Sunteți pe pagina 1din 250

CONCEPTUL DE

PROBABILITATE
BAZELE STATISTICII
MODERNE

1
EXERCIŢIU 1:
 Fiecare aruncă două zaruri de 10 ori şi
însumează rezultatele.
 Prezentaţi rezultatele obţinute.

2
EVENIMENTE
INDEPENDENTE
Daca probabilitatea de apariţie a unui
eveniment nu afectează probabilitatea de
apariţie a altui eveniment, atunci cele două
evenimente sunt independente din punct
de vedere statistic.

Exemplu: probabilitatea să plouă în Bucureşti


mâine nu este afectată de preţul benzinei în
Londra.

3
EVENIMENTE MUTUAL
EXCLUSIVE
Dacă două evenimente nu se pot produce în
acelaşi timp, se spune că se exclud reciproc,
adică sunt mutual exclusive.
Exemplu:
 Nu poţi fi şi în Bucureşti şi în Buşteni în
acelaşi timp.
 Un animal vertebrat nu poate avea patru
picioare şi zbura. Cele două evenimente
“poate zbura” şi “are patru picioare” sunt
mutual exclusive pentru vertebrate.
4
EXERCIŢIU: MUTUAL
EXCLUSIVE – INDEPENDENTE
Care dintre următoarele evenimente sunt
independente? Mutual exclusive? Nici mutual
exclusive nici independente?
 Se trage o carte de joc. Cartea poate fi un zece sau o
inimă roşie.
 Când apar doi cinci la rând atunci când se aruncă un
zar cu şase fete de două ori.
 Se aruncă un zar de două ori. Prima dată apare “1”.
Suma primului plus al doilea este egală cu 8.
 Se aruncă un zar de două ori. Prima dată apare “1”.
Suma primului plus al doilea este egală cu 4.
5
REGULI ALE
PROBABILITĂŢII

6
REGULA 1
Probabilitatea oricărui eveniment este
cuprinsă între 0 şi 1.

 Probabilitatea unui eveniment care nu poate apărea


este 0.
 Probabilitatea unui eveniment sigur este 1.
 Pentru orice eveniment A:
0  PA   1

7
REGULA 2
Suma probabilităţilor tuturor
evenimentelor elementare ale unui
experiment aleator este egală cu 1.
P1  P2  ...  Pn  1
Exemplu: se arunca un singur zar:
1
           
P1 P 2 P 3 P 4 P5 P 6 
6
P1 sau 2 sau 3 sau 4 sau 5 sau 6  
1 1 1 1 1 1 6
      1
6 6 6 6 6 6 6
8
REGULA 3 (LEGEA
COMPLEMENTARITĂŢII)
Probabilitatea unui eveniment care nu se
produce este 1 minus probabilitatea
evenimentului care se produce.

Dacă P(A) este probabilitatea de apariţie a unui


eveniment, atunci 1 – P(A) este probabilitatea ca
evenimentul să nu se producă.

Exemplu: trageţi o carte dintr-un pachet de cărţi.


1 1 3
Pcupă  Pnu cupă  1  
4 4 4
9
REGULA 4 (LEGEA
MULTIPLICATIVĂ)
Suma probabilităţilor unor evenimente
independente este produsul
probabilităţilor acelor evenimente.

Dacă A, B, şi C sunt evenimente independente atunci:


PA şi B şi C   PA   PB   PC 
Exemplu: probabilitatea să iasă 3 de 6 la rând, atunci
când aruncăm zarul de 3 ori este:
1 1 1 1
P3 de 6 con sec utivi      0,0046
6 6 6 216
10
REGULA 5(LEGEA ADITIVĂ)
Probabilitatea ca unul din două evenimente
mutual exclusive să se producă este egală
cu suma probabilităţilor lor.
PA sau B   PA   PB 

Exemplu: Se trage o carte dintr-un pachet. Probabilitatea


să iasă o damă sau un popă este:
1 1 2
Pdamă sau popă     0,15
13 13 13

11
REGULA 6 (LEGEA
PROBABILITĂŢII COMBINATE)
Probabilitatea de apariţie a unuia sau a
celuilalt eveniment din două este suma
probabilităţilor fiecărui eveniment minus
probabilitatea apariţiei lor împreună.
PA sau B   PA   PB   PA şi B 
Exemplu: tragem o carte din pachet. Probabilitatea să
fie as sau cupă este:
PAs sau cupă  PAs   Pcupă  PAs şi cupă 
1 1 1 16
    0,3
13 4 52 52
12
REGULA 7 (LEGEA
CONDIŢIONALĂ)
Probabilitatea ca două evenimente să se
producă este produsul dintre
probabilitatea de apariţie a primului
eveniment şi probabilitatea condiţionată a
celui de-al doilea eveniment ştiind că
primul s-a produs.
PA şi B   PA   PB | A 

13
EXEMPLU 1: PROBABILITATE
CONDIŢIONATĂ
Tragem două cărţi din pachet fără să le punem
înapoi. Probabilitatea extragerii a doi aşi este:
PAs şi As   Pprimul As  
Pal doilea As | primul As  
4 3 12
   0,0045
52 51 2652

14
EXEMPLU 2: PROBABILITATE
CONDIŢIONATĂ
Probabilitatea serie este o aplicaţie curentă pentru
probabilităţi condiţionate.
Consideraţi următorul exemplu simplificat. O factură
trebuie să parcurgă 4 paşi înainte să fie trimisă
clientului. Să presupunem că există o probabilitate de
eroare la fiecare pas, atunci probabilitatea ca o factură
să treacă cu succes de cei patru paşi este:
Psucces   Pp1   Pp2 | p1   Pp3 | p2 , p1   Pp 4 | p1 , p2 , p3 
Dacă fiecare pas are o probabilitate de succes de 0,98:
Psucces   0,98  0,98  0,98  0,98  0,92
15
EXEMPLU 3: PROBABILITATE
CONDIŢIONATĂ
Probabilitatea să se întrerupă curentul electric într-un
spital din mediul rural într-o zi este de 0,04.
Probabilitatea ca generatorul de siguranţă să
funcţioneze, dacă este necesar, pe perioada unei zile
este de 0,98. Atunci probabilitatea ca acel serviciu să fie
furnizat în timpul unei zile este:
Pserviciu furnizat   1  Pserviciu întrerupt  
1  Pcurent oprit şi generator stricat  
1  Pcurent oprit   Pgenerator stricat | curent oprit  
1  0,04 1  0,98   1  0,04  0,02  1  0,0008  0,9992 
99,92%
16
EXERCIŢII: REGULI ALE
PROBABILITĂŢILOR
1. Care este probabilitatea obţinerii feţei “cap”
de trei ori la rând, la aruncarea unei monede?
2. Care este probabilitatea tragerii a trei popi la
rând dintr-un pachet de cărţi, dacă aceste
cărţi sunt puse la loc şi amestecate de fiecare
dată?
3. Care este probabilitatea extragerii a trei popi
la rând dintr-un pachet de cărţi daca aceste
cărţi nu sunt reintroduse după fiecare
extragere?

17
FUNCŢIA DE PROBABILITATE
 O variabilă aleatoare este o variabilă
cantitativă a cărei valoare este determinată
de rezultatul unui experiment aleator.
 O funcţie de probabilitate specifică
probabilitatea fiecărei valori luate de variabila
aleatoare.
 Valorile luate de o funcţie de probabilitate se
pot obţine fie dintr-o ecuaţie funcţională fie
din tabele.

18
EXEMPLU: FUNCŢIE DE
PROBABILITATE
Se aruncă trei monede o dată şi se numără de câte ori
apare “cap”. Probabilităţile de apariţie nici o dată, o
dată, de două ori sau de trei ori sunt date în tabel şi
calculate după formula de mai jos.

k P(k) 3! 1 
3
Px  k    
0 0,125 k! 3  k !  2 
1 0,375
k!  1  2  ...  k
2 0,375 unde 
0!  1
3 0,125

19
DISTRIBUŢII DE
PROBABILITATE

20
DISTRIBUŢII DE
PROBABILITATE
 Distribuţii discrete:
 Distribuţia hipergeometrică
 Distribuţia binomială
 Distribuţia Poisson

 Distribuţii continue:
 Distribuţia uniformă
 Distribuţia normală

21
DISTRIBUŢIA
HIPERGEOMETRICĂ
Dacă avem o populaţie de dimensiune N, care
conţine d succese (unităţi bune) şi extragem un
eşantion aleator de dimensiune n, atunci
probabilitatea de a identifica r succese din cele
n încercări este: r n r
Cd  CN d
Pr   n
CN
r d!
unde: Cd  reprezintă combinări de d
r! d  r !
luate câte r
22
EXEMPLU: DISTRIBUŢIE
HIPERGEOMETRICĂ
Ştim că într-un lot de 20 de motoare există 2 motoare
defecte. O echipă de inspecţie examinează un eşantion
de 4 motoare, ales aleator. Care este probabilitatea ca
nici unul dintre cele 4 motoare să nu fie defecte?
2! 18! 2 15  16  17  18
4 0  
C02  C20
P0   2  0!2! 4!14!  2 234 
4
C20 20! 17  18  19  20
4!16! 234
15  16
 0,6315  63,15%
19  20

23
24
25
26
DISTRIBUŢIA BINOMIALĂ
Se realizează n încercări independente.
Probabilitatea de succes la orice încercare este
p. Probabilitate de a avea r succese din n
încercări este:

Crn  pr 1  pn r

r n!
unde: Cn  reprezintă combinări de n
r! n  r ! luate câte r

27
EXEMPLU: DISTRIBUŢIE
BINOMIALĂ
Un grup de 19 persoane urmează să participe la un curs
Şase Sigma. Care este probabilitatea să nu fie mai mult
de 2 persoane din cele 19 care să aibă laptop?
Experienţa anterioară a arătat că aproximativ 10% din
cei prezenţi la curs au de obicei un laptop.
Pcel mult 2   P0 sau 1 sau 2   C19
0
 0,10  0,919 
19!
C119 1 18
 0,1  0,9  2
C19 2 17
 0,1  0,9   0,10  0,919 
0!19!
19! 1 18 19!
 0,1  0,9   0,12  0,917  0,135  0,285 
1!18! 2!17!
0,285  0,705
28
29
30
31
DISTRIBUŢIA POISSON
Apariţiile “succeselor” sunt aleatoare şi
independente.
r
m
Pr   e  m
r!
unde:
r – numărul de succese
m – număr mediu de apariţii într-un eşantion
e – baza logaritmului natural

32
EXEMPLU: DISTRIBUŢIE
POISSON
 Raportul lunar al Directorului general către Consiliul
de Administraţie este, de obicei, terminat cu mai
puţin de o oră înainte de întrunirea consiliului.
 Rapoartele anterioare au conţinut în medie 1,3 erori
pe pagină.
 Raportul din aceasta lună este lung de 12 pagini.

Care este probabilitatea ca raportul din aceasta lună


să aibă mai mult de 10 erori?

33
34
35
Minitab calculează probabilităţi mai mici
sau egale cu o anumită valoare. Pentru a
afla probabilităţi mai mari decât acea
valoare faceţi scăderea din 1. Exemplu:
probabilitatea de a avea mai mult de 10
erori este 1 – 0,0921 = 0,9079 = 90,79%

36
DISTRIBUŢII DISCRETE DE
PROBABILITATE
Aproximarea relaţiilor:
 Daca n<N/10, (n – dimensiunea eşantionului, N – dimensiunea
populaţiei) atunci distribuţia hipergeometrică poate fi
aproximată de distribuţia binomială cu p = n/N
 Daca n∙p>5 şi n(1-p)>5, atunci distribuţia binomială poate fi
aproximată de distribuţia normala cu media = n∙p şi
s  n  p1  p
 Daca n∙p>5 şi p<0,1, atunci distribuţia binomială poate fi
aproximată de distribuţia Poisson cu m = n∙p.

În general, probabilităţile se calculează cel mai bine utilizând


Minitab.

37
DISTRIBUŢII CONTINUE DE
PROBABILITATE
 Variabilele aleatoare continue pot lua valori
într-un interval.
 Probabilităţile se găsesc într-un spaţiu
delimitat de o curbă numită funcţie densitate
de probabilitate.
 Aria totală de sub curba funcţiei densitate
este egală cu 1.
 Sunt considerate date continue, pe o scală
infinit divizibilă.

38
DISTRIBUŢIA UNIFORMĂ
 O variabilă aleatoare uniformă poate lua orice valoare
într-un interval finit.
 Dacă intervalul are capetele a şi b, atunci funcţia
densitate are amplitudinea:
 1
 , pentru a  x  b
 b  a
0, în rest
f(x)
1
ba

a b x
39
EXEMPLU: DISTRIBUŢIE
UNIFORMĂ
Un fierăstrău automatic ar trebui să taie tuburi
cu lungime de 27 cm. Dar, un studiu arată că,
de fapt, lungimile tuburilor tăiate sunt
distribuite uniform între 26,85 cm şi 27,10 cm.
Ce procent din tuburi se găseşte între 26.95 şi
27.05 cm în lungime?

40
SOLUŢIE:
Amplitudinea funcţiei densitate este egală cu:
1 1
 4
27 ,10  26 ,85 0,25
Atunci procentul de tuburi cu lungimea între 26,95 cm şi
27,05 cm este aria de sub curba funcţiei între cele două
limite. În acest caz suprafaţa este un dreptunghi.
P26,95  x  27,05  27,05  26,95  4  0,1  4  0,4
f(x)
4

26,85 26,95 27,05 27,10 lungime (cm) 41


DISTRIBUȚIA
NORMALĂ

42
DISTRIBUŢIA NORMALĂ
O variabilă aleatoare normală cu media m şi abaterea
medie pătratică s are funcţia densitate de probabilitate:

  x  m 2 
   
 s  
f x  
1 
exp 
s 2  2 
 
 

O variabilă aleatoare normală cu media 0 şi abaterea


medie pătratică 1 se numeşte variabilă normală
standard şi are funcţia densitate de probabilitate:
1  z2 
f z   exp  
2  2
  43
DISTRIBUŢIA NORMALĂ

68%

95%
99,7%
m  3s m  2s m  s m m  s m  2s m  3s
44
STANDARDIZAREA
VARIABILELOR ALEATOARE
NORMALE
 Dacă x este o variabilă aleatoare normală cu media m
şi abaterea medie pătratică s, atunci:
x m
z
s este o variabilă normală standard.
 Probabilitatea ca o variabilă aleatoare normală cu
media μ şi abaterea medie pătratică σ să fie mai mică
decât x este egală cu probabilitatea ca o variabilă
normală standard să fie mai mică decât: x m
z
s
 Tabelul următor arată probabilităţile ca o variabilă
normală standard să aibă diferite valori între 0 şi 3,5.
45
DISTRIBUŢIA NORMALĂ

68%

95% 99,7%

m  3s m  2s m  s m m  s m  2s m  3s
46
EXEMPLU
Datele colectate de o centrală telefonică de serviciu
clienţi arată că durata apelurilor primite este
aproximativ normal distribuită cu media 4,7 minute şi
abaterea medie pătratică de 1,2 minute.
 Aproximativ 68% din apeluri vor dura între:
4,7  1,2  3,5 min ute

4,7  1,2  5,9 min ute
 Aproximativ 95% din apeluri vor dura între:
4,7  2,4  2,3 min ute

4,7  2,4  7,1 min ute
 Aproximativ 99% din apeluri vor dura între:
4,7  3,6  1,1 min ute

4,7  3,6  8,3 min ute 47
EXERCIŢIU 1
Exerciţiul rezolvat anterior implică un eşantion de date
cu media 42 şi abaterea medie pătratică 4,96. Dacă
acest eşantion provine dintr-o populaţie aproximativ
normal distribuită:
1. În ce interval se vor găsi aproximativ 68% din
valori?
2. În ce interval se vor găsi aproximativ 95% din
valori?
3. În ce interval se vor găsi aproximativ 99% din
valori?

48
DISTRIBUŢIA NORMALĂ

68%

95% 99,7%

m  3s m  2s m  s m m  s m  2s m  3s
49
STANDARDIZAREA
VARIABILELOR ALEATOARE
NORMALE
 Dacă x este o variabilă aleatoare normală cu media m
şi abaterea medie pătratică s, atunci:
x m
z
s este o variabilă normală standard.
 Probabilitatea ca o variabilă aleatoare normală cu
media μ şi abaterea medie pătratică σ să fie mai mică
decât x este egală cu probabilitatea ca o variabilă
normală standard să fie mai mică decât: x m
z
s
 Tabelul următor arată probabilităţile ca o variabilă
normală standard să aibă diferite valori între 0 şi 3,5.
50
z P(Z<z) z P(Z<z) z P(Z<z) z P(Z<z) z P(Z<z) z P(Z<z)
-3,50 0,0002 -2,30 0,0107 -1,10 0,1357 0,10 0,5398 1,30 0,9032 2,50 0,9938
-3,45 0,0003 -2,25 0,0122 -1,05 0,1469 0,15 0,5596 1,35 0,9115 2,55 0,9946
-3,40 0,0003 -2,20 0,0139 -1,00 0,1587 0,20 0,5793 1,40 0,9192 2,60 0,9953
-3,35 0,0004 -2,15 0,0158 -0,95 0,1711 0,25 0,5987 1,45 0,9265 2,65 0,996
-3,30 0,0005 -2,10 0,0179 -0,90 0,1841 0,30 0,6179 1,50 0,9332 2,70 0,9965
-3,25 0,0006 -2,05 0,0202 -0,85 0,1977 0,35 0,6368 1,55 0,9194 2,75 0,997
-3,20 0,0007 -2,00 0,0228 -0,80 0,2119 0,40 0,6554 1,60 0,9452 2,80 0,9974
-3,15 0,0008 -1,95 0,0256 -0,75 0,2266 0,45 0,6736 1,65 0,9505 2,85 0,9978
-3,10 0,001 -1,90 0,0287 -0,70 0,242 0,50 0,6915 1,70 0,9554 2,90 0,9981
-3,05 0,0011 -1,85 0,0322 -0,65 0,2578 0,55 0,7088 1,75 0,9599 2,95 0,9984
-3,00 0,0013 -1,80 0,0359 -0,60 0,2743 0,60 0,7257 1,80 0,9641 3,00 0,9987
-2,95 0,0016 -1,75 0,0401 -0,55 0,2912 0,65 0,7422 1,85 0,9678 3,05 0,9989
-2,90 0,0019 -1,70 0,0446 -0,50 0,3085 0,70 0,758 1,90 0,9713 3,10 0,999
-2,85 0,0022 -1,65 0,0495 -0,45 0,3264 0,75 0,7734 1,95 0,9744 3,15 0,9992
-2,80 0,0026 -1,60 0,0548 -0,40 0,3446 0,80 0,7881 2,00 0,9772 3,20 0,9993
-2,75 0,003 -1,55 0,0606 -0,35 0,3632 0,85 0,8023 2,05 0,9798 3,25 0,9994
-2,70 0,0035 -1,50 0,0668 -0,30 0,3821 0,90 0,8159 2,10 0,9821 3,30 0,9995
-2,65 0,004 -1,45 0,0735 -0,25 0,4013 0,95 0,8289 2,15 0,9842 3,35 0,9996
-2,60 0,0047 -1,40 0,0808 -0,20 0,4207 1,00 0,8413 2,20 0,9861 3,40 0,9997
-2,55 0,0054 -1,35 0,0885 -0,15 0,4404 1,05 0,8531 2,25 0,9878 3,45 0,9997
-2,50 0,0062 -1,30 0,0968 -0,10 0,4602 1,10 0,8643 2,30 0,9893 3,50 0,9998
-2,45 0,0071 -1,25 0,1056 -0,05 0,4801 1,15 0,8749 2,35 0,9906
-2,40 0,0082 -1,20 0,1151 0 0,5 1,20 0,8849 2,40 0,9918
51
-2,35 0,0094 -1,15 0,1251 0,05 0,5199 1,25 0,8944 2,45 0,9929
UTILIZARE TABEL z
 Probabilitatea ca o variabilă normală standard să fie
mai mică decât 1,20 este 0,8849.
 Probabilitatea ca o variabilă normală standard să fie
mai mare de 1,20 este 1 – 0,8849 = 0,1151.
 Probabilitatea ca o variabilă normală standard să fie
mai mică de –1,20 este 0,1151.
 Probabilitatea ca o variabilă normală standard să aibă
valori între –1,20 şi +1,20 este 0,8849 – 0,1151 =
0,7698.

52
EXEMPLU: DISTRIBUŢIE
NORMALĂ STANDARD

0,7698
0,1151 0,1151

-3 -2 -1 0 1 2 3
-1,2 1,2 53
EXEMPLU: UTILIZARE
TABEL z
Probabilitatea ca o variabilă aleatoare cu media 4 şi
abaterea medie pătratică 1,25 să fie mai mică decât 5,0
este egală cu probabilitatea ca variabila normală
standard să fie mai mică de: 5  4  0,80
1,25
Din tabel, P(Z < 0,80) = 0,7881.
Probabilitatea ca aceeaşi variabilă (media 4, abaterea
medie pătratică 1,25) să fie mai mare decât 5 este
egală cu probabilitatea ca variabila normală standard să
fie mai mare de 0,80:
PZ  0,80   1  PZ  0,80   1  0,7881  0,2119
sau PZ  0,80   PZ  0,80   0,2119
54
EXEMPLU: UTILIZARE
TABEL z

0,7881 0,2119

0,25 1,50 2,75 4 5,25 6,50 7,75

5 55
56
57
58
EXERCIŢIU 2
Care este probabilitatea ca o variabilă normală
cu media 32,0 şi abaterea medie pătratică 4,0
să fie:
1. mai mare de 38?
2. mai mică de 30?
3. între 24 şi 34?
Rezultatul obtinut in minitab ca la ex anterior
se scade din 1

59
TEOREMA LIMITEI
CENTRALE

60
DISTRIBUŢIA MEDIEI UNUI
EŞANTION
Dacă se extrag eşantioane aleatoare dintr-o
populaţie cu media μ şi abaterea medie
pătratică σ atunci media fiecărui eşantion, x,
este o variabilă aleatoare cu media m şi
abaterea medie pătratică:
s
sx 
n

61
TEOREMA LIMITEI CENTRALE

Dacă se extrage un eşantion aleator


dintr-o populaţie şi dacă dimensiunea
eşantionului este îndeajuns de mare,
media eşantionului este aproximativ o
variabilă aleatoare normală.

62
EXEMPLE: TEOREMA LIMITEI
CENTRALE
 Un fierăstrău automatic ar trebui să taie
tuburi cu lungime de 27 cm.
 Analizând un eşantion aleator de 100 tuburi
s-au determinat lungimea medie 26,88 cm şi
abaterea medie pătratică 0,40 cm.
 Este rezonabil să presupunem că lungimea
medie a populaţiei este m = 27,0 cm?

63
RĂSPUNS
 Deoarece dimensiunea eşantionului este n = 100,
este rezonabil să presupunem că x este aproximativ o
variabilă aleatoare normală.
 Dacă este adevărat că m este 27,0, atunci x este
aproximativ o variabilă aleatoare normală cu media
27,0 şi abaterea medie pătratică:
s 0,4 0,4
sx     0,04
n 100 10

64
RĂSPUNS... CONTINUARE
 Probabilitatea ca x  26,88 cm este egală cu
probabilitatea ca o variabilă normală standard să fie
mai mică decât
26 ,88  27  0,12
  3
0,04 0,04
 Probabilitatea ca o variabilă normală standard să fie
mai mică decât -3 este 0,0013.
 Tragem concluzia că lungimea medie reală a tuburilor
tăiate este probabil mai mică decât 27 cm.

65
RĂSPUNS... CONTINUARE

26,88 26,92 26,96 27 27,04 27,08 27,12


x μ
66
INTERVALE DE
ÎNCREDERE

67
INTERVAL DE PROBABILITATE
PENTRU x
 Presupunem că x este media eşantionului aleator de
dimensiune n extras dintr-o populaţie cu media m şi
abaterea medie pătratică s.
 Dacă n este mare, atunci:
 x este aproximativ o variabilă aleatoare normală,
cu media m şi abaterea medie pătratică s .
x m n
z
 s este aproximativ o variabilă normală
n standard.
 în tabelul z găsim că P(z > 1,96) = 0,025, atunci

P(-1,96 < z < 1,96) = 0,95


68
INTERVAL DE PROBABILITATE
PENTRU x
 
 x m 
P  1,96   1,96   0,95 şi astfel
 s 
 n 
 s s 
P m  1,96  x  m  1,96   0,95
 n n
 transformăm relaţia în:
 s s 
P x  1,96  m  x  1,96   0,95
 n n

69
INTERVAL DE PROBABILITATE
PENTRU x
 Aceasta este, de asemenea, o afirmaţie probabilistică
despre x, care este singura variabilă aleatoare în
expresia de mai sus.
 Ea spune că exista o probabilitate de 95% ca
valoarea observata a lui x să fie astfel încât intervalul
 s s 
 x  1,96 ; x  1,96 
 n n
să conţină adevărata medie a populaţiei m.

70
ESTIMAREA UNUI INTERVAL
PENTRU μ
 Dacă x şi s sunt media şi abaterea medie pătratică a
eşantionului de dimensiune n, extras dintr-o
populaţie, şi n este mare, atunci:
 s s 
 x  1,96 ; x  1,96 
 n n
este aproximativ un interval de încredere de 95%
pentru media populaţiei.

71
EXEMPLU
 Un eşantion aleator de 200 bare tăiate de un
fierăstrău automatic are o lungime medie de 26,88
cm cu o abatere medie pătratică de 0,40 cm.
 Care este un interval de încredere de 95% pentru
adevărată lungime medie a populaţiei de bare?
 s s 
 x  1,96 ; x  1 ,96 
 n n
 0,4 0,4 
 26,88  1,96 ;26 ,88  1,96 
 200 200 
26,88  0,05;26,88  0,05   26,83;26,93
72
DIMENSIUNE EŞANTION ŞI
INTERVALE DE ÎNCREDERE
 În practică eşantioane cu n=30 sunt suficient de mari
pentru a se putea aplica formula dată pentru
intervale de încredere.
 Pentru eşantioane mai mici de 120 se înlocuiesc
aceste valori cu cele din tabele (pagina următoare).
 Acest tabel este exact dacă populaţia este normală.
 Intervalul poate fi inexact daca n este mic şi
populaţia de provenienţă nu este normal distribuită.

73
TABELUL t Student
Aria de probabilitate Aria de probabilitate
df=n-1 df=n-1
0,1 0,05 0,025 0,01 0,005 0,1 0,05 0,025 0,01 0,005
4 1,533 2,132 2,776 3,747 4,604 20 1,325 1,725 2,086 2,528 2,845
5 1,476 2,015 2,571 3,365 4,032 21 1,323 1,721 2,080 2,518 2,831
6 1,440 1,943 2,447 3,143 3,707 22 1,321 1,717 2,074 2,508 2,819
7 1,415 1,895 2,365 2,998 3,499 23 1,319 1,714 2,069 2,500 2,807
8 1,397 1,860 2,306 2,896 3,355 24 1,318 1,711 2,064 2,492 2,797
9 1,383 1,833 2,262 2,821 3,250 25 1,316 1,708 2,060 2,485 2,787
10 1,372 1,812 2,228 2,764 3,169 26 1,315 1,706 2,056 2,479 2,779
11 1,363 1,796 2,201 2,718 3,106 27 1,314 1,703 2,052 2,473 2,771
12 1,356 1,782 2,179 2,681 3,055 28 1,313 1,701 2,048 2,467 2,763
13 1,350 1,771 2,160 2,650 3,012 29 1,311 1,699 2,045 2,462 2,723
14 1,345 1,761 2,145 2,624 2,977 30 1,310 1,697 2,042 2,457 2,750
15 1,341 1,753 2,131 2,602 2,947 40 1,303 1,684 2,021 2,423 2,704
16 1,337 1,746 2,120 2,583 2,921 60 1,296 1,671 2,000 2,390 2,660
17 1,333 1,740 2,110 2,567 2,898 120 1,289 1,658 1,980 2,358 2,617
18 1,330 1,734 2,101 2,552 2,878 ... ... ... ... ... ...
19 1,328 1,729 2,093 2,539 2,861 >120 1,282 1,645 1,960 2,326 2,576 74
INTERVALE DE ÎNCREDERE CU O
SINGURĂ LIMITĂ
 Interval de încredere de 95% limitat la stânga.
Pentru eşantioane mari putem avea o încredere de
95% că media reala este mai mare de
s
x  1,645
n
 Interval de încredere de 95% limitat la dreapta.
Pentru eşantioane mari putem fi 95% siguri că media
reală este mai mică de x  1,645 s
n
 Pentru intervale de încredere altele decât 95%, sau
pentru dimensiuni de eşantioane mai mici de 30
căutaţi în tabelul distribuţiilor t Student.
75
EXEMPLU: INTERVALE DE
ÎNCREDERE PENTRU MEDIE
 Ritmul bătăilor inimii unei persoane a fost măsurat în
zece ocazii diferite: 77, 76, 80, 79, 85, 76, 86, 82, 74
şi 82 bătăi pe minut. x  79,70 , s  4 ,03
 Pentru aceste date avem:  s 4,03
 n  10  1,26

 Interval de încredere de 95%:


79,70  2,262  1,26;79,70  2,262  1,26  
76,85;82,55 
 Interval de încredere de 90%:
79,70  1,833  1,26;79,70  1,833  1,26  
77,39;82,01
76
INTERVALE DE ÎNCREDERE
PENTRU MEDIE CU MINITAB
 Pentru a calcula intervale de încredere pentru media
populaţiei cu MINITAB introduceţi datele intr-o
coloană a foii de calcul MINITAB şi apoi apăsaţi pe:
Stat – Basic statistics – 1-Sample t
 Apoi identificaţi în care coloană sunt localizate datele.
 Pentru utilizarea de coeficienţi de încredere diferiţi de
95% sau pentru intervale de încredere cu o singură
limită apăsaţi – Opţiuni.
 Puteţi selecta dintre opţiunile Greater than (mai
mare decât) sau Less than (mai mic decât) şi veţi
obţine un interval de încredere limitat la un singur
capăt.

77
78
79
80
EXERCIŢIU 3: INTERVALE DE
ÎNCREDERE PENTRU MEDII
Următoarele date sunt cantităţile de sodiu (mg/litru) conţinute
în 12 bucăţi de brânza Mozzarella: 192, 186, 189, 186, 191,
189, 191, 188, 194, 188, 190, 182. Pentru aceste date media
este 188,83 şi abaterea medie pătratică 3,19.

1. Construiţi un interval de încredere cu certitudine 95% limitat în


amândouă părţile pentru cantitatea medie de sodiu din brânză.
2. Construiţi un interval de încredere cu certitudine 99% limitat în
partea din stânga pentru cantitatea medie de sodiu din brânză.
3. Pentru a estima cantitatea de sodiu cu încredere de până la 1
mg/litru, cât de mare trebuie să fie eşantionul?

81
DIMENSIUNEA EŞANTIOANELOR
 Pentru ca media eşantionului să fie într-un interval de precizie
(notat cu d) a mediei populaţiei cu o probabilitate de 95%, este
necesar ca: d  1,96 s
n
Aceasta înseamnă 2 2
2 s  s

n  1,96    4 
 d  d
 În mod clar, cu cât este mai mare σ sau mai mic este d cu atât
mai mare va trebui să fie dimensiunea eşantionului.
 σ este de obicei necunoscută. Poate fi necesar să fie iniţial
extrase eşantioane pentru a determina dimensiunea finală
necesară a eşantionului.

82
EXEMPLU
 Dacă abaterea medie pătratică a unui
eşantion este aproximativ 1,7, atunci pentru a
estima media populaţiei cu o precizie de 0,5
kg va fi necesar un eşantion de dimensiune:
2 2
s  1,7 
n  4   4   46,24  47
 d  0,5 

83
EXERCIŢIU 4
Un eşantion de 12 bucăţi de brânză Mozzarella
are media 188,83 g şi abaterea medie pătratică
3,186 g. Cât de mare trebuie să fie eşantionul
pentru a estima cantitatea medie de sodiu
dintr-o bucată de brânză cu o precizie de până
la 1 g?

84
INTERVAL DE ÎNCREDERE
PENTRU PROPORŢII
 Dacă din n încercări independente pot rezulta situaţii
de “succes” cu probabilitatea p, atunci x, numărul
succeselor din cele n încercări urmează o distribuţie
binomială cu parametrii n şi p.
 x are media n∙p şi abaterea medie pătratică np1  p
x
 Variabila aleatoare are media p şi abaterea medie
pătratică p1  p  n
x n
 p  este un estimator nedeplasat al lui p.
n

85
CONTINUARE...
 Daca n∙p şi n(1 – p) sunt ambele mai mari ca 5,
atunci atât x cât şi x sunt aproximativ normal
distribuite. n
 Intervale de încredere sunt construite pentru p în
acelaşi fel în care a fost făcut mai devreme pentru μ,
x
dar acum x este înlocuit de p  şi s este înlocuit de
n
p 1  p 
n

86
INTERVALE DE ÎNCREDERE
PENTRU PROPORŢII
 p  1,96  s; p  1,96  s  este un interval de încredere
de 95% pentru procentul de succes al populaţiei.
 0; p  1,645  s  este un interval de încredere de 95%
mărginit la dreapta pentru procentul de succes al
populaţiei.
 p  1,645  s;1 este un interval de încredere de 95%
mărginit la stânga pentru procentul de succes al
populaţiei.
 Intervale de încredere de 90% şi 99% pot fi calculate
înlocuind 1,96 sau 1,645 cu alte valori.

87
EXEMPLU: INTERVAL DE
ÎNCREDERE PT. PROPORŢII
 Au fost găsite erori în 46 din cele 200 facturi
verificate. Construiţi un interval de încredere de 99%
pentru adevăratul procent de erori în total facturi.
Soluţie:
46 0,231  0,23
p  0,23 şi s   0,03
200 200
 Intervalul de încredere de 99% pentru procentul
adevărat de erori este:
0,23  2,576  0,03;0,23  2,576  0,03  0,15;0,3

88
ACELAŞI LUCRU CU MINITAB
 Apăsaţi Stat – Basic Statistics – 1 Proportion
 Introduceţi numărul de încercări şi numărul
observat de succese.
 Pentru a schimba intervalul de încredere de la
95% încredere sau pentru a găsi interval
limitat doar într-o parte apăsaţi pe Options.
 Apăsaţi OK.

89
90
91
92
EXERCIŢIU 5: INTERVAL DE
ÎNCREDERE PT. PROPORŢII
Într-un sondaj cu 240 de consumatori selectaţi
aleator care au contactat un departament de servicii
clienţi în ultimele trei luni, 218 au răspuns că au fost
satisfăcuţi cu serviciul primit.
Utilizând MINITAB:
1. Construiţi un interval de încredere de 95% mărginit
la ambele capete pentru procentul de clienţi care au
sunat la departamentul de serviciu clienţi şi erau
satisfăcuţi de serviciu.
2. Construiţi un interval de încredere de 90% limitat
superior pentru procentul de clienţi care au sunat la
serviciul clienţi şi erau satisfăcuţi.
93
DIMENSIUNEA EŞANTIONULUI
 Pentru ca proporţia unui eşantion să fie înăuntrul unui interval
cu o precizie d pentru un nivel de încredere de 95% este
necesar ca: p1  p 
d  1,96
n
4p1  p 
 Se rotunjeşte 1,96 la 2 şi înseamnă că n  2 .
 Se poate demonstra matematic că: d
 pentru 0 < p < 1, p∙(1-p) nu este niciodată mai mare ca

0,25. 0,25 1
 putem deci spune că n  4   2.
2
d d
 Deci pentru a estima procentul de valori înăuntrul intervalului de
95%, utilizaţi un eşantion de cel puţin 1 elemente .
d2
94
EXEMPLU ŞI EXERCIŢIU 6
 Exemplu: Pentru a estima o proporţie reală cu un
nivel de încredere de 95% şi o precizie de 5% este
necesar un eşantion de 1
2
 400
0,05
 Exerciţiu: De ce eşantion aveţi nevoie pentru a
estima proporţia unei populaţii cu o precizie de 3% şi
un nivel de încredere de 95%?

95
METODE
COMPARATIVE
TESTAREA IPOTEZELOR
STATISTICE

96
CĂUTAREA CAUZELOR
RĂDĂCINĂ

 Metodele comparative (testare de


ipoteze) ajută la identificarea punctelor
unde există diferenţe semnificative între
atributele proceselor, serviciilor şi
produselor.
 Aceste instrumente ajută, de asemenea,
la confirmarea punctelor de
îmbunătăţire semnificativă.
97
TESTAREA IPOTEZELOR –
CONCEPTE
Testarea unei ipoteze statistice necesită:
 Două ipoteze.

 Un test statistic care trebuie folosit pentru a


evalua plauzibilitatea ipotezelor.
 Un criteriu bazat pe acest test pentru luarea
deciziei care ipoteza trebuie acceptată.
 O valoare observată a testului.

98
TESTAREA IPOTEZELOR –
CONCEPTE
 Cele doua ipoteze:
 Ipoteza nulă, H0

 Ipoteza alternativă, HA

 Daca datele arată clar că ipoteza nulă este adevărată,


acceptaţi H0.
 Daca datele indică clar că HA este adevărată, atunci
acceptaţi HA
 Dacă datele nu sunt concludente, acceptaţi ipoteza
nulă, H0.

Observaţie: “povara justificării” cade


întotdeauna în sarcina ipotezei alternative HA
99
“TABELUL ADEVĂRULUI”
LA TESTAREA IPOTEZELOR
Stare a naturii
Acţiune
H0 adevărată HA adevărată

Eroare tip 2
Accept H0 Decizie corectă
Risc b

Eroare tip 1
Accept HA Decizie corectă
Risc a

100
TESTAREA IPOTEZELOR –
CONCEPTE
 Ipoteza nulă nu este respinsă, cu excepţia cazului
când datele arată clar ca ipoteza HA este adevărată.
 Aceasta înseamnă că H0 este adevărată cu excepţia
cazului în care datele unui test statistic sau o valoare
extremă sunt mai mici decât o valoare a stabilită,
pentru cazul în care ipoteza nulă este adevărată.
 Valorile frecvente pentru a (nivelul de semnificaţie al
testului) sunt: 0,01, 0,05 sau 0,1.
 Cel mai adesea se foloseşte valoarea 0,05 pentru
nivelul de semnificaţie a.

101
EXEMPLU: TESTARE IPOTEZE
 Prezenţa substanţelor POP (persistant organic
polutants) în apă poate duce la contaminarea apei
dacă depăşeşte limita de siguranţă de 150 mg/l.
 Trebuie rezolvat conflictul dintre inginerii de la staţia
de epurare şi inspectorii de mediu cu privire la
satisfacerea standardului de siguranţă.
 Unul din ingineri, instruit recent ca Centură Neagră
Şase Sigma a emis ipoteza că disputa ar trebui
rezolvată utilizând date.
 Ceilalţi au fost de acord şi astfel au fost făcute 16
măsurători intr-un interval de 7 zile.
 Datele se găsesc în foaia de lucru Minitab THMP.
102
103
104
TESTAREA IPOTEZELOR –
CONCEPTE
Pentru exemplul cu POP am fi putut avea:
H0 : m  150

HA : m  150
(ceea ce trebuie să dovedească inginerii)
sau:
H0 : m  150

HA : m  150
(ceea ce trebuie să dovedească inspectorii de mediu).
Dacă x este apropiat de 150 trebuie să acceptăm H0.
105
TESTAREA IPOTEZELOR –
CONCEPTE

 Probabilitatea ar trebui să fie intervalul


de încredere de 95%.
 Dacă include 150 nu respingeţi H0.
 De obicei testul produce valori cu
distribuţie de probabilitate cunoscută
atunci când H0 este adevărată.

106
TESTAREA IPOTEZELOR –
CONCEPTE
 Pentru a face un test pentru o medie folosim ca test
statistic (pentru cazul nostru):
x  150
T
s
n
 Daca n este mare atunci T este aproximativ o
variabilă normală standard atunci când ipoteza nulă
este adevărată.
 Daca n este mic, dar distribuţia populaţiei originare
este aproape normală, atunci T urmează distribuţia t-
Student cu (n – 1) grade de libertate.
107
TESTAREA IPOTEZELOR –
CONCEPTE
 Pentru acest exemplu avem:
n  16

x  146 ,13
s  8,61

146 ,13  150  3,87
T   1,8
8,61 2,15
16
 Probabilitatea ca T < -1,80 este 0,046, adică mai
mică decât nivelul de semnificaţie a < 0,05. Deci
respingem H0 şi acceptam HA

108
TESTARE PENTRU MEDIA UNEI
POPULAŢII
H0 : m  m0
HA : m  m0 ; se respinge H0 dacă T  -t a

HA : m  m0 ; se respinge H0 dacă T  t a
H : m  m ; se respinge H dacă T  t
 A 0 0 a2
x  m0
Testul statistic este : T 
s
n
Valorile ta, şi ta/2 se găsesc în tabelul t-Student.

109
EXERCIŢIU 7: TESTARE PT.
MEDIA UNEI POPULAŢII
 O maşină de ambalat trebuie să pună 1 kg de zahăr
în fiecare pungă. Au fost cântărite 20 de pungi
selectate aleator. Rezultatele sunt date mai jos:
1,02, 0,99, 1,00, 0,98, 1,03, 0,97, 1,02, 0,93, 0,97,
0,98, 1,00, 0,94, 0,99, 0,98, 1,01, 0,97, 0,94, 1,02,
0,98, 1,01. (foaia de lucru Week 2 examples)
1. Calculaţi de mână şi folosind Minitab pentru a testa
dacă pungile cântăresc 1 kg în medie (test de interval
mărginit la ambele capete).
2. Calculaţi de mână şi folosind Minitab pentru a testa
respingerea ipotezei că pungile nu sunt umplute cum
trebuie (au mai puţin).
110
TESTARE PENTRU MEDIILE A
DOUĂ POPULAŢII
 Două populaţii au mediile m1 şi m2.
 Se extrage câte un eşantion din fiecare populaţie şi
se obţin mediile x1, x 2 şi abaterile medii pătratice s1,
s2.
 Atunci pentru dimensiuni mari ale eşantioanelor sau
populaţii normale avem o variabilă normal distribuită:
x1  x 2   m1  m2 
s12 s 22

n1 n2

111
TESTARE PENTRU MEDIILE A
DOUĂ POPULAŢII
H0 : m1  m2
HA : m1  m2 ; se respinge H0 dacă T  -t a

HA : m1  m2 ; se respinge H0 dacă T  t a
H : m  m ; se respinge H dacă T  t
 A 1 2 0 a2
x1  x 2
Testul statistic este : T 
s12 s 22

n1 n2

112
TESTARE PENTRU MEDIILE A
DOUĂ POPULAŢII
 Dacă dimensiunea eşantionului este mare sau
populaţia originară este normală, atunci ipoteza H0
urmează distribuţia t-Student.
 Pentru calcularea gradelor de libertate se folosesc
formulele:

df 
a1  a2 2 , unde :
a12 a22

n1  1 n2  1
s12 s 22
a1  şi a2 
n1 n2
113
EXEMPLU: TESTARE PENTRU
MEDIILE A DOUĂ POPULAŢII
 Un inginer doreşte să studieze puterea relativă a două
metode diferite de integrare a unui circuit într-un strat
de metal.
 12 unităţi sunt integrate cu fiecare metodă.

 Datele cu privire la putere (în kg) sunt date mai jos.

 Exista o diferenţă semnificativă între cele două

metode?
Legătură A: 34, 38, 47, 36, 40, 35, 41, 43, 50, 37, 44, 49
Legătură B: 30, 35, 32, 38, 31, 37, 39, 33, 41, 39, 32, 32
Datele se găsesc în foaia de lucru Minitab Week 2
examples.
114
115
116
117
EXERCIŢIU 8: TESTARE PT.
MEDIILE A DOUĂ POPULAŢII
 O companie expediază produse clienţilor din două
locaţii diferite.
 Timpul de procesare a comenzilor, de la emiterea
chitanţei de aprovizionare până ce comanda propriu-
zisă e ambalată şi se transferă pe platforma de
expediere este înregistrat pentru 12 comenzi diferite
din prima adresă şi 15 comenzi din a doua adresă.
 Datele (în ore) sunt în fişierul Minitab “Shipping”.
 Există diferenţe semnificative în ceea ce priveşte
timpul de onorare a comenzilor dintre cele două
adrese?
118
DATE PERECHI
 Uneori datele cu privire la două procese pot fi
analizate în perechi (intenţionat sau inevitabil):
 Două mărci diferite de cauciucuri pe aceeaşi
maşină.
 Două tratamente pentru piele pentru aceeaşi

persoană.
 Două acoperiri pentru acelaşi obiect de metal.
 Aceste date nu pot fi analizate utilizând metoda cu
două eşantioane prezentată înainte şi de aceea se
foloseşte testul t pe perechi.

119
TESTARE PE PERECHI
H0 : m1  m2
HA : m1  m2 ; se respinge H0 dacă T  -t a

HA : m1  m2 ; se respinge H0 dacă T  t a
H : m  m ; se respinge H dacă T  t
 A 1 2 0 a2
d
Testul statistic este : T  , unde
sd
n
di  x1i  x 2i , i  1, 2, ..., n

iar d şi s d sunt media şi abaterea medie pătratică a


valorilor di.
120
EXEMPLU: DATE PERECHE
Serviciul auto al unei fabrici Camion Benzina “a” Benzina “b”
de pâine doreşte să compare 1 6,4 6,6
2 6,2 6,4
comportamentul a doua 3 6,8 7,1
formule diferite de benzină: 4 5,9 5,8
1. formula standard pe care 5 7,1 7,4
au utilizat-o ani de zile 6 7,8 7,6
2. a doua formulă mai nouă 7 6,0 6,3
şi scumpă. 8 6,7 7,1
 Ei vor să ştie dacă formula mai scumpă îmbunătăţeşte
semnificativ consumul de benzină la kilometru.
 Ei au decis să utilizeze câte un rezervor plin din fiecare tip
de benzină pentru fiecare din cele 8 camioane.
 Datele (l/100 km) sunt date în dreapta.
 Datele se găsesc în foaia de lucru Minitab Week 2
examples.
121
122
123
124
EXERCIŢIU 9: DATE PERECHE
 O companie farmaceutică studiază două formule în
vederea lansării unui nou produs de protecţie
împotriva soarelui. Ei vor să compare efectul celor
două loţiuni la persoane cu piele sensibilă. 12
voluntari cu ten sensibil au folosit loţiunile pe diverse
porţiuni de pe spate. Datele despre senzitivitatea la
produse (0 = nici un efect, 8 = erupţie serioasă) sunt
înregistrate pentru fiecare subiect.
 Datele se găsesc în foaia de lucru Minitab “rash”.
 Exista diferenţe între efectele provocate de cele 2
produse?
125
TESTARE PENTRU O PROPORŢIE
 Pentru a testa daca o proporţie este egală cu o
valoare precizată există 2 variante:
 teste exacte pentru eşantioane mici.
 teste bazate pe o aproximare normală pentru

eşantioane mari.
 Cea mai simplă abordare este să folosim Minitab: Stat
– Basic Statistics – 1 Proportion.
 Numărul de încercări şi numărul de succese pot fi
introduse direct din fereastra de subrutină.
 Acest test face presupunerea că încercările sunt
independente.
126
EXEMPLU: TESTARE PENTRU O
PROPORŢIE
 În ultima perioada au fost respinse datorită
defectelor 22% din piesele primite de la un
anume furnizor.
 Dar din cele 345 de piese primite în timpul
ultimelor 2 săptămâni doar 62 au fost
respinse.
 Reprezintă acest lucru o îmbunătăţire statistic
semnificativă a calităţii pieselor?

127
128
129
130
TESTARE PENTRU DOUĂ
PROPORŢII
 Pentru a verifica dacă 2 proporţii sunt egale
folosiţi Minitab: Stat – Basic Statistics – 2
Proportions.
 Numărul de încercări şi numărul de “succese”
pentru fiecare eşantion pot fi introduse direct
în fereastra de subrutină.
 Acest lucru presupune ca toate încercările
sunt independente.

131
EXEMPLU: TESTARE PENTRU
DOUĂ PROPORŢII
 Într-o fabrică de becuri la testul de rezistenţă
la torsiune pică:
 23 din 180 de becuri de tip XT2.
 31 din 350 de tip ZA34.
 Exista vreo diferenţă semnificativă de
comportament al acestor 2 tipuri de becuri în
privinţa acestui test de rezistenţă?

132
133
134
135
TESTARE PENTRU DISPERSII
 Uneori, compararea mediilor a două populaţii
nu este de ajuns pentru a putea face o
diferenţiere între populaţii
 Putem să comparăm împrăştierile celor două
populaţii folosind o testare pe dispersii
 La testarea pe dispersii se foloseşte distribuţia
F
 Minitab: Stat – Basic Statistics – 2 Variances

136
EXEMPLU: TESTARE PENTRU
DISPERSII
 O companie expediază produse clienţilor din două
locaţii diferite.
 Timpul de procesare a comenzilor, de la emiterea
chitanţei de aprovizionare până ce comanda propriu-
zisă e ambalată şi se transferă pe platforma de
expediere este înregistrat pentru 12 comenzi diferite
din prima adresă şi 15 comenzi din a doua adresă.
 Datele (în ore) sunt în fişierul Minitab “Shipping”.
 Există o diferenţă semnificativă între dispersiile
calculate pentru cele două platforme?

137
138
139
140
EXERCIŢIU 10: TESTARE
PENTRU DISPERSII
 Un inginer doreşte să studieze puterea relativă a
două metode diferite de integrare a unui circuit într-
un strat de metal.
 12 unităţi sunt integrate cu fiecare metodă.
 Datele se găsesc în foaia de lucru Minitab Week 2
examples (coloanele Bond A, Bond B).
 Exista o diferenţă semnificativă între dispersiile
obţinute folosind cele două metode?

141
ERORI ÎN TESTAREA
IPOTEZELOR
 Se pot întâmplă 4 lucruri atunci când se face o
testare de ipoteze:
 Să accept ipoteza nulă şi să fie adevărată.

 Să accept ipoteza alternativă şi să fie adevărată.

 Să accept ipoteza nulă şi să fie falsă. Eroare de tip

2. Risc b.
 Să accept ipoteza alternativă şi să fie falsă.

Eroare de tip 1. Risc a.


 Probabilitatea să fie comisă o eroare de tip 1 este a,
nivel de semnificaţie al testului.

142
PROBABILITATE APARIŢIEI
ERORILOR
 Valoarea p, dată de Minitab este probabilitatea de a
face o eroare de tip 1 când se respinge ipoteza nulă.
 Probabilitatea de a face o eroare de tip 2 când se
accepta ipoteza nulă nu este un singur număr, ci mai
degrabă depinde de ce valoare are parametrul care
trebuie testat. De exemplu, să presupunem ca testăm
ipoteza nulă H0: m = 100 faţă de HA: m > 100. Pentru
a calcula probabilitatea de apariţie a erorii de tip 2
când se acceptă ipoteza nulă trebuie să specificăm
care credem că este valoarea adevărata a lui m.

143
PROIECTAREA
EXPERIMENTELOR
DOE

144
DEFINIŢIE
 DOE este un ansamblu de metode statistice
folosite pentru a studia relaţiile dintre
variabilele sau factorii independenţi (X),
numiţi generic variabile de intrare sau
variabile de proces şi interacţiunea lor cu
variabilele dependente (Y), numite şi variabile
de ieşire, sau variabile de răspuns, cunoscute
ca CTQ.

145
PROIECTAREA
EXPERIMENTELOR
 “Facts – Fapte/dovezi – un termen folosit
prea des. Toată lumea presupune că ştie, dar
nimeni nu ştie de fapt.“
- Hitoshi Kume

 Un experiment este o succesiune de încercări


sau teste care produc rezultate măsurabile.
 Experimentele sunt făcute pentru a descoperi
relaţiile între factori sau variabile şi măsoară
intensitatea acestor relaţii.
146
PROIECTAREA
EXPERIMENTELOR

Experimentele sunt utilizate pentru a:


 Explora relaţiile posibile între atributele
produselor/proceselor.
 Estima intensitatea efectelor factorilor
importanţi.
 Confirma concluziile la care s-a ajuns în
studiile şi experimentele anterioare.

147
PROIECTAREA
EXPERIMENTELOR
Experimentele sunt făcute pentru a îmbunătăţi
produsele sau procesele în unul sau mai
multe din modurile următoare:
 Optimizarea mediei pentru un atribut al unui
produs sau proces.
 Minimizarea variabilităţii unui atribut al unui
produs sau proces.
 Minimizarea efectelor variabilităţii incontrolabile a
atributelor produselor sau proceselor.

148
MITURI DESPRE EXPERIMENTE
1. Experimentele ar trebui făcute numai în
laborator.
2. Când se experimentează formule sau
procese, trebuie schimbat doar câte un factor
o dată.
3. Experimentele statistice sunt costisitoare sau
dificile.
4. Cele mai bune experimente trebuie să includă
câteva niveluri diferite pentru fiecare factor
experimental.
149
PREGĂTIRE
1. Clarificaţi obiectivul experimentului.
2. Identificaţi una sau mai multe variabile de răspuns (Y,y) ale
produsului / procesului de studiat. Măsuraţi cât mai multe
posibil.
3. Construiţi o listă cu toţi factorii (X, x, y) care ar putea influenţa
variabilele de răspuns.
4. Identificaţi care factori sunt:
 controlabili;

 necontrolabili dar măsurabili;

 necontrolabili şi nemăsurabili;

5. Decideţi care factori trebuie incluşi în experiment – maxim


rezonabil.
6. Selectaţi un model experimental potrivit.

150
EXECUŢIE
1. Instruiţi angajaţii pentru a colecta corect date
experimentale.
2. Faceţi un experiment şi colectaţi date.
3. Analizaţi datele cu Minitab:
 identificaţi factorii (X, x, y) care influenţează

variabilele de răspuns (Y, y).


4. Treceţi la experimente suplimentare (pornind cu paşii
prezentaţi anterior) pentru a clarifica relaţiile –
replicări ale experimentelor.
5. Încheiaţi cu un experiment de confirmare/validare.

151
TIPURI DE EXPERIMENTE
 Model întreg factorial (full factorial)
 experimentul în care fiecare combinaţie a factorilor

experimentali este folosită cel puţin o dată.


 Model factorial fracţionat (fractional factorial)
 experimentul în care anumite combinaţii de factori

sunt excluse.
 Model echilibrat
 experimentul în care toate combinaţiile de factori

sunt folosite de acelaşi număr de ori.

152
PROIECTAREA
EXPERIMENTELOR

Scop Modelul recomandat


Explorare 2 niveluri factoriale fracţionate
Estimare 2 niveluri întreg sau fracţionat factoriale
Confirmare Întreg factorial, 2 sau mai multe niveluri

153
FACTORII UNUI EXPERIMENT
 Identificaţi acei factori controlabili şi care cel mai
probabil afectează variabilele de răspuns. Includeţi
dintre aceştia în experiment cât mai mulţi.
 Încercaţi să controlaţi în timpul experimentului
factorii incontrolabili, dar care pot fi importanţi, iar
dacă se poate, îi introduceţi ca factori experimentali.
 Menţineţi la un nivel fix toţi ceilalţi factori
(controlabili).
 Măsuraţi cât mai multe variabile de răspuns – oricum
este ieftin să măsuraţi multiple variabile de răspuns.

154
MODELUL ÎNTREG
(FULL) FACTORIAL
EXPERIMENTE PE 2
NIVELURI

155
MODEL CU 3 FACTORI ŞI 2
NIVELURI
Există 23 = 8 combinaţii a 3 factori pe 2 niveluri
fiecare:
Runda A B C
1 -1 -1 -1
2 1 -1 -1
3 -1 1 -1
4 1 1 -1
5 -1 -1 1
6 1 -1 1
7 -1 1 1
8 1 1 1
156
MODEL CU 3 FACTORI ŞI 2
NIVELURI
 Matricea trebuie să fie ortogonală/echilibrată:
 Suma pe fiecare coloană trebuie să fie nulă.
 Si suma produselor trebuie să fie nulă.
 Acest lucru garantează că:
 Efectele nu vor fi confundate.
 Efectele factorilor principali nu vor fi confundate
cu efectele interacţiunilor.
 Factorii sunt aleşi de cei care lucrează în
proces

157
ESTIMARE EFECTE

Runda A B C AB AC B AB y
C C
1 -1 -1 -1 1 1 1 -1 y1
2 1 -1 -1 -1 -1 1 1 y2
3 -1 1 -1 -1 1 -1 1 y3
4 1 1 -1 1 -1 -1 -1 y4
5 -1 -1 1 1 -1 -1 1 y5
6 1 -1 1 -1 1 -1 -1 y6
7 -1 1 1 -1 -1 1 -1 y7
8 1 1 1 1 1 1 1 y8
158
ESTIMARE EFECTE PRINCIPALE
 Efectul principal al unui factor este egal cu diferenţa
dintre media rezultatelor la nivelul 1 al factorului şi
media rezultatelor la nivelul -1 al acelui factor.
 Pentru cazul cu 3 factori şi 2 niveluri avem:

y 2  y 4  y 6  y 8 y1  y 3  y 5  y 7
EA  
4 4
y  y 4  y 7  y 8 y1  y 2  y 5  y 6
EB  3 
4 4
y  y 6  y 7  y 8 y1  y 2  y 3  y 4
EC  5 
4 4
159
ESTIMARE EFECTE DE
INTERACŢIUNE
 Efectele de interacţiune se calculează ca diferenţa
dintre efectul primului factor la nivelul 1 al celui de al
doilea factor şi efectul primului factor la nivelul -1 al
celui de al doilea factor.
 Pentru cazul cu 3 factori şi 2 niveluri avem:
E AB1  E AB 1
E AB 
2
y 4  y8 y3  y7
E AB1  
2 2
y 2  y 6 y1  y 5
E AB 1  
2 2
 Similar se calculează şi celelalte efecte de ordin 2.
160
ESTIMARE EFECTE DE
INTERACŢIUNE
 O metodă mai simplă de calcul pentru efectele de
interacţiune este să se folosească algoritmul de calcul
al efectelor principale dar având în vedere coloanele
cu interacţiuni.
 Acelaşi algoritm poate fi folosit pentru calculul
interacţiunilor de orice ordin.
 Avantajul metodei anterioare este faptul că ajută la
determinarea parametrilor pentru reprezentările
grafice.

161
EXEMPLU
A fost întocmit un studiu pentru a creşte randamentul
unui proces de nitrare. Au fost luaţi în considerare 3
factori mai importanţi:
1. Efectul reziduurilor (material rezidual din lotul
precedent rămas pe dispozitiv de amestecare)
2. Timpul de amestecare.
3. Timpul de adăugare a acidului nitric.
Toţi ceilalţi factori care au afectat experimentul au fost
menţinuţi constanţi.
Datele se găsesc în foaia de lucru Minitab DOE.

Referinţe: O. L. Davies, Design and Analysis of


Industrial Experiments, Oliver and Boyd, London,
and Hafner, New York, 1963, pag. 258-259.
162
NIVELURILE FACTORILOR
EXPERIMENTALI
Probleme de studiat:
 Necesitatea de a curăţa vasul după fiecare reacţie.

 Influenţa timpului de amestecare.

Factor Nivel scăzut Nivel ridicat


Reziduu fără cu
Timp de amestecare 0,5 ore 4 ore
Timp de adăugare 2 ore 7 ore

163
EXEMPLU
Ordine Timp Timp
Reziduu Răspuns
Standard amestecare adăugare
1 fără 0,5 2 87,2
2 cu 0,5 2 86,7
3 fără 4 2 82,0
4 cu 4 2 83,4
5 fără 0,5 7 88,4
6 cu 0,5 7 89,2
7 fără 4 7 83,0
8 cu 4 7 83,7
164
EXEMPLU: ESTIMARE EFECTE
PRINCIPALE ŞI INTERACŢIUNI
86,7  83,4  89,2  83,7 87,2  82,0  88,4  83,0
EA    0,6
4 4
82,0  83,4  83,0  83,7 87,2  86,7  88,4  89,2
EB    4 ,85
4 4
88,4  89,2  83,0  83,7 87,2  86,7  82,0  83,4
EC    1,25
4 4
87,2  83,4  88,4  83,7 86,7  82,0  89,2  83,0
E AB    0,45
4 4
87,2  82,0  89,2  83,7 86,7  83,4  88,4  83,0
E AC    0,15
4 4
87,2  86,7  83,0  83,7 82,0  83,4  88,4  89,2
EBC    0,15
4 4
86,7  82,0  88,4  83,7 87,2  83,4  89,2  83,0
E ABC    0,5
4 4 165
166
167
168
169
170
171
172
Pareto Chart of the Effects
(response is Raspuns, Alpha = .05)
3.105
F actor Name
A Reziduu
B
B Timp amestecare
C Timp adaugare
C

A
Term

BC

ABC

AB

AC

0 1 2 3 4 5
Effect
Lenth's PSE = 0.825 173
Normal Probability Plot of the Effects
(response is Raspuns, Alpha = .05)
99
Effect Type
Not Significant
95 Significant
90 F actor Name
A Reziduu
80 B Timp amestecare
70 C Timp adaugare
Percent

60
50
40
30
20

10 B
5

1
-5 -4 -3 -2 -1 0 1 2
Effect
Lenth's PSE = 0.825 174
Efecte
Coeficienţii
ecuaţiei

175
ANALIZĂ MINITAB CU TERMENI
SCOŞI DIN MODEL
Analiza datelor exemplificate sugerează că
termenii de interacţiune AB, AC şi ABC s-ar
putea să nu fie importanţi.
Pentru a-i scoate din model apăsaţi: Stat – DOE
– Factorial – Analyze Factorial Design –
Terms, apoi de-selectaţi AB, AC şi ABC din
model.
Reluaţi analiza.

176
177
178
ILUSTRARE GRAFICĂ

Stat – DOE – Factorial – Factorial Plots:


 Apăsaţi Main Effects Plot – Setup - select all –

OK
 Apăsaţi Interaction Plot – Setup – select all –

OK
 Apăsaţi OK.

179
180
181
Main Effects Plot (data means) for Raspuns
Reziduu Timp amestecare
88.5

87.0

85.5
Mean of Raspuns

84.0

fara cu 0.5 4.0


Timp adaugare
88.5

87.0

85.5

84.0

2 7 182
Interaction Plot (data means) for Raspuns
0.5 4.0 2 7

Reziduu
88
fara
cu
86
Reziduu

84

Timp amestecare
88
0.5
4.0
86
T imp amestecar e

84

T imp adaugar e

183
ILUSTRĂRI GRAFICE ALE
VALORILOR REZIDUALE
 Valoarea reziduală este diferenţa dintre
valoarea de răspuns observată şi valoarea
estimată de model.
 Este important să ilustraţi valorile reziduale
când faceţi o regresie (ajustarea unei drepte
la date, x continuu si y continuu) şi DOE
(adăugând un model adiţional, x luat ca
discret si y continuu)

184
ILUSTRAREA VALORILOR
REZIDUALE CU MINITAB
Stat – DOE – Factorial – Analyze Factorial
Design: Apăsaţi Graphs – Bifaţi Four in one în
secţiunea Residual Plots – OK.
MINITAB va ilustra valorile reziduale numai
pentru x numerici. S-ar putea să fie necesar
sa transformaţi x în indicatori numerici înainte
de a încerca sa ilustraţi valorile reziduale.
Datele se găsesc în fişierul Minitab DOE – valori
reziduale.

185
Am transformat toate
datele în date de tip numeric

186
187
Selectaţi toate graficele
şi introduceţi ca variabile
datele de intrare numerice

188
Residual Plots for Raspuns
Normal Probability Plot of the Residuals Residuals Versus the Fitted Values
99 0.4

90 0.2

Residual
Percent

50 0.0

10 -0.2

1 -0.4
-0.50 -0.25 0.00 0.25 0.50 82 84 86 88
Residual Fitted Value

Histogram of the Residuals Residuals Versus the Order of the Data


4 0.4

3 0.2
Frequency

Residual

2 0.0

1 -0.2

0 -0.4
-0.3 -0.2 -0.1 0.0 0.1 0.2 0.3 1 2 3 4 5 6 7 8
Residual Observation Order 189
Residuals Versus Rez Residuals Versus TAm
(response is Raspuns) (response is Raspuns)
0.4 0.4

0.3 0.3

0.2 0.2

0.1 0.1
Residual

Residual
0.0 0.0

-0.1 -0.1

-0.2 -0.2

-0.3 -0.3

-0.4 -0.4
0.0 0.2 0.4 0.6 0.8 1.0 0 1 2 3 4
Rez TAm

Residuals Versus TAd


(response is Raspuns)
0.4

0.3

0.2

0.1
Residual

0.0

-0.1

-0.2

-0.3

-0.4
2 3 4 5 6 7
TAd

190
ESTIMAREA RĂSPUNSURILOR
MEDII
 Putem estima valorile răspunsului mediu
folosind coeficienţii ecuaţiei determinaţi de
Minitab
 Minitab ne oferă coeficienţii ecuaţiei atât
pentru varianta în care factorii sunt codaţi
(-1, +1), cât şi pentru varianta în care factorii
nu sunt codaţi

191
Coeficienţii ecuaţiei

192
Pentru Timp amestecare de 0,5
ore (-1) şi Timp adăugare de 7
ore (+1) rezultatul mediu aşteptat
este Y = 85,450 + (-1)·(-2,425) +
1·0,625 = 85,450 + 2,425 + 0,625
= 88,5

193
EXERCIŢIU DOE 1
Rezolvaţi activităţile specificate În secţiunea de
analiza a primului exerciţiu “Uzura cuţitului unei
maşini de tăiat otel” din “Manual pentru
proiectării experimentelor”. Fiţi pregătiţi să
discutaţi analizele dumneavoastră precum şi
recomandările pe care doriţi să le faceţi pe baza
acestor analize. Folosiţi ce model statistic
consideraţi ca e potrivit in analizarea datelor.

194
EXERCIŢIU DOE 2
Realizaţi activităţile menţionate in faza “analiză”
a celui de al doilea exerciţiu “Creşterea duratei
de viaţă a rulmenţilor” din “Manual pentru
proiectării experimentelor”. Fiţi pregătiţi să
discutaţi analiza şi să faceţi recomandări. Utilizaţi
un instrument statistic pe care îl consideraţi
potrivit pentru analiza datelor.

195
EXPERIMENTE SECVENŢIALE
 Un dezavantaj al experimentelor pe 2 niveluri este
faptul că acestea nu pot detecta relaţiile neliniare.
 În general, experimentele pe 2 niveluri necesită mai
puţine runde decât experimentele cu mai mult de 2
niveluri pe factor. Din această cauză, cu experimente
pe 2 niveluri, de obicei, este posibil sa faceţi 2 sau mai
multe experimente cu mai puţine încercări decât ar fi
cerut un singur experiment cu mai mult de 2 niveluri
pe factor. Acest lucru este ilustrat in Exerciţiul 3, pe
care îl vom face acum.

196
EXPERIMENT CU 4 RUNDE, 2
FACTORI, 2 NIVELURI
Modelul factorial pentru 2 factori este:
Rundă A B
1 -1 -1
2 1 -1
3 -1 1
4 1 1

197
EXERCIŢII DOE 4 ŞI 5
 Exerciţiile 4 si 5 nu cer utilizarea Minitab.
Doar uitaţi-vă la date şi discutaţi-le. Mărimea
eşantionului justifică concluziile la care s-a
ajuns?
 Exerciţiul 5 este un model pe 2 niveluri cu 2
factori. Mai întâi analizaţi datele cu DOE. Apoi
analizaţi datele ca un tabel de contingenţă
după cum e explicat in diapozitivul următor.
Care metodă se potriveşte cel mai bine la
aceste date?
198
EXERCIŢIU 5 CA TABEL DE
CONTINGENŢĂ
 Pentru a analiza datele cu Minitab, folosiţi: Stat –
Tables – Chi-Square Test.
 Nu introduceţi ultimul rând din tabel în Minitab.

Marginea Marginea
inferioară prima superioară prima
+ primul - primul + primul Primul
-

Cu scurt 17 2 9 3
Fără scurt 218 233 226 232
Total 235 235 235 235

199
MODEL EXPERIMENTAL CU 4
FACTORI, 2 NIVELURI ŞI 16
RUNDE
Std. ord. A B C D
1 -1 -1 -1 -1
2 1 -1 -1 -1
3 -1 1 -1 -1
4 1 1 -1 -1
5 -1 -1 1 -1
6 1 -1 1 -1
7 -1 1 1 -1
8 1 1 1 -1
9 -1 -1 -1 1
10 1 -1 -1 1
11 -1 1 -1 1
12 1 1 -1 1
13 -1 -1 1 1
14 1 -1 1 1
15 -1 1 1 1
16 1 1 1 1 200
EFECTE PENTRU UN MODEL FULL
CU 16 RUNDE
Efecte principale: A, B, C, D
Interacţiuni între 2 factori: AB, AC, AD, BC, BD, CD
Interacţiuni între 3 factori: ABC, ABD, ACD, BCD
Interacţiune între 4 factori: ABCD

De obicei, interacţiunile între 3 şi 4 factori sunt


foarte rare şi putem considera că ele sunt
nesemnificative. Aceste “efecte” se folosesc pentru
a estima “pure error variation”.

201
EXERCIŢIU DOE 6 – 4 FACTORI
ŞI 16 ÎNCERCĂRI
 Realizaţi analiza după explicaţiile din manual.
Observaţi că în manual, încercările sunt listate în
ordine aleatoare şi nu într-o ordine standard. Când
introduceţi datele în MINITAB, este cel mai uşor să se
facă urmatoarele atribuiri pentru factori:
A: Material
B: Tratament
C: Spalare
D: Direcţie

202
MODELE
FACTORIALE
FRACŢIONATE
EXPERIMENTE PE DOUĂ
NIVELURI

203
MODEL EXPERIMENTAL CU 3
FACTORI PE 2 NIVELURI PLUS
INTERACȚIUNE AB
 AB este ortogonal cu A, B si C:

Runda A B C AB
1 -1 -1 -1 1
2 1 -1 -1 -1
3 -1 1 -1 -1
4 1 1 -1 1
5 -1 -1 1 1
6 1 -1 1 -1
7 -1 1 1 -1
8 1 1 1 1
204
ESTIMAREA EFECTELOR PENTRU
UN MODEL ÎN 8 RUNDE PE 2
NIVELURI
Toate coloanele sunt ortogonale:

Runda A B C AB AC BC ABC
1 -1 -1 -1 1 1 1 -1
2 1 -1 -1 -1 -1 1 1
3 -1 1 -1 -1 1 -1 1
4 1 1 -1 1 -1 -1 -1
5 -1 -1 1 1 -1 -1 1
6 1 -1 1 -1 1 -1 -1
7 -1 1 1 -1 -1 1 -1
8 1 1 1 1 1 1 1
205
MODEL EXPERIMENTAL CU 4
FACTORI PE 2 NIVELURI
Adaugati factorul D. Folositi niveluri pentru
interactiunea ABC:

Runda A B C D=ABC
1 -1 -1 -1 -1
2 1 -1 -1 1
3 -1 1 -1 1
4 1 1 -1 -1
5 -1 -1 1 1
6 1 -1 1 -1
7 -1 1 1 -1
8 1 1 1 1 206
GENERAREA MODELELOR ÎN
MINITAB
Stat > DOE > Factorial > Create Factorial
Design
Număr de factori = 4
> Designs: alegeti fracții ½. OK.
> Options: dezactivați “Randomize runs.”
OK.
OK.

207
Stat  DOE  Factorial
 Create Factorial Design

208
Coloana cu
interacțiunea ABC

209
MODELE EXPERIMENTALE CU 4
FACTORI ȘI 2 NIVELURI ÎN 8
RUNDE
 Un inginer dorește să maximizeze rezistența unei
legături la montarea unui circuit integrat (CI) pe un
substrat de sticlă metalizată. S-au identificat 4
factori care par să afecteze duritatea legăturii. Cei
patru factori și nivelurile lor experimentale sunt dați
mai jos:

Factor Nivel scăzut Nivel ridicat


A. Timp de tratare (90 °C) 90 min. 120 min.
B. Material conductor cupru nichel
C. Tip de adeziv D2A H-1-E
D. Material de poleire a CI cositor argint
210
Datele se găsesc
în Icbond.mtw

211
ANALIZAȚI DATELE FOLOSIND
MINITAB
Stat > DOE > Factorial > Analyze Factorial Design
Raspuns: selectati Bond
> Terms: nu schimbati nimic
> Graphs: Effects Plots – activati Normal si Pareto
OK

212
213
214
Plot effects: Stat –
DOE – Factorial –
Factorial Plots

Selectați toți factorii

215
216
Repetați analiza utilizând
numai efectele principale
din model.

217
218
219
220
EXERCIȚIU DOE 7:
ÎMBUNĂTĂȚIREA UNUI PROCES
DE FILTRARE
Când utilizați MINITAB să analizați aceste date, cel
mai simplu va fi dacă veți da următoarele nume
factorilor:
A: Concentrație
B: Vârsta
C: Butanol
D: Temperatură

221
MODEL EXPERIMENTAL CU 7
FACTORI ȘI 2 NIVELURI ÎN 8
RUNDE
Toate coloanele sunt ortogonale:

Runda A B C D=AB E=AC F=BC G=ABC


1 -1 -1 -1 1 1 1 -1
2 1 -1 -1 -1 -1 1 1
3 -1 1 -1 -1 1 -1 1
4 1 1 -1 1 -1 -1 -1
5 -1 -1 1 1 -1 -1 1
6 1 -1 1 -1 1 -1 -1
7 -1 1 1 -1 -1 1 -1
8 1 1 1 1 1 1 1
222
MODEL EXPERIMENTAL CU 7
FACTORI ȘI 2 NIVELURI ÎN 8
RUNDE – MINITAB
Stat > DOE > Factorial > Create Factorial
Design
Numar de factori = 7
> Designs: alegeti fractia 1/16. OK.
> Options: dezactivati “Randomize runs.”
OK.
OK.

223
224
CONFUNDAREA EFECTELOR ÎN
MODELELE SATURATE
 I + ABD + ACE + AFG + BCF + BEG + CDG + DEF + ABCG + ABEF + ACDF + ADEG +
BCDE + BDFG + CEFG + ABCDEFG
 A + BD + CE + FG + BCG + BEF + CDF + DEG + ABCF + ABEG + ACDG + ADEF +
ABCDE + ABDFG + ACEFG + BCDEFG
 B + AD + CF + EG + ACG + AEF + CDE + DFG + ABCE + ABFG + BCDG + BDEF +
ABCDF + ABDEG + BCEFG + ACDEFG
 C + AE + BF + DG + ABG + ADF + BDE + EFG + ABCD + ACFG + BCEG + CDEF +
ABCEF + ACDEG + BCDFG + ABDEFG
 D + AB + CG + EF + ACF + AEG + BCE + BFG + ACDE + ADFG + BCDF + BDEG +
ABCDG + ABDEF + CDEFG + ABCEFG
 E + AC + BG + DF + ABF + ADG + BCD + CFG + ABDE + AEFG + BCEF + CDEG +
ABCEG + ACDEF + BDEFG + ABCDFG
 F + AG + BC + DE + ABE + ACD + BDG + CEG + ABDF + ACEF + BEFG + CDFG +
ABCFG + ADEFG + BCDEF + ABCDEG
 G + AF + BE + CD + ABC + ADE + BDF + CEF + ABDG + ACEG + BCFG + DEFG +
ABEFG + ACDFG + BCDEG + ABCDEF

225
STRUCTURA CONDENSATĂ
ALTERNATIVĂ
 A + BD + CE + FG
 B + AD + CF + EG
 C + AE + BF + DG
 D + AB + CG + EF
 E + AC + BG + DF
 F + AG + BC + DE
 G + AF + BE + CD

226
REZOLVĂRI PENTRU MODELE CU
2 NIVELURI
 Un experiment cu 3 factori în 8 runde este un
exemplu de proiectare full factorială. Nu există efecte
care se pot confunda cu alte efecte.
 Un experiment cu 4 factori în 8 runde are efectele
principale confundate cu interactiunile între 3 factori
si interacțiunile între 2 factori confundate unele cu
altele. Este un model Rezolutiv IV.
 Un experiment cu 5, 6 sau 7 factori în 8 runde are
efectele principale confundate cu interacțiunile între 2
factori. Este un model rezolutiv cu interacțiuni între
2-factori.

227
EXEMPLU DE MODEL SATURAT
ÎN 8 RUNDE
A. (C) Intensificare 1000 psi 1500 psi
B. (B) Dimensiune injectie 3 in. 2 7/8 in.
C. (A) Puritate metal present degas
D. (F) Temperatura dispozitiv 250o F 350o F
E. (E) Velocitate profil 63 ips 121 ips
F. (D) Model spray 1.125 oz 0.875 oz
G. (G) Temperatura metal 1280o F 1220o F

228
229
230
231
Stat – DOE – Factorial – Factorial Plots – activați “Main Effects Plot.”

232
STRUCTURA ALTERNATIVĂ –
EFECTE PRINCIPALE ȘI
INTERACȚIUNI
Include toate Exclude interacțiunile
Interacțiunile cu C,D si G
între 2 factori
A + BD + CE + FG A
B + AD + CF + EG B
C + AE + BF + DG C + AE + BF
D + AB + CG + EF D + AB + EF
E + AC + BG + DF E
F + AG + BC + DE F
G + AF + BE + CD G + AF + BE

233
ANALIZĂ CU FACTORI EXCLUȘI
DIN MODEL
 Repetați analiza
incluzând doar 4
factori cu cele mai
semnificative efecte
principale estimate

234
235
EXERCIȚII DOE 8 ȘI 10
 Exercițiul 8 necesită puțină gândire. Datele s-
ar putea sa nu furnizeze raspunsuri clare.
 Exercițiul 10 este neconcludent. După ce se
rezolvă aceste exerciții vom vedea cum
putem rezolva această problemă și vom face
atunci Exercițiul 11, care este continuare a
exercițiului 10.

236
ABORDAREA MODELELOR CU
REZOLUȚIE III
 Opțiune 1: Nu folosiți niciodată modele de
acest tip. Vor fi incluși doar 4 factori într-un
experiment în 8 runde.
 Opțiune 2: Utilizați modele cu Soluții III
pentru studii inițiale exploratorii. Când
confuzia cauzează probleme, elaborați un
model cu Soluție IV pe baza lor.

237
EXPERIMENTE BAZATE PE ALTE
EXPERIMENTE (PLIATE)

 Pentru a plia un experiment se


înlocuiește fiecare -1 cu +1 și fiecare
+1 cu -1 în experimentul original.
 Combinând experimentul cu rezoluție
III cu plierea se obține un experiment
cu rezoluție IV.

238
EXEMPLU MODEL PLIAT
Model original Model cu solutie III pliat, în
cu SOl III în 4 runde 4 runde

Run A B C Run A B C
1 -1 -1 1 1 1 1 -1
2 1 -1 -1 2 -1 1 1
3 -1 1 -1 3 1 -1 1
4 1 1 1 4 -1 -1 -1

Sau: A + BC, B + AC Sau: A + BC, B + AC


C + AB C + AB

239
MODEL PLIAT COMBINAT
Runda A B C Modelul este un model
1 -1 -1 1 factorial complet. Dacă
2 1 -1 -1 același proces de pliere ar
3 -1 1 -1 fi urmat de un model
factorial fracțional cu
4 1 1 1
rezoluție III în 8 sau mai
5 1 1 -1 multe runde, noul model
6 -1 1 1 ar fi de rezoluție IV.
7 1 -1 1
8 -1 -1 -1

240
EXERCIȚIU DOE 11: MODELE
PLIATE
 Pliați experimentul din exercițiul 10:
Stat > DOE > Factorial > Create Factorial Design
Număr de factori – alegeți 7
> Designs – alegeți fracția 1/16
> Options – alegeți Fold on all factors
> Factors – atașați numele factorilor (opțional)
 Noul model experimental generat va avea modelul
din exercițiul 10 pe primele 8 rânduri și inversul (cu
semn schimbat) pe următoarele 8 rânduri.

241
EXERCIȚIU DOE 12:
EXPERIMENTE FACTORIALE
FRACȚIONATE ÎN 16 RUNDE
 Acest exercițiu este similar exercițiului 7 cu
deosebirea ca sunt 16 runde în loc de 8.
 Procedura pentru folosirea MINITAB este
aceeași.

242
BLOCKING – ÎMPĂRȚIREA PE
BLOCURI
 Dacă un experiment nu poate fi realizat de prima
oară, sau cu un lot de materiale, sau într-o singură
locație, atunci momentul, lotul sau locația pot afecta
experimentul.
 MINITAB permite să specificați câte blocuri doriți să
aveți. Numărul de blocuri trebuie să fie putere de 2
(2,4,8,…). Blocurile sunt tratate ca oricare alt factor
cu excepția faptului că se presupune că blocurile nu
interacționează cu alți factori.
 Numărul de blocuri este introdus în fereastra Designs
în cadrul activității Creati Modele Factoriale.
243
EXERCIȚIU DOE 13:
EXPERIMENT CU BLOCURI
Acest exercițiu implică un experiment în 16
runde care a fost împărțit în două blocuri a câte
8 runde. S-au facut cateva schimbări in
exercitiu:
 Săriți pașii 1, 2, 3 și 6.
 Datele pentru acest exercițiu se afla în două
foi de calcul în proiectul MINITAB Rezistenta
firului (YarnStrength). Verificați dacă datele
sunt corecte și apoi analizați aceste date în
loc să introduceți datele dumneavoastră.
244
REPLICAREA EXPERIMENTELOR
 Dacă procesul studiat este mult prea variabil,
estimările efectelor factorilor pot fi mult prea
îndepartate de valoarea medie adevarată.
 Efectele produse de variabilitatea mare
asupra rezultatelor experimentale poate fi
redusă adesea prin repetarea unui
experiment.

245
AVANTAJELE REPLICĂRII
EXPERIMENTELOR
 Valorile medii înregistrează o variabilitate mai mică
decât valorile individuale, astfel încât valorile medii
calculate de noi tind să se apropie de efectele
adevărate ale factorilor.
 Fără replicare, o valoare singulară eronată sau
aberantă poate distorsiona întreaga analiză.
 Datele din experimentele replicate pot fi folosite
pentru estimarea variabilității din proces. Datele din
experimentele replicate pot fi folosite pentru
determinarea factorilor care afectează nivelul mediu
al procesului și factorii care afectează variabilitatea
procesului.

246
PUNCTE CENTRALE
 Dacă replicarea unui experiment este mult prea
scumpă, atunci ar trebui utilizate 3 sau 4 puncte
centrale când este posibil.
 Punctele centrale sunt utilizate pentru:
 Estimare abatere standard pentru produs/proces.
 Detectare deplasare sau instabilitate.
 Detectare înclinare pentru relația răspuns.

247
PUNCTE CENTRALE
 Nu se pot utiliza puncte centrale pentru x calitativi. În
aceste condiții trebuie replicate unul sau mai multe
puncte de colț.
 ÎNTOTDEAUNA trebuie făcute experimente de
confirmare pentru concluziile studiului. Calculați
intervalele de încredere pentru date.

248
REDUCEREA VARIAȚIEI
PRODUSELOR ȘI PROCESELOR
 Valorile rezultative pentru modelele
experimentale au fost în mod tradițional valori
individuale sau medii ale măsurătorilor.
Obiectivul este de a îmbunătăți răspunsul
mediu.
 DOE poate fi de asemenea utilizat pentru
reducerea variației utilizând logaritmi ai
dispersiilor ca valoare rezultată din
experiment.
249
EXERCIȚIU DOE 14: REDUCEREA
VARIAȚIEI
Generați în MINITAB un experiment cu 16 runde și 5
factori (fracție 1/2). Nu generați runde aleatoare. Numiți
factorii după cum urmează:

Manual MINITAB Nume


D A Numar porturi de mixare
C B Temperatura bol de mixare
B C Timp de mixare
A D Greutate lot
E E Timp scurs intre mixare si ambalare

250