Tldr: encontramos una diferencia estadística entre el uso del TOC y la distribución de los dedos, y entre golpeteo de la palma y distribución de los dedos, pero no hay diferencias significativas entre golpeteo de la palma y TOC. Pero continuaremos investigando y tendremos algunas ideas interesantes para el próximo experimento.

¿La versión más larga? Comencemos en junio del año pasado, donde queríamos responder lo que sentimos que era una pregunta bastante simple: "¿Distribuyen las herramientas de distribución?"

Para probar esto, fabricamos una herramienta para insertar en una canasta VST de 58 mm llena de café (molido en un molinillo Mazzer en una configuración de espresso típica) dividiendo el café "donde estaba" en segmentos dentro de la herramienta. Aunque los segmentos internos y externos tenían una forma diferente, tenían el mismo volumen. Luego, la herramienta podría volcarse y, con una tapa personalizada, podríamos quitar cada sección individual, pesándolas usando escalas analíticas con una precisión de 1 / 10,000th (!!!) de un gramo. Tenemos más información sobre esta herramienta y nuestras ideas iniciales para este experimento aquí.

A herramienta de distribución que distribuye eficazmente debería, en principio, distribuir una cantidad uniforme de café en cada segmento.

Usamos esta herramienta en tres estilos diferentes de distribución: distribución de dedos, el TOC (ambos siguiendo el protocolo recomendado por Sasa Sastic) y golpeteo de la palma. Se tomaron 10 muestras de cada método.

Originalmente planeamos 20 muestras cada uno, pero esto era un poco ambicioso. Cada muestra produjo 10 puntos de datos: la dosis en sí, el desperdicio entre el exterior de la herramienta y la curva de la canasta, y los ocho segmentos en sí. Esto culminó con 300 mediciones tomadas durante dos días. Estos resultados fueron luego analizados estadísticamente en SPSS, una herramienta de análisis estadístico diseñada por IBM.

Tuvimos que organizar los datos de una manera significativa para el análisis, por lo que primero promediamos las medidas de segmento de cada muestra, condensándolas en un número. Esto resultó en un tamaño de segmento promedio de las 10 mediciones para cada método de distribución. La Figura 1, a su vez, muestra el promedio de esos números.

Estas son solo estadísticas descriptivas, ya que no teníamos nada con lo que compararlas de manera significativa individualmente. Sin embargo, podríamos comparar el promedio del segmento para cada método de distribución con el promedio total que se muestra en la figura 1, lo que nos da lo que se conoce como la “desviación media absoluta” (MAD) que luego promediamos nuevamente. Esta es una buena medida para la dispersión de los datos, ya que un número menor muestra menos dispersión, por lo tanto, mejor o incluso distribución de cada segmento. La figura 2 muestra estos resultados.

Nuestro análisis inicial mostró que estos resultados se distribuyeron normalmente y se eliminaron los valores atípicos. Si bien esto afectó el supuesto de tamaños de muestra iguales, el análisis de varianza que usamos (ANOVA) se considera bastante robusto para desviaciones moderadas de este supuesto. Entonces podríamos continuar con un ANOVA de una vía, un análisis estadístico de varianza. La prueba de Levene, una medida que prueba si las varianzas en la población de la muestra son iguales, no fue significativa, por lo que también podríamos suponer igualdad de varianza.

Este ANOVA de una vía no fue significativo. Esta fue una medida no concluyente al tratar de discernir qué método de distribución del experimento fue más efectivo. Abucheo.

¡Pero! Obtuvimos una gran cantidad de datos de este experimento, por lo que podríamos probar un ángulo diferente.

Como registramos la dosis total para cada muestra, junto con el desperdicio, pudimos restar el desperdicio de la dosis y dividir el resultado por ocho, lo que nos da una aproximación de lo que podría considerarse una “distribución perfecta” para cada segmento, para cada muestra. Luego restamos este número del tamaño de segmento promedio para cada muestra correspondiente, lo que nos da la diferencia entre "distribución perfecta" y "distribución real". Al convertir estos números en valores absolutos, podríamos decir que cuanto menor sea este número, mejor será la distribución. La figura 3 muestra estos resultados.

Los resultados fueron relativamente uniformes, con el OCD nuevamente superando ligeramente al resto con un promedio de segmento más bajo. Sin embargo, otro ANOVA unidireccional para estos resultados nuevamente no fue significativo.

Así que calculamos la DMA de la diferencia media entre la distribución perfecta y la distribución real, la pasamos por otro ANOVA unidireccional (figura 4) y ¡el éxito! ¡Tuvimos un resultado significativo! El análisis mostró que 93% de la varianza podría explicarse por el método de distribución ... Lo que significa que prácticamente no hay diferencia entre los métodos de distribución, en el sentido de que todos variar.

¡Pero! El análisis post-hoc de los resultados mostró que los resultados significativos se limitaron a post-TOC y golpeteo de la palma métodos. Usando la diferencia media de MAD entre la distribución perfecta y la distribución real, esto mostró usando un OCD después la distribución de los dedos le acercó a una distribución perfecta. También mostró el uso de golpeteo de la palma en lugar de de distribución de dedos también lo acercó a una distribución perfecta. Lo hizo no mostrar el uso del TOC sobre golpeteo de la palma fue mejor, o eso golpeteo de la palma sobre el TOC fue mejor. En esta comparación, no hubo diferencias significativas entre los dos.

Mmm. Necesitábamos sumergirnos más profundo, así que había un último ángulo que podíamos tomar. Como teníamos medidas para el exterior segmento de cada muestra, y mediciones para el interno segmento de cada muestra, podríamos argumentar que un método de distribución efectivo tendría poca o ninguna diferencia entre las mediciones del segmento interno y externo. El promedio de estos números para cada muestra nos daría una cifra en la que un número menor significaría una distribución mejor o uniforme. La figura 5 muestra estos resultados.

¡Tuvimos éxito de nuevo! Otro ANOVA de una vía mostró una diferencia significativa entre las medias. Esta vez, 76% de la varianza podría explicarse mediante el método de distribución. ¡Pero! El análisis post Hoc nuevamente mostró que esta diferencia era entre pre-TOC y TOC, y pre-TOC y golpeteo de la palma - de nuevo no entre TOC y golpeteo de la palma. Aquí golpeteo de la palma tenía una diferencia media más baja (así como una varianza más baja) pero esta diferencia de dos centésimas de gramo fue no Estadísticamente significante. Otro ANOVA unidireccional de la diferencia media de MAD entre el segmento interior y exterior (figura 6) fue igualmente insignificante.

Este experimento tenía algunas limitaciones que es necesario mencionar. Obviamente, hubiéramos preferido un tamaño de muestra mayor. Sin embargo, el diseño de este experimento no se prestó a un muestreo sencillo. En este sentido, puede resultar más práctico diseñar un experimento que se centre en la misma segmentación del disco de hockey, pero debajo de la canasta, ya que el tiro se está vertiendo. La idea de "distribución perfecta", que significa tamaños de segmento iguales, permanecería con este diseño. También está la variable práctica de apisonar que estuvo ausente en este experimento. Parece una presión a la baja de sentido común sobre el disco de hockey afectaría la distribución. Esperamos centrarnos en estas dos consideraciones en el futuro.

Entonces, ¿un buen resumen de estos resultados? Más de 300 mediciones y seis ANOVA más tarde, encontramos una diferencia estadísticamente significativa entre usar el OCD o golpeteo de la palma sobre la distribución de los dedos. Sin embargo, el TOC no es una forma de distribución más eficaz que golpeteo de la palma. Sin embargo, en base a esto, continuaremos investigando y experimentando para encontrar una respuesta concluyente a esta pregunta: "¿distribuyen las herramientas de distribución?"