Altoparlante | Trascrizione |
| Dave | Ciao a tutti. Grazie per esserti unito a me qui oggi, vorrei condividere con te un argomento che fa parte del nostro programma Six Sigma Black Belt dal 1997. |
| 1997. Quindi penso che questo sia uno degli strumenti che piacciono davvero alle persone e penso che piacerà anche a te, e lo troverai informativo in termini di come si interfaccia con |
| alcuni degli strumenti disponibili in JMP. |
| La prima o due rapide diapositive in termini di messaggio del nostro sponsor. Sono con PPG Industries fuori Pittsburgh, in Pennsylvania, nel nostro centro commerciale e tecnico di Monroeville. |
| Sono stato uno scienziato di dati lì a fasi alterne per oltre 30 anni, entrando e uscendo dalla gestione tecnica. E ora, torniamo a ciò che mi piace davvero, ovvero lavorare con i dati e JMP in particolare. |
| Quindi PPG esiste da un po', è stata fondata nel 1883. L'anno scorso ci siamo classificati al 180° posto nella classifica Fortune 500. |
| E facevamo principalmente vernici, anche se la gente pensa che PPG stia per Pittsburgh Plate Glass, ma non era più così dal 1968 circa. Quindi ora è... è PPG ed è principalmente un'azienda di rivestimenti. |
| rivestimenti prestazionali e rivestimenti industriali. |
| automobili, aeroplani, ovviamente, case. Potresti aver acquistato vernice PPG o una marca di PPG da utilizzare a casa tua. |
| Ma è anche usato all'interno della confezione, quindi |
| se non hai un rivestimento all'interno di una lattina di birra, la birra diventa puzzola abbastanza rapidamente. La mia attività particolare sono i rivestimenti e i materiali speciali. |
| Quindi nel mio segmento produciamo fosfori OLED per la società di display universali che trovi nel telefono Samsung e anche i coloranti fotocromatici che vanno in |
| le lenti di transizione, che diventano scure quando esci. |
| Quindi quello di cui vi parlerò oggi è questo strumento chiamato albero di campionamento. E cos'è, in realtà è solo una semplice rappresentazione grafica |
| dei dati che stai pianificando di raccogliere o forse che hai già raccolto. |
| E così negli studi sulle variazioni come le valutazioni del sistema di misurazione generale Gage R&R, componenti e vari studi (o CoV, come a volte li chiamiamo), |
| l'albero di campionamento è un ottimo strumento per pensare strategicamente a una serie di cose. Quindi, per esempio, quali fonti di varianza possono o dovrebbero essere incluse in questo studio? |
| Quanti livelli all'interno di ciascun fattore o fonte di variazione puoi includere? E quante misure prendere per ogni combinazione di fattori e impostazioni? Quindi stai per arrivare a un |
| domanda sulla dimensione del campione qui. Quindi considerare strategicamente queste domande prima di raccogliere qualsiasi dato ti aiuta anche a definire i limiti dello studio, cosa puoi imparare da esso, |
| e quale sarà lo sforzo complessivo per l'esecuzione. Quindi lo inseriamo in uno strumento di classificazione che insegniamo nel nostro programma Six Sigma, |
| quelli che chiamiamo strumenti di pensiero critico perché ti aiutano a pensare in anticipo. Ed è una bella specie di esercizio alla lavagna su cui puoi lavorare su carta o sulla lavagna per pensare in modo prospettico ai dati che potresti raccogliere. |
| È anche molto utile per comprendere la struttura dei disegni fattoriali, |
| specialmente quando hai restrizioni sulla randomizzazione. Quindi ti darò una sorta di esempio concettuale, verso la fine qui, dove |
| puoi descrivere su un albero di campionamento, una linea di randomizzazione ristretta. |
| E quindi questo ti dice dove sono i fattori dell'intera trama e dove sono i fattori divisi. Quindi può fornirti nuovamente in anticipo una migliore comprensione dei dati che intendi raccogliere. Sono utili anche in |
| dove, condividerò un altro esempio concettuale, in cui abbiamo combinato un disegno fattoriale con un componente di studio delle variazioni. Quindi questo, questo è davvero fantastico perché accelera l'apprendimento del sistema in esame. Quindi stiamo simultaneamente cercando di manipolare i fattori che pensiamo |
| influenzare il livello della risposta e allo stesso tempo comprendere i componenti della variazione che pensiamo contribuiscano a una variazione della risposta. |
| Quindi, una volta acquisiti i dati, l'albero di campionamento può davvero aiutarti a facilitare l'analisi dei dati. E questo è particolarmente vero quando stai cercando di selezionare il modello del componente di varianza |
| all'interno di un grafico di varianza...grafico di variabilità disponibile in JMP. E quindi se hai mai usato quello strumento (e te lo dimostrerò qui tra un paio... con un paio di esempi), |
| se stai chiedendo a JMP di calcolare per te i vari componenti, devi prendere una decisione sul tipo di modello che desideri. È nidificato? È incrociato? Forse è incrociato e poi nidificato. |
| Forse è annidato e poi incrociato. Quindi aiutarti a capire qual è il modello di componente della varianza corretto, è davvero ben facilitato da un buon albero di campionamento. L'altro posto in cui li abbiamo usati è dove pensiamo alle carte di controllo. Così il |
| l'applicazione della carta di controllo ti aiuta davvero |
| vedere cosa sta cambiando all'interno dei sottogruppi e cosa sta cambiando tra i sottogruppi. Quindi ti aiuta a pensare in modo critico a ciò che stai effettivamente vedendo nelle carte di controllo. Quindi, come ho già detto, sono buoni per una specie di |
| mostrando le linee delle restrizioni nella trama divisa, ma sono un po 'meno utili per l'analisi di esperimenti progettati, quindi ancora una volta per i tipi di applicazioni DOE sono più in anticipo. |
| Quindi entriamoci dentro con un esempio. Quindi ecco quello che definirei un componente generale degli studi sulla varianza. |
| E quindi in questo caso, questo è in realtà dalla letteratura. Questo è da Box Hunter e Hunter, "Statistics for Experimenters", e lo troverai verso la fine del libro |
| dove stanno parlando di componenti dello studio della varianza e capita di essere su un processo di verniciatura. E quindi quello che hanno in questo particolare studio sono 15 lotti di |
| pasta pigmentata. Stanno campionando ogni lotto due volte e poi stanno effettuando due misurazioni dell'umidità su ciascuno di quei campioni. |
| Quindi il primo campione nel primo lotto è fisicamente diverso dal secondo lotto e dal primo |
| campione del secondo lotto è fisicamente diverso da qualsiasi altro campione. E quindi una pratica che abbiamo cercato di usare e insegnare è quella |
| per i fattori nidificati, è spesso utile elencarli in ordine numerico. Ciò sottolinea ancora una volta che hai unità sperimentali fisicamente diverse che stai passando da un campione all'altro. |
| E quindi questo è un piano di campionamento nidificato. Quindi il campione è annidato sotto il batch. Quindi vediamo come funziona nel grafico della variabilità all'interno di JMP. |
| Ok, quindi ecco i dati e troviamo il grafico della variabilità sotto la qualità e la variabilità del processo. |
| E poi elencheremo qui come variabili x il batch e poi il campione. |
| E una cosa molto importante in un piano di campionamento nidificato è che i fattori vengono caricati qui nello stesso ordine in cui li hai in un albero di campionamento. Quindi questo è gerarchico. |
| Quindi, altrimenti i risultati saranno un po ' |
| confusione. Quindi possiamo decidere qui in questa piattaforma di lancio che tipo di modello di componente di varianza vogliamo specificare. Quindi abbiamo detto che questo è un piano di campionamento nidificato. |
| E così ora siamo pronti per partire. Lasciamo la misura fuori dal... fuori dall'elenco degli assi perché la misura in realtà definisce solo dove si trovano i sottogruppi. |
| Quindi lo lasciamo fuori. E questo sarà ciò che entra nel componente variante che JMP chiama all'interno della variazione. |
| Ok, quindi ecco il grafico della variabilità. Una delle cose belle anche con il grafico di variabilità è che c'è un'opzione per aggiungerne alcune |
| alcune informazioni grafiche. Quindi qui ho collegato la media della cella. E quindi questo indica davvero il tipo di variazione visiva che hai tra i campioni all'interno del batch. |
| E poi abbiamo due misurazioni per lotto, come indicato sul nostro albero di campionamento. E così la distanza tra i due punti all'interno del lotto e il campione indica il |
| all'interno della variazione di sottogruppo. Quindi puoi vedere che sembra appena fuori dal pipistrello c'è un bel po 'di variazione da campione a campione. E l'altra cosa che potremmo voler mostrare qui sono le medie di gruppo. |
| E così questo ci mostra le variazioni da lotto a lotto. Quindi la linea viola qui è la media su base lotto per lotto. Va bene. Ora, per quanto riguarda l'effettiva ripartizione della variazione qui. Bene, questo è ben fatto in JMP qui sotto i componenti della varianza. |
| E |
| Portalo lassù, possiamo vederlo, quindi lo farò crollare. |
| Come abbiamo visto graficamente, sembrava che la variazione da campione a campione all'interno di un batch contribuisse in modo determinante alla variazione complessiva dei dati. E infatti i calcoli lo confermano. Quindi abbiamo |
| circa il 78% della variazione totale proveniente dal campione; circa il 20% delle variazioni arriva da lotto a lotto e |
| solo il 2,5% circa della variazione proviene dalla variazione da misurazione a misurazione all'interno del lotto e del campione. Ho notato qui nella tabella dei componenti della varianza, il |
| la notazione che è quella usata qui. Quindi questo è indicato che il campione è all'interno del lotto. Quindi questo è uno studio nidificato. E ancora, è importante caricare i fattori nel file |
| nel grafico di variabilità nell'ordine indicato qui nel grafico. Quindi non avrebbe alcun senso dire che all'interno del campione uno abbiamo i lotti uno e due. Questo semplicemente non ha alcun senso fisico. E quindi in un certo senso lo riflette nell'albero. |
| E solo |
| Ora confrontiamolo con qualcosa di leggermente diverso. Lo chiamo uno studio R&R tradizionale di Gage. E quindi quello che hai in uno studio R&R tradizionale di Gage è |
| hai un numero di lotti di campioni di parti che vengono testati. E poi hai un numero di operatori che stanno testando ognuno di questi. E poi ognuno testa lo stesso campione o lotto più volte. Quindi in questo particolare esempio ne mostriamo cinque |
| parti o campioni o lotti, tre operatori che misurano ciascuno due volte. Ora, in questo caso, operatore uno |
| per il lotto numero uno è uguale all'operatore numero uno per il rapporto lotto o campione numero cinque. |
| Quindi puoi pensare a questo come dire, beh, l'operatore in qualche modo incrocia tra la parte, il campione, il lotto qualunque sia la cosa che sta ottenendo |
| farsi misurare. Quindi questo è indicato come uno studio incrociato. Ed è importante che misurino lo stesso articolo perché una delle cose che |
| entra in gioco in uno studio incrociato è che non si ha in uno studio nidificato è una potenziale interazione tra gli operatori e ciò che stanno misurando. Quindi questo si rifletterà nell'analisi della componente di varianza che vediamo da JMP. Ora diamo un'occhiata qui. |
| a questo particolare insieme di dati. Quindi, di nuovo, andiamo al pratico grafico di variabilità, che si trova ancora una volta sotto la qualità e il processo. E in questo caso, inizierò usando lo stesso ordine per le variabili per le X come mostrato nell'albero di campionamento. |
| Ma, come vi mostrerò, una delle caratteristiche di uno studio incrociato è che non siamo più legati alla struttura gerarchica dell'albero. Possiamo capovolgerli. |
| E così questo è incrociato. Farò attenzione a cambiarlo qui. Ricorda che avevamo uno studio nidificato da prima. E ho intenzione di andare avanti e fare clic su OK. |
| E ho intenzione di mettere il nostro |
| mezzi di cella e mezzi di gruppo lì. |
| Quindi il gruppo significa in questo caso sono i campioni (tre) e abbiamo tre operatori. |
| E ora se chiedessimo i componenti della varianza. |
| Si noti che non abbiamo quel campione all'interno della notazione dell'operatore come lo avevamo nello studio nidificato. Quello che abbiamo in questo caso è un campione per interazione dell'operatore. |
| E ha senso che questa sia una possibilità in questo caso, perché ancora una volta, stanno misurando lo stesso campione. |
| Quindi Matt sta misurando lo stesso campione a del laboratorio QC, così come Tim. Quindi un'interazione in questo caso riflette davvero quanto sia diverso questo modello mentre passi da un campione all'altro. Quindi puoi vedere che generalmente è lo stesso |
| Sembra |
| Matt e QC tendono a misurare le cose forse un po' meno nel complesso rispetto a Tim. Questa parte C è un po' l'eccezione. Quindi l'interazione |
| il contributo alla variazione qui è relativamente piccolo. C'è qualche variazione da operatore a operatore e la variazione all'interno davvero |
| è il maggior contributore. Ed è facile da vedere qui perché qui abbiamo delle barre piuttosto larghe. Ma ancora una volta, questo è uno studio incrociato quindi |
| dovremmo essere in grado di cambiare l'ordine in cui carichiamo questi fattori e ottenere gli stessi risultati. Quindi questa è la mia proposta qui; proviamolo. |
| Quindi rilancerò questa analisi e li cambierò. Metterò prima l'operatore e poi il campione. Lascia tutto il resto uguale. |
| E andiamo avanti e mettiamo i nostri mezzi cellulari |
| e il gruppo significa lì. |
| E ora chiediamo le componenti della varianza. |
| Quindi come si confrontano? Collasserò quella parte del rapporto. |
| Quindi nella parte grafica e questa è una cosa interessante da riconoscere con uno studio incrociato |
| perché ancora una volta, non siamo bloccati con la gerarchia che abbiamo in uno studio nidificato, possiamo in qualche modo cambiare la prospettiva su come guardiamo i dati. |
| Quindi quella prospettiva con il caricamento nell'operatore prima ci dà una sorta di confronto diretto tra operatori qui in termini di mezzi di gruppo. E ancora quell'interazione si riflette su come questo schema cambia tra i |
| operatori qui mentre andiamo dalla parte A, B o C, A, B o C. |
| E i numeri in termini di componenti della varianza? Bene, vediamo che la tabella dei componenti della varianza qui riflette l'ordine in cui li abbiamo caricati |
| fattori nel |
| nella finestra di dialogo e... |
| Ma i numeri escono più o meno allo stesso modo. Quindi il campione sul lato sinistro qui, la deviazione standard è 1,7. |
| La deviazione standard dovuta all'operatore è di circa 2,3 ed è lo stesso valore qui. |
| L'interazione campione per operatore o operatore per campione, se preferisci, è esattamente la stessa. E l'interno è esattamente lo stesso. COSÌ, |
| con uno studio incrociato, abbiamo una certa flessibilità nel modo in cui carichiamo questi fattori e quindi l'interpretazione è leggermente diversa. Se questi fossero campioni diversi, |
| potremmo aspettarci che questo schema vada da un operatore all'altro, in qualche modo casuale perché stanno misurando cose diverse. Quindi non c'è motivo di aspettarsi che lo schema si ripeta. |
| Se vedi un termine di interazione significativo in un tipo tipico di uno studio R&R tradizionale di Gage, come abbiamo qui, beh, allora hai un vero |
| problema da affrontare perché questo ti sta dicendo questo |
| la natura del campione sta inducendo gli operatori a misurare in modo diverso. Quindi è un problema un po 'più difficile da risolvere rispetto a una situazione di assenza di interazione. |
| OK. |
| Dave | Quindi, di nuovo, questo, per tuo riferimento, l'ho elencato qui. |
| Quindi ora passiamo a qualcosa di un po' più succoso. Quindi qui abbiamo una specie di studio misto in cui abbiamo sia fattori incrociati che nidificati. Quindi questo era il business in cui lavoro. |
| La purezza dei materiali che produciamo è davvero importante e una metodologia di lavoro per misurare la purezza è una cromatografia liquida ad alte prestazioni o HPLC in breve. |
| Quindi questo era un... questo era un prodotto e veniva utilizzato in un'applicazione approvata dalla FDA, quindi la purezza che otteneva quello giusto era davvero importante. |
| Quindi questa è una fetta di uno studio più ampio. Ma quello che sto mostrando è il caso in cui avevamo tre campioni; Li sto etichettando qui S1, S2, S3. Abbiamo due analisti nello studio. |
| E così ogni analista misurerà lo stesso campione in ogni caso. Quindi puoi vedere che simile a quello che abbiamo avuto nell'esempio precedente, quello che io chiamo Gage R&R tradizionale, |
| dove ogni operatore o analista in questo caso sta misurando esattamente la stessa parte o campione. Quindi quella parte è attraversata. Quando scendi sotto l'analista, ogni analista prende il materiale e lo prepara due volte diverse. |
| E poi misurano ogni preparazione due volte. Fanno due iniezioni nell'HPLC con ogni preparazione. Quindi la preparazione uno è diversa dalla preparazione due ed è fisicamente diversa dalla prima preparazione per il prossimo analista qui. E così ancora una volta, proviamo a ricordarci di |
| etichetta questi fattori nidificati in sequenza per indicare che qui sono unità fisicamente diverse. |
| Non fa davvero alcuna differenza dal punto di vista di JMP, lo gestirà bene, se dovessi andare 1-2, 1-2, 1-2 e così via lungo la linea, va bene, |
| fintanto che gli dici il modello di componente di varianza corretto con cui iniziare. Quindi questo verrebbe incrociato e poi nidificato. Quindi vediamo come funziona in JMP. |
| Quindi ecco il nostro campione di dati, il numero di preparazione dell'analista e quindi solo un numero di iniezione che è davvero all'interno del sottogruppo. |
| Quindi ancora una volta andiamo ad analizzare, qualità e processo. Andiamo al grafico della variabilità. |
| E qui stiamo per inserire |
| i fattori nello stesso ordine in cui erano mostrati sull'albero di campionamento. |
| E poi inseriremo l'area in quanto l'area percentuale è la risposta. E abbiamo detto che questo è stato incrociato e poi nidificato, quindi l'abbiamo fatto |
| un paio di altre cose tra cui scegliere qui. E in questo caso, ancora una volta, l'albero di campionamento è davvero molto utile per aiutarci a convincerci che è così e selezionare il modello giusto. Questo è incrociato e quindi nidificato. |
| Facciamo clic su OK. |
| Metterò lì le medie di cella e le medie di gruppo. Ancora una volta, abbiamo un secondo fattore coinvolto al di sopra dell'interno. Quindi scegliamoli entrambi. |
| E chiediamo ancora le componenti della varianza. |
| E collasserò solo questa parte, si spera, e forse collasserò il grafico della deviazione standard, solo |
| portando un po' più in alto sullo schermo. |
| Quindi quello che possiamo vedere nel grafico mentre procediamo, vediamo un bel po' di variazione da campione a campione. |
| La variazione all'interno non sembra male. |
| Ma forse ne vediamo un po' |
| una variazione all'interno della preparazione. |
| Quindi, um, il campione in questo caso è di gran lunga il più grande |
| componente di variazione, che è proprio quello che speravamo. |
| L'analista lo è |
| è davvero |
| al di sotto, all'interno della variazione del sottogruppo. E quindi questo lo spiega molto bene per noi. Quindi in termini di |
| quello che mostra nella tabella dei componenti della varianza qui in termini di componenti, è l'analista del campione e quindi poiché questi due sono incrociati, abbiamo una potenziale interazione da considerare in questo caso. |
| Non sembra contribuire molto alla variazione complessiva. E ancora, questo è il modo in cui il modello cambia mentre passiamo da analista ad analista e da campione a campione. |
| Ora, |
| l'affermazione che ho fatto prima con lo studio completamente incrociato era che avremmo potuto scambiare il |
| i fattori incrociati in termini di loro |
| in termini di ordine e andrebbe bene. Quindi proviamolo in questo caso. |
| Quindi lo rifarò, lo rilancerò e posso pensare di poter scambiare il file |
| fattori incrociati qui, ma ancora una volta devo stare attento a lasciare il fattore nidificato dov'è nell'albero. Quindi noto qui nella tabella dei componenti della varianza, il modo in cui lo leggeremmo mentre abbiamo la preparazione |
| nidificato all'interno del campione e dell'analista. Quindi questo significa che deve andare sotto quelli sull'albero. |
| Quindi andiamo avanti e |
| collegare alcune cose qui. |
| vado a prendere il |
| grafico della deviazione standard e ha chiesto i componenti della varianza. |
| Ok, proprio come abbiamo visto nel tradizionale esempio di Gage R&R che abbiamo |
| l'analista e il cambio di campione. |
| Ma i loro valori per, se guardiamo alla deviazione standard qui nell'ultima colonna, sono identici. |
| Abbiamo di nuovo lo stesso valore per il termine di interazione e interagiamo sullo stesso valore per la preparazione |
| termine, che ancora una volta è annidato all'interno del, all'interno del campione e dell'analista. Quindi, ancora una volta, ecco dove l'albero di campionamento ci aiuta a comprendere appieno la struttura dei dati e integra bene ciò che vediamo nel |
| componenti di varianza |
| grafico di JMP. |
| Quindi, quelli, questi sono un paio di esempi in cui questi sono orientati verso componenti dello studio della variazione. |
| Una cosa che potresti notare anche tu, ho dimenticato di sottolinearlo prima, è |
| guarda l'albero di campionamento qui. E se lo riporto indietro |
| e ci sto solo provando |
| riprodurre questo. |
| Quel backup. |
| Dave | È interessante se guardi l'asse orizzontale nel grafico della variabilità, in realtà è l'albero di campionamento capovolto. |
| Quindi questo è un altro modo per confermare che stai guardando la struttura giusta qui quando stai cercando di decidere quale modello di componente del componente di varianza applicare. |
| Quindi, di nuovo, ecco gli screenshot per questo. |
| Ecco un esempio in cui |
| l'albero di campionamento può aiutarti in termini di comprensione delle fonti di variazione in una carta di controllo di tutte le cose. Quindi in questo caso particolare, |
| per un certo numero di ore, un campione viene prelevato dalla linea. Questi sono in realtà campioni di lenti. Ho detto che noi produciamo coloranti fotocromatici per entrare nelle transizioni lenti e |
| controlleranno periodicamente lo spessore del film sulle lenti e questo è un test distruttivo. E così quando prendono quella lente e misurano lo spessore del film, beh, hanno finito con quel campione. E così |
| quello che vedremmo se dovessimo costruire un grafico a barre x e R per questo è che vedrai sul grafico a barre x come media, la media ora per ora. |
| E poi all'interno del sottogruppo la variazione sarà composta da quello che sta succedendo qui campione per campione e lo spessore, la misura dello spessore. |
| Ora, in questo caso, notate che ci sono linee verticali nell'albero di campionamento, in modo che l'albero non si ramifichi in questo caso. |
| Quindi, quando vedi delle linee verticali mentre disegni una linea verticale sull'albero di campionamento, è un'indicazione che la variabilità tra questi due livelli dell'albero è confusa. |
| COSÌ, |
| Non riesco davvero a separare la variazione di misura inerente nello spessore del film dalla variazione inerente del campione alla variazione del campione. Quindi sono un po 'bloccato con quelli in termini di come funziona questo sistema di misurazione. Quindi, prepariamo un grafico di controllo con questi dati. |
| E per questo, ancora una volta, andremo alla qualità e al processo. E ho intenzione di saltare nel generatore di carte di controllo. Quindi, ancora una volta, la nostra variabile di misura qui è lo spessore del film. |
| E lo stiamo facendo su base oraria. Quindi, quando lo impostiamo in questo modo, vediamo che JMP vede in modo intelligente che la dimensione del sottogruppo è 3, proprio come indicato sul nostro, sul nostro albero di campionamento. |
| Ma la cosa interessante in questo esempio è che a prima vista potresti essere tentato di preoccuparti perché abbiamo così tanti punti fuori controllo sul grafico a barre x. |
| Ma pensiamoci per un minuto in termini di ciò che ci dice l'albero di campionamento. |
| Quindi l'albero di campionamento ci dice di nuovo che ciò che sta cambiando all'interno del sottogruppo, ciò che contribuisce all'intervallo medio, è il |
| misurazione dello spessore del film sullo spessore del film, insieme alla variazione da campione a campione. E ricorda come i limiti di controllo sono costruiti su un grafico a barre x. |
| Sono costruiti dalla gamma media. Quindi prendiamo la media complessiva. E poi aggiungiamo quell'intervallo più o meno |
| un fattore correlato alla dimensione del campione del sottogruppo in modo che l'ampiezza di questi limiti di controllo sia guidata dall'ampiezza dell'intervallo medio. |
| E quindi in realtà ciò che questo grafico sta confrontando è, consideriamo questa variazione di misura quaggiù in fondo all'albero. Quindi sta confrontando la variazione di misura |
| alla variazione di ora in ora che otteniamo dalla, dalla linea. Quindi in realtà è una buona cosa perché ci dice che possiamo vedere |
| variazione che supera il rumore che vediamo nel sottogruppo. Quindi in questo caso, è davvero desiderabile. |
| E quindi, ancora una volta, un albero di campionamento è davvero utile per ricordarci cosa sta succedendo nel grafico Xbar in termini di variazione all'interno del sottogruppo e tra i sottogruppi. |
| Ora, solo un paio di esempi concettuali nel mondo degli esperimenti progettati. Quindi l'esperimento della trama divisa è un esperimento in cui hai una restrizione sull'ordine di esecuzione dell'esperimento. |
| E quello che fa è che finisce per dare un paio di diverse strutture di errore, e JMP fa un ottimo lavoro ora nel progettare esperimenti per quella situazione in cui abbiamo restrizioni sulla randomizzazione e anche |
| analizzando quelli. Quindi, tuttavia, anche se a volte è utile |
| per capire dove potrebbero essere quelle strutture di errore |
| dividendo, e in un disegno a trama divisa, si entra in quelli che vengono chiamati fattori dell'intera trama e fattori della sottotrama. E il motivo per cui hai una restrizione sulla randomizzazione è in genere perché uno o più fattori sono difficili da variare. Quindi in questo particolare |
| scenario, abbiamo una stanza ambientale controllata dove possiamo spruzzare vernici a diverse temperature e umidità. |
| Ma il problema è che non puoi cambiare in modo casuale l'umidità nella stanza perché ci vuole troppo tempo per stabilizzarsi e rende l'esperimento piuttosto poco pratico. Quindi ciò che viene mostrato in questo albero di campionamento è che hai davvero |
| tre fattori qui umidità, resina e solvente. Questi sono mostrati in blu. E quindi cambiamo l'umidità solo una volta perché è una variabile difficile da cambiare. Quindi è così che puoi impostare un esperimento di trama divisa in JMP |
| specificare quanto è difficile cambiare i fattori. Quindi in questo caso l'umidità è un fattore difficile, molto difficile da modificare. |
| E così, JMP ne terrà conto quando progetta l'esperimento e quando vai ad analizzarlo. |
| Ma ciò che questo ci mostra è che l'umidità sarebbe considerata un intero fattore di trama perché è al di sopra della restrizione della linea e quindi la resina e il solvente sono |
| fattori di sottotrama; sono al di sotto della linea di restrizione. Quindi c'è una struttura di errore diversa sopra la linea di restrizione per i fattori dell'intera trama rispetto a quella per i fattori della sottotrama. |
| In questo caso abbiamo tutta una serie di altri fattori che vengono mostrati qui, che influiscono davvero sul modo in cui una formulazione |
| che è costituito da una resina e un solvente viene inserito in un rivestimento. Quindi questo, questo è in realtà un esperimento da 2 a 3 con una randomizzazione di restrizione. |
| Ha otto diverse formulazioni lì dentro. Ognuno viene applicato a un pannello e quindi quel pannello viene misurato una volta in modo che |
| ciò che vediamo in termini di variazione da misura a misura viene confuso con il rivestimento nella variazione del pannello. Come, come ho detto prima, quando abbiamo linee verticali sul |
| sull'albero di campionamento, allora abbiamo |
| allora abbiamo qualche confusione a quei livelli. Ecco, questo è un esempio in cui lo stiamo usando per mostrarci dove si trova la divisione nel disegno della trama divisa. |
| Anche questo particolare esempio è concettuale, ma in realtà arriva |
| dai giorni in cui PPG produceva fibra di vetro; non siamo più nel business della fibra di vetro. Ma in questo caso, quello che si cercava era un'ottimizzazione, o almeno capire l'impatto di quattro variabili controllabili su quella che veniva chiamata perdita ???, quindi in pratica si sono presi il sopravvento |
| stuoie di fibre e quindi misurare la quantità di rivestimento che viene perso quando praticamente bruciano il campione. Quindi quello che abbiamo qui è in cima all'albero è in realtà un disegno da 2 a 4. Quindi ci sono 16 combinazioni dei quattro fattori in questo caso e per ogni esecuzione del progetto, |
| il tappeto è stato diviso in 12 diverse corsie come vengono chiamate qui. Quindi attraverserai il tappeto |
| da 1 a 12 corsie e poi eliminiamo tre sezioni all'interno di ognuna di quelle corsie e poi eseguiamo una misurazione distruttiva su ciascuna di esse. Quindi questo in realtà combina un esperimento di disegno fattoriale. |
| con uno studio delle componenti delle variazioni. |
| E così ancora, abbiamo delle linee verticali qui in fondo all'albero che indicano che la variazione da misura a misura è confusa con la |
| variazione da sezione a sezione. E quindi quello che abbiamo finito per fare qui in termini di analisi è stato, abbiamo trattato i dati di ogni esecuzione DOE come una sorta di variazione da campione a campione come avevamo nel |
| esempio di umidità da Box Hunter e Hunter, per avere invece di lotti, qui hai DOE eseguito 1, 2, 3 e così via fino a 16 e poi stiamo sottocampionando al di sotto di quello. E così |
| trattiamo questa parte come un componente dello studio della variazione e quindi abbiamo sostanzialmente calcolato la media di tutti i dati per cercare e vedere quali sarebbero le impostazioni migliori per il |
| quattro fattori controllabili coinvolti qui. Quindi questo è davvero un buon studio perché ha risposto a molte domande che avevamo su questo processo in un modo molto efficiente. |
| Quindi, ancora una volta, combinando un COV con un DOE, progettazione di esperimenti con componenti di studio delle variazioni. |
| Quindi, in sintesi, spero che tu abbia apprezzato il campionamento di alberi che sono piuttosto semplici. |
| Sono facili da capire. Sono facili da costruire, ma sono ottimi per aiutarci a parlare forse di ciò a cui stiamo pensando in termini di campionamento del processo o comprensione di un sistema di misurazione. |
| E ci aiutano anche |
| decidere qual è il miglior modello di componenti di varianza quando cerchiamo di ottenere i vari componenti dal grafico di variabilità di JMP |
| piattaforma, che utilizziamo molto da quel particolare strumento, che mi piace dire che vale il prezzo di ammissione che JMP |
| per quello per quello strumento in sé e per sé. Quindi ti ho mostrato alcuni esempi qui dove è annidato, dove è incrociato, incrociato e poi annidato, e poi anche dove abbiamo applicato questo tipo di pensiero a |
| grafici di controllo per aiutarci a capire cosa varia all'interno dei sottogruppi rispetto a cosa variava tra i sottogruppi. E poi anche, forse meno utile... meno |
| possiamo usare anche quelli con esperimenti progettati. Quindi grazie per aver condiviso alcuni minuti con me qui e la mia e-mail è sulla diapositiva di copertina, quindi se hai qualche domanda, sarei felice di conversare con te su questo. Quindi grazie. |
