스피커 | 성적 증명서 |
| 데이브 | 안녕하세요 여러분. 오늘 이 자리에 참석해 주셔서 감사합니다. 1997년부터 식스 시그마 블랙 벨트 프로그램의 일부였던 주제를 여러분과 공유하고 싶습니다. |
| 1997. 저는 이것이 사람들이 정말 좋아하는 도구 중 하나라고 생각하고 여러분도 좋아할 것이라고 생각합니다. |
| JMP에서 사용할 수 있는 일부 도구. |
| 스폰서의 메시지 측면에서 첫 번째 빠른 슬라이드 또는 두 개. 저는 펜실베이니아 주 피츠버그 외곽에 있는 Monroeville 비즈니스 및 기술 센터에서 PPG Industries에 근무하고 있습니다. |
| 저는 그곳에서 30년 넘게 데이터 과학자로 일했고 기술 관리 부서를 들락날락했습니다. 이제 제가 진정으로 즐기는 것으로 돌아가서 특히 데이터와 JMP로 작업하는 것입니다. |
| 그래서 PPG는 1883년에 설립된 지 꽤 되었습니다. 작년에 우리는 Fortune 500대 기업에서 180위에 올랐습니다. |
| 사람들은 PPG가 Pittsburgh Plate Glass의 약자라고 생각하지만 1968년경에는 더 이상 그렇지 않았습니다. 그래서 그것은 ... 지금은 PPG이고 주로 코팅 회사입니다. |
| 성능 코팅 및 산업용 코팅. |
| 자동차, 비행기, 물론 집. 가정에서 사용하기 위해 PPG 페인트 또는 PPG 브랜드를 구입했을 수 있습니다. |
| 하지만 포장 내부에도 사용되므로 |
| 맥주 캔 내부에 코팅이 되어 있지 않으면 맥주가 아주 빨리 스컹크가 됩니다. 내 특정 사업은 특수 코팅 및 재료입니다. |
| 그래서 제 부문에서는 삼성 휴대폰에서 볼 수 있는 범용 디스플레이 회사용 OLED 형광체와 들어가는 광변색성 염료를 만듭니다. |
| 밖으로 나갈 때 어두워지는 트랜지션 렌즈. |
| 그래서 제가 오늘 말씀드릴 것은 샘플링 트리라고 불리는 이 도구입니다. 그리고 그것이 무엇인지는 정말 단순한 그래픽 묘사일 뿐입니다. |
| 수집할 계획이거나 이미 수집한 데이터. |
| 따라서 Gage R&R 일반 측정 시스템 평가, 구성 요소 및 다양한 연구(또는 CoV, 때때로 호출)와 같은 변동 연구에서 |
| 샘플링 트리는 여러 가지에 대해 전략적으로 생각하기 위한 훌륭한 도구입니다. 예를 들어, 이 연구에 어떤 분산 소스가 포함될 수 있거나 포함되어야 합니까? |
| 각 요인 또는 변동 원인 내에 얼마나 많은 수준을 포함할 수 있습니까? 그리고 각 조합 요인과 설정에 대해 얼마나 많은 측정을 해야 합니까? 그래서 당신은 일종의 |
| 여기에서 샘플 크기 질문입니다. 따라서 데이터를 수집하기 전에 이러한 질문을 전략적으로 고려하면 연구의 한계, 연구에서 무엇을 배울 수 있는지, |
| 전반적인 노력이 실행될 것입니다. 식스 시그마 프로그램에서 가르치는 분류 도구에 이것을 넣습니다. |
| 우리가 비판적 사고 도구라고 부르는 것은 미리 생각하는 데 도움이 되기 때문입니다. 수집할 수 있는 데이터에 대해 미래 지향적으로 생각하기 위해 종이나 화이트보드에서 작업할 수 있는 좋은 종류의 화이트보드 연습입니다. |
| 또한 요인 설계의 구조를 이해하는 데 정말 유용합니다. |
| 특히 무작위화에 제한이 있는 경우. 그래서 나는 여러분에게 일종의 개념적 예를 줄 것입니다. |
| 제한된 무작위화 라인인 샘플링 트리에서 설명할 수 있습니다. |
| 그래서 전체 플롯 요소가 어디에 있고 요소의 분할 플롯이 어디에 있는지 알려줍니다. 따라서 수집하려는 데이터에 대한 더 나은 이해를 다시 한 번 미리 제공할 수 있습니다. 그들은 또한 유용합니다 |
| 여기에서 요인 설계와 변형 연구의 구성 요소를 결합한 또 다른 개념적 예를 공유하겠습니다. 이것은 연구 중인 시스템에 대한 학습을 가속화하기 때문에 정말 멋집니다. 따라서 우리는 동시에 우리가 생각하는 요인을 조작하려고 합니다. |
| 반응 수준에 영향을 미치고 동시에 반응의 변화에 기여한다고 생각되는 변화의 구성 요소를 이해합니다. |
| 따라서 데이터가 수집되면 샘플링 트리는 데이터 분석을 용이하게 하는 데 실제로 도움이 될 수 있습니다. 분산 구성 요소 모델을 선택하려고 할 때 특히 그렇습니다. |
| 분산 차트 내에서...JMP에서 사용할 수 있는 가변성 차트. 따라서 해당 도구를 사용해 본 적이 있다면(몇 가지 예를 들어 몇 번에 걸쳐 시연하겠습니다), |
| JMP에 다양한 구성 요소를 계산하도록 요청하는 경우 어떤 종류의 모델을 원하는지 결정해야 합니다. 중첩되어 있습니까? 교차 되었습니까? 교차한 다음 중첩되었을 수 있습니다. |
| 중첩된 다음 교차되었을 수 있습니다. 따라서 올바른 분산 구성 요소 모델이 무엇인지 파악하는 데 도움이 되는 것은 좋은 샘플링 트리를 통해 매우 용이합니다. 우리가 사용했던 다른 곳은 관리도에 대해 생각하는 곳입니다. 그래서 |
| 컨트롤 차트 응용 프로그램이 실제로 도움이 됩니다. |
| 하위 그룹 내에서 변경되는 사항과 하위 그룹 간에 변경되는 사항을 확인합니다. 따라서 컨트롤 차트에서 실제로 보고 있는 내용에 대해 비판적으로 생각하는 데 도움이 됩니다. 그래서 내가 언급했듯이 그들은 일종의 |
| 분할 플롯에서 제한선을 보여주지만 설계된 실험의 분석에는 덜 유용하므로 다시 DOE 유형의 응용 프로그램에 대해 더 많은 종류의 선행이 있습니다. |
| 예를 들어 여기로 이동하겠습니다. 그래서 여기에 분산 연구의 일반적인 구성 요소라고 부르는 것이 있습니다. |
| 그래서 이 경우에 이것은 실제로 문헌에서 나온 것입니다. 이것은 Box Hunter와 Hunter의 "Statistics for Experimenters"에서 가져온 것입니다. 책의 뒷면에서 찾을 수 있습니다. |
| 그들은 분산 연구의 구성 요소에 대해 이야기하고 페인트 프로세스에 있습니다. 그래서 그들이 이 특별한 연구에서 가지고 있는 것은 15개의 배치입니다. |
| 안료 페이스트. 그들은 각 배치를 두 번 샘플링하고 각 샘플에 대해 두 번의 수분 측정을 수행합니다. |
| 따라서 첫 번째 배치의 첫 번째 샘플은 두 번째 배치와 물리적으로 다르며 첫 번째 배치는 |
| 두 번째 배치에서 나온 샘플은 다른 샘플과 물리적으로 다릅니다. 그래서 우리가 사용하고 가르치려고 했던 한 가지 방법은 |
| 내포된 요인의 경우 숫자 순서로 나열하는 것이 종종 도움이 됩니다. 다시 한 번 샘플에서 샘플로 이동하는 물리적으로 다른 실험 단위가 있음을 강조합니다. |
| 그리고 이것은 중첩된 샘플링 계획입니다. 따라서 샘플은 배치 아래에 중첩됩니다. JMP 내의 가변성 차트에서 어떻게 나타나는지 살펴보겠습니다. |
| 좋습니다. 여기 데이터가 있고 품질 및 공정 변동성 아래에 변동성 차트가 있습니다. |
| 그런 다음 여기에 x 변수로 배치와 샘플을 나열할 것입니다. |
| 중첩된 샘플링 계획에서 매우 중요한 한 가지는 샘플링 트리에 있는 것과 동일한 순서로 요소가 여기에 로드된다는 것입니다. 그래서 이것은 계층 적입니다. |
| 그렇지 않으면 결과가 약간 |
| 혼란스러워. 따라서 우리는 이 런칭 플랫폼에서 어떤 종류의 분산 구성 요소 모델을 지정하고 싶은지 결정할 수 있습니다. 그래서 우리는 이것이 중첩된 샘플링 계획이라고 말했습니다. |
| 이제 준비가 되었습니다. 측정은 실제로 하위 그룹이 있는 위치를 정의하기 때문에 측정을 축 목록에서 제외합니다. |
| 그래서 우리는 그것을 생략합니다. 이것이 바로 JMP가 변형 내에서 참조하는 변형 구성 요소에 들어갈 것입니다. |
| 자, 여기 가변성 차트가 있습니다. 가변성 차트의 좋은 점 중 하나는 일부를 추가할 수 있는 옵션이 있다는 것입니다. |
| 일부 그래픽 정보. 그래서 여기에 셀 평균을 연결했습니다. 그래서 이것은 실제로 배치 내의 샘플 사이에 어떤 종류의 변화가 있는지 시각적으로 나타냅니다. |
| 그런 다음 샘플링 트리에 표시된 대로 배치당 두 개의 측정값이 있습니다. 따라서 배치 내의 두 지점과 샘플 사이의 거리는 다음을 나타냅니다. |
| 부분군 내 변동. 그래서 당신은 그것이 방망이에서 바로 떨어져 있는 것처럼 보이는 것을 볼 수 있습니다. 거기에는 샘플 변형에 대한 샘플의 좋은 비트가 있습니다. 여기서 보여주고 싶은 또 다른 것은 그룹 평균입니다. |
| 그러면 배치 간 변형이 표시됩니다. 여기 보라색 선은 배치 간 평균입니다. 좋아요. 이제 여기에서 변형의 실제 분석은 어떻습니까? 분산 구성 요소 아래 JMP에서 잘 수행됩니다. |
| 그리고 |
| 그것을 위로 가져오면 볼 수 있습니다. 그러면 이것을 접겠습니다. |
| 그래픽으로 보았듯이 배치 내에서 샘플 간 변동이 데이터의 전체 변동에 주요한 원인인 것처럼 보였습니다. 사실, 계산은 그것을 확인합니다. 그래서 우리는 |
| 전체 변동의 약 78%가 샘플에서 나옵니다. 약 20%의 변형이 일괄 처리되고 |
| 변동의 약 2.5%만이 배치 및 샘플 내의 측정에서 측정 변동으로 발생합니다. 여기 분산 구성 요소 테이블에서 |
| 여기에 사용된 표기법입니다. 따라서 이것은 샘플이 배치 내에 있음을 나타냅니다. 그래서 이것은 내포된 연구입니다. 그리고 다시, 요인을 |
| 도표에 여기에 표시된 순서대로 가변성 차트에 넣습니다. 따라서 샘플 1에 배치 1과 2가 있다고 말하는 것은 말이 되지 않습니다. 그것은 물리적으로 의미가 없습니다. 그래서 그것은 일종의 트리에서 그것을 반영합니다. |
| 그리고 그냥 |
| 이제 그것을 조금 다른 것과 비교해 봅시다. 저는 이것을 전통적인 Gage R&R 연구라고 부릅니다. 따라서 전통적인 Gage R&R 연구에서 얻을 수 있는 것은 |
| 테스트 중인 여러 부품 샘플 배치가 있습니다. 그런 다음 각각을 테스트하는 여러 운영자가 있습니다. 그런 다음 각각 동일한 샘플 또는 배치를 여러 번 테스트합니다. 따라서 이 특정 예에서는 5개를 보여줍니다. |
| 부품 또는 샘플 또는 배치, 각각을 두 번 측정하는 세 명의 작업자. 이제 이 경우 연산자 1 |
| 배치 번호 1의 경우 배치 또는 샘플 보고서 번호 5의 작업자 번호 1과 동일합니다. |
| 그래서 이것을 말하는 것으로 생각할 수 있습니다. 연산자 종류는 부품, 샘플, 배치가 무엇이든 상관없이 교차합니다. |
| 측정하고 있습니다. 그래서 이것을 교차 연구라고 합니다. 동일한 상품을 측정하는 것이 중요합니다. |
| 교차 연구에서 역할을 하는 것은 중첩 연구에서는 연산자와 그들이 측정하는 것 사이의 잠재적인 상호 작용이라는 것입니다. 이것이 JMP에서 볼 수 있는 분산 성분 분석에 반영될 것입니다. 이제 여기를 살펴보겠습니다. |
| 이 특정 데이터 세트에서. 따라서 다시 품질 및 프로세스 아래에 있는 편리한 가변성 차트로 이동합니다. 그리고 이 경우 샘플링 트리에 표시된 대로 X에 대한 변수에 대해 동일한 순서를 사용하여 시작하겠습니다. |
| 그러나 교차 연구의 특징 중 하나는 더 이상 트리의 계층적 구조에 얽매이지 않는다는 것입니다. 우리는 이것을 뒤집을 수 있습니다. |
| 그래서 이것은 교차됩니다. 여기에서 변경할 수 있도록 주의하겠습니다. 이전부터 내포된 연구가 있었다는 것을 기억하십시오. 계속해서 확인을 클릭하겠습니다. |
| 그리고 나는 우리를 넣을 것입니다 |
| 셀 수단과 그룹 수단이 있습니다. |
| 따라서 이 경우의 그룹 평균은 샘플(3개)이고 세 개의 연산자가 있습니다. |
| 이제 분산 구성 요소를 요청한 경우. |
| 중첩된 연구에서와 같이 연산자 표기법 내에 해당 샘플이 없다는 점에 유의하십시오. 이 경우에 우리가 가지고 있는 것은 운영자 상호 작용에 의한 샘플입니다. |
| 그리고 이 경우에는 가능성이 있다는 것이 이치에 맞습니다. 다시 말하지만, 그들은 동일한 샘플을 측정하고 있기 때문입니다. |
| 따라서 Matt는 Tim과 마찬가지로 QC 실험실과 동일한 샘플을 측정하고 있습니다. 따라서 이 경우의 상호 작용은 한 샘플에서 다른 샘플로 이동할 때 이 패턴이 얼마나 다른지를 실제로 반영합니다. 일반적으로 동일하다는 것을 알 수 있습니다. |
| 처럼 보인다 |
| Matt와 QC는 Tim보다 전체적으로 약간 낮은 것을 측정하는 경향이 있습니다. 이 부분 C는 약간 예외입니다. 그래서 상호 작용 |
| 여기서 변동 기여도는 상대적으로 작습니다. 일부 연산자 대 연산자 변형이 있으며 내부 변형은 실제로 |
| 가장 큰 기여자입니다. 여기에 꽤 넓은 막대가 있기 때문에 여기에서 쉽게 볼 수 있습니다. 그러나 다시 말하지만 이것은 교차 연구이므로 |
| 이러한 요소를 로드하고 동일한 결과를 얻는 순서를 변경할 수 있어야 합니다. 이것이 제 제안입니다. 테스트해 봅시다. |
| 그래서 저는 이 분석을 다시 시작하고 이것들을 전환할 것입니다. 오퍼레이터를 먼저 배치하고 샘플을 두 번째로 배치하겠습니다. 다른 모든 것은 그대로 둡니다. |
| 그리고 계속해서 세포 수단을 넣어봅시다. |
| 그룹은 거기에 의미합니다. |
| 그리고 이제 분산 성분을 물어봅시다. |
| 그래서 그들은 어떻게 비교합니까? 보고서의 해당 부분을 축소하겠습니다. |
| 따라서 그래픽 부분에서 이것은 교차 연구로 인식할 수 있는 멋진 것입니다. |
| 다시 말하지만, 우리는 중첩된 연구에서 가지고 있는 계층 구조에 얽매이지 않고 데이터를 보는 방식에 대한 관점을 변경할 수 있습니다. |
| 따라서 연산자에 먼저 로드되는 관점은 여기서 그룹 평균의 관점에서 일종의 직접적인 연산자 대 연산자 비교를 제공합니다. 그리고 다시 그 상호작용은 이 패턴이 어떻게 변화하는지를 반영합니다. |
| 파트 A, B 또는 C, A, B 또는 C에서 이동하는 연산자입니다. |
| 분산 구성 요소 측면에서 숫자는 어떻습니까? 음, 여기서 분산 구성 요소 테이블은 우리가 로드한 순서를 반영한다는 것을 알 수 있습니다. |
| 요인으로 |
| 대화 상자에 들어가고... |
| 그러나 숫자는 거의 동일하게 나옵니다. 여기 왼쪽에 있는 표본은 표준편차가 1.7입니다. |
| 연산자로 인한 표준 편차는 약 2.3이며 여기에서 같은 값입니다. |
| 샘플별 샘플 또는 샘플별 샘플 상호작용은 정확히 동일합니다. 그리고 내부는 정확히 동일합니다. 그래서, |
| 교차 연구를 통해 우리는 이러한 요소를 로드하는 방법에 약간의 유연성이 있으며 해석이 약간 다릅니다. 이것들이 다른 샘플이라면, |
| 우리는 이 패턴이 연산자에서 연산자로 이동하는 것으로 예상할 수 있습니다. 서로 다른 것을 측정하기 때문에 다소 무작위적일 수 있습니다. 따라서 패턴이 반복될 것이라고 기대할 이유가 없습니다. |
| 여기에 있는 것과 같은 일반적인 종류의 전통적인 Gage R&R 연구에서 중요한 상호 작용 항을 본다면 실제 |
| 처리해야 할 문제 |
| 샘플의 특성으로 인해 작업자가 다르게 측정하게 됩니다. 따라서 상호 작용이 없는 상황보다 문제를 해결하기가 조금 더 어렵습니다. |
| 좋아요. |
| 데이브 | 다시 말하지만, 참고용으로 여기에 나열했습니다. |
| 음, 이제 좀 더 육즙이 많은 것을 시작하겠습니다. 그래서 여기에 우리는 교차 요인과 내포 요인을 모두 가지고 있는 일종의 혼합 연구를 가지고 있습니다. 이것이 제가 일하는 사업이었습니다. |
| 우리가 만드는 재료의 순도는 정말 중요하며 순도 측정을 위한 주력 방법론은 고성능 액체 크로마토그래피 또는 줄여서 HPLC입니다. |
| 그래서 이것은 ... 이것은 제품이었고 FDA 승인 응용 프로그램에 사용되었으므로 올바른 순도가 정말 중요했습니다. |
| 그래서 이것은 더 큰 연구의 한 조각입니다. 하지만 제가 보여드리는 것은 샘플이 3개 있는 경우입니다. 여기에 S1, S2, S3로 레이블을 지정합니다. 이 연구에는 두 명의 분석가가 있습니다. |
| 그래서 각 분석가는 각각의 경우에 동일한 샘플을 측정할 것입니다. 따라서 이전 예에서 보았던 것과 유사한 것을 볼 수 있습니다. 제가 전통적인 Gage R&R이라고 부르는 것은 |
| 이 경우 각 작업자 또는 분석가는 정확히 동일한 부품 또는 샘플을 측정합니다. 그래서 그 부분이 교차됩니다. 분석가 아래로 내려가면 각 분석가는 자료를 가져와 두 번에 걸쳐 준비합니다. |
| 그런 다음 각 준비를 두 번 측정합니다. 그들은 각 준비와 함께 HPLC에 두 번 주입합니다. 따라서 준비 1은 준비 2와 다르며 여기 있는 다음 분석가를 위한 첫 번째 준비와 물리적으로 다릅니다. 그리고 다시, 우리는 기억하려고 노력합니다 |
| 이러한 중첩 요소에 순차적으로 레이블을 지정하여 여기에서 물리적으로 다른 단위임을 나타냅니다. |
| JMP의 관점에서 보면 별 차이가 없습니다. 잘 처리할 것입니다. |
| 시작할 적절한 분산 구성 요소 모델을 알려주는 한. 그래서 이것은 교차되고 중첩됩니다. JMP에서 어떻게 작동하는지 살펴보겠습니다. |
| 여기 우리의 데이터 샘플, 분석가 준비 번호, 그리고 실제로 하위 그룹 내에서 일종의 주입 번호가 있습니다. |
| 따라서 다시 한 번 분석, 품질 및 프로세스로 이동합니다. 변동성 차트로 이동합니다. |
| 그리고 여기에 우리는 |
| 샘플링 트리에 표시된 것과 같은 순서로 요소를 표시합니다. |
| 그런 다음 백분율 영역이 응답이므로 영역을 거기에 넣을 것입니다. 그리고 우리는 이것이 교차되고 중첩되었다고 말했습니다. 그래서 우리는 |
| 여기에서 선택할 수 있는 다른 몇 가지. 이 경우에도 샘플링 트리는 이것이 사실임을 확신하고 올바른 모델을 선택하는 데 정말 정말 도움이 됩니다. 이것은 교차된 다음 중첩됩니다. |
| 확인을 클릭합시다. |
| 나는 셀 수단과 그룹 수단을 거기에 놓을 것입니다. 다시 말하지만, 내부에 관련된 두 번째 요소가 있습니다. 그럼 둘 다 고르자. |
| 그리고 분산 성분을 다시 물어봅시다. |
| 그리고 저는 이 부분을 축소할 것입니다. 바라건대 표준 편차 차트를 축소할 수도 있습니다. |
| 화면 위로 조금 더 가져옵니다. |
| 그래서 그래프에서 우리가 볼 수 있는 것은 샘플 간 편차가 상당하다는 것을 볼 수 있습니다. |
| 내부 변형이 그렇게 나쁘지는 않습니다. |
| 하지만 우리는 아마도 약간의 |
| 준비 내 변형. |
| 그래서, 음, 이 경우의 샘플은 지금까지 가장 큰 |
| 변형의 구성 요소입니다. 실제로 우리가 기대했던 것입니다. |
| 분석가는 |
| 정말이다 |
| 그 아래, 부분군 변동 내에서. 그래서 이것은 우리를 위해 그것을 아주 멋지게 배치합니다. 그래서 측면에서 |
| 구성 요소 측면에서 분산 구성 요소 표에 표시되는 것은 샘플 분석가이고 이 두 가지가 교차하기 때문에 이 경우에 고려해야 할 잠재적인 상호 작용이 있습니다. |
| 전체적인 변화에 크게 기여하지 않는 것 같습니다. 다시 말하지만, 분석가에서 분석가로, 샘플에서 샘플로 이동함에 따라 패턴이 변경되는 방식입니다. |
| 지금, |
| 이전에 완전히 교차된 연구에서 내가 주장한 것은 우리가 |
| 그들의 측면에서 교차 요인 |
| 그들의 순서와 괜찮을 것입니다. 이 경우에 시도해 봅시다. |
| 그래서 이 작업을 다시 실행하고 다시 실행하면 |
| 여기에서 요소가 교차하지만 다시 한 번 트리에 있는 내포된 요소를 그대로 두도록 주의해야 합니다. 여기 분산 구성 요소 표에서 우리가 준비할 때 이것을 읽는 방식을 알아차렸습니다. |
| 샘플과 분석가 내에 중첩됩니다. 그래서 그것은 나무에 있는 것보다 아래로 가야 한다는 것을 의미합니다. |
| 계속해서 |
| 여기에 몇 가지를 연결합니다. |
| 내가 가져갈거야 |
| 표준 편차 차트를 끄고 분산 구성 요소를 요청했습니다. |
| 자, 전통적인 Gage R&R 예제에서 본 것처럼 |
| 분석가와 샘플 전환. |
| 하지만 그들의 값은, 여기 마지막 열에 있는 표준편차를 보면, 그것들은 동일합니다. |
| 우리는 다시 상호 작용 용어에 대해 동일한 값을 가지며 prep에 대해 동일한 값으로 상호 작용합니다. |
| 샘플 및 분석가 내에서 다시 내포된 용어입니다. 다시 한 번 여기에서 샘플링 트리는 데이터 구조를 완전히 이해하는 데 도움이 되며 |
| 분산 성분 |
| JMP 차트. |
| 그래서 그것들은 변형 연구의 구성 요소에 맞춰진 몇 가지 예입니다. |
| 여러분도 알아차릴 수 있는 한 가지는 이전에 이것을 지적하는 것을 잊었습니다. |
| 여기 샘플링 트리를 보세요. 그리고 이것을 다시 가져오면 |
| 그리고 나는 단지 노력하고 있습니다 |
| 이것을 재현하십시오. |
| 그 백업. |
| 데이브 | 가변성 차트에서 가로축을 보면 흥미롭습니다. 실제로는 샘플링 트리가 거꾸로 되어 있습니다. |
| 이것은 적용할 분산 구성 요소 모델을 결정할 때 올바른 구조를 보고 있는지 확인하는 또 다른 방법입니다. |
| 다시 한 번, 여기에 대한 스크린샷이 있습니다. |
| 다음은 예입니다. |
| 샘플링 트리는 모든 것의 관리도에서 변동의 원인을 이해하는 데 도움이 될 수 있습니다. 그래서 이 특별한 경우에, |
| 몇 시간 동안 샘플이 라인에서 분리됩니다. 이들은 실제로 렌즈 샘플입니다. 전이 렌즈에 들어가는 광색성 염료를 만들고 |
| 그들은 정기적으로 렌즈의 필름 두께를 확인하며 이는 파괴적인 테스트입니다. 그래서 그들이 그 렌즈를 가지고 필름 두께를 측정할 때, 글쎄요, 그들은 그 샘플로 그것을 끝냈습니다. 그래서 |
| 이를 위해 x 막대 및 R 차트를 구성하면 x 막대 차트에서 시간당 평균으로 볼 수 있습니다. |
| 그런 다음 하위 그룹 내에서 변동은 여기에서 샘플 간 그리고 두께, 두께 측정으로 구성될 것입니다. |
| 이제 이 경우에는 샘플링 트리에 수직선이 있으므로 이 경우 트리가 분기되지 않습니다. |
| 따라서 샘플링 트리에 세로선을 그릴 때 세로선이 표시되면 트리의 두 수준 사이의 변동성이 교락되었음을 나타냅니다. |
| 그래서, |
| 필름 두께의 고유한 측정 변동을 샘플의 고유한 변동에서 샘플 변동으로 구분할 수 없습니다. 그래서 저는 이 측정 시스템이 작동하는 방식과 관련하여 그것들에 약간 집착하고 있습니다. 이제 이 데이터로 관리도를 만들어 봅시다. |
| 이를 위해 다시 한 번 품질과 프로세스를 살펴보겠습니다. 컨트롤 차트 빌더로 이동하겠습니다. 다시 말하지만 여기서 측정 변수는 필름 두께입니다. |
| 그리고 우리는 매 시간마다 그렇게 하고 있습니다. 이렇게 설정하면 JMP가 샘플링 트리에 표시된 대로 하위 그룹 크기가 3이라는 것을 똑똑하게 확인합니다. |
| 하지만 이 예에서 흥미로운 점은 x 막대 차트에서 제어할 수 없는 점이 너무 많기 때문에 언뜻 보기에 걱정이 될 수 있다는 것입니다. |
| 그러나 샘플링 트리가 우리에게 말하는 것의 관점에서 잠시 생각해 봅시다. |
| 따라서 샘플링 트리는 하위 그룹 내에서 변화하는 것, 평균 범위에 기여하는 것이 무엇인지 다시 말해줍니다. |
| 샘플 간 변동과 함께 필름 두께 대 필름 두께 측정. 제어 한계가 x 막대 차트에서 구성되는 방식을 기억하십시오. |
| 그들은 평균 범위에서 구성됩니다. 그래서 우리는 전체 평균을 취합니다. 그런 다음 해당 범위를 플러스 또는 마이너스로 추가합니다. |
| 이러한 제어 한계의 폭이 평균 범위의 크기에 의해 결정되도록 하는 하위 그룹 표본 크기와 관련된 요인입니다. |
| 그래서 이 차트가 비교하고 있는 것은 여기 트리 맨 아래에 있는 이 측정 변동을 고려해 봅시다. 따라서 측정 변동을 비교하고 있습니다. |
| 우리가 라인에서 얻는 시간별 변화까지. 그래서 그것은 우리가 볼 수 있다는 것을 알려주기 때문에 실제로 좋은 것입니다. |
| 하위 그룹에서 우리가 보는 노이즈 위로 상승하는 변동. 따라서 이 경우에는 실제로 바람직합니다. |
| 다시 말하지만 샘플링 트리는 Xbar 차트에서 하위 그룹 내 및 하위 그룹 간 변동과 관련하여 무슨 일이 일어나고 있는지 상기시키는 데 정말 유용합니다. |
| 이제 설계된 실험의 세계에서 몇 가지 개념적 예만 살펴보겠습니다. 따라서 분할 플롯 실험은 실험의 실행 순서에 제한이 있는 실험입니다. |
| 그리고 그것이 하는 일은 결국 몇 가지 다른 오류 구조를 제공하게 되고 JMP는 이제 무작위화에 대한 제한이 있는 상황에 대한 실험을 설계하고 |
| 그것들을 분석합니다. 그럼에도 불구하고 때로는 도움이 되지만 |
| 오류 구조가 어디에 있는지 이해하기 위해 |
| 분할 및 분할 플롯 설계에서는 전체 플롯 요인 및 서브플롯 요인이라고 하는 항목에 도달합니다. 그리고 무작위화에 대한 제한이 있는 이유는 일반적으로 하나 이상의 요인이 변화하기 어렵기 때문입니다. 따라서 이 특정 |
| 시나리오에서는 다양한 온도와 습도에서 페인트를 뿌릴 수 있는 통제된 환경실이 있습니다. |
| 그러나 문제는 방의 습도를 임의로 변경할 수 없다는 것입니다. 안정화하는 데 너무 오래 걸리고 실험이 다소 비실용적이기 때문입니다. 따라서 이 샘플링 트리에 표시된 것은 실제로 |
| 습도, 수지 및 솔벤트의 세 가지 요소입니다. 이들은 파란색으로 표시됩니다. 그래서 변수를 변경하기 어렵기 때문에 습도를 한 번만 변경합니다. 이것이 JMP에서 분할 플롯 실험을 설정하는 방법입니다. |
| 요인이 변경되기 어려운 정도를 지정합니다. 따라서 이 경우 습도는 변경하기 어렵고 매우 어려운 요인입니다. |
| 따라서 JMP는 실험을 설계하고 사용자가 실험을 분석할 때 이를 고려합니다. |
| 그러나 이것이 우리에게 보여주는 것은 습도가 라인 제한 위에 있기 때문에 전체 플롯 요소로 간주된다는 것입니다. 그런 다음 수지와 솔벤트는 |
| 서브플롯 요인; 그들은 제한선 아래에 있습니다. 따라서 전체 플롯 요소에 대한 제한선 위에는 서브플롯 요소에 대한 오류 구조와 다른 오류 구조가 있습니다. |
| 이 경우에 우리는 여기에 표시된 다른 많은 요소를 가지고 있으며, 이는 공식화 방법에 실제로 영향을 미칩니다. |
| 수지로 구성되어 있고 용매가 코팅에 투입됩니다. 이것은 실제로 제한 무작위화를 사용한 2:3 실험입니다. |
| 여기에는 8가지 다른 공식이 있습니다. 각각을 패널에 적용한 다음 해당 패널을 한 번 측정하여 |
| 측정 간 변동의 관점에서 우리가 보는 것은 패널 변동의 코팅과 혼동됩니다. 앞에서 말했듯이 세로줄이 있는 경우 |
| 샘플링 트리에서 |
| 그런 다음 해당 수준에서 약간의 혼란이 있습니다. 그래서 그것은 우리가 분할 플롯 디자인에서 분할이 어디에 있는지를 보여주기 위해 사용하는 예입니다. |
| 이 특정 예는 다시 개념적이지만 실제로 |
| PPG가 유리 섬유를 만들던 시절부터; 우리는 더 이상 유리 섬유 사업에 종사하지 않습니다. 그러나이 경우에 추구했던 것은 최적화, 또는 적어도 제어 가능한 네 가지 변수가 손실 ???에 미치는 영향을 이해하는 것이었기 때문에 그들은 기본적으로 코트를 입었습니다. |
| 섬유 매트를 사용한 다음 기본적으로 샘플을 태울 때 손실되는 코팅의 양을 측정합니다. 그래서 우리가 여기 트리의 맨 위에 있는 것은 실제로 2의 4 디자인입니다. 따라서 이 경우에는 설계의 각 실행에 대해 4가지 요인의 16개 조합이 있습니다. |
| 매트는 여기에 언급된 대로 12개의 다른 레인으로 분할되었습니다. 그래서 당신은 매트를 건너거야 |
| 1개에서 12개 레인까지 그리고 각 레인 내에서 세 개의 섹션을 제거한 다음 각 레인에 대해 파괴적인 측정을 수행합니다. 그래서 이것은 실제로 요인 설계 실험을 결합합니다. |
| 변형 연구의 구성 요소와 함께. |
| 그리고 다시, 여기 트리의 맨 아래에 수직선이 있는데 측정 대 측정 변동이 다음과 교락되어 있음을 나타냅니다. |
| 섹션별 변형. 그래서 분석 측면에서 여기서 우리가 하게 된 것은 각 DOE 실행의 데이터를 일종의 샘플 대 샘플 변형으로 처리했습니다. |
| Box Hunter 및 Hunter의 수분 예를 들어 배치 대신 DOE 실행 1, 2, 3 등을 16까지 수행한 다음 그 아래에서 하위 샘플링을 수행합니다. 그래서 |
| 우리는 이 부분을 변형 연구의 구성 요소로 취급한 다음 기본적으로 모든 데이터의 평균을 구하여 가장 적합한 설정이 무엇인지 확인했습니다. |
| 여기에 관련된 네 가지 제어 가능한 요소. 그래서 이것은 우리가 이 과정에 대해 가졌던 많은 질문들을 매우 효율적인 방식으로 다루었기 때문에 정말 좋은 연구입니다. |
| 따라서 다시 COV와 DOE를 결합하여 변형 연구의 구성 요소가 포함된 실험 설계를 수행합니다. |
| 요약하자면, 저는 여러분이 샘플링 트리에 대해 이해하셨기를 바랍니다. 샘플링 트리는 매우 간단합니다. |
| 이해하기 쉽습니다. 그들은 구성하기 쉽지만 프로세스 샘플링 또는 측정 시스템 이해 측면에서 우리가 생각하는 것을 통해 이야기하는 데 도움이 됩니다. |
| 그리고 그들은 또한 우리를 돕습니다 |
| JMP의 가변성 차트에서 다양한 구성 요소를 얻으려고 할 때 최상의 분산 구성 요소 모델이 무엇인지 결정합니다. |
| 특정 도구를 많이 사용하는 플랫폼입니다. 저는 JMP가 |
| 그 도구 자체에 대한 것입니다. 그래서 저는 여기에 중첩된 곳, 교차되고 교차된 다음 중첩되는 몇 가지 예를 보여드렸습니다. 그런 다음 이러한 종류의 생각을 적용한 위치 |
| 하위 그룹 내에서 무엇이 달라지는지, 하위 그룹 간에 무엇이 달라지는지 이해하는 데 도움이 되는 관리도입니다. 그리고 아마도 덜 유용할 것입니다...적음 |
| 설계된 실험에서도 사용할 수 있습니다. 여기에서 몇 분 동안 저와 공유해 주셔서 감사합니다. 제 이메일은 표지 슬라이드에 있습니다. 질문이 있으시면 기꺼이 대화하겠습니다. 감사합니다. |
