Lö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp

Transkript

1 Sid 1 (9) Lö sningsfö rslag till tentamen i matematisk statistik Statistik öch kvalitetsteknik 7,5 hp Uppgift 1 a) Nämn en kontinuerlig och en diskret fördelning. Exempelvis normalfördelningen respektive binomialfördelningen b) Vad är skillnaden mellan kontinuerliga och diskreta fördelningar? En diskret variabel kan endast anta uppräkneligt många värden (i praktiken oftast heltal), medan en kontinuerlig variabel kan anta vilket värde som helst i ett intervall som dessutom kan vara oändligt långt. Det innebär att diskreta fördelningar kan beskrivas med sannolikhetsfunktionen som talar om sannolikheten att anta de olika värdena. Det fungerar inte för de kontinuerliga fördelningarna (sannolikhetsfunktionen vore meningslöst eftersom alla värden skulle få sannolikhet 0), där vi istället använder täthetsfunktionen. Med hjälp av denna kan man genom att göra integralberäkningar, räkna ut sannolikheter för att hamna i intervall. Uppgift 2 Vid införandet av ett nytt produktionsprotokoll gjordes en undersökning om andelen felaktigt tillverkade produkter har förändrats. Andelen felaktigt tillverkade produkter var innan bytet av protokoll uppskattat till 2% (från ett stickprov på 500 enheter). Efter bytet togs ett nytt stickprov om 600 observationer och man fann då att 8 stycken var felaktiga. Analysen gav följande utskrift. Test and CI for Two Proportions Sample X N Sample p , , Difference = p (1) - p (2) Estimate for difference: 0, % lower bound for difference: -0,

2 Sid 2 (9) Test for difference = 0 (vs > 0): Z = 0,85 P-Value = 0,197 a) Vilken slutsats kan dras från utskriften? Eftersom p-värdet 0,197 > 0,05, kan vi inte förkasta H0: p1 = p2 till förmån för H1: p1 > p2 på 5% signifikansnivå. Vi kan alltså inte statistiskt säkert förkasta att andelen felaktiga är oförändrad trots den minskade andelen i det senare stickprovet. b) Vilken fördelning förutsätter vi att antalet defekta i respektive stickprov har? Bin(500, p1) respektive Bin(600, p2). c) Vad hade testets p-värde blivit om vi använt en tvåsidig mothypotes? Motivera. Det hade blivit 2 0,197 = 0,394 eftersom vi då även räknat med lika extrem avvikelse i andra svansen av fördelningen (symmetrin erhålls tack vare normalapproximationen). Uppgift 3 15 vuxna män i åldrarna 35 till 50 år deltog i en studie för att se hur motion och kostvanor påverkade kolesterolvärdena i blodet. Kolesterolhalten mättes hos var och en innan de började med lätt motion och kost med lite fett, samt tre månader efter att programmet startat. Följande data och resultat erhölls: Person nr i Före xi Efter yi Person nr i Före xi Efter yi Paired T-Test and CI: Före; Efter Paired T for Före - Efter N Mean StDev SE Mean Före ,80 24,96 6,45 Efter ,93 10,48 2,71 Difference 15 26,87 19,04 4,92 95% lower bound for mean difference: 18,21 a) Kan man med utskriften ovan på signifikansnivån 5% säkerställa att kolesterolhalten sänks med motion och fettsnål kost? Motivera.

3 Sid 3 (9) Ett 95% ensidigt nedåt begränsat konfidensintervall för den förväntade kolesterolsänkningen är [18,21 ; ]. Eftersom det 95%-iga intervallet inte täcker värdet 0, kan man konstatera att H0: = 0 förkastas på 5%-nivån till förmån för H1: > 0, dvs sänkningen är signifikant. Alternativt resonemang: Konfidensintervallet [18,21; ] ska ge oss en uppfattning var den sanna differensen ligger. Eftersom intervallet bara täcker in positiva differenser drar vi slutsatsen att den sanna differensen är positiv. Hade intervallet täckt in både positiva och negativa differenser skulle vi inte ha kunna dra någon slutsats. b) Anta att man inte kan anta normalfördelning. Nämn ett alternativt ickeparametriskt test som kan användas i detta fall. Teckentest eller Wilcoxons ettstickprovstest är två alternativ som inte förutsätter normalfördelning. c) Vad är nackdelen med att använda testet i b) om data är normalfördelat? De icke-parametriska testen är svagare, dvs det krävs normalt fler observationer eller större observerade skillnader för att H0 ska förkastas, jämfört med om man använder det parametriska testet som förutsätter normalfördelning. Uppgift 4 Vad står bokstäverna i DMAIC för? Förklara kortfattat vad de olika delarna innebär. DMAIC är ett systematiskt arbetssätt för att hitta orsaker till problem. Sker vanligtvis i projektform. DMAIC skapar ett gemensamt språk och ett enhetligt arbetssätt som underlättar tvärfunktionella samarbeten och samarbeten med leverantörer. DMAIC består av de fem faserna: Definiera, Mäta, Analysera, Förbättra (Improve) och Styra (Control). Definiera. Syftet med denna fas är att tydligt definiera vad problemet är och hur det kan kvantifieras. Problemet och dess symptom studeras och analyseras noga. Mäta. Syftet med mätfasen är att samla mätdata för att skapa en utgångspunkt (läget innan förbättring) och för analys. Förbättringsarbetet skall baseras fakta och frågor som vilket data och hur data ska samlas är viktiga att besvara. Analysera. Syftet med analysfasen är att svara på frågan: Vad är det som påverkar symptomen? Därmed också varför den uppstår. Vid kvantitativa data handlar det om att identifiera

4 Sid 4 (9) vilka X som påverkar projekts olika Y, samt hur dessa (orsaks-)samband ser ut. Med denna kunskap kan man sedan ta fram lämpliga åtgärder. Förbättra (Improve). När nuläget är kartlagt i mätfasen och orsakerna är identifierade i analysfasen går man vidare med att ta fram förbättringar. Det kan finnas flera olika lösningar som måste jämföras. Föreslagen lösning ska sedan noga testas och införas. Styra (Control). Syftet med styrfasen är att ta fram verktyg för att övervaka att förbättringarna blir bestående och att symptomen inte återuppstår. Metoder och verktyg för styrning av processen införs. Här sker också projektuppföljningen med bland annat uppnådda resultat. Uppgift 5 Man vill avgöra om en metalltråd är gjord av ren koppar eller ej genom att undersöka trådens resistans. Teoretiska beräkningar ger att trådens resistans är 55 m om den är gjord av ren koppar. Om mätapparaturen vet man att den ger ett mätresultat som kan betraktas som N(, )-fördelat, där är den sanna resistansen och är mätfelets (okända) standardavvikelse. Man gör 8 mätningar av resistansen och får resultatet: One-Sample T: C1 Test of μ = 55 vs 55 53,7 55,1 56,1 51,9 54,2 52,3 55,2 50,8 Variable N Mean StDev SE Mean 95% CI T P C1 8 53,663 1,845 0,652 (?;?) -2,05 0,079 a) Kommer ett 95% konfidensintervall att täcka värdet 55 m? Motivera. Eftersom p-värdet > 5% kan vi inte förkasta H0: μ = 55 på 5%-nivån. Det innebär även att ett 95% konfidensintervall täcker över värdet 55. b) Förklara vad som menas med SE Mean i utskriften. SE Mean är medelfelet eller den skattade standardavvikelsen för medelvärdet. Den beräknas enligt SE Mean = s n. Uppgift 6

5 Sid 5 (9) Vid en studie av preparat mot klåda gavs fem försökspersoner fyra olika preparat (A, B, C och D) vardera varefter de utsattes för klimedel på huden. Tiden (sekunder) tills klådan upphörde mättes. Följande resultat erhölls: Person Preparat A B C D I MINITAB analyserades datamaterialet som en randomiserad blockdesign och följande utskrift erhölls: General Linear Model: Tid versus Person; Preparat Method Factor coding (-1; 0; +1) Factor Information Factor Type Levels Values Person Random 5 1; 2; 3; 4; 5 Preparat Fixed 4 A; B; C; D Analysis of Variance Source DF Adj SS Adj MS F-Value P-Value Person ,37 0,827 Preparat ,66 0,044 Error Total Model Summary S R-sq R-sq(adj) R-sq(pred) 63, ,92% 22,29% 0,00% Comparisons for Tid

6 Sid 6 (9) Tukey Pairwise Comparisons: Response = Tid, Term = Preparat Tukey Simultaneous Tests for Differences of Means Difference of Preparat Difference SE of Simultaneous Adjusted Levels of Means Difference 95% CI T-Value P-Value B - A -119,0 39,9 (-237,6; -0,4) -2,98 0,049 C - A -65,0 39,9 (-183,6; 53,6) -1,63 0,400 D - A -14,4 39,9 (-133,0; 104,2) -0,36 0,983 C - B 54,0 39,9 ( -64,6; 172,6) 1,35 0,550 D - B 104,6 39,9 ( -14,0; 223,2) 2,62 0,091 D - C 50,6 39,9 ( -68,0; 169,2) 1,27 0,599 Individual confidence level = 98,83% a) Vilka antaganden görs vid en sådan variansanalys? Finns det någonting i residualplottarna ovan som motsäger något av antagandena? Vi antar att slumpfelen är oberoende normalfördelade och med samma varians oavsett behandling, person och uppmätt värde på klådtid. Det finns en tendens att variansen ökar med uppmätt klådtid (övre residualplotten till höger).

7 Sid 7 (9) b) Vilka slutsatser kan man dra, på signifikansnivån 5%, från variansanalysen ovan om alla modellantaganden är uppfyllda (motivera)? Det finns en signifikant effekt av preparatet (p = 0,044 < 0,05). Tukeys test visar att Behandling B ger signifikant längre klådtid än Behandling A. Vid övriga parvisa jämförelser går det inte att dra några statistiskt säkerställda slutsatser. Om man ska välja någon behandling bör det vara B, men den är som konstaterat inte signifikant bättre än C och D. c) I variansanalysen ovan är försöksperson satt som en slumpmässig (random) effekt. Redogör för vad som menas med slumpmässiga effekter. Om man har slumpmässiga effekter kan man se det som om faktornivån är slumpmässigt vald ur en stor population av tänkbara nivåer. Det är inte just den valda faktornivån vi är intresserade av att uttala oss om utan vi vill endast konstatera om det finns en skillnad i responsvariabeln mellan olika nivåer, dvs om det tillförs en varianskomponent som beror på faktornivå. Uppgift 7 Iden med styrdiagram är att med jämna tidsmellanrum ta ut ett eller flera enheter ur produktionen och mäta kritiska mått på dessa. a) Beskriv vilka antaganden som skall vara uppfyllda för att man skall kunna säga att sannolikheten är 0,0027 att få ett falskt larm"? Genomsnittsnivån (väntevärdet) och variansen ska vara konstanta. Den slumpmässiga variationen ska vara normalfördelad och observationerna oberoende. b) Vad ska gälla för processen när man praktiskt skapar ett styrdiagram? Den ska vara under kontroll, dvs uppträda som den förväntas göra i långa loppet, dvs centrerad kring sitt målvärde och med konstant varians. c) I vilken DMAIC-fas är det särskilt lämpligt att använda styrdiagram. Motivera även varför detta är lämpligt. Framför allt i Control-fasen, när man vill kontrollera att de förändringar man gjort fått processen att uppträda på önskat sätt och för att kontrollera att förbättringen blir bestående (inte faller tillbaka till hur det var innan). Uppgift 8

8 Sid 8 (9) En ingenjör upptäckte att hon genom att tillsätta små mängder av en lösning vid tillverkningen av en viss sorts batterier, kunde förlänga batteriernas livslängder. Hon experimenterade med några olika halter av tillsatsen och fick följande resultat Halt tillsats Livslängd (h) 29,7 29,9 30,9 30,4 31,1 30,8 31,1 31,1 32,2 31,8 Hon anpassade en enkel linjär regressionsmodell i MINITAB och fick följande resultat. Regression Analysis: Livslängd versus Tillsats Analysis of Variance Source DF Adj SS Adj MS F-Value P-Value Regression 1 4,7045 4, ,15 0,000 Tillsats 1 4,7045 4, ,15 0,000 Error 8 0,6155 0,07694 Lack-of-Fit 3 0,3455 0, ,13 0,215 Pure Error 5 0,2700 0,05400 Total 9 5,3200 Model Summary S R-sq R-sq(adj) R-sq(pred) 0, ,43% 86,98% 82,06% Coefficients Term Coef SE Coef T-Value P-Value VIF Constant 29,930 0, ,00 0,000 Tillsats 0,4850 0,0620 7,82 0,000 1,00 Regression Equation Livslängd = 29, ,4850 Tillsats a) Anta att alla modellantaganden är uppfyllda. Testa på lämpligt sätt om det finns ett linjärt samband mellan halt av tillsats och livslängd. Använd signifikansnivån 5%. Ange vilken hypotes som testas och vilken slutsats som kan dras. H0: β1 = 0 testas i tabellen ovan. p-värdet är 0,000 vilket innebär att vi på alla rimliga signifikansnivåer kan förkasta hypotesen om att det inte finns något linjärt samband mellan halt av tillsats och livslängd. b) Punktskatta den förväntade livslängden för ett batteri med tillsatsen 5 (samma enhet som i analysen). Varför är det riskabelt att använda den skattning du tagit fram?

9 Sid 9 (9) Den uppskattade livslängden blir 29,93 + 0,485(5) = 32,26 timmar. Vi har ingen kontroll över hur livslängden uppför sig utanför observationsområdet, dvs när halten av tillsats överstiger 4. När vi använder den skattade modellen förutsätter vi att den rätlinjiga modellen fortsätter även utanför observationsintervallet. c) Beräkna residualen för den tredje observationen (x = 1, y = 30,9). Det skattade värdet blir 29,93 + 0,485(1) = 30,42 timmar. Motsvarande residual blir 30,90 30,42 = 0,58.