揚聲器 | 成績單 |
| 戴夫 | 大家好。 感謝您今天來到這裡，我想與您分享一個自 1997 年以來一直是我們的 6 Sigma 黑帶計劃一部分的主題。 |
| 1997 年。所以我認為這是人們真正喜歡的工具之一，我想您也會喜歡它，並發現它在如何與其他人交互方面提供了豐富的信息。 |
| JMP 中提供的一些工具。 |
| 第一兩張快速幻燈片是我們贊助商的信息。 我在賓夕法尼亞州匹茲堡郊外的 PPG Industries 門羅維爾商業和技術中心工作。 |
| 我在那裡斷斷續續地擔任數據科學家 30 多年，曾進出技術管理崗位。 現在，回到我真正喜歡的事情，即處理數據，尤其是 JMP。 |
| PPG已經存在了一段時間了，成立於1883年。 去年我們在財富 500 強中排名第 180 位。 |
| 我們主要生產油漆，儘管人們認為 PPG 代表匹茲堡平板玻璃，但從 1968 年左右開始，情況已不再如此。 所以它現在是 PPG，主要是一家塗料公司。 |
| 高性能塗料和工業塗料。 |
| 汽車、飛機，當然還有房子。 您可能購買了 PPG 塗料或 PPG 品牌的塗料用於您的家中。 |
| 但它也用在包裝內部，所以 |
| 如果啤酒罐內部沒有塗層，啤酒很快就會變質。 我的特殊業務是特種塗料和材料。 |
| 所以我的部分是，我們為通用顯示器公司生產 OLED 熒光粉，您可以在三星手機中找到這種熒光粉，還可以使用光致變色染料。 |
| 過渡鏡片，當您外出時，鏡片會變暗。 |
| 所以我今天要和大家談論的是這個叫做採樣樹的工具。 它是什麼，實際上只是一個簡單的圖形描述 |
| 您計劃收集或可能已經收集的數據。 |
| 因此，在變異研究中，例如 Gage R&R 通用測量系統評估、組件和各種研究（或我們有時稱之為 CoV）， |
| 採樣樹是戰略性思考許多事情的一個很好的工具。 那麼，例如，哪些方差來源可以或應該包含在本研究中？ |
| 每個因素或變異來源可以包含多少個水平？ 對於每個組合因素和設置需要進行多少次測量？ 所以你有點接近 |
| 樣本量問題在這裡。 因此，在收集任何數據之前戰略性地考慮這些問題還可以幫助您確定研究的局限性，您可以從中學到什麼， |
| 以及將要執行的總體工作是什麼。 因此，我們將其放入我們在六西格碼計劃中教授的分類工具中， |
| 我們稱之為批判性思維工具，因為它可以幫助您預先思考。 這是一種很好的白板練習，您可以在紙上或白板上進行前瞻性思考您可能收集的數據。 |
| 它對於理解因子設計的結構也非常有用， |
| 特別是當你對隨機化有限制時。 所以我會給你一種概念性的例子，在最後， |
| 您可以在採樣樹上描述一條受限隨機化線。 |
| 這樣就可以告訴您整個圖因子在哪里以及因子的分割圖在哪裡。 因此，它可以讓您再次預先更好地了解您計劃收集的數據。 它們也很有用 |
| 我將分享另一個概念性示例，其中我們將因子設計與變異研究的組成部分相結合。 所以這真的很酷，因為它加速了對所研究系統的學習。 所以我們同時嘗試操縱我們認為的因素 |
| 影響響應的水平，同時了解我們認為有助於響應變化的變化組成部分。 |
| 所以一旦獲取了數據，採樣樹確實可以幫助你方便對數據的分析。 當您嘗試選擇方差分量模型時尤其如此 |
| 在方差圖表中...JMP 中提供的方差圖表。 因此，如果您曾經使用過該工具（我將在幾個例子中為您演示......並舉幾個例子）， |
| 如果您要求 JMP 為您計算各個組成部分，您必須決定您想要哪種模型。 是嵌套的嗎？ 是穿越了嗎？ 也許是交叉然後嵌套的。 |
| 也許它是嵌套然後交叉的。 因此，良好的採樣樹確實可以很好地幫助您找出正確的方差分量模型。 我們使用它們的另一個地方是我們考慮控製圖的地方。 所以 |
| 控製圖應用程序確實可以幫助您 |
| 查看子組內的變化以及子組之間的變化。 因此，它可以幫助您批判性地思考您在控製圖中實際看到的內容。 正如我所提到的，它們有利於某種 |
| 在分割圖中顯示限制線，但它們對於設計實驗的分析不太有用，因此對於 DOE 類型的應用程序來說，更多的是預先進行。 |
| 那麼讓我們通過一個例子開始吧。 這就是我所說的方差研究的一般組成部分。 |
| 所以在這種情況下，這實際上來自文獻。 這是來自 Box Hunter 和 Hunter 的《實驗者統計》，你會在書的後面找到它 |
| 他們正在談論方差研究的組成部分，而它恰好是在油漆過程中。 所以他們在這項特殊研究中擁有 15 批 |
| 顏料膏。 他們對每批樣品進行兩次採樣，然後對每個樣品進行兩次水分測量。 |
| 因此，第一批中的第一個樣品在物理上與第二批不同，並且第一個樣品 |
| 第二批樣品在物理上與任何其他樣品不同。 因此，我們嘗試使用和教授的一種做法是 |
| 對於嵌套因素，按數字順序列出它們通常會很有幫助。 因此，這再次強調了您在整個過程中從一個樣本到另一個樣本都有物理上不同的實驗單元。 |
| 這是一個嵌套抽樣計劃。 因此樣本嵌套在批次下。 那麼讓我們看看 JMP 中的變異性圖表如何體現這一點。 |
| 好的，這是數據，我們在質量和過程變異下找到了變異圖表。 |
| 然後我們將在此處列出批次作為 x 變量，然後列出樣本。 |
| 在嵌套抽樣計劃中非常重要的一件事是，因子以與抽樣樹中的順序相同的順序加載到此處。 所以這是分層的。 |
| 所以，不然結果會有點 |
| 令人困惑。所以我們可以在這個啟動平台上決定我們想要指定什麼樣的方差分量模型。 所以我們說這是一個嵌套抽樣計劃。 |
| 現在我們準備好了。 我們將測量值排除在軸列表之外，因為測量值實際上只是定義了子組的位置。 |
| 所以我們就把它排除在外。 這就是 JMP 所說的變體內部的變體部分。 |
| 好的，這是變異性圖表。 變異性圖表的好處之一是可以選擇添加一些 |
| 一些圖形信息。 所以在這裡我連接了單元格的平均值。 因此，這實際上從視覺上表明了批次內樣品之間存在什麼樣的變化。 |
| 然後我們每批次有兩次測量，如抽樣樹所示。 因此批次內兩點與樣本之間的距離表示 |
| 亞組變異內。 所以你可以看到它看起來就像是馬上就有了大量的樣本到樣本的變化。 我們可能想在這裡展示的另一件事是群體均值。 |
| 這向我們展示了批次之間的變化。 所以這裡的紫色線是批次之間的平均值。 好的。 現在，我們來看看這裡的變化的實際分解情況。 嗯，這在 JMP 的方差分量下做得很好。 |
| 和 |
| 把它放在那裡，我們可以看到它，然後我會把它折疊起來。 |
| 正如我們從圖表中看到的，批次內樣本之間的差異似乎是數據總體差異的主要貢獻者。 事實上，計算證實了這一點。 所以我們有 |
| 總變異的大約 78% 來自樣本；批次之間大約有 20% 的變化 |
| 只有大約 2.5% 的變異來自批次和样品內測量之間的變異。 我注意到在方差分量表中， |
| 這裡使用的符號。 因此這表明該樣品在該批次內。 所以這是一項嵌套研究。 再說一次，重要的是我們將這些因素加載到 |
| 按照圖中所示的順序進入變異性圖表。 因此，說在樣品一中我們有第一批和第二批是沒有任何意義的。 這沒有任何物理意義。 所以它在樹中反映了這一點。 |
| 而且只是 |
| 現在讓我們將其與稍微不同的東西進行比較。 我將其稱為傳統的 Gage R&R 研究。 因此，傳統 Gage R&R 研究中的內容是 |
| 您有許多正在測試的零件樣品批次。 然後有許多操作員正在測試其中的每一項。 然後每個人對同一樣品或批次進行多次測試。 所以在這個特定的例子中我們展示了五個 |
| 零件、樣品或批次，三名操作員每樣測量兩次。 現在在這種情況下，操作員一 |
| 對於第 1 批，與第 5 批或樣品報告的第 1 號操作員相同。 |
| 因此，您可以將其視為是說，操作員在零件、樣品、批次之間進行交叉，無論發生了什麼 |
| 進行測量。 因此，這被稱為交叉研究。 重要的是他們測量同一篇文章，因為其中一個因素 |
| 在交叉研究中發揮作用的一點是，在嵌套研究中沒有操作員與其測量對象之間的潛在相互作用。 因此，這將反映在我們從 JMP 中看到的方差成分分析中。 現在我們就來看看這裡吧。 |
| 在這組特定的數據上。 因此，我們再次查看方便的變異性圖表，該圖表再次位於質量和流程下。 在本例中，我將首先對 X 的變量使用與採樣樹上所示相同的順序。 |
| 但是，正如我將向您展示的，交叉研究的特徵之一是我們不再受制於樹的層次結構。 我們可以扭轉這些。 |
| 所以這是交叉的。 我會在這裡小心地改變它。 請記住，我們之前有一個嵌套研究。 我將繼續並單擊“確定”。 |
| 我要把我們的 |
| 單元格的意思和組的意思就在那裡。 |
| 因此，在這種情況下，組意味著樣本（三個），並且我們有三個操作員。 |
| 現在，如果我們要求方差分量。 |
| 請注意，我們在運算符表示法中沒有該樣本，就像我們在嵌套研究中那樣。 在本例中，我們得到的是操作員交互的樣本。 |
| 在這種情況下這是有可能的，因為他們再次測量相同的樣本。 |
| 因此，Matt 正在測量與 QC 實驗室相同的樣品 a，就像 Tim 一樣。因此，這種情況下的交互確實反映了從一個樣本到另一個樣本時這種模式有多麼不同。 所以你可以看到它基本上是相同的 |
| 看起來像 |
| Matt 和 QC 衡量的總體結果可能比 Tim 低一些。 C 部分有點例外。 所以，互動 |
| 這裡的變異貢獻相對較小。 存在一些操作符與操作符之間的差異，並且內部差異確實存在 |
| 是最大的貢獻者。 在這裡很容易看到這一點，因為我們這裡有一些相當寬的酒吧。 但同樣，這是一項交叉研究，所以 |
| 我們應該能夠更改加載這些因素的順序並獲得相同的結果。 這就是我的建議；讓我們測試一下。 |
| 因此，我將重新啟動此分析，並更改這些內容。 我將把操作員放在第一位，然後將樣本放在第二位。 讓其他一切保持不變。 |
| 讓我們繼續並把我們的細胞意味著 |
| 和組的意思就在那裡。 |
| 現在我們來求方差分量。 |
| 那麼他們如何比較呢？ 我要折疊報告的這一部分。 |
| 因此，在圖形部分中，通過交叉研究認識到這是一件很酷的事情 |
| 因為我們不再局限於嵌套研究中的層次結構，我們可以改變我們看待數據的視角。 |
| 因此，從運算符中加載的角度首先為我們提供了一種直接的運算符與運算符之間的組均值比較。 這種相互作用再次反映了這種模式如何在 |
| 當我們從 A、B 或 C、A、B 或 C 部分開始時，操作符就在這裡。 |
| 方差分量的數字又如何呢？ 好吧，我們看到這裡的方差分量表反映了我們加載這些的順序 |
| 因素納入 |
| 進入對話框並... |
| 但得出的數字非常相似。 所以左邊的樣本，標準差是 1.7。 |
| 運算符造成的標準偏差約為 2.3，這裡的值相同。 |
| 如果您願意的話，按操作員進行的示例或按操作員進行示例的交互是完全相同的。 而且裡面是一模一樣的。 所以， |
| 通過交叉研究，我們在如何加載這些因素方面有一定的靈活性，然後解釋會有點不同。 如果這些是不同的樣本， |
| 我們可能期望這種模式從一個操作員到另一個操作員，會有些隨機，因為他們正在測量不同的東西。 因此，沒有理由預期這種模式會重演。 |
| 如果您確實在典型的傳統 Gage R&R 研究中看到了重要的交互項，就像我們在這裡所做的那樣，那麼您就得到了一個真正的 |
| 需要處理的問題，因為這告訴你 |
| 樣本的性質導致操作員進行不同的測量。 因此，與沒有交互的情況相比，這個問題更難解決。 |
| 好的。 |
| 戴夫 | 再次強調一下，我在這裡列出了這一點，供您參考。 |
| 嗯，現在讓我們來做一些更有趣的事情。 因此，我們在這裡進行了一項混合研究，其中既有交叉因素又有嵌套因素。 這就是我所從事的業務。 |
| 我們生產的材料的純度非常重要，測量純度的主要方法是高效液相色譜法或簡稱 HPLC。 |
| 所以這是一個……這是一個產品，它正在 FDA 批准的應用中使用，所以正確的純度非常重要。 |
| 這是一項更大規模研究的一部分。 但我展示的是我們有三個樣本的情況；我在這裡將它們標記為 S1、S2、S3。 我們有兩名分析師參與這項研究。 |
| 因此，每個分析師都會在每種情況下測量相同的樣本。 所以你可以看到，類似於我們在前面的例子中，我稱之為傳統的 Gage R&R， |
| 在這種情況下，每個操作員或分析師都在測量完全相同的零件或樣品。 所以這部分被劃掉了。 當你接受分析師的指導時，每個分析師都會拿材料並準備兩次。 |
| 然後他們對每個準備工作進行兩次測量。 他們對每種製劑進行兩次 HPLC 進樣。 因此，準備一與準備二不同，並且與這裡下一位分析師的第一次準備在物理上也不同。 再次，我們嘗試記住 |
| 按順序標記這些嵌套因素，以表明它們在物理上是不同的單位。 |
| 從 JMP 的角度來看，這並沒有什麼區別，它會很好地處理它，如果你要按照 1-2、1-2、1-2 等等進行下去，那很好， |
| 只要你告訴它正確的方差分量模型即可。 所以這將被交叉然後嵌套。 那麼讓我們看看 JMP 中的效果如何。 |
| 這是我們的數據樣本、分析師準備編號，以及實際上屬於子組內的注入編號。 |
| 因此，我們再次進行分析、質量和流程。 我們轉到變異性圖表。 |
| 在這裡我們要輸入 |
| 因子的順序與採樣樹上顯示的順序相同。 |
| 然後我們將面積放在那裡，因為百分比面積就是響應。 我們說這是交叉然後嵌套的，所以我們有 |
| 還有一些其他的東西可以從這裡選擇。 在這種情況下，採樣樹對於幫助我們確信情況確實如此並選擇正確的模型確實非常有幫助。 這是交叉的，然後嵌套的。 |
| 我們點擊“確定”。 |
| 我將把單元格均值和組均值放在那裡。 同樣，我們還有一個高於內部的因素。 所以讓我們選擇他們兩個。 |
| 讓我們再次詢問方差分量。 |
| 希望我會折疊這部分，也許我會折疊標準差圖表，只是 |
| 將屏幕上的距離拉得更遠一些。 |
| 因此，我們在圖表中可以看到，我們看到了很多樣本之間的變化。 |
| 內部變化看起來還不錯。 |
| 但我們也許確實看到了一點 |
| 製劑內的變化。 |
| 所以，嗯，這個案例的樣本是迄今為止最大的 |
| 變化的組成部分，這正是我們所希望的。 |
| 分析師是 |
| 是真的 |
| 低於該值，在子組變異內。 這為我們很好地展示了這一點。 所以就 |
| 它在方差成分錶中顯示的成分是樣本分析師，然後因為這兩者是交叉的，所以在這種情況下我們需要考慮潛在的相互作用。 |
| 似乎並沒有對整體變化做出很大貢獻。 再說一遍，當我們從一個分析師到另一個分析師、從一個樣本到另一個樣本時，模式就會發生變化。 |
| 現在， |
| 我之前在完全交叉研究中提出的主張是我們可以更換 |
| 就其交叉因素而言 |
| 就他們的順序而言，那就沒問題了。 那麼讓我們在這個例子中嘗試一下。 |
| 所以我要重做這個，重新啟動它，我想我可以換掉 |
| 這裡交叉了因素，但我必須再次小心地將嵌套因素留在樹中。 所以我注意到在方差分量表中，我們在準備時閱讀此內容的方式 |
| 嵌套在樣本和分析人員中。 所以這意味著它必須低於樹上的那些。 |
| 那麼讓我們繼續吧 |
| 在這裡連接一些東西。 |
| 我將採取 |
| 繪製標準差圖表並詢問方差分量。 |
| 好的，就像我們在傳統的 Gage R&R 示例中看到的那樣 |
| 分析師和样本切換。 |
| 但如果我們查看最後一列中的標準差，它們的值是相同的。 |
| 我們再次對交互項有相同的值，並且對準備項的相同值進行交互 |
| 術語，它又嵌套在樣本和分析師中。 再說一遍，採樣樹可以幫助我們真正完全理解數據的結構，並與我們在數據中看到的內容很好地補充。 |
| 方差分量 |
| JMP 圖表。 |
| 所以，這些是一些針對變異研究組成部分的例子。 |
| 你可能也會注意到一件事，我之前忘了指出這一點，那就是 |
| 看看這裡的採樣樹。 如果我把這個帶回來 |
| 我只是想 |
| 重現這個。 |
| 那個備份。 |
| 戴夫 | 有趣的是，如果您查看變異性圖表中的水平軸，它實際上是顛倒的採樣樹。 |
| 因此，當您嘗試決定應用哪些方差分量模型時，這是確認您正在查看正確結構的另一種方法。 |
| 再說一次，這是屏幕截圖。 |
| 這是一個例子，其中 |
| 抽樣樹可以幫助您了解所有事物的控製圖中的變異來源。 所以在這個特殊情況下， |
| 經過幾個小時，樣品被從生產線上取出。 這些實際上是鏡片樣品。 我提到過我們製造光致變色染料用於過渡鏡片 |
| 他們會定期檢查鏡片上的薄膜厚度，這是一項破壞性測試。 因此，當他們拿起鏡頭並測量薄膜厚度時，他們就完成了樣品的測量。 所以 |
| 如果我們為此構建一個 x 條形圖和 R 圖表，我們會看到您將在 x 條形圖上看到平均值，即每小時的平均值。 |
| 然後，子組內的變異將由樣本之間發生的情況以及厚度、厚度測量組成。 |
| 現在，在這種情況下，請注意採樣樹中有垂直線，因此在這種情況下樹不會分支。 |
| 因此，當您在採樣樹上繪製垂直線時看到垂直線時，這表明樹的這兩個級別之間的變化是混雜的。 |
| 所以， |
| 我無法真正將薄膜厚度的固有測量變化與樣品之間的固有變化分開。 所以我對這個測量系統的工作原理有點堅持。 因此，讓我們用這些數據繪製一個控製圖。 |
| 為此，我們將再次關注質量和流程。 我將進入控製圖生成器。 再說一遍，我們的測量變量是薄膜厚度。 |
| 我們每小時都在這樣做。 因此，當我們通過這樣做進行設置時，我們會看到 JMP 智能地發現子組大小為 3，正如我們的採樣樹上所示。 |
| 但此示例中有趣的是，您乍一看可能會感到擔心，因為 x 條形圖上有很多失控的點。 |
| 但讓我們考慮一下採樣樹告訴我們的內容。 |
| 因此，採樣樹再次告訴我們，子組內的變化是什麼，對平均範圍的貢獻是什麼，是 |
| 薄膜厚度到薄膜厚度的測量，以及樣品到樣品的變化。 並記住控制限是如何在 x 條形圖上構建的。 |
| 它們是根據平均範圍構建的。 所以我們取總體平均值。 然後我們加上這個範圍的正負 |
| 與子組樣本大小相關的因素，因此這些控制限的寬度由平均範圍的大小決定。 |
| 因此，這張圖表真正要比較的是，讓我們考慮一下樹底部的測量變化。 所以它是比較測量變化 |
| 到我們從線路中得到的每小時變化。 所以這實際上是一件好事，因為它告訴我們我們可以看到 |
| 高於我們在子組中看到的噪音的變化。 所以在這種情況下，這實際上是可取的。 |
| 因此，再次強調，採樣樹確實有助於提醒我們 Xbar 圖中在子組內和子組之間的變化方面發生了什麼。 |
| 現在，只是設計實驗領域中的幾個概念示例。 因此，裂區實驗是一種對實驗的運行順序有限制的實驗。 |
| 其作用是最終給出幾個不同的錯誤結構，JMP 現在在設計實驗方面做得很好，針對我們對隨機化有限制的情況，而且 |
| 分析那些。 所以，儘管如此，儘管有時還是有幫助的 |
| 了解這些錯誤結構可能在哪裡 |
| 分割，在分割圖設計中，您會遇到所謂的整體圖因子和子圖因子。 限制隨機化的原因通常是因為一個或多個因素很難改變。 所以在這個特殊的 |
| 場景中，我們有一個受控的環境室，我們可以在不同的溫度和濕度下噴漆。 |
| 但問題是你不能隨機改變房間裡的濕度，因為它需要很長時間才能穩定，這使得實驗相當不切實際。 所以這個採樣樹中顯示的是你確實有 |
| 這裡的三個因素是濕度、樹脂和溶劑。 這些以藍色顯示。 因此我們只改變濕度一次，因為它是一個很難改變的變量。 這就是您在 JMP 中設置裂區實驗的方法，您可以 |
| 指定這些因素改變的難度。 所以在這種情況下，濕度是一個很難改變的因素。 |
| 因此，JMP 在設計實驗和分析實驗時會考慮到這一點。 |
| 但這向我們表明，濕度將被視為整個繪圖因子，因為它高於線限制，然後樹脂和溶劑是 |
| 次要情節因素；他們低於限制線。 因此，整個圖因子的限制線上方存在與子圖因子不同的誤差結構。 |
| 在這種情況下，我們在這裡顯示了一大堆其他因素，這些因素確實影響了配方的效果 |
| 它是由樹脂和溶劑製成的塗料。 所以這實際上是一個限制性隨機化的 2 到 3 實驗。 |
| 裡面有八種不同的配方。 將每個應用到面板上，然後對該面板進行一次測量，以便 |
| 我們所看到的測量變化與面板變化中的塗層相混淆。 正如我之前所說，當我們在 |
| 在採樣樹上，那麼我們有 |
| 那麼我們在這些層面上會遇到一些混淆。 這就是一個例子，我們用它來向我們展示分割圖設計中分割的位置。 |
| 這個特殊的例子再次是概念性的，但它實際上來了 |
| 從 PPG 製造玻璃纖維的時代開始；我們不再從事玻璃纖維業務。 但在這種情況下，所尋求的是一種優化，或者至少了解四個可控變量對所謂損失的影響???，所以他們基本上接受了外套 |
| 纖維墊，然後測量當它們基本上燃燒樣品時損失的塗層量。 所以我們在樹頂部的實際上是 2 到 4 的設計。 因此，在本例中，對於設計中的每次運行，四個因素有 16 種組合， |
| 墊子被分成 12 條不同的車道，正如這裡所說的那樣。 所以你要穿過墊子 |
| 從 1 到 12 條車道，然後我們取出每一條車道內的三個部分，然後我們對每一條車道進行破壞性測量。 所以這實際上結合了因子設計實驗。 |
| 與變化研究的組成部分。 |
| 同樣，我們在樹的底部有垂直線，表明測量到測量的變化與 |
| 節與節之間的變化。 因此，我們最終在分析方面所做的是，我們將每次 DOE 運行的數據視為樣本之間的變化，就像我們在 |
| 來自 Box Hunter 和 Hunter 的水分示例，為了代替批次，這裡讓 DOE 運行 1、2、3 等等到 16，然後我們在下面進行子抽樣。 所以 |
| 我們將這部分視為變異研究的一個組成部分，然後我們基本上對所有數據進行平均，以查看什麼是最佳設置 |
| 這裡涉及四個可控因素。 所以這確實是一項很好的研究，因為它以非常有效的方式解決了我們對此過程的很多問題。 |
| 再次強調，將 COV 與 DOE 結合起來，設計實驗並進行變異研究。 |
| 總而言之，我希望您能夠欣賞對樹木進行採樣，因為它們非常簡單。 |
| 它們很容易理解。 它們很容易構建，但它們非常適合幫助我們討論我們在過程採樣或理解測量系統方面的想法。 |
| 他們也幫助我們 |
| 當我們希望從 JMP 變異性圖表中獲取各種成分時，確定什麼是最佳方差成分模型 |
| 平台，我們從該特定工具中得到了很多使用，我想說的是，JMP 的入場價格是值得的 |
| 對於該工具本身而言。 因此，我在這裡向您展示了一些示例，其中嵌套、交叉、交叉然後嵌套，以及我們將這種思維應用到的地方 |
| 控製圖可以幫助我們了解子組內的變化以及子組之間的變化。 然後，也許沒那麼有用……沒那麼有用 |
| 我們也可以將它們用於設計的實驗。 感謝您在這裡與我分享幾分鐘的時間，我的電子郵件位於封面幻燈片上，因此如果您有任何疑問，我很樂意與您就此進行交談。 所以謝謝。 |
