 3 - grænser er derfor bestemt ved :
NKG R  (d 2  3  d 3 )   og ØKG R  (d 2  3  d 3 )   .
R
.
d2
R
R
Indsættes dette, fås NKG R  (d 2  3  d 3 )  d  D3  R og ØKG R  (d 2  3  d 3 )  d  D4 R .
2
2
Idet et estimat for E ( R)  R , fås  
Grænser for s - kort. Selv om der gælder, at
E ( s 2 )   2 , gælder det ikke, at E ( s)   .
Man kan imidlertid vise, at E ( s)  c4   og  ( s) 
Følgelig er et s - kort med 3 - grænser bestemt ved :

1  c42   .



NKGs  c4  3  1. c42    B5   og ØKGs  c4  3  1. c42    B6   .
Idet et estimat for
E ( s)  s , fås  

3
Indsættes dette, fås NKGs   1  c

4
Grænser for
x
NKG x    3 
- kort. Idet

n

E ( x )   og  ( x ) 

n
n
, er et
x
- kort med 3 - grænser:
   A1  
R
, og dermed
d2
R
R
   A2  R og ØKG x  x  3 
   A2  R
d2  n
d2  n
Benyttes et s kort er
NKG x  x  3 



3
1  c42   s  B3  s og ØKGs   1 
1  c42   s  B5  s .
c



4
   A1   og ØKG x    3 
Benyttes et R - kort er   
NKG x  x  3 
s
.
c4

s
, og dermed
c4
s
s
   A3  s og ØKG x  x  3 
   A3  R .
c4  n
c4  n
220
Appendix 10.1
APPENDIX 10.1.  2 - test af hypotese om multinominale sandsynligheder (1 variabel).
H0 : p1  c1 , p2  c2 , ... . , pk  ck
mod den alternative
H: Mindst én af sandsynlighederne afviger fra den angivne værdi i nulhypotesen.
Lad Oi  ni være den observerede værdi i den i’te klasse,
n  n1  n2  . . .  nk den totale stikprøvestørrelse og
Forudsat H 0 er sand beregnes de forventede værdier E i  n  ci (E =expected values) i den i’te klasse
Resultatet opstilles i det følgende skema:
Klasse nr
1
2
Observerede værdier Oi
n1
n2
nk
Forventede værdier E i
E 1  n  c1
E 2  n  c2
E k  n  ck
Teststørrelse:  
2
k

O
i
 Ei 
....
k
2
Ei
2
Forudsætning:  er approksimativt  - fordelt med et frihedsgradstal på k - 1,
hvis ingen af klasserne har en forventet værdi under 1,
og mindst 80% af klasserne har en forventet værdi over 5.
i 1
2
Lad Q være  - fordelt med et frihedsgradstal på f = k - 1,
H0 forkastes hvis P - værdi = P(Q   2 )  
2
Hvis man for at kunne beregne de forventede værdier først må benytte de observerede værdier til at beregne m
parametre, så bliver f = k - 1 - m.
jævnfør eksempel 10.2.
221
Appendix
Appendix 10.2.  2 - test af hypotese i 2-vejs tabel.
Som illustration af metoden benyttes en generalisation af det i eksempel 10.3 omtalte forsøg med at undersøge om
der er uafhængighed mellem opnåede matematik- og fysik-karakterer.
X1 = antal studerende med opnået matematikkarakter
X2 = antal studerende med opnået fysikkarakterer
Vi ønsker at teste nulhypotesen: H0: X1 og X2 er statistisk uafhængige.
Lad nij angive antal studerende, der har opnået den til klassen kij svarende karakter.
Observerede
Søjlefaktor C (Fysikkarakterer)
Marginalt
værdier
antal
Opdeling
1
2
...
q
n12
...
n1q
d1
1
n11
Rækkefaktor R
2
n21
n22
...
n2q
d2
(Matematik....
...
...
...
...
...
karakterer)
nr2
...
nrq
dr
r
nr1
Marginalt antal
c1
c2
...
cq
n
Tilsvarende angiver pij den tilsvarende sandsynlighed for at få den til cellen kij svarende karakter.
Observerede
Søjlefaktor C (Fysikkarakterer)
Marginal sandværdier
synlighed
Opdeling
1
2
...
q
p12
...
p1q
p1d
1
p11
Rækkefaktor R
2
p21
p22
...
p2q
p2d
(Matematik....
.
.
.
.
.
.
.
.
.
.
.
.
.
..
karakterer)
pr2
...
prq
prd
r
pr1
Marginal sandsynlighed
pc1
pc2
...
pcq
1
Vi ser således, at de marginale sandsynligheder er pid  pi 1  pi 2  . . .  piq og pcj  p1 j  p2 j  . . .  prj .
Det antages, at udfaldene er uafhængige. At dette så er et multinomialt eksperiment ses af, at der er n udfald , r  q
klasser og sandsynligheden for hver klasse er vist i ovenstående tabel.
Forudsat nulhypotesen er sand, vil der ifølge sandsynlighedsregningens produktsætning gælde, at pid  pcj  pij
. Det forventede antal i klasse kij er derfor E ij  n  pid  p cj
Nu kendes de sande marginale sandsynligheder ikke, men vi kan estimere dem med p id 
d
cj
i
derfor E ij  n  n  n 
di  c j
n
q
Teststørrelse:  2 

r

j 1 i 1
(række i total)  (søjle j total)
.
total antal i stikprøven
O
ij
 Eij

cj
di
og p cj 
. Vi har
n
n
2
Eij
Da antallet af klasser er r  q og vi primært har estimeret q - 1 marginale rækkesandsynligheder og r - 1 marginale
søjlesandsynligheder (da summen af rækkesandsynlighederne = summen af søjlesandsynlighederne = 1) er
frihedsgradstallet f  r  q  1  (r  1)  (q  1)  r  q  r  q  1  (r  1)(q  1)
Forudsætning:
 2 er approksimativt  2 - fordelt med et frihedsgradstal på
f  (r  1)  (q  1) ,hvis ingen klasser
har en forventet værdi under 1,og mindst 80% af klasserne har en forventet værdi over 5. Lad Q være
med et frihedsgradstal på f = k - 1,
H0 forkastes hvis P - værdi = P(Q   2 )   , hvor f  (r  1)  (q  1)
222
 2 - fordelt
Appendix 10.2
APPENDIX 11.1. Kruskal-Wallis rangtest for to eller flere statistiske variable
Lad der være givet k stikprøver, og lad den samlede population være rangordnet (se eventuelt nedenstående skema
hentet fra eksempel 11.3)
Antal
Metode M1
61
69
79
61
Rangtal
11.5
15
16
11.5 8.5
Metode M2
62
58
47
59
63
48
Rangtal
13
7
2
8.5
14
3
Metode M3
57
45
60
54
57
Rangtal
5.5
1
10
4
5.5
Gennemsnit Ri
Sum af rangtal
59
n1 = 5
R1 =12.50
R1 = 62.5
n2
=6
R2 = 7.91666
R2 = 47.5
n3
=5
R3 =5.20
R3 = 26.0
...
...
...
...
Metode Mk
Rangtal
Total
nk
Rk
n
R
Ri2
i  1 ni
i 1
Teststørrelse:  2 

 3  (n  1)
n  (n  1)
n(n  1)
Hvis stikprøvestørrelserne alle er større eller lig med 5 gælder, at teststørrelsen er
Hypotesen H0: De k fordelinger er ens.
H0 forkastes, hvis  2  12  ( k  1)
k
12   ni ( Ri  R ) 2
eller P - værdi = P(Y 
Rk
k
12  
 2 -fordelt med k - 1 frihedsgrader.
 2 )   , hvor Y er  2 -fordelt med k - 1 frihedsgrader.
223
Grundlæggende operationer på TI - 89.
SAMT PÅ PC-PROGRAMMERNE TI-Nspire og SAS.JMP
TI 89
Oprette en “Folder”: VAR-Link\ F1\ 5: Create Folder\ Skriv navn på folder.
Vælg en mappe som den aktuelle mappe: MODE\ Current Folder\navn
Formål: Det kan være praktisk ikke at gemme alle sine resultater i MAIN.
Beregning af sandsynlighedsfordelinger:
Metode 1 Vælg HOME\ CATALOG,, F3\ vælg den ønskede fordeling\ENTER
(tryk evt på “forbogstav” for hurtigt at komme til det ønskede navn).
Fordel: Hurtig ved beregning af sandsynligheder, såsom P(X < 0.87) da resultatet straks indsættes på HOMElinien.
Ulempe: Man skal huske parametrenes rækkefølge (de kan dog ses nederst på skærmen)
Metode 2: Vælg APPS\ Stats/List\F5\vælg den ønskede fordeling\ENTER
Fordel: Der fremkommer nu en menu, som er næsten selvforklarende.
Ulempe:Skal resultatet ned på HOME-linien (man vil regne videre), bliver det lidt besværligt:
HOME, Var-Link\I StatsVar mappen markeres den ønskede størrelse, ENTER
Tal indlagt på liste Vælg APPS\ Stats/List\ indtast data i eksempelvis “list1"
Fordele og ulemper som under metode 2 ovenfor
Beregning af gennemsnit , spredning , middelværdi osv.
1) Hvis tal indlagt på liste 1
F4\ 1: 1-Var Stats , I menu sættes “List” til “List1" (Benyt evt. Var-Link til at finde List1)
Udskriften består af en række statistiske størrelser.
2) Anvendes med få tal og kun ønsker beregning af en enkelt størrelse.
HOME\ MATH\6.Statistics\
Gennemsnit: Mean ({liste}) , Varians: Variance({liste}), Spredning: stdDev({liste})
1 faktor på 1 eller 2 niveauer
Beregning af test
a) normalfordelte variable
1) Hvis tal indlagt på liste(r)
F6\i menu vælg relevant test\ENTER\Data\ENTER\udfyld menu\ENTER
2) Oprindelige data ikke kendt, men kun middelværdi osv.
Som ovenfor, men nu vælges Stats fremfor Data
b) Binomialfordeling.
1 variabel b(n,p): H0: p = p0
P-værdi = binomCdf(n, p0 ,low, up)
2 variable: F6: 2-Prop-ZTest
(Kræver der kan approksimeres til normalfordeling, se oversigt 3.5.3)
Poissonfordeling:
1 variabel P(μ): H0: μ = μ0 P-værdi = PoissonCdf(n@μ0, low, up)
2 variable: H0: μ1 = μ2 P-værdi = NormCdf(....) (Kræver approksimere normalfordeling, se oversigt 3.5.3)
Beregning af konfidensintervaller
Som under test, idet der nu skal vælges F7 i stedet for F6 (se evt. oversigt 3.5)
1 faktor på mere end 2 niveauer
a) normalfordelte variable
Data indlagt i Stats/List
Test: F6\i menu vælg ANOVA\udfyld menu\ENTER
Konfidensinterval: Findes som ekstra søjler efter de øvrige lister.
b) Binomialfordeling og Poissonfordeling:
se oversigt 4.6.2
224
2 faktorer på mere end 2 niveauer
normalfordelte variable
Data indlagt i Stats/List
Test: F6\i menu vælg ANOVA2Way \udfyld menu\ENTER
Finder P-værdi for vekselvirkning. Fortsættelse: Se oversigt 5.7
Konfidensinterval: Se oversigt 5.7
Mere end 2 faktorer på 2 niveauer
Opret en folder og indtast programmet mol som findes i afsnit 6.9, , hvis det ikke allerede er indlagt
Gå til folderen.
Indtast data i statlist under navnet a
skriv mol(3) hvis 23-forsøg osv.
Nu fremkommer behandlinger i liste b og SAK (SS) i liste ss
Fortsættelse som i eksempel 6.7 , 6.8 eller 6.9
Regressionsanalyse
Model med 2 parametre uden gentagelser
Vurdering af model: F4: Regressions, vælg model, udfyld menu,Enter
Man kan nu aflæse koefficienter , forklaringsgrad og se liste med residualer
Test og konfidensintervaller
Hvis model ikke lineær, så skal den gøres lineær ved indføre nye liste (eksempelvis log(x))
Test af hældning: F6: LinReg T_test, udfyld menu
Konfidensinterval for hældning: F7: LinReg T-int, udfyld menu bl.a Interval=Slope
Konfidensinterval for y svarende til x = t, F7: LinReg T-int, udfyld menu bl.a Interval=Response,x-value =t
Prædinistationsinterval ses nederst i udskrift
Antalstabel
GOF-test: (Godness of fit)
Beregn forventede værdier (ingen må være under 1 og kun 20% under 5)
APPS, Stat/List, indtast observerede værdier i liste 1 og forventede værdier i liste 2, F6,Chi2GOF, Enter
udfyld menu, Enter
Test af uafhængighed
APPS
DATA/MATRIX
3:New Data = Matrix, udfyld menu ENTER Indtast de observerede tal i matricen.
APPS
STAT/LIST
Enter
F6, 8:Chi2 2way
ENTER
Observed Mat = a. ENTER
Vælg Varlink
StatsVar
expMat
F6
Man kan nu se de forventede værdier. Hvis ingen er under 1 og højst 20% under 5, kan man stole på P-værdi
225
TI-Nspire
Oprette et “Dokument”: Filer\ Nyt TI.Nspire dokument
Formål: Hvis man eksempelvis vil aflevere en opgave til andre skal man gemme i et dokument
Beregning af sandsynlighedsfordelinger:
Vælg Beregninger\Statistik\Fordelinger\ vælg den ønskede fordeling\udfyld menu\ENTER
Huskes fordelingens navn og parametrenes rækkefølge kan man skrive direkte
Tal indlagt på liste Lister og regneark
giv en liste et navn og indtal tal i listen
Beregning af gennemsnit , spredning , middelværdi osv.
1) Hvis tal indlagt på liste
Lister og regneark giv en liste et navn og indtal tal i listen
med 1 variabel udfyld menuer Enter.
vælg statistik
statistiske beregninger
statistik
Blandt mange tal findes det ønskede
2) Anvendes med få tal og kun ønsker beregning af en enkelt størrelse.
Beregninger\statistik\listematematik\vælg
Middel: mean({liste}), Stikprøvevarians: varSamp({liste}), Standardafvigelse for stikprøve: stDevSamp({liste})
1 faktor på 1 eller 2 niveauer
Beregning af test
a) normal, 1 variabel
1) Lister og regneark udfyld liste (husk overskrift) Statistik t-test for 1 variabel menu:data udfyld
menu
ENTER
2) Oprindelige data ikke kendt, men kun middelværdi osv.
Som ovenfor, men nu vælges Statistik fremfor Data
b) normal, 2 variable
1) Lister og regneark Udfyld lister med overskrift m1 og m2
ok menu: List1: skriv m1
ja vælg variabelreference
List 2: Skriv m2
ok
Statistik t-test for 2 variable menu:data
“alternative Hyp” samlet: nej (hvis parvise observationer så
2) Oprindelige data ikke kendt, men kun middelværdi osv.
Som ovenfor, men nu vælges Statistik fremfor Data
c) Binomialfordeling.
P-værdi = binomCdf(n, p0 ,low, up)
1 variabel b(n,p): H0: p = p0
2 variable: beregninger, statistik, statistiske test, z-test for 2 andele (Kræver approksimere normalfordeling,
Poissonfordeling:
1 variabel P(μ): H0: μ = μ0 P-værdi = PoissonCdf(n@μ0, low, up)
2 variable: H0: μ1 = μ2 P-værdi = NormCdf(....) (Kræver approksimere normalfordeling, se oversigt 3.5.3)
Beregning af konfidensintervaller
Som under test blot vælges nu konfidensintervaller fremfor test
1 faktor på mere end 2 niveauer
a) normalfordelte variable
Data indlagt i Lister og regneark
Test: Statistik\statistiske test\vælg ensidet variansanalyse ANOVA\udfyld menu\ENTER
Konfidensinterval:Trykkes på xbar vises de 4 gennemsnit, tilsvarende for Lower- og Upper list
b) Binomialfordeling og Poissonfordeling:
se oversigt 4.6.2
226
2 faktorer på mere end 2 niveauer
normalfordelte variable
Data indlagt i Statistik og lister
Test: Vælg Statistik, Statistiske test, 2 sidet Anova, udfyld menuer herunder vælg “Variabelreferance”
Finder P-værdi for vekselvirkning. Fortsættelse: Se oversigt 5.7
Konfidensinterval: Se oversigt 5.7
Mere end 2 faktorer på 2 niveauer
Opret et dokument og indtast programmet mol som findes i afsnit 6.9, , hvis det ikke allerede er indlagt
Gå til Dokumentet
Indtast data i listen under navnet a
skriv mol(3) hvis 23-forsøg osv.
Nu fremkommer behandlinger i liste b og SAK (SS) i liste ss
Fortsættelse som i eksempel 6.7 , 6.8 eller 6.9
Regressionsanalyse
Model med 2 parametre uden gentagelser
Vurdering af model: Data indtastes i “lister og regneark”
beregninger
Lineær regression
Dokomentværktøjer
Udfyld menu ok
Statistik
Statistiske
Man kan nu aflæse koefficienter , forklaringsgrad og nederst i “resid” er liste med residualer
Test og konfidensintervaller
Hvis model ikke lineær, så skal den gøres lineær ved indføre nye lister (eksempelvis log(x))
Test af hældning: Vælg statistik Statistiske tests lineær regressionstest udfyld menu ok
Konfidensinterval for hældning:Vælg statistik Konfidensintervaller Lin.Reg t-intervaller vælg Hældning
Udfyld menu
ok
Konfidensinterval for y svarende til x = t, Som under konfidensinterval for hældning, men vælg svar
Prædinistationsinterval ses nederst i udskrift
Antalstabel
GOF-test: (Godness of fit)
Beregn forventede værdier (ingen må være under 1 og kun 20% under 5)
Lister og regneark Indtast observeret antal i liste x og forventet antal y
statistik statistiske test χ2 -Godness of fit test Udfyld menu Enter
Test af uafhængighed
Beregninger skriv a := matricer og vektorer opret matrix udfyld menu Indtast observerede data
statistik Statistiske tests χ2 -uafhængighedstest i menu skriv a enter
Cursor på næste “firkant” højre musetast vælg variabel stat-exp math enter
Man kan nu se de forventede værdier. Hvis ingen er under 1 og højst 20% under 5, kan man stole på P-værdi
227
Vejledning i SAS-JMP
SAS.JMP
1. Generelle forhold ved opstart.
Efter at have startet SAS-JMP, står man med en typisk Windows skærm med nogle menubjælker og ikoner.
Øverst er en “hovedmenubjælke” med navnene File, Edit, Wiew, osv. Trykkes på en af disse fremkommer en
rullemenu, som man skal vælge fra.
Trykkes på Wiew
“JMP-starter, fremkommer en menu hvori nogle af de oftest forekomne anvendelser er angivet.
2.Indtastning, redigering og udskrift af data.
Man starter sædvanligvis med at analysere nogle data (tal). Disse indtaster man enten selv i et regneark eller man
importerer dem fra eksempelvis et Excel- regneark.
Eksempel 1. Indtastning af data
Indtast følgende data
x
1
2
3
6
8
y
2
1
4
9
7
Løsning:
Dobbeltklik på øverste felt i første søjle (Column 1) og skriv x
Indtast tallene søjlevis, dvs. placer cursor på cellen i første række og første søjle, og skriv 1.
hvorved man kommer til næste række og skriv 2 osv.
Gentag proceduren med søjle 2.
Resultatet ser således ud:
x
y
1
1
2
2
2
1
3
3
4
4
6
9
5
8
7
Tryk “ENTER”
Import af data
Findes data i en Excel fil, så vælges fra hovedmenuen “File”
“OPEN”
Filtype: vælg Excel Files (*.xls) fra
den fremkomne liste Find den ønskede excel-fil på din harddisk open.
Gemme datatabeller
Data tabeller kan på sædvanlig måde gemmes i en passende mappe.
“File”
“SAVE AS”
osv.
Datatabeller overføres pænest ved at vælge Edit
Journal hvorefter denne kopieres over i “WORD”
Oprette dele af given datatabel som ny tabel
Rows Rows Selection Select Where marker navnet på kolonnen der ønskes over i ny tabel
Tables Subset OK
Vælg hjælp hvis du vil have sætte mere specifikke krav
ok
3. Redigering af udskrifter.
Udskrifterne er delt op i afsnit, og over hvert afsnit er der en “blå pil” . Trykker man på den, vil afsnittet forsvinde.
Da udskrifterne sædvanligvis indeholder mange flere oplysninger end man har brug for, er det også nødvendigt at
flytte udskriften over i WORD (benyt sædvanlig “copy” og redigere den her.
228
5. Sandsynlighedsfordelinger
4 Eksempel på beregning.
Eksempel 2:
Beregn gennemsnit, spredning og varians af x-søjlen i eksempel 1
Løsning:
Vælg i hovedmenu Tables Summary Vælg x Statistics
Fra listen vælg Mean, Standard diviation og Variance OK
I reportvinduet fås følgende udskrift:
N Rows
Mean(x)
5
Std Dev(x)
Variance(x)
4 2,915475947
8,5
Alle eksempler er jo også løst i SAS JMP, så der kan man se nogle af mulighederne
5. Sandsynlighedsfordelinger
Fremgangsmåden for de forskellige fordelinger er stort set ens, så den beskrives kun udførligt for normalfordelingen
Normalfordeling n(  ,  )
a) Find p  P(a  X  b) , hvor a ,b,  ,  er givne konstanter.
 b  
 a  
  Normal Distribution

Vi har p  P( X  b)  P( X  a )  Normal Distribution
  
 
Eksempel: Find p  P(112.0  X  1161
. ) hvis   113.3,   5.6 .
Kald Column 1 for p
Placer Cursor i p’s hoved og marker denne ved tryk på venstre musetast
tryk på højre musetast Vælg
“Formula”
Den fremkomne menu for Formula indeholder 3 elementer:
1) Table Columns ( hvor søjlernes navne står),
2) Lommeregnertastatur (med operatorer for +, - / , potensopløftning, osv.) og
3) Function Groups (hvor forskellige funktioner står, bl.a. Probability)
Probability
Normal Distribution (
skriv 116.1 (bemærk decimalpunktum)
vælg - fra “lommeregnertastaturet” skriv 113.3
cursor udenfor parantes og vælg/ fra lommeregnertastatur
5.6 .
Bemærk: Benyt kun “lommeregnertastaturet” ved +, -,/ potensopløftning osv.
Vi har nu skrevet “ Normal Distribution(116.1 - 113.3) / 5.6)”
Sørg for at komme udenfor rammen og vælg igen - på lommeregnertastatur
Normal Distribution(112.0 - 113.3) / 5.6) (kopier eventuelt fra før, og ret 116.1 til 112)
ok
Resultat: 0.2832489
Hvis man ønsker ar se formlen skrevet i tekst (Java) så dobbeltryk på formlen, så fremkommer følgende:
Normal Distribution(((116.1 - 113.3) / 5.6)) - Normal Distribution((112 - 113.3) / 5.6)
b) Find fraktilen x p : P( X  x p )  p , hvor p,  ,  er givne konstanter. x p      Normal Quantile( p)
Eksempel: Find x p af P( X  x p )  0.712 , hvis   112,4,   6.7
Kald søjle 1 for xp
Placer Cursor i xp’s hoved
Quantile(0.712)
ok
2 
tryk på højre musetast
Formula
Skriv 112.4 + 6.7 *
Probability
Normal
Resultat: 116.1469
fordeling.
Lad Q være
2 
fordelt med frihedsgradstallet f.
a) Find p  P(a  Q  b) , hvor a og b er givne konstanter
ChiSquare Distribution(b, f) - ChiSquare Distribution(a,f)
Eksempel:Find p  P(Q  27.36) , med f = 19
Kald søjle 1 for p.s Placer Cursor i p’s hoved
tryk på højre musetast. Formula
1 - ChiSquare Distribution(27.36,19) ok
Resultat: 0.09654312
229
Probability
Vejledning i SAS-JMP
b) Find fraktilen  2 ( f ) : P(Q   2 ( f ))   (  given konstant).
qchisq(  ,f)
 02.025 (8) .
Eksempel:Find fraktilen
Kald søjle 1 for xp.
Placer Cursor i xp’s hoved
tryk på højre musetast. Formula Probability
ChiSquare Quantile(0.025,8)
Resultat: 2.179731
t - fordeling.
Lad T være t - fordelt med frihedsgradstallet f.
a) Find p  P(a  T  b) , hvor a og b er givne konstanter.
t-distribution(b,f) - t-distribution(a,f)
Eksempel: Find p  P(T  131
. ) , med f = 14
Kald søjle 1 for p
Placer Cursor i p’s hoved
tryk på højre musetast. Formula Probability
Vælg t-distribution(-1.31,14)
b) Find fraktilen t  ( f ): P(T  t  ( f ))   (  given konstant).
qt(  ,f)
Eksempel: Find fraktilen t 0.975 (12)
Kald søjle 1 for xp.
Placer Cursor i xp’s hoved
tryk på højre musetast.
t Quantile(0.975,8)
Formula
Resultat: 0.1056421
Probability
Resultat: 2.178813
F-fordeling.
Lad F være F - fordelt med tællerfrihedsgradstallet f T og nævnerfrihedsgradstallet
fN .
a) Find p  P(a  F  b) , hvor a og b er givne konstanter.
F distribution(b, f T , f N ) - F distribution(a, f T , f N )
Eksempel: Find p  P( F  1811
. ) med fT = 7 og fN = 9
Kald søjle 1 for p.
Placer Cursor i p’s hoved
tryk på højre musetast. Formula Probability
Skriv 1-F distribution(1.811,7,9)
Resultat: 0.1999305
b) Find fraktilen F ( f T , f N ): P( F  F ( f T , f N ))  
F Quantile(  , f T
fN )
Eksempel: Find fraktilen F0.975 (7,8)
Kald søjle 1 for xp.
Placer Cursor i xp’s hoved
tryk på højre musetast. Formula Probability
F Quantile(0.975,7,8)
Resultat 4.528562
Binomialfordeling.
Lad X være binomialfordelt b(n,p)
Find P(l  X  m) , 0  l  m  m  n , l og m hele tal.
Binomial Distribution(p, n, m) - Binomial Distribution(p,n,l-1)
Eksempel : P(32  X  35) hvor n = 100 og p = 0.3
Kald søjle 1 for m.
Placer Cursor i m’s hoved
tryk på højre musetast. Formula Probability
Binomial Distribution(0.3,100,35) - Binomial Distribution(0.3,100, 31). Resultat: 0.2508134
Poissonfordeling.
Lad X være Poissonfordelt p(  )
Find P(l  X  m) , hvor 0  l  m og l og m er hele tal.
Poisson Distribution(  , m) - Poisson Distribution(  , l-1)
Eksempel: Find P( X  119) hvor  = 147.6
Placer Cursor i m’s hoved
tryk på højre musetast. Formula
Skriv Poisson Distribution(147.6,119)
230
Probability
Resultat: 0.06578788
Facitliste
FACITLISTE
KAPITEL 1
1.1
69.94 15.91
1.2
(1) P-værdi = 0.48%
(2) 1.315 [1.186; 1.445]
1.3
P - værdi = 0.022
1.4
(1) P - værdi = 0.043 (2) 32,5% [25% ; 40%]
1.5
P - værdi = 0,063179
KAPITEL 3
3.1
P - værdi = 0.1044
3.2
(1) P - værdi = 0.001 (2) [0.70 ; 3.12]
3.3
P - værdi = 0.0214
3.4
P - værdi =0.047 , [-0.031 ; 1.87]
3.5
(1) P - værdi = 0.0714 (2) P - værdi = 0.401
3.6
(1) 18 (2) P - værdi = 0.00017 , [11.9 ; 15.0]
3.7
(1) 22 (2) 24 (3) (4) 3.8
30
3.9
P - værdi = 0.589
3.10
P - værdi = 0.1398
3.11
P - værdi = 0.022
3.12
(1) P - værdi =0,0479
(2) P - værdi =0.00336
3.13
P - værdi =0.233
3.14
(1) P - værdi = 0.2563 (2) P - værdi =0.0177
3.15
(1) P - værdi = 0.00028 (2) 3.16
(1) P - værdi = 0.0135
(2) P - værdi = 0.00023
KAPITEL 4
4.1 P - værdi = 0.0004, B2
4.2
P - værdi = 0.0218
4.3 (1) P - værdi = 0.0064 (2) S2, S4
4.4 (1) P - værdi = 0.0006, R forskellig fra de øvrige, ja
4.5 (1) P - værdi = 0.0002 (2) T må foretrækkes.
4.6 (1) - (2) 4.7
4.8
 2  5.33 , P - værdi = 0.0696
 2 = 12.64, P - værdi =0.027
KAPITEL 5
5.1 (1) nej, P - værdi = 0.0108, (2a) K1
(2b) frit valg (2c) ikke A1 K2
5.2 (1) P - værdi = 0.071 (2) ja (3)glas 2 og enten fosfor 1 eller 3.
5.3 (1) limtyper (2) II: [23.76 ; 28.10], III: [22.69 ; 27.04]
5.4 (1) Kun syrer har virkning, Svovlsyre størst. (2) 26.45, [25.17 ; 27.73]
5.5 (1) Nej, P - værdi = 0.043 (2) ja, P - værdi = 0.078
5.6 Begge har signifikant virkning, vælge vævemetode 2, og ikke matrialtype 3.
5.7 Begge, Vitaminbehandling 1 eller 3.
231
Facitliste
KAPITEL 6
6.1 6.2 6.3 (a) Fabrikationsmetode og farvestof vekselvirker (b ) Fabrikationsmetode 2 , Farvestof
ikke tilsat
6.4 (a) B, C D E har virkning (b) B og E på lavt, C og D på højt, 56.125 , [47.61 ; 65.64]
6.5 (a) D har virkning, A og C vekselvirker (b) A, C, D på højt, 86.175, [76.48 ; 95.87]
6.6 6.7 (a) A, E og F har virkning (4) A højt, F højt, E lavt
KAPITEL 7
7.1 (1) nej (2) 0.7201 (3) y= 607.1-21.4025 x (4) [-28.5 ; -14.3 ] (3) [249.1 ; 258.8 ]
7.2 (1) 70.5% (2) y = 40.78 + 0.766 x (3) P - værdi = 0.024 (4) [0.362 ; 1.170]
(5) [57.91 ; 100.21] (6) [72.50 ; 85.62]
7.3 (1) r2 = 0.99
(2) y = 40.678 x0.53597
(3) 54.92 [53.36 ; 56.49 ]
2
7.4 (a) r = 0.9604 (b) r2 =0.994 , Punkter ligger mere tilfældigt om kurve, Ja
(c ) y = 57.866 0.9707t (d) 13
~
~  1718
(1) (2) r2 = 0.980 (3) 
.
1   01585
.
(4) 92.786 [91.7 ; 93.7]
0
(1) t  35.435  3.6393  ln(dosis) (2) [-7.55 ;-0.2726] (3) [0.2656 ; 6.929]
(1) - (2) P - værdi = 0.082 (3) P(lack of fit) = 0.753, y = 6.683 + 33.2667 x
(4) P - værdi = 0.000 (5) [25.77 ; 40.76] (6) [56.9 ; 62.69]
7.8 (1) Y = -0.1438 + 108.959 x (2) P - værdi = 0.144 (3) ja
.
 0.7197 x  0.0379 x 2 , Y  2.036 , [1.959 ; 2.114 ] ,
7.9 (1) - (2) - (3) Y   1144
2
7.11 (1) - (2) Y  68.720  0.5664 x  0.007625x , (3) y  78.77 (4) (37.14, 79.24)
7.12 (1) Y  61356
.  35511
. x  60.4679 x 2  3.3623x 3 , (2) y = 53,45 , [47.85;59.05]
7.5
7.6
7.7
.
 3.4615x1  9.2881x2 (4) 66.91, [62.74 ; 71.09 ]
7.13 (1) ja (2) ja (3) Y  21625
7.14 (1) - (2) y = 5.199+9.964x1+1.689x3 (3)[ 9.64 ; 10.29 ], [ 1.07 ; 2.31 ] (4) 8.357, [8.202 ; 8.513]
7.15 (1) - (2) - (3) y =5.9167+2.251x1 + 1.648x2 (4) [1.93; 2.57] (5) 56.88, [55.33; 58.44]
KAPITEL 8
8.1 (1) NKGR =0, ØKGR = 10.14,
NKG x  451.4, ØKG x  437.8 , tvivlsomt , (2) 1.03 %.
8.2 NKGs =0, ØKGs = 1.482, NKG x  11.36, ØKG x  13.62
8.3 (1) NKGs =0, ØKGs = 4.45, NKG x  18.90, ØKG x  24.98 (3) 18.5, 0.42% (4) 5.73
8.4 (1) NKGR =0, ØKGR = 1.02, (2) 0.277 (3) NKG x  85.46, ØKG x  86.64
(4) 7.1% (5) NTG x  85.17, ØKG x  86.83,
8.5
NKG = 0.82, ØKG = 19.84
232
Facitliste
KAPITEL 9
9.1
(1) NKG = 0, ØKG = 3.47 (2) c = 4, n = 300, (3) 5.24 (4a) 0.70% (4b) 61%
9.2
(1) n = 230, c = 11, (2) 78.7%, 51.8% , 27.0% , 11.3% , 0.3% (3) 9.3
(1) n = 180, c = 8, (2) - (3) - (4) ca 650.3
9.4
(1) (60, 120,1,3,3) (2) - (3) 9.5
(1) (78,78,3,6,6) (2) - (3) (4) AOQL= ca 2.6%
KAPITEL 10
10.1 (1) Poisson
(2) 1.64
10.2 P - værdi = 0.6638.
10.3 P - værdi = 0.4158
10.4 P - værdi = 0.087
10.5 P - værdi = 0.0426
10.6 P - værdi = 0.0656
10.7 (1) P - værdi = 0.00030
(3) P - værdi =0.7308 (4)
(2) P - værdi = 0.561
KAPITEL 11
11.1
w  5 , forkastelse
w   24.5 , accept
11.2
11.3
(1) w=29.5 , forkastelse (2) P-værdi = 0.00021
11.4
w = 28, accept
11.5
w = 33, forkastelse
11.6
11.7
 2 =15.60, P - værdi = 0.0013
 2 =5.61, P - værdi = 0.0604
233
1640000
Stikord
STIKORDSREGISTER
enkelt regressionsanalyse 109
med gentagelser 127
formler 215
uden gentagelser 112
formler 213
eksponentiel model 123
enkelt stikprøveplan 173
tabel 181
ensidet variansanalyse 33
beregninger-formler 34, 47, 204
en-vejs antalstabel 186, 221
A
acceptsandsynlighed 173
Aceptable Quality Level AQL 174
additiv model 54, 60, 64
aftagerens risiko 174
alarmkriterier 153
aliasrelationer 81
antalstabel 185
en-vejs 186, 221
to.vejs 188, 222
Appendix 204
Average Outgoing Quality, AOQ 176
Average Outgoing Quality Limit, AOQL 176
Average Sample Number, ASN 178
Average Total Inspection, ATI 176
F
facitliste 231
faktorer 9
1 faktor på 2 niveauer
normalfordelte 13, 23
binomialfordelte 20, 26
Poissonfordelte 21, 26
1 faktor på mere end 2 niveauer 32
faktorforsøg
2k, fuldstændigt 78
2k, partielt 81
fejl af type I 12, 18
fejl af type II 13, 17
F - test 16
simplificeret 35, 205
fordeling, tabel over
fraktiler for normalfordeling 230
forklaringsgrad 113
adjusted 138
formler til beregning af
test af differens mellem
1 og  2 i normalfordelte prøver 23
p1 og p2 i binomialfordelte prøver 26
1 og  2 i Poissonfordelte prøver 26
ensidet variansanalyse 33
tosidet variansanalyse 52, 70, 207
enkelt regressionsanalyse 109
multipel regressionsanalyse 133, 217
fortegnsmatrix 80
forudsætninger for
variansanlyse 34
regressionsanalyse 119
fraktiltabel for normalfordeling 230
B
bagatelgrænse 12
Bartletts test 35, 205
behandlinger 9, 52
binomialfordeling
kontrolkort 165
test
een variabel 5
to variable 20, 26
mere end 2 variable 45, 48
faktorforsøg 69, 210
blokforsøg, randomiseret 42, 67
boxplot 3
C
centreringsindex 157
chi-i anden test 185
c - kontrolkort 167
consumers risk 174
D
definitionsrelation 81
delforsøg 9
dimensionering 12, 17
dobbelt stikprøveplan 177
tabel 182
E
ekstrapolation 116
én faktor ad gangen 52
234
Stikord
Facitliste
kontrolkort 153, 220
kvalitetskontrol 151
kvalitetsstyring 151
kvalitet
tilfredsstillende 174
utilfredsstillende 174
korrelationskoefficient 111
Kruskal- Wallis test 199, 223
kvalitativ faktor 52
kvantitativ faktor 109
kvartilplot 3
fuldstændig
faktorstruktur 53
2k faktorstruktur 78
fuldstændig randomiseret blokforsøg 42, 67
G
gentagelser 9
godkendelseskontrol 172
godkendelsestal c 173
grænser for kontrolkort 220
H
histogram 1
hovedvirkning 36
hypotesetest
middelværdi :1 normalfordelt stikprøve 1
middelværdi: 2 normalfordelte stikprøver 13
varians: 2 normalfordelte variable 20
L
lack of fit test 128
leverandørens risiko 174
Levines test 205
Limiting Quality LQ 174
lineær model 110
logaritme model 123
LSD (Least Signifikant Difference) 38
I,J
ikke-parametrisk test 22, 188
M
median 3
mindste kvadraters metode 111
multipel regression 133, 217
K
kapabilitet 156
kapabilitetsindeks 156
klasser 185
konfidensinterval
1 normalfordelt variabel 4
1 binomialfordelt variabel 5
differens, 2 normalfordelte variable 23
differens,2 binomialfordelte variable 20, 26
differens, 2 Poissonfordelte variable 21, 26
i ensidet variansanalyse 37, 205
i tosidet variansanalyse 58
LSD 38
regressionskoefficient 120, 214
formler 214
for den til x svarende værdi af Y 120
formler 214
konfunderet partielt 2k - faktorforsøg 97
kontrolkortanalyse 155
kontrol
af binomialfordelt variabel 165
af fejlprocent 165
af normalfordelt variabel 157
af Poissonfordelt variabel 167
løbende 163
rektificerende 176
N
nedre kontrolkortgrænse 153
niveau for faktor 52
NKG 156
normalfordeling
boxplot 3
histogram 2
plot 2, 3, 206
test, 1 variabel 3
2 variable
af middelværdi 13, 23
af varians 16, 25
np - kontrolkort 156
O
OC-Kurve 173
opgaver
kapitel 1 6
kapitel 3 27
kapitel 4 49
kapitel 5 73
kapitel 6 104
235
Stikord
med gentagelser 127
formler 215
uden gentagelser 112
formler 213
transformation 117
forudsætninger 119
multipel 133, 217
polynomial 137
regressionskoefficienter 110
regressionsligning 110
regressionslinie 110
rektificerende kontrol 176
repræsentativ 9
risikopunkter 174
R - kontrolkort 157
residual 111
plot 126
studentized 119
rækkefaktor 54
kapitel 7 145
kapitel 8 169
kapitel 9 183
kapitel 10 191
kapitel 11 202
outliers 113, 118
oversigter over
centrale formler i kapitel 3 23
centrale formler i kapitel 4 47
fremgangsmåde: tosidet variansanalyse 70
fremgangsmåde: partielt2kfaktorforsøg 103
fremgangsmåde: regressionsanalyse 143
P
partiel 2k- faktorforsøg 83
parvise observationer 18
planlægning af forsøg 8, 10
Poissonfordeling
kontrolkort 167
test
2 variable 21, 26
mere end 2 variable 46, 48
faktorforsøg 210
polynomial regressionsanalyse 137
poolet estimat for varians 36
potens model 123
proces i statistisk kontrol 152
proceskontrol 151
proces ude af statistisk kontrol 151
procesvariablen 151
producers risk 174
prædistinationsinterval 120
S
SAK = SS 61
SAS.JMP : Grundlæggende operationer 228
Satterthwaites test 14, 23
screeningsforsøg 76
sekventiel forsøgsstrategi 102
Shewart kontrolkort 153
s - kontrolkort 157
specifikationsgrænser 156
SPC 151
SS = Sum of squares 61
statistisk gyldigt forsøg 10
statistisk uafhængige 9
stikprøveplan
enkelt 173
dobbelt 177
ækvivalente 148
statistisk godkendelseskontrol 172
statistisk proceskontrol 151
stikord 234
stikprøvestørrelse n 173
studentized residualer 119
styrke af test 13
søjlefaktor 54
Q
Quality Control 151
Quality management 151
R
randomisering 10
randomiseret forsøg 10
randomiseret blokforsøg 42, 67
rangtal 195
rangtest 22, 194
1 variabel 195
2 variable 22, 197
mere end 2 variable 199, 223
regressionsanalyse
enkelt
T
Tabeller
Bestemmelse af enkelt stikprøveplan 181
236
Stikord
Facitliste
Bestemmelse af dobbelt stikprøveplan 182
kontrolkort 158
Wilcoxons rangtest for 1 variabel 196
Wilcoxons rangtest for 2 variable 198
tilfredsstillende kvalitet 174
TI89 : Grundlæggende operationer 224
TI-Nspire:Grundlæggende operationer 226
tolerancegrænser 156
tosidet variansanlyse 52, 70
to-vejs tabel 188, 222
transformation 123 , 216
U
uafhængige statistiske variable 9
utilfredsstillende kvalitet 174
V
variabeltransformation 210
variansanlyse
ensidet 33
beregninger, formler 34
tabel 61
tosidet 52, 70
beregninger, formler 53
med vekselvirkning 64
additiv 54, 60
varianshomogenitet 35
vekselvirkning 54
W
Wilcoxons rangtest for 1 variabel 195
Wilcoxons rangtest for 2 variable 197
X
x - streg kontrolkort 157
Æ
ækvivalente stikprøveplaner 178
Ø
ØKG 156
øvre kontrolgrænse 153
237