Vocero | Transcripción |
| dave | Hola a todos. Gracias por acompañarme aquí hoy, me gustaría compartir con ustedes un tema que ha sido parte de nuestro programa Six Sigma Black Belt desde 1997. |
| 1997. Así que creo que esta es una de las herramientas que la gente realmente disfruta y creo que usted también la disfrutará y la encontrará informativa en términos de cómo interactúa con |
| algunas de las herramientas disponibles en JMP. |
| La primera o dos diapositivas rápidas en términos de un mensaje de nuestro patrocinador. Estoy con PPG Industries en las afueras de Pittsburgh, Pensilvania, en nuestro Centro Técnico y de Negocios de Monroeville. |
| He sido científico de datos allí de forma intermitente durante más de 30 años, entrando y saliendo de la gestión técnica. Y ahora, volvamos a lo que realmente disfruto, que es trabajar con datos y JMP en particular. |
| Entonces, PPG ha existido por un tiempo, se fundó en 1883. El año pasado ocupamos el puesto 180 en la lista Fortune 500. |
| Y hacíamos principalmente pinturas, aunque la gente piensa que PPG son las siglas de Pittsburgh Plate Glass, ese ya no era el caso a partir de 1968. Así que ahora es PPG y es principalmente una empresa de recubrimientos. |
| recubrimientos de alto rendimiento y recubrimientos industriales. |
| coches, aviones, por supuesto, casas. Es posible que haya comprado pintura PPG o una marca de PPG para usar en su hogar. |
| Pero también se usa dentro de los envases, por lo que |
| si no tiene una capa dentro de una lata de cerveza, la cerveza se vuelve mofeta con bastante rapidez. Mi negocio particular son los revestimientos y materiales especiales. |
| Así que mi segmento hacemos fósforos OLED para la corporación de pantalla universal que se encuentra en el teléfono Samsung y también los tintes fotocromáticos que van en |
| las lentes de transición, que se oscurecen cuando sales. |
| De lo que les voy a hablar hoy es de esta herramienta llamada árbol de muestreo. Y lo que es, en realidad es solo una representación gráfica simple |
| de los datos que planea recopilar o que tal vez ya haya recopilado. |
| Y así, en los estudios de variación como las evaluaciones del sistema de medición general Gage R&R, los componentes y varios estudios (o CoV, como a veces los llamamos), |
| el árbol de muestreo es una gran herramienta para pensar estratégicamente sobre una serie de cosas. Entonces, por ejemplo, ¿qué fuentes de variación pueden o deben incluirse en este estudio? |
| ¿Cuántos niveles dentro de cada factor o fuente de variación puede incluir? ¿Y cuántas medidas tomar para cada combinación de factores y configuraciones? Así que estás llegando a un |
| pregunta sobre el tamaño de la muestra aquí. Por lo tanto, considerar estratégicamente estas preguntas antes de recopilar datos también lo ayuda a definir la limitación del estudio, lo que puede aprender de él, |
| y cuál será el esfuerzo general para ejecutar. Así que ponemos esto en las herramientas de clasificación que enseñamos en nuestro programa Six Sigma, |
| lo que llamamos herramientas de pensamiento crítico porque te ayuda a pensar por adelantado. Y es un buen tipo de ejercicio de pizarra en el que puede trabajar en papel o en la pizarra para pensar prospectivamente sobre los datos que podría recopilar. |
| También es muy útil para comprender la estructura de los diseños factoriales, |
| especialmente cuando tienes restricciones en la aleatorización. Así que les daré una especie de ejemplo conceptual, hacia el final aquí, donde |
| puede describir en un árbol de muestreo, una línea de aleatorización restringida. |
| Y eso te dice dónde están los factores de la trama completa y dónde están los factores de la trama dividida. Por lo tanto, puede brindarle nuevamente una mejor comprensión de los datos que planea recopilar. También son útiles en |
| donde, compartiré otro ejemplo conceptual, donde hemos combinado un diseño factorial con un componente de estudio de variaciones. Entonces esto, esto es realmente genial porque acelera el aprendizaje sobre el sistema en estudio. Así que simultáneamente estamos tratando de manipular factores que pensamos |
| influir en el nivel de la respuesta y, al mismo tiempo, comprender los componentes de variación que creemos que contribuyen a una variación de la respuesta. |
| Entonces, una vez que se adquieren los datos, el árbol de muestreo realmente puede ayudarlo a facilitar el análisis de los datos. Y esto es especialmente cierto cuando intenta seleccionar el modelo de componente de varianza |
| dentro de un gráfico de varianza... gráfico de variabilidad que tienes disponible en JMP. Entonces, si alguna vez ha usado esa herramienta (y se la demostraré aquí en un par... con un par de ejemplos), |
| si le pide a JMP que calcule por usted los diversos componentes, debe tomar una decisión sobre qué tipo de modelo desea. ¿Está anidado? ¿Está cruzado? Tal vez está cruzado y luego anidado. |
| Tal vez esté anidado y luego cruzado. Por lo tanto, ayudarlo a descubrir cuál es el modelo de componente de varianza correcto es muy fácil gracias a un buen árbol de muestreo. El otro lugar donde los hemos usado es donde estamos pensando en los gráficos de control. Entonces el |
| la aplicación de gráficos de control realmente te ayuda |
| ver lo que está cambiando dentro de los subgrupos y lo que está cambiando entre los subgrupos. Por lo tanto, lo ayuda a pensar críticamente sobre lo que realmente está viendo en los gráficos de control. Entonces, como mencioné, son buenos para una especie de |
| muestran las líneas de restricciones en un gráfico dividido, pero son un poco menos útiles para el análisis de experimentos diseñados, por lo que, de nuevo, para los tipos de aplicaciones del DOE son más un poco iniciales. |
| Así que vamos a saltar aquí con un ejemplo. Aquí hay lo que yo llamaría componentes generales de los estudios de varianza. |
| Y entonces, en este caso, esto es en realidad de la literatura. Esto es de Box Hunter and Hunter, "Statistics for Experimenters", y lo encontrará al final del libro. |
| donde están hablando de los componentes del estudio de varianza y resulta ser en un proceso de pintura. Entonces, lo que tienen en este estudio en particular son 15 lotes de |
| pasta de pigmento Están tomando muestras de cada lote dos veces y luego están tomando dos mediciones de humedad en cada una de esas muestras. |
| Entonces, la primera muestra en el primer lote es físicamente diferente al segundo lote, y la primera |
| muestra del segundo lote es físicamente diferente de cualquiera de las otras muestras. Entonces, una práctica que tratamos de usar y enseñar es que |
| para los factores anidados, suele ser útil enumerarlos en orden numérico. Eso nuevamente enfatiza que tienes unidades experimentales físicamente diferentes, estás pasando de una muestra a otra en todo momento. |
| Este es un plan de muestreo anidado. Entonces la muestra está anidada debajo del lote. Entonces, veamos cómo se desarrolla eso en el gráfico de variabilidad dentro de JMP. |
| Bien, aquí están los datos y encontramos el gráfico de variabilidad en calidad y variabilidad del proceso. |
| Y luego vamos a enumerar aquí como las variables x el lote y luego la muestra. |
| Y una cosa que es muy importante en un plan de muestreo anidado es que los factores se cargan aquí en el mismo orden en que los tiene en un árbol de muestreo. Así que esto es jerárquico. |
| Entonces, de lo contrario, los resultados serán un poco |
| confuso. Entonces podemos decidir aquí en esta plataforma de lanzamiento qué tipo de modelo de componente de varianza queremos especificar. Así que dijimos que este es un plan de muestreo anidado. |
| Y ahora estamos listos para irnos. Dejamos la medida fuera de... fuera de la lista de ejes porque la medida realmente define dónde están los subgrupos. |
| Así que dejamos eso fuera. Y eso va a ser lo que entra en el componente de variante al que JMP se refiere como dentro de la variación. |
| Bien, aquí está el gráfico de variabilidad. Una de las cosas buenas también con el gráfico de variabilidad es que hay una opción para agregar algunos |
| alguna información gráfica. Así que aquí he conectado la media de la celda. Y esto realmente indica visualmente el tipo de variación que tiene entre las muestras dentro del lote. |
| Y luego tenemos dos mediciones por lote, como se indica en nuestro árbol de muestreo. Y así, la distancia entre los dos puntos dentro del lote y la muestra indica la |
| dentro de la variación del subgrupo. Así que puede ver que parece justo desde el principio si hay una buena cantidad de variación de muestra a muestra. Y la otra cosa que podríamos querer mostrar aquí son las medias del grupo. |
| Y eso nos muestra las variaciones de lote a lote. Entonces, la línea morada aquí es el promedio de un lote a otro. Bueno. Ahora, ¿qué pasa con el desglose real de la variación aquí? Bueno, eso está muy bien hecho en JMP aquí bajo componentes de varianza. |
| Y |
| Sube eso ahí arriba, podemos verlo y luego colapsaré esto. |
| Como vimos gráficamente, parecía que la variación de muestra a muestra dentro de un lote contribuía de manera importante a la variación general de los datos. Y de hecho, los cálculos lo confirman. Entonces tenemos |
| alrededor del 78% de la variación total proveniente de la muestra; alrededor del 20% de las variaciones vienen de lote a lote y |
| solo alrededor del 2,5% de la variación proviene de la variación de medición a medición dentro del lote y la muestra. Noté aquí en la tabla de componentes de varianza, el |
| la notación que es la que se usa aquí. Entonces esto indica que la muestra está dentro del lote. Así que este es un estudio anidado. Y de nuevo, es importante que carguemos los factores en el |
| en el gráfico de variabilidad en el orden indicado aquí en el gráfico. Así que no tendría ningún sentido decir que dentro de la muestra uno tenemos los lotes uno y dos. Eso simplemente no tiene ningún sentido físico. Y así refleja eso en el árbol. |
| Y solo |
| Ahora comparemos eso con algo un poco diferente. Llamo a esto un estudio tradicional Gage R&R. Entonces, lo que tiene en un estudio Gage R&R tradicional es |
| tiene varios lotes de muestra de piezas que se están probando. Y luego tienes una serie de operadores que están probando cada uno de ellos. Y luego cada uno prueba la misma muestra o lote varias veces. Entonces, en este ejemplo en particular, estamos mostrando cinco |
| piezas o muestras o lotes, tres operarios midiendo cada uno dos veces. Ahora en este caso, el operador uno |
| para el lote número uno es el mismo que el operador número uno para el informe de lote o muestra número cinco. |
| Entonces puede pensar en esto como diciendo, bueno, el operador cruza entre la parte, la muestra, el lote, lo que sea que esté obteniendo |
| siendo medido. Así que esto se conoce como un estudio cruzado. Y es importante que midan el mismo artículo porque una de las cosas que |
| Lo que entra en juego en un estudio cruzado es que lo que no tiene en un estudio anidado es una interacción potencial entre los operadores y lo que están midiendo. Eso se reflejará en el análisis de componentes de varianza que vemos en JMP. Ahora echemos un vistazo aquí. |
| en este conjunto particular de datos. Entonces, nuevamente, vamos a la práctica tabla de variabilidad, que nuevamente se encuentra debajo de la calidad y el proceso. Y en este caso, comenzaré usando el mismo orden para las variables de las X como se muestra en el árbol de muestreo. |
| Pero, como les mostraré, una de las características de un estudio cruzado es que ya no estamos atrapados en la estructura jerárquica del árbol. Podemos, podemos darle la vuelta a esto. |
| Y así se cruza esto. Voy a tener cuidado de cambiar eso aquí. Recuerde que teníamos un estudio anidado de antes. Y voy a seguir adelante y hacer clic en Aceptar. |
| Y voy a poner nuestro |
| medios de celda y medios de grupo allí. |
| Así que el grupo significa que en este caso son las muestras (tres) y tenemos tres operadores. |
| Y ahora si preguntamos por los componentes de la varianza. |
| Tenga en cuenta que no tenemos esa muestra dentro de la notación de operadores como la que teníamos en el estudio anidado. Lo que tenemos en este caso es una interacción muestra por operador. |
| Y tiene sentido que esa sea una posibilidad en este caso, porque nuevamente, están midiendo la misma muestra. |
| Matt está midiendo la misma muestra a que el laboratorio de control de calidad, tal como Tim. Entonces, una interacción en este caso realmente refleja cuán diferente es este patrón a medida que pasa de una muestra a otra. Entonces puedes ver que generalmente es lo mismo |
| Parece que |
| Matt y QC tienden a medir las cosas quizás un poco más bajo en general que Tim. Esta parte C es un poco la excepción. Entonces, la interacción |
| la contribución de la variación aquí es relativamente pequeña. Hay alguna variación de operador a operador, y la variación interna realmente |
| es el mayor contribuyente. Y eso es fácil de ver aquí porque tenemos algunas barras bastante anchas aquí. Pero nuevamente, este es un estudio cruzado, por lo que |
| deberíamos poder cambiar el orden en el que cargamos estos factores y obtener los mismos resultados. Así que esa es mi propuesta aquí; vamos a probarlo |
| Así que voy a relanzar este análisis y voy a cambiar esto. Voy a poner primero al operador y segundo a la muestra. Deja todo lo demás igual. |
| Y sigamos adelante y pongamos nuestros medios celulares |
| y medios de grupo allí. |
| Y ahora vamos a preguntar por los componentes de la varianza. |
| Entonces, ¿cómo se comparan? Voy a colapsar esa parte del informe. |
| Entonces, en la parte gráfica, y esto es algo genial de reconocer con un estudio cruzado, es |
| porque de nuevo, no estamos atascados con la jerarquía que tenemos en un estudio anidado, podemos cambiar la perspectiva de cómo vemos los datos. |
| Entonces, esa perspectiva con la carga en el operador primero nos da una especie de comparación directa de operador a operador aquí en términos de las medias del grupo. Y nuevamente esa interacción se refleja en cómo cambia este patrón entre el |
| operadores aquí a medida que avanzamos de la Parte A, B o C, A, B o C. |
| ¿Qué pasa con los números en términos de los componentes de la varianza? Bueno, vemos que la tabla de componentes de varianza aquí refleja el orden en que cargamos estos |
| factores en el |
| en el cuadro de diálogo y... |
| Pero los números salen muy parecidos. Así que la muestra del lado izquierdo aquí, la desviación estándar es 1.7. |
| La desviación estándar debida al operador es de aproximadamente 2,3 y es el mismo valor aquí. |
| La interacción muestra por operador u operador por muestra, si se quiere, es exactamente la misma. Y el interior es exactamente el mismo. Entonces, |
| con un estudio cruzado, tenemos cierta flexibilidad en cómo cargamos esos factores y luego la interpretación es un poco diferente. Si se tratara de muestras diferentes, |
| podríamos esperar que este patrón vaya de un operador a otro, que sea algo aleatorio porque están midiendo cosas diferentes. Así que no hay razón para esperar que el patrón se repita. |
| Si ve un término de interacción significativo en un tipo típico de un estudio R&R tradicional de Gage, como el que tenemos aquí, bueno, entonces tiene un verdadero |
| tema a tratar porque eso te dice que |
| la naturaleza de la muestra está causando que los operadores midan de manera diferente. Así que ese es un problema un poco más difícil de resolver que si solo tienes una situación sin interacción allí. |
| DE ACUERDO. |
| dave | De nuevo, esto, para su referencia, lo tengo listado aquí. |
| Um, ahora vamos a algo un poco más jugoso. Así que aquí tenemos una especie de estudio mixto en el que tenemos factores cruzados y anidados. Así que este era el negocio en el que trabajo. |
| La pureza de los materiales que fabricamos es realmente importante y una metodología de caballo de batalla para medir la pureza es una cromatografía líquida de alto rendimiento o HPLC para abreviar. |
| Entonces, este era un... este era un producto y se estaba utilizando en una aplicación aprobada por la FDA, por lo que la pureza era realmente importante. |
| Así que esta es una porción de un estudio más grande. Pero lo que estoy mostrando es el caso en el que teníamos tres muestras; Los estoy etiquetando aquí S1, S2, S3. Tenemos dos analistas en el estudio. |
| Y así cada analista va a medir la misma muestra en cada caso. Entonces puede ver que, similar a lo que teníamos en el ejemplo anterior, lo que yo llamo Gage R&R tradicional, |
| donde cada operador o analista en este caso está midiendo exactamente la misma pieza o muestra. Así que esa parte está cruzada. Cuando te pones debajo del analista, cada analista toma el material y lo prepara dos veces diferentes. |
| Y luego miden cada preparación dos veces. Hacen dos inyecciones en la HPLC con cada preparación. Así que la preparación uno es diferente a la preparación dos y eso es físicamente diferente a la primera preparación para el próximo analista aquí. Y así de nuevo, tratamos de recordar a |
| etiquete estos factores anidados secuencialmente para indicar que son unidades físicamente diferentes aquí. |
| Realmente no hace ninguna diferencia desde el punto de vista de JMP, lo manejará bien, si tuviera que ir 1-2, 1-2, 1-2, y así sucesivamente, está bien, |
| siempre que le indique el modelo de componente de varianza adecuado para empezar. Entonces esto sería cruzado y luego anidado. Entonces, veamos cómo funciona eso en JMP. |
| Así que aquí está nuestra muestra de datos, el número de preparación del analista y luego solo un número de inyección que realmente está dentro del subgrupo. |
| Así que una vez más pasamos a analizar, calidad y proceso. Pasamos al gráfico de variabilidad. |
| Y aquí vamos a poner |
| los factores en el mismo orden en que aparecían en el árbol de muestreo. |
| Y luego vamos a poner el área allí porque el porcentaje de área es la respuesta. Y dijimos que esto fue cruzado y luego anidado, así que tenemos |
| un par de otras cosas para elegir aquí. Y en este caso, nuevamente, el árbol de muestreo es realmente útil para ayudarnos a convencernos de que este es el caso y seleccionar el modelo correcto. Esto se cruza y luego se anida. |
| Hagamos clic en Aceptar. |
| Voy a poner las medias de las celdas y las medias de los grupos allí. Nuevamente, tenemos un segundo factor involucrado por encima del interior. Así que escojamos a los dos. |
| Y pidamos de nuevo los componentes de la varianza. |
| Y con suerte colapsaré esta parte, y tal vez colapsaré el gráfico de desviación estándar, solo |
| llevando un poco más arriba en la pantalla. |
| Entonces, lo que podemos ver en el gráfico a medida que avanzamos, vemos una buena variación de muestra a muestra. |
| La variación interna no se ve tan mal. |
| Pero tal vez veamos un poco de |
| una variación de dentro de la preparación. |
| Entonces, um, la muestra en este caso es, con mucho, la más grande |
| componente de variación, que es realmente lo que esperábamos. |
| el analista es |
| realmente es |
| debajo de eso, dentro de la variación del subgrupo. Y esto nos lo presenta muy bien. Así que en términos de |
| lo que muestra en la tabla de componentes de varianza aquí en términos de los componentes, es su analista de muestra y luego, debido a que estos dos se cruzan, tenemos interacciones potenciales a considerar en este caso. |
| No parece estar contribuyendo mucho a la variación general. Y de nuevo, así es como cambia el patrón a medida que pasamos de un analista a otro y de una muestra a otra. |
| Ahora, |
| la afirmación que hice antes con el estudio completamente cruzado fue que podíamos cambiar el |
| los factores cruzados en términos de su |
| en términos de su orden y estaría bien. Así que intentemos eso en este caso. |
| Así que voy a rehacer esto, relanzarlo y creo que puedo cambiar el |
| factores cruzados aquí, pero nuevamente tengo que tener cuidado de dejar el factor anidado donde está en el árbol. Así que observo aquí en la tabla de componentes de varianza, la forma en que leeríamos esto ya que tenemos la preparación |
| anidado dentro de la muestra y el analista. Eso significa que tiene que ir debajo de los del árbol. |
| Así que sigamos adelante y |
| conectar algunas cosas aquí. |
| voy a tomar el |
| gráfico de desviación estándar y pidió los componentes de la varianza. |
| De acuerdo, tal como vimos en el ejemplo tradicional de Gage R&R, tenemos |
| el analista y el cambio de muestra. |
| Pero sus valores para, si miramos la desviación estándar aquí en la última columna, son idénticos. |
| Tenemos nuevamente el mismo valor para el término de interacción e interactuamos con el mismo valor para la preparación |
| término, que nuevamente está anidado dentro de, dentro de la muestra y el analista. Nuevamente, aquí es donde el árbol de muestreo nos ayuda a comprender completamente la estructura de los datos y complementa muy bien lo que vemos en el |
| componentes de la varianza |
| gráfico de JMP. |
| Entonces, esos, esos son un par de ejemplos en los que están orientados a componentes del estudio de variación. |
| Una cosa que también podría notar, olvidé señalar esto antes, es |
| mira el árbol de muestreo aquí. Y si traigo esto de vuelta |
| y solo estoy tratando de |
| reproducir esto. |
| Ese respaldo. |
| dave | Es interesante si observa el eje horizontal en el gráfico de variabilidad, en realidad es el árbol de muestreo al revés. |
| Así que esa es otra forma de confirmar que está buscando la estructura correcta aquí cuando está tratando de decidir qué modelo de componente de componente de varianza aplicar. |
| Entonces, de nuevo, aquí están las capturas de pantalla para eso. |
| He aquí un ejemplo donde |
| el árbol de muestreo puede ayudarlo a comprender las fuentes de variación en un gráfico de control de todas las cosas. Entonces, en este caso particular, |
| a lo largo de varias horas, se extrae una muestra de la línea. Estas son en realidad muestras de lentes. Mencioné que hacemos tintes fotocromáticos para entrar en los lentes de transición y |
| verificarán periódicamente el espesor de la película en las lentes y esa es una prueba destructiva. Entonces, cuando toman esa lente y miden el espesor de la película, bueno, ya terminaron con esa muestra. Y entonces |
| lo que veríamos si tuviéramos que construir una barra x y un gráfico R para esto es que verás en el gráfico de barras x como un promedio, el promedio de hora a hora. |
| Y luego, dentro del subgrupo, la variación estará compuesta por lo que sucede aquí muestra a muestra y el espesor, la medición del espesor. |
| Ahora, en este caso, observe que hay líneas verticales en el árbol de muestreo, por lo que el árbol no se ramifica en este caso. |
| Entonces, cuando ve líneas verticales cuando está dibujando líneas verticales en el árbol de muestreo, eso es una indicación de que la variabilidad entre esos dos niveles del árbol está confundida. |
| Entonces, |
| Realmente no puedo separar la variación de medición inherente en el espesor de la película de la variación inherente de la variación de muestra a muestra. Así que estoy un poco atascado con eso en términos de cómo funciona este sistema de medición. Entonces, preparemos un gráfico de control con estos datos. |
| Y para eso, nuevamente, vamos a ir a calidad y proceso. Y voy a saltar al generador de gráficos de control. De nuevo, nuestra variable de medición aquí es el espesor de la película. |
| Y lo estamos haciendo hora a hora. Entonces, cuando lo configuramos al hacer eso, vemos que JMP inteligentemente ve que el tamaño del subgrupo es 3, tal como se indica en nuestro árbol de muestreo. |
| Pero lo que es interesante en este ejemplo es que, a primera vista, puede sentirse tentado a preocuparse porque tenemos muchos puntos fuera de control en el gráfico de barras x. |
| Pero pensemos en eso por un minuto en términos de lo que nos dice el árbol de muestreo. |
| Entonces, el árbol de muestreo nuevamente nos dice que eso es lo que está cambiando dentro del subgrupo, lo que está contribuyendo al rango promedio, es el |
| medición de espesor de película a espesor de película, junto con la variación de muestra a muestra. Y recuerde cómo se construyen los límites de control en un gráfico de barras x. |
| Se construyen a partir del rango promedio. Así que tomamos el promedio general. Y luego sumamos ese rango más o menos |
| un factor relacionado con el tamaño de la muestra del subgrupo, de modo que el ancho de estos límites de control depende de la magnitud del rango promedio. |
| Y realmente lo que este cuadro está comparando es, consideremos esta variación de medida aquí abajo en la parte inferior del árbol. Así que está comparando la variación de la medida. |
| a la variación de hora a hora que obtenemos de la línea. Eso es realmente algo bueno porque nos dice que podemos ver |
| variación que se eleva por encima del ruido que vemos en el subgrupo. Entonces, en este caso, eso es realmente deseable. |
| Y así, de nuevo, un árbol de muestreo es realmente útil para recordarnos qué está pasando en el gráfico Xbarra en términos de la variación dentro de los subgrupos y entre los subgrupos. |
| Ahora, solo un par de ejemplos conceptuales en el mundo de los experimentos diseñados. Entonces, el experimento de parcela dividida es un experimento en el que tiene una restricción en el orden de ejecución del experimento. |
| Y lo que eso hace es que termina dando un par de estructuras de error diferentes, y JMP ahora hace un gran trabajo al diseñar experimentos para esa situación en la que tenemos restricciones en la aleatorización y también |
| analizándolos. Sin embargo, aunque a veces es útil |
| para entender dónde podrían estar esas estructuras de error |
| división, y en un diseño de parcela dividida, entra en lo que se denominan factores de parcela completa y factores de subparcela. Y la razón por la que tiene una restricción en la aleatorización suele ser porque uno o más de los factores son difíciles de variar. Así que en este particular |
| escenario, disponemos de una sala de ambiente controlado donde podemos pulverizar pinturas a diferentes temperaturas y humedades. |
| Pero el problema es que simplemente no se puede cambiar aleatoriamente la humedad en la habitación porque lleva demasiado tiempo estabilizarse y hace que el experimento sea bastante poco práctico. Entonces, lo que se muestra en este árbol de muestreo es que realmente tienes |
| tres factores aquí humedad, resina y solvente. Estos se muestran en azul. Entonces, solo cambiamos la humedad una vez porque es una variable difícil de cambiar. Así es como configura un experimento de parcela dividida en JMP si puede |
| especificar qué tan difícil es cambiar los factores. Entonces, en este caso, la humedad es un factor difícil, muy difícil de cambiar. |
| Entonces, JMP lo tendrá en cuenta cuando diseñe el experimento y cuando vayas a analizarlo. |
| Pero lo que esto nos muestra es que la humedad se consideraría un factor completo de la trama porque está por encima de la restricción de línea y luego la resina y el solvente son |
| factores de la subparcela; están por debajo de la línea de restricción. Así que hay una estructura de error diferente por encima de la línea de restricción para los factores de la trama completa que para los factores de la subparcela. |
| En este caso tenemos un montón de otros factores que se muestran aquí, que realmente afectan cómo una formulación |
| que se compone de una resina y un solvente se pone en un recubrimiento. Así que esto, en realidad es un experimento de 2 a 3 con una aleatorización de restricción. |
| Tiene ocho formulaciones diferentes allí. Cada uno se aplica a un panel y luego ese panel se mide una vez para que |
| lo que vemos en términos de la variación de medida a medida se confunde con el recubrimiento en la variación del panel. Ya que, como dije antes, cuando tenemos líneas verticales en el |
| en el árbol de muestreo, entonces tenemos |
| entonces tenemos algo de confusión en esos niveles. Ese es un ejemplo en el que lo estamos usando para mostrarnos dónde está la división en el diseño de parcela dividida. |
| Este ejemplo en particular nuevamente es conceptual, pero en realidad viene |
| de los días en que PPG fabricaba fibra de vidrio; ya no estamos en el negocio de la fibra de vidrio. Pero en este caso lo que se buscaba era una optimización, o por lo menos entender el impacto de cuatro variables controlables en lo que se denominó pérdida???, por lo que básicamente sacaron capa |
| esteras de fibra y luego miden la cantidad de recubrimiento que se pierde cuando básicamente queman la muestra. Entonces, lo que tenemos aquí en la parte superior del árbol es en realidad un diseño de 2 a 4. Así que hay 16 combinaciones de los cuatro factores en este caso y para cada corrida en el diseño, |
| el tapete se dividió en 12 carriles diferentes, como se los conoce aquí. Entonces vas a cruzar la alfombra |
| de 1 a 12 carriles y luego sacamos tres secciones dentro de cada uno de esos carriles y luego hacemos una medición destructiva en cada uno de ellos. Así que esto en realidad combina un experimento de diseño factorial. |
| con un estudio de componentes de variaciones. |
| Y nuevamente, tenemos líneas verticales aquí en la parte inferior del árbol que indican que la variación de medida a medida se confunde con la |
| variación sección a sección. Entonces, lo que terminamos haciendo aquí en términos del análisis fue que tratamos los datos de cada ejecución del DOE como una especie de variación de muestra a muestra como lo hicimos en el |
| ejemplo de humedad de Box Hunter y Hunter, para tener en lugar de lotes, aquí tiene DOE ejecutado 1, 2, 3 y así sucesivamente hasta 16 y luego estamos submuestreando por debajo de eso. Y entonces |
| tratamos esta parte como un componente del estudio de variación y luego básicamente promediamos todos los datos para ver cuál sería la mejor configuración para el |
| cuatro factores controlables involucrados aquí. Este es realmente un buen estudio porque respondió a muchas preguntas que teníamos sobre este proceso de una manera muy eficiente. |
| Entonces, nuevamente, combinando un COV con un DOE, diseño de experimentos con componentes de estudio de variaciones. |
| Entonces, en resumen, espero que aprecien el muestreo de árboles que son bastante simples. |
| Son fáciles de entender. Son fáciles de construir, pero son excelentes para ayudarnos a hablar sobre lo que estamos pensando en términos de muestreo de procesos o comprensión de un sistema de medición. |
| Y también nos ayudan |
| decidir cuál es el mejor modelo de componentes de varianza cuando buscamos obtener los diversos componentes del gráfico de variabilidad de JMP |
| plataforma, que le damos mucho uso a esa herramienta en particular, y me gusta decir que vale la pena el precio de admisión que JMP |
| para eso para esa herramienta en sí misma. Así que les he mostrado algunos ejemplos aquí donde está anidado, donde está cruzado, cruzado y luego anidado, y luego también donde hemos aplicado este tipo de pensamiento a |
| gráficos de control para ayudarnos a comprender lo que varía dentro de los subgrupos versus lo que varía entre los subgrupos. Y luego también, quizás menos útil...menos |
| también podemos usar aquellos con experimentos diseñados. Así que gracias por compartir unos minutos conmigo aquí y mi correo electrónico está en la diapositiva de la portada, así que si tiene alguna pregunta, estaré encantado de conversar con usted sobre eso. Así que gracias. |
