Conférencier | Transcription |
| David | Salut tout le monde. Merci de m'avoir rejoint aujourd'hui, j'aimerais partager avec vous un sujet qui fait partie de notre programme Six Sigma Black Belt depuis 1997. |
| 1997. Je pense donc que c'est l'un des outils que les gens apprécient vraiment et je pense que vous l'apprécierez également et que vous le trouverez instructif en termes d'interface avec |
| certains des outils disponibles dans JMP. |
| La première ou les deux premières diapositives rapides en termes de message de notre sponsor. Je travaille pour PPG Industries à l'extérieur de Pittsburgh, en Pennsylvanie, dans notre centre commercial et technique de Monroeville. |
| J'y ai été data scientist par intermittence pendant plus de 30 ans, j'ai évolué dans et hors de la direction technique. Et maintenant, revenons à ce que j'aime vraiment, c'est-à-dire travailler avec les données et JMP en particulier. |
| Donc, PPG existe depuis un certain temps, a été fondée en 1883. L'année dernière, nous nous sommes classés 180e sur le Fortune 500. |
| Et nous fabriquions surtout des peintures, même si les gens pensent que PPG signifie Pittsburgh Plate Glass, ce n'était plus le cas depuis 1968 environ. C'est donc un... c'est PPG maintenant et c'est principalement une entreprise de revêtements. |
| revêtements de performance et revêtements industriels. |
| voitures, avions, bien sûr, maisons. Vous avez peut-être acheté de la peinture PPG ou une marque de PPG à utiliser sur votre maison. |
| Mais il est également utilisé à l'intérieur de l'emballage, donc |
| si vous n'avez pas de revêtement à l'intérieur d'une canette de bière, la bière devient skunky assez rapidement. Mon domaine d'activité particulier est celui des revêtements et des matériaux de spécialité. |
| Donc, mon segment, nous fabriquons des phosphores OLED pour la société d'affichage universelle que vous trouvez dans le téléphone Samsung, ainsi que les colorants photochromiques qui entrent dans |
| les lentilles de transition, qui s'assombrissent lorsque vous sortez. |
| Donc, ce dont je vais vous parler aujourd'hui, c'est de cet outil appelé arbre d'échantillonnage. Et ce que c'est, c'est vraiment juste une simple représentation graphique |
| des données que vous envisagez de collecter ou que vous avez peut-être déjà collectées. |
| Et donc dans les études de variation comme les évaluations du système de mesure général Gage R&R, les composants et diverses études (ou CoV, comme nous les appelons parfois), |
| l'arbre d'échantillonnage est un excellent outil pour réfléchir stratégiquement à un certain nombre de choses. Ainsi, par exemple, quelles sources de variance peuvent ou doivent être incluses dans cette étude ? |
| Combien de niveaux dans chaque facteur ou source de variation pouvez-vous inclure ? Et combien de mesures à prendre pour chaque combinaison facteurs et paramètres ? Donc, vous êtes en train d'arriver à un |
| question sur la taille de l'échantillon ici. Ainsi, l'examen stratégique de ces questions avant de collecter des données vous aide également à définir les limites de l'étude, ce que vous pouvez en apprendre, |
| et quel sera l'effort global à exécuter. Nous mettons donc cela dans un outil de classification que nous enseignons dans notre programme Six Sigma, |
| ce que nous appelons des outils de pensée critique, car cela vous aide à réfléchir en amont. Et c'est une belle sorte d'exercice de tableau blanc que vous pouvez travailler sur papier ou sur le tableau blanc pour réfléchir de manière prospective aux données que vous pourriez collecter. |
| C'est aussi très utile pour comprendre la structure des plans factoriels, |
| surtout lorsque vous avez des restrictions sur la randomisation. Je vais donc vous donner une sorte d'exemple conceptuel, vers la fin ici, où |
| vous pouvez décrire sur un arbre d'échantillonnage, une ligne de randomisation restreinte. |
| Et donc cela vous indique où se trouvent les facteurs de l'intrigue entière et où se trouvent l'intrigue divisée des facteurs. Ainsi, cela peut vous fournir à nouveau une meilleure compréhension des données que vous prévoyez de collecter. Ils sont également utiles dans |
| où, je vais partager un autre exemple conceptuel, où nous avons combiné une conception factorielle avec une composante d'étude des variations. Donc ça, c'est vraiment cool parce que ça accélère l'apprentissage du système à l'étude. Nous essayons donc simultanément de manipuler des facteurs que nous pensons |
| avoir un impact sur le niveau de la réponse, et en même temps comprendre les composantes de la variation qui, selon nous, contribuent à une variation de la réponse. |
| Ainsi, une fois les données acquises, l'arbre d'échantillonnage peut vraiment vous aider à faciliter l'analyse des données. Et cela est particulièrement vrai lorsque vous essayez de sélectionner le modèle de composante de variance |
| dans un graphique de variance... graphique de variabilité dont vous disposez dans JMP. Et donc si vous avez déjà utilisé cet outil (et je vais vous le démontrer ici dans quelques... avec quelques exemples), |
| si vous demandez à JMP de calculer pour vous les différents composants, vous devez décider quel type de modèle souhaitez-vous. Est-il imbriqué ? Est-il traversé ? Peut-être qu'il est croisé puis imbriqué. |
| Peut-être est-il imbriqué puis croisé. Donc, vous aider à déterminer quel est le bon modèle de composante de variance est vraiment bien facilité par un bon arbre d'échantillonnage. L'autre endroit où nous les avons utilisés est celui où nous pensons aux cartes de contrôle. Alors le |
| l'application carte de contrôle vous aide vraiment |
| voir ce qui change au sein des sous-groupes et ce qui change entre les sous-groupes. Cela vous aide donc à réfléchir de manière critique à ce que vous voyez réellement dans les cartes de contrôle. Donc, comme je l'ai mentionné, ils sont bons pour une sorte de |
| montrant les lignes de restrictions dans un graphique fractionné, mais elles sont un peu moins utiles pour l'analyse des expériences conçues, donc encore une fois pour les types d'applications du DOE sont plus du genre à l'avant. |
| Alors plongeons-y ici avec un exemple. Voici donc ce que j'appellerais les composantes générales des études de variance. |
| Et donc dans ce cas, cela vient en fait de la littérature. Ceci provient de Box Hunter et Hunter, "Statistics for Experimenters", et vous le trouverez à la fin du livre |
| où ils parlent des composants de l'étude de la variance et il se trouve que c'est sur un processus de peinture. Et donc ce qu'ils ont dans cette étude particulière sont 15 lots de |
| pâte pigmentaire. Ils échantillonnent chaque lot deux fois, puis ils prennent deux mesures d'humidité sur chacun de ces échantillons. |
| Ainsi, le premier échantillon du premier lot est physiquement différent du deuxième lot, et le premier |
| l'échantillon du deuxième lot est physiquement différent de n'importe lequel des autres échantillons. Et donc une pratique que nous avons essayé d'utiliser et d'enseigner est que |
| pour les facteurs imbriqués, il est souvent utile de les répertorier par ordre numérique. Donc, cela souligne encore une fois que vous avez des unités expérimentales physiquement différentes, vous allez d'un échantillon à l'autre tout au long. |
| Et donc c'est un c'est un plan d'échantillonnage imbriqué. Ainsi, l'échantillon est imbriqué sous le lot. Voyons comment cela se traduit dans le tableau de variabilité de JMP. |
| D'accord, voici les données et nous trouvons le tableau de variabilité sous la variabilité de la qualité et du processus. |
| Et puis nous allons lister ici comme variables x le lot puis l'échantillon. |
| Et une chose qui est très importante dans un plan d'échantillonnage imbriqué est que les facteurs sont chargés ici dans le même ordre que vous les avez dans un arbre d'échantillonnage. C'est donc hiérarchique. |
| Donc, sinon les résultats seront un peu |
| déroutant. Nous pouvons donc décider ici, dans cette plate-forme de lancement, quel type de modèle de composante de variance nous voulons spécifier. Nous avons donc dit qu'il s'agissait d'un plan d'échantillonnage emboîté. |
| Et maintenant nous sommes prêts à partir. Nous laissons la mesure en dehors de... en dehors de la liste des axes parce que la mesure définit simplement où se trouvent les sous-groupes. |
| Donc, nous laissons cela de côté. Et ce sera ce qui entrera dans le composant de variante auquel JMP fait référence comme dans la variation. |
| Bon, voici le tableau de variabilité. Une des bonnes choses aussi avec le tableau de variabilité est qu'il y a une option pour ajouter quelques |
| quelques informations graphiques. Donc ici, j'ai connecté la cellule moyenne. Et donc cela indique vraiment le type de variation visuelle que vous avez entre les échantillons du lot. |
| Et puis nous avons deux mesures par lot, comme indiqué sur notre arbre d'échantillonnage. Ainsi, la distance entre les deux points du lot et l'échantillon indique le |
| dans la variation des sous-groupes. Donc, vous pouvez voir qu'il semble que dès le départ, il y ait une bonne variation d'échantillon à échantillon. Et l'autre chose que nous voudrions peut-être montrer ici, ce sont les moyens du groupe. |
| Et donc cela nous montre les variations d'un lot à l'autre. Donc, la ligne violette ici est la moyenne d'un lot à l'autre. D'accord. Maintenant, qu'en est-il de la répartition réelle de la variation ici. Eh bien, c'est bien fait dans JMP ici sous les composants de variance. |
| Et |
| Mettez ça là-haut, nous pouvons le voir, puis je vais réduire cela. |
| Comme nous l'avons vu graphiquement, il semblait que la variation d'un échantillon à l'autre au sein d'un lot était un contributeur majeur à la variation globale des données. Et en fait, les calculs le confirment. Donc nous avons |
| environ 78 % de la variation totale provenant de l'échantillon ; environ 20 % des variations venant d'un lot à l'autre et |
| seulement environ 2,5 % de la variation provient de la variation de mesure à mesure au sein du lot et de l'échantillon. J'ai remarqué ici dans le tableau des composants de la variance, le |
| la notation qui est celle utilisée ici. Cela indique donc que l'échantillon fait partie du lot. Il s'agit donc d'une étude imbriquée. Et encore une fois, il est important que nous chargions les facteurs dans le |
| dans le diagramme de variabilité dans l'ordre indiqué ici dans le tracé. Cela n'aurait donc aucun sens de dire que dans l'échantillon un, nous avons les lots un et deux. Cela n'a tout simplement aucun sens physique. Et donc cela reflète en quelque sorte cela dans l'arbre. |
| Et juste |
| Maintenant, comparons cela avec quelque chose d'un peu différent. J'appelle cela une étude Gage R&R traditionnelle. Et donc ce que vous avez dans une étude Gage R&R traditionnelle est |
| vous avez un certain nombre de lots d'échantillons de pièces qui sont testés. Et puis vous avez un certain nombre d'opérateurs qui testent chacun d'entre eux. Et puis chacun teste le même échantillon ou lot plusieurs fois. Donc, dans cet exemple particulier, nous montrons cinq |
| pièces ou échantillons ou lots, trois opérateurs mesurant chacun deux fois. Maintenant, dans ce cas, l'opérateur un |
| pour le numéro de lot un est le même que l'opérateur numéro un pour le rapport de lot ou d'échantillon numéro cinq. |
| Donc, vous pouvez penser à cela comme disant, eh bien, l'opérateur passe en quelque sorte entre la pièce, l'échantillon, le lot, quelle que soit la chose qui devient |
| se mesurer. C'est ce qu'on appelle une étude croisée. Et il est important qu'ils mesurent le même article car l'une des choses qui |
| entre en jeu dans une étude croisée est que vous n'avez pas dans une étude imbriquée est une interaction potentielle entre les opérateurs et ce qu'ils mesurent. Cela se reflétera donc dans l'analyse des composantes de la variance que nous voyons de JMP. Maintenant, regardons ici. |
| à cet ensemble particulier de données. Encore une fois, nous allons au tableau de variabilité pratique, qui se trouve à nouveau sous la qualité et le processus. Et dans ce cas, je commencerai par utiliser le même ordre pour les variables pour les X comme indiqué sur l'arbre d'échantillonnage. |
| Mais, comme je vais vous le montrer, une des particularités d'une étude croisée est qu'on n'est plus coincé avec la structure hiérarchique de l'arbre. Nous pouvons nous pouvons les retourner. |
| Et donc c'est traversé. Je vais faire attention à changer ça ici. Rappelez-vous que nous avions une étude imbriquée auparavant. Et je vais continuer et cliquer sur OK. |
| Et je vais mettre notre |
| la cellule signifie et le groupe signifie là-bas. |
| Ainsi, le groupe signifie dans ce cas les échantillons (trois) et nous avons trois opérateurs. |
| Et maintenant, si nous demandions les composantes de la variance. |
| Notez que nous n'avons pas cet échantillon dans la notation d'opérateur comme nous l'avions dans l'étude imbriquée. Ce que nous avons dans ce cas est un échantillon par interaction d'opérateur. |
| Et il est logique que ce soit une possibilité dans ce cas, car encore une fois, ils mesurent le même échantillon. |
| Donc, Matt mesure le même échantillon a que le laboratoire QC, tout comme Tim. Ainsi, une interaction dans ce cas reflète vraiment la différence de ce modèle lorsque vous passez d'un échantillon à l'autre. Donc vous pouvez voir que c'est généralement la même chose |
| On dirait |
| Matt et QC ont tendance à mesurer les choses peut-être un peu plus bas que Tim. Cette partie C est un peu l'exception. Donc, l'interaction |
| la contribution de la variation ici est relativement faible. Il y a une certaine variation d'opérateur à opérateur, et la variation intra vraiment |
| est le plus grand contributeur. Et c'est facile à voir ici parce que nous avons ici des barres assez larges. Mais encore une fois, c'est une étude croisée donc |
| nous devrions pouvoir changer l'ordre dans lequel nous chargeons ces facteurs et obtenir les mêmes résultats. C'est donc ma proposition ici; testons-le. |
| Donc je vais juste relancer cette analyse et je vais les changer. Je vais mettre l'opérateur en premier et l'échantillon en second. Laissez tout le reste pareil. |
| Et allons-y et mettons nos moyens cellulaires |
| et groupe signifie là-bas. |
| Et maintenant, demandons les composantes de la variance. |
| Alors comment se comparent-ils ? Je vais réduire cette partie du rapport. |
| Donc dans la partie graphique et c'est un truc sympa à reconnaitre avec une étude croisée c'est |
| car encore une fois, nous ne sommes pas coincés avec la hiérarchie que nous avons dans une étude imbriquée, nous pouvons en quelque sorte changer la perspective sur la façon dont nous regardons les données. |
| Donc, cette perspective avec le chargement dans l'opérateur nous donne d'abord une sorte de comparaison directe d'opérateur à opérateur ici en termes de moyennes de groupe. Et encore une fois, cette interaction se reflète dans la façon dont ce modèle change entre le |
| opérateurs ici au fur et à mesure que nous passons de la partie A, B ou C, A, B ou C. |
| Qu'en est-il des chiffres en termes de composantes de la variance ? Eh bien, nous voyons que le tableau des composants de variance ici reflète l'ordre dans lequel nous avons chargé ces |
| facteurs dans le |
| dans la boîte de dialogue et... |
| Mais les chiffres sortent à peu près les mêmes. Donc, l'échantillon sur le côté gauche ici, l'écart type est de 1,7. |
| L'écart type dû à l'opérateur est d'environ 2,3 et c'est la même valeur ici. |
| L'interaction échantillon par opérateur ou opérateur par échantillon, si vous voulez, est exactement la même. Et l'intérieur est exactement le même. Donc, |
| avec une étude croisée, nous avons une certaine flexibilité dans la façon dont nous chargeons ces facteurs, puis l'interprétation est un peu différente. S'il s'agissait d'échantillons différents, |
| on pourrait s'attendre à ce que ce modèle passe d'un opérateur à l'autre, soit quelque peu aléatoire parce qu'ils mesurent des choses différentes. Il n'y a donc aucune raison de s'attendre à ce que le schéma se répète. |
| Si vous voyez un terme d'interaction significatif dans un type typique d'étude Gage R&R traditionnelle, comme nous l'avons ici, eh bien, vous avez un vrai |
| problème à traiter parce que cela vous dit que |
| la nature de l'échantillon oblige les opérateurs à mesurer différemment. C'est donc un problème un peu plus difficile à résoudre que si vous n'aviez qu'une situation sans interaction. |
| D'ACCORD. |
| David | Donc, encore une fois, ceci, pour votre référence, j'ai ceci répertorié ici. |
| Euh, alors maintenant passons à quelque chose d'un peu plus juteux. Nous avons donc ici une sorte d'étude mixte où nous avons à la fois des facteurs croisés et imbriqués. C'était donc l'entreprise dans laquelle je travaillais. |
| La pureté des matériaux que nous fabriquons est vraiment importante et une méthodologie de travail pour mesurer la pureté est une chromatographie liquide à haute performance ou HPLC en abrégé. |
| C'était donc un... c'était un produit et il était utilisé dans une application approuvée par la FDA, donc la pureté était vraiment importante. |
| Il s'agit donc d'une partie d'une étude plus vaste. Mais ce que je montre, c'est le cas où nous avions trois échantillons ; Je les étiquette ici S1, S2, S3. Nous avons deux analystes dans l'étude. |
| Et donc chaque analyste va mesurer le même échantillon dans chaque cas. Vous pouvez donc voir que, similaire à ce que nous avions dans l'exemple précédent, ce que j'appelle Gage R&R traditionnel, |
| où chaque opérateur ou analyste dans ce cas mesure exactement la même pièce ou le même échantillon. Cette partie est donc traversée. Lorsque vous vous placez sous l'analyste, chaque analyste prend alors le matériel et le prépare à deux reprises. |
| Et puis ils mesurent chaque préparation deux fois. Ils font deux injections dans le HPLC avec chaque préparation. Donc la préparation un est différente de la préparation deux et c'est physiquement différent de la première préparation pour le prochain analyste ici. Et encore une fois, nous essayons de nous souvenir de |
| étiquetez ces facteurs imbriqués de manière séquentielle pour indiquer qu'il s'agit d'unités physiquement différentes ici. |
| Cela ne fait pas vraiment de différence du point de vue de JMP, ça ira bien, si vous deviez aller 1-2, 1-2, 1-2, et ainsi de suite, c'est bien, |
| tant que vous lui indiquez le bon modèle de composante de variance pour commencer. Donc, cela serait croisé puis imbriqué. Voyons donc comment cela fonctionne dans JMP. |
| Voici donc notre échantillon de données, le numéro de préparation de l'analyste, puis juste un numéro d'injection qui est vraiment en quelque sorte au sein du sous-groupe. |
| Donc, encore une fois, nous passons à l'analyse, à la qualité et au processus. Passons au tableau de variabilité. |
| Et ici, nous allons mettre en |
| les facteurs dans le même ordre qu'ils apparaissaient sur l'arbre d'échantillonnage. |
| Et puis nous allons y mettre la zone car le pourcentage de zone est la réponse. Et nous avons dit que cela était croisé puis imbriqué, nous avons donc |
| quelques autres choses à choisir ici. Et dans ce cas, encore une fois, l'arbre d'échantillonnage est vraiment très utile pour nous aider à nous convaincre que c'est le cas et à sélectionner le bon modèle. Celle-ci est croisée, puis emboîtée. |
| Cliquons sur OK. |
| Je vais y mettre les moyens de la cellule et les moyens du groupe. Encore une fois, nous avons un deuxième facteur impliqué au-dessus de l'intérieur. Alors choisissons les deux. |
| Et demandons à nouveau les composantes de la variance. |
| Et je vais simplement réduire cette partie, espérons-le, et peut-être que je vais réduire le tableau de l'écart type, juste |
| amenant un peu plus haut sur l'écran. |
| Donc, ce que nous pouvons voir dans le graphique au fur et à mesure, nous voyons une bonne variation d'échantillon à échantillon. |
| La variation intérieure n'a pas l'air trop mal. |
| Mais nous voyons peut-être un peu de |
| une variation de dans la préparation. |
| Donc, euh, l'échantillon dans ce cas est de loin le plus grand |
| composante de variation, ce qui est vraiment ce que nous espérions. |
| L'analyste est |
| est vraiment |
| en dessous, au sein de la variation des sous-groupes. Et donc ceci nous l'explique très bien. Donc en terme de |
| ce qu'il montre dans le tableau des composants de la variance ici en termes de composants, c'est l'analyste de l'échantillon et ensuite parce que ces deux sont croisés, nous avons une interaction potentielle à considérer dans ce cas. |
| Ne semble pas contribuer beaucoup à la variation globale. Et encore une fois, c'est ainsi que le modèle change au fur et à mesure que nous passons d'analyste en analyste et d'échantillon en échantillon. |
| Maintenant, |
| l'affirmation que j'ai faite auparavant avec l'étude entièrement croisée était que nous pouvions échanger le |
| les facteurs croisés en fonction de leur |
| en termes de leur commande et et ce serait bien. Essayons donc cela dans ce cas. |
| Donc je vais juste refaire ça, le relancer et je peux je pense que je peux échanger le |
| facteurs croisés ici, mais encore une fois, je dois faire attention à laisser le facteur imbriqué là où il se trouve dans l'arbre. Donc je remarque ici dans le tableau des composants de la variance, la façon dont nous lisions cela car nous avons la préparation |
| imbriquées dans l'échantillon et l'analyste. Cela signifie donc qu'il doit descendre en dessous de ceux de l'arbre. |
| Alors allons-y et |
| connecter certaines choses ici. |
| je vais prendre le |
| tableau d'écart-type et demandé les composantes de la variance. |
| D'accord, tout comme nous l'avons vu dans l'exemple traditionnel de Gage R&R, nous avons |
| l'analyste et le changement d'échantillon. |
| Mais leurs valeurs pour le, si nous regardons l'écart type ici dans la dernière colonne, elles sont identiques. |
| Nous avons à nouveau la même valeur pour le terme d'interaction et interagissons sur la même valeur pour la prép |
| terme, qui est à nouveau imbriqué dans le, dans l'échantillon et l'analyste. Encore une fois, c'est là que, où l'arbre d'échantillonnage nous aide vraiment à bien comprendre la structure des données et complète bien ce que nous voyons dans le |
| composants d'écart |
| tableau de JMP. |
| Donc, ceux-ci, ce sont quelques exemples où ceux-ci sont orientés vers les composants de l'étude de la variation. |
| Une chose que vous remarquerez peut-être aussi, j'ai oublié de le souligner plus tôt, c'est |
| regardez l'arbre d'échantillonnage ici. Et si je ramène ça |
| et j'essaie juste de |
| reproduire cela. |
| Cette sauvegarde. |
| David | C'est intéressant si vous regardez l'axe horizontal dans le graphique de variabilité, c'est en fait l'arbre d'échantillonnage à l'envers. |
| C'est donc une autre façon de confirmer en quelque sorte que vous regardez la bonne structure ici lorsque vous essayez de décider quel modèle de composant de variance appliquer. |
| Encore une fois, voici les captures d'écran pour cela. |
| Voici un exemple où |
| l'arbre d'échantillonnage peut vous aider à comprendre les sources de variation dans une carte de contrôle de toutes choses. Donc, dans ce cas particulier, |
| pendant un certain nombre d'heures, un échantillon est retiré de la ligne. Ce sont en fait des échantillons de lentilles. J'ai mentionné que nous fabriquons des colorants photochromatiques pour les lentilles de transition et |
| ils vérifieront périodiquement l'épaisseur du film sur les lentilles et c'est un test destructif. Et donc quand ils prennent cette lentille et mesurent l'épaisseur du film, eh bien, ils en ont fini avec cet échantillon. Et ainsi |
| ce que nous verrions si nous devions construire un graphique à barres x et R pour cela, c'est que vous allez voir sur le graphique à barres x comme une moyenne, la moyenne heure par heure. |
| Et puis au sein des sous-groupes, la variation va être composée de ce qui se passe ici échantillon par échantillon et de l'épaisseur, de la mesure de l'épaisseur. |
| Maintenant, dans ce cas, notez qu'il y a des lignes verticales dans l'arbre d'échantillonnage, de sorte que l'arbre ne se ramifie pas dans ce cas. |
| Ainsi, lorsque vous voyez des lignes verticales lorsque vous dessinez des lignes verticales sur l'arbre d'échantillonnage, cela indique que la variabilité entre ces deux niveaux de l'arbre est confondue. |
| Donc, |
| Je ne peux pas vraiment séparer la variation de mesure inhérente à l'épaisseur du film de la variation inhérente d'un échantillon à l'autre. Je suis donc un peu coincé avec ceux-ci en termes de fonctionnement de ce système de mesure. Créons donc une carte de contrôle avec ces données. |
| Et pour cela, encore une fois, nous allons passer à la qualité et au processus. Et je vais sauter dans le générateur de carte de contrôle. Encore une fois, notre variable de mesure ici est l'épaisseur du film. |
| Et nous le faisons d'heure en heure. Ainsi, lorsque nous le mettons en place en faisant cela, nous voyons que JMP voit intelligemment que la taille du sous-groupe est de 3, comme indiqué sur notre, sur notre arbre d'échantillonnage. |
| Mais ce qui est intéressant dans cet exemple, c'est qu'à première vue, vous pourriez être tenté de vous inquiéter car nous avons tellement de points hors de contrôle sur l'histogramme x. |
| Mais réfléchissons-y une minute en termes de ce que nous dit l'arbre d'échantillonnage. |
| Donc, l'arbre d'échantillonnage nous dit à nouveau que ce qui change au sein du sous-groupe, ce qui contribue à la plage moyenne, c'est le |
| mesure d'épaisseur de film à épaisseur de film, ainsi que la variation d'échantillon à échantillon. Et rappelez-vous comment les limites de contrôle sont construites sur un graphique à barres x. |
| Ils sont construits à partir de la fourchette moyenne. Nous prenons donc la moyenne générale. Et puis nous ajoutons cette plage plus ou moins |
| un facteur lié à la taille de l'échantillon du sous-groupe de sorte que la largeur de ces limites de contrôle soit déterminée par l'ampleur de la plage moyenne. |
| Et donc vraiment ce que ce tableau compare est, considérons cette variation de mesure ici au bas de l'arbre. Il s'agit donc de comparer la variation de mesure |
| à la variation d'heure en heure que nous obtenons de la, de la ligne. Donc c'est en fait une bonne chose car cela nous dit que nous pouvons voir |
| variation qui s'élève au-dessus du bruit que nous voyons dans le sous-groupe. Donc dans ce cas, c'est, c'est en fait souhaitable. |
| Et donc, encore une fois, un arbre d'échantillonnage est vraiment utile pour nous rappeler ce qui se passe dans le graphique Xbar en termes de variation intra-sous-groupe et entre sous-groupes. |
| Maintenant, juste quelques exemples conceptuels dans le monde des expériences conçues. Donc, l'expérience de parcelle divisée est une expérience dans laquelle vous avez une restriction sur l'ordre d'exécution de l'expérience. |
| Et ce que cela fait, c'est qu'il finit par donner quelques structures d'erreur différentes, et JMP fait maintenant un excellent travail de conception d'expériences pour cette situation où nous avons des restrictions sur la randomisation et aussi |
| analysant ceux-ci. Donc, néanmoins, même si c'est parfois utile |
| pour comprendre où ces structures d'erreur pourraient être |
| fractionnement, et dans une conception de parcelle divisée, vous entrez dans ce qu'on appelle des facteurs de parcelle entière et des facteurs de sous-parcelle. Et la raison pour laquelle vous avez une restriction sur la randomisation est généralement qu'un ou plusieurs des facteurs sont difficiles à faire varier. Donc dans ce cas précis |
| scénario, nous avons une salle à environnement contrôlé où nous pouvons pulvériser des peintures à différentes températures et humidités. |
| Mais le problème est que vous ne pouvez tout simplement pas modifier l'humidité de la pièce au hasard, car cela prend trop de temps à se stabiliser et cela rend l'expérience plutôt peu pratique. Donc, ce qui est montré dans cet arbre d'échantillonnage, c'est que vous avez vraiment |
| trois facteurs ici humidité, résine et solvant. Ceux-ci sont représentés en bleu. Et donc nous ne changeons l'humidité qu'une seule fois parce que c'est une variable difficile à changer. C'est ainsi que vous configurez une expérience de parcelle fractionnée dans JMP, vous pouvez |
| préciser à quel point les facteurs sont difficiles à changer. Donc, dans ce cas, l'humidité est un facteur difficile, très difficile à modifier. |
| Et donc, JMP en tiendra compte lors de la conception de l'expérience et lorsque vous allez l'analyser. |
| Mais ce que cela nous montre, c'est que l'humidité serait considérée comme un facteur de parcelle entier car elle est au-dessus de la restriction de ligne, puis la résine et le solvant sont |
| facteurs de sous-parcelle ; ils sont en dessous de la ligne de restriction. Il y a donc une structure d'erreur différente au-dessus de la ligne de restriction pour les facteurs de parcelle entière que pour les facteurs de sous-parcelle. |
| Dans ce cas, nous avons tout un tas d'autres facteurs qui sont présentés ici, qui affectent vraiment la façon dont une formulation |
| qui est composé d'une résine et d'un solvant est mis dans un revêtement. Donc ça, c'est en fait une expérience 2 contre 3 avec une randomisation de restriction. |
| Il contient huit formulations différentes. Chacun est appliqué à un panneau, puis ce panneau est mesuré une fois de sorte que |
| ce que nous voyons en termes de variation de mesure à mesure est confondu avec le revêtement dans la variation du panneau. Comme, comme je l'ai déjà dit, lorsque nous avons des lignes verticales sur le |
| sur l'arbre d'échantillonnage, alors nous avons |
| alors nous avons une certaine confusion à ces niveaux. Donc c'est, c'est un exemple où nous l'utilisons pour nous montrer où, où se trouve la division dans la conception de parcelles divisées. |
| Cet exemple particulier encore une fois est conceptuel, mais il vient en fait |
| de l'époque où PPG fabriquait de la fibre de verre ; nous ne sommes plus dans le domaine de la fibre de verre. Mais dans ce cas, ce qui était recherché était une optimisation, ou au moins une compréhension de l'impact de quatre variables contrôlables sur ce qu'on appelait la perte ???, donc ils ont essentiellement pris le manteau |
| tapis de fibres, puis mesurez la quantité de revêtement qui est perdue lorsqu'ils brûlent l'échantillon. Donc, ce que nous avons ici au sommet de l'arbre est en fait un 2 au 4 design. Il y a donc 16 combinaisons des quatre facteurs dans ce cas et pour chaque exécution dans la conception, |
| le tapis a été divisé en 12 voies différentes comme on les appelle ici. Alors tu vas traverser le tapis |
| de 1 à 12 voies, puis nous supprimons trois sections dans chacune de ces voies, puis nous effectuons une mesure destructive sur chacune d'entre elles. Donc, cela combine en fait une expérience de conception factorielle. |
| avec une étude des composantes de variations. |
| Et encore une fois, nous avons des lignes verticales ici au bas de l'arbre indiquant que la variation de mesure à mesure est confondue avec la |
| variation section à section. Et donc ce que nous avons fini par faire ici en termes d'analyse, c'est que nous avons traité les données de chaque exécution du DOE comme une sorte de variation d'échantillon à échantillon comme nous l'avions fait dans le |
| exemple d'humidité de Box Hunter et Hunter, pour avoir au lieu de lots, ici vous avez DOE exécuter 1, 2, 3 et ainsi de suite jusqu'à 16, puis nous sous-échantillonnons en dessous. Et ainsi |
| nous traitons cette partie comme une étude des composants de la variation, puis nous avons essentiellement fait la moyenne de toutes les données pour rechercher et voir quels seraient les meilleurs paramètres pour le |
| quatre facteurs contrôlables impliqués ici. Il s'agit donc d'une très bonne étude, car elle a permis de répondre de manière très efficace à de nombreuses questions que nous nous posions au sujet de ce processus. |
| Encore une fois, combinant un COV avec un DOE, plan d'expériences avec étude des composants de variations. |
| Donc, en résumé, j'espère que vous avez une appréciation pour l'échantillonnage des arbres qui sont, ils sont assez simples. |
| Ils sont faciles à comprendre. Ils sont faciles à construire, mais pourtant ils sont parfaits pour nous aider à discuter de ce à quoi nous pensons en termes d'échantillonnage de processus ou de compréhension d'un système de mesure. |
| Et ils nous aident aussi |
| décider quel est le meilleur modèle de composants de variance lorsque nous cherchons à obtenir les différents composants du tableau de variabilité de JMP |
| plate-forme, que nous utilisons beaucoup de cet outil particulier, dont j'aime dire qu'il vaut le prix d'admission que JMP |
| pour cela pour cet outil en soi. Je vous ai donc montré quelques exemples ici où c'est imbriqué, où c'est croisé, croisé puis imbriqué, et puis aussi où nous avons appliqué ce genre de réflexion à |
| des cartes de contrôle pour nous aider à comprendre ce qui varie au sein des sous-groupes par rapport à ce qui varie entre les sous-groupes. Et puis aussi, peut-être moins utile...moins |
| nous pouvons également les utiliser avec des expériences conçues. Alors merci de partager quelques minutes avec moi ici et mon e-mail est sur la diapositive de couverture, donc si vous avez des questions, je serais heureux de discuter avec vous à ce sujet. Alors merci. |
