Salut, Je suis David Trindade,
fondateur et propriétaire de Stat-Tech, un consultant entreprise spécialisation
dans le utiliser de JMP logiciel pour résoudre industriel problèmes.
Aujourd'hui Je suis en allant pour pour parler à propos un consultant projet
ce je travaillé sur sur le dernier année
avec un robotique entreprise.
Étaient en allant pour être en parlant à propos Drone F couché dans Entrepôts :
Un Application de Attribut Jauge Analyse.
Attribut jauge analyse est typiquement appliqué pour comparer accord,
ou manque dont entre deux ou plus notation approches pour un problème.
Pour exemple, deux inspecteurs peut ont différences de avis
comme pour si un partie est conforme, appel il passer
ou non conforme appel il échouer.
Basé sur considération de spécifique qualité indicateurs pour individuel les pièces,
comment faire nous quantitativement mesure le degré de accord?
Allons en fait commencer désactivé avec un exemple.
Allons dire nous ont deux inspecteurs,
inspecteur 1 et Inspecteur 2,
et ils sont présenté avec un liste de 100 les pièces,
le critique caractéristiques sur ces 100 les pièces
et demandé pour déterminer si chaque partie devrait être classifié comme un passer ou un échouer.
j'ai résumé le résultats sur le tableau pour le droite, partiel tableau.
Toi voir là sont 100 Lignes dans le tableau.
Tous variables sont nominal, donc le d'abord colonne
est le partie 1-100.
Alors le deuxième colonne est le notation par Inspecteur 1,
si c'est un passer ou échouer, et alors le deuxième inspecteur
où aussi deuxième colonne a un passer ou échouer notation.
Maintenant, si nous étaient pas familier avec JMP jauge attribut analyse programme,
d'abord marcher ce nous pourrait prendre pourrait être
pour regarder à le deux classification distributions
et utiliser dynamique mise en relation pour comparer.
Quoi je sera faire est montrer toi le diapositives
et alors je sera aller et démontrer le résultats sur le diapositives
après j'ai disparu à travers le diapositives, à travers un certain montant de matériel.
Pour exemple, si nous Cliquez sur, dire, allons générer distributions
de le deux Colonnes, le échouer, Inspecteur 1 et Inspecteur 2,
alors nous peut Cliquez sur, dire, pour exemple, sur le échouer colonne pour Inspecteur 1,
toi voir principalement allumettes pour Inspecteur 2,
mais là sont un peu désaccords sur ici.
Là sont quelques passe où Inspecteur 1
classifié il comme un échouer, mais Inspecteur 2 classifié il comme un passer.
Maintenant, quand toi faire Cliquez sur sur ce JMP points forts,
le réel Lignes ce correspondre pour ce.
Toi peut voir sur ici, pour exemple, ligne quatre, Inspecteur 1 appelé il un échouer
et Inspecteur 2 appelé il un passer.
En général mais, ils sont principalement dans accord,
échouer, échouer, échouer, échouer et donc de suite.
Nous pourrait aussi faire ce par en cliquant sur Inspecteur 2 échouer,
et alors voyant comment il compare pour Inspecteur 1.
Nous voir ce là sont en fait cinq instances de désaccord
entre le deux inspecteurs.
Quand le Inspecteur 1 le classe comme un échouer,
il y a cinq que je nspector 2 classifié il comme un passer.
Maintenant nous peut aussi visualiser le inspecteur comparaison données.
Pour faire ce, nous peut utiliser constructeur de graphes avec tabuler pour voir accepter et être en désaccord
compte entre le deux inspecteurs. Voici un chemin de visualisation il.
Nous peut mettre Inspecteur 1 en utilisant constructeur de graphes sur le horizontal axe
et Inspecteur 2 sur le vertical axe.
Alors nous voir maintenant avec couleur codage, si c'est accord ou être en désaccord,
accepter est vert et alors le Lignes
ce sont être en désaccord couleur code est rouge Marqueurs.
Maintenant nous peut voir le réel distribution.
Alors nous peut utiliser tabuler pour en fait total le Nombres ce sont impliqué.
Nous peut voir sur ici pour Inspecteur 1 et Inspecteur 2.
Inspecteur 1 et Inspecteur 2 convenu sur le échouer catégorisation
pour 42 de le les pièces et ils convenu sur 44 de le passer les pièces.
Ils pas d'accord sur neuf instances sur ici
où Inspecteur 2 appelé il un échouer et Inspecteur 1 appelé il un passer.
Et Inspecteur 2 appelé un passer, où Inspecteur 1 appelé il un échouer.
Donc ceux total 14.
Le inspecteurs convenu sur un classification pour 86% de le les pièces
et ils pas d'accord sur 14 %.
Depuis là maintenant nous peut aller et faire attribut jauge analyse
et voir quoi JMP peut faire pour ce analyse.
Pour aller pour attribut jauge analyse, étaient en allant pour aller pour qualité
et analyser qualité et processus variabilité attribut jauge graphique.
Alors nous jeter le Lignes. Et ici j'ai montré le inspecteurs
sont listé sous le Oui réponse, les deux de eux.
Alors le colonne pour le partie est listé comme le regroupement.
Ces sont requis entrées.
Nous avis le graphique taper est attribut, nous Cliquez sur d'accord.
Et maintenant JMP fournit nous avec ce attribut jauge analyse rapport.
Le d'abord graphique c'est montré sur ici est le pour cent accord pour chaque partie.
Donc nous ont 100 les pièces sur le horizontal Lignes axe sur ici,
et quand il y a 100%, il moyens le deux inspecteurs convenu.
Quand il y a 0%, il moyens pour être en désaccord.
Le gauche graphique montre le global pour cent accord 86% par inspecteur.
Depuis le comparaison est entre seul deux inspecteurs,
les deux sont en allant pour ont le même 86% accord valeur.
Le accord rapport maintenant comprend
un numérique résumé de le global 86% accord.
Toi peut voir 86 allumettes dehors de 100 inspecté
et le individuel ceux sont en allant pour être le même depuis c'est seul un problème
de si il était un passer ou échouer pour un donné partie.
Et 95% confiance limites sont fourni pour le deux résultats,
les deux pour le inspecteur et pour le accord.
Maintenant le accord comparaisons rapport comprend un nouveau statistique
ce peut-être beaucoup personnes sont pas familier avec,
appelé le Kappa Statistique.
C'est conçu par Cohen, c'est donné dans le référence.
Le Cohen Kappa Statistique indice, qui dans ce cas est 0,7203.
Est conçu pour correct pour accord par chance seul.
Ce était très intéressant pour moi quand je d'abord lire à propos ce.
Comme quoi faire nous moyenne par accord par chance seul?"
Allons aller dans un petit bit de un explication de accord par chance
et comment peut nous estimation il.
Allons considérer deux évaluateurs, R1 et R 2.
Bien supposer totalement aléatoire les choix
pour chaque évaluateur pour chaque échantillon, exemple, pour chaque partie.
Nous plus loin supposer ce le probabilité un évaluateur sélectionne soit choix passer
ou échouer sur le autre est 50 %. Donc c'est 50/50.
Cent échantillons ou essais sont différemment catégorisé par passer/ échouer pour chaque évaluateur,
similaire pour retourner un pièce de monnaie pour chaque choix.
Nous juste visualiser deux inspecteurs et ils sont chaque retourner un pièce de monnaie,
et ils sont en essayant pour correspondre comment beaucoup obtenir tête, têtes
ou queue, queue, ou tête, queue ou queue, tête.
Qu'est-ce que le attendu fraction de les accords par chance?
Bien, c'est un simple problème dans probabilité.
Similaire pour lancer deux pièces de monnaie, là sont seul quatre possible
et également probable chance résultats entre le deux inspecteurs pour chaque partie.
Évaluateur 1 pourrait appel il un échouer, et Noté 2 pourrait appel il un échouer.
Ils serait accepter. Évaluateur 1 peut appel il un passer,
et évaluateur 2 serait appel il un passer et le rouge être accord là.
Le désaccord serait être quand ils ne le faites pas accepter sur si c'est un passer, échouer.
Maintenant, ces sont quatre également probable chances.
Bien, deux de eux sont pour accepter et deux de eux sont en désaccord.
Donc, le probabilité de accord par chance seul est deux dehors de 4 c'est 50%.
C'est un simple probabilité problème.
Maintenant, comment faire nous calculer le Kappa S statistique sur le autre main?
Comme je dire, c'est censé pour correct pour ce attendu probabilité
de accord par chance seul.
Le simple formule ce toi peut mettre dans JMP pour le Statistique Kappa
est le pour cent accord, dans ce cas, serait être 86% moins le attendu par chance
depuis le données, qui nous savoir est en allant pour être autour 50 %.
Comment faire nous en fait utiliser le données pour estimation le attendu chance
depuis le données lui-même, le attendu accord par chance depuis le données?
Bien, le estimation de Cohen Kappa statistique
est montré dessous, et ce est essentiellement comment c'est fait.
Ce est le tabulé valeur. Ce est quoi nous scie plus tôt.
Accord sur échouer/ échouer pour Inspecteur 1 et 42 instances.
Accord entre Inspecteur 1 et Inspecteur 2
sur le passé critère pour 44 instances.
Toi avait ceux en haut et c'est 86 %.
Donc je montrer toi sur ici dans le Exceller format ce nous ajoutée, 42 plus 44
nous a obtenu divisé par 100.
Alors être en désaccord est un moins [inaudible 00:08:58]
ou juste le cinq plus neuf divisé par 100.
Maintenant, pour calculer le accord par chance, le Cohen Statistique Kappa est le somme
de le des produits de le marginal fractions pour chaque passer/ échouer taper.
Bien, ici sont le marginal fractions.
F ou échouer, le marginal fractions sont 51 divisé par 100 et 47 divisé par 100.
Donc nous former un produit de ceux deux. Cinquante et un divisé par 100
fois 47 divisé par 100.
Plus, maintenant nous entrer le échouer. L'autre critère est l'échec.
C'est 49...je devrait ont a dit ce était le d'abord désaccord.
Cinquante et un et 47 pour le échouer critère. Pour le passer critère maintenant,
nous aller 49 dehors de 100 et 53 dehors de 100,
et nous multiplier ceux deux ensemble et ajouter eux.
Ce donne nous un nombre quand nous calculer il dehors pour 49. 94,
qui est très fermer évidemment, pour 0,5.
Alors le Statistique Kappa est le pourcentage accord
moins le attendu par chance, divisé par un moins le attendu par chance.
Ce vient dehors pour être 0,7023 dans ce cas.
Le Kappa. Ici sont quelques des lignes directrices
pour interprétant Kappa.
Aller dos en haut encore.
je vouloir pour montrer toi ce le Kappa était 72.03.
Le des lignes directrices pour interprétant Kappa sont si Kappa est plus grand
que 0 .75, c'est excellent.
Si c'est entre 0,4 et 0. 75, c'est bien.
Et si c'est moins que 0 .40 c'est appelé marginal ou pauvre.
Il y a quelques fini diviser lignes sur ce.
Un excellent, totalement 100% accord,
serait faire un Kappa de un, et nous pourrait en fait obtenir un Kappa négatif
qui serait être accord c'est moins que par chance seul.
Le livres car ceux-ci sont donnés dans le référence.
Tous droite, laisser moi juste arrêt ici et aller dans JMP pour quoi nous avons fait donc loin.
Nous peut voir ce.
Le données déposer ce nous avons a obtenu sur ici est le inspecteurs
ce je a parlé à propos de, et je a dit nous pourrait prendre un regarder à le distribution.
Évidemment, si tu es familier avec JMP, toi juste aller analyser distribution
et mettre dans le inspecteurs sur ici.
Alors nous peut mettre ce suivant pour le Lignes,
et si nous Cliquez sur échouer, nous voir le comparaison entre le échoue
pour Inspecteur 1 contre le échouer pour Inspecteur 2 et quelques désaccords.
Alors toi peut voir qui domaines le lignes qui pas d'accord c'est exemple quatre.
De la même manière, si nous calculer sur là, nous peut comparer Inspecteur 2 pour Inspecteur 1.
Obtenir un différent ensemble de Nombres sur ici.
Le autre option ce je mentionné pour visualisation est pour faire un constructeur de graphes
et dans constructeur de graphes, nous peut mettre Inspecteur 1 sur le horizontal axe
et Inspecteur 2 sur le vertical axe.
Maintenant nous ont un comparaison, et maintenant nous peut en fait voir le Nombres
de fois, pour exemple, comment beaucoup fois a fait Inspecteur 1
taux quelque chose comme un passer où Inspecteur 2 noté comme un échouer.
Si nous aller dos pour le données tableau,
nous voir ce là sont neuf instances de ce, et ils sont Souligné dans un ligne.
E est est un très rapide chemin de voyant quoi le Nombres sont
pour le différent catégories ce étaient fonctionnement avec.
Allons dire, Cliquez sur fait sur ici.
Le autre chose nous peut utiliser comme je mentionné, est le tabuler fonctionnalité.
Nous peut aller pour tabuler, et nous peut mettre Inspecteur 1 sur le haut
et Inspecteur 2 sur le bas sur ici ce chemin.
Alors nous peut ajouter dans un autre ligne pour le marginal totaux bas ici et donc de suite.
Maintenant nous ont le résumé ce nous peut mettre suivant pour le constructeur de graphes
et voir quoi le réel tabulations sont ce nous avons a obtenu pour ce.
C'est quelque chose ce nous serait faire
peut-être si nous étaient pas familier avec JMP programme.
Mais allons utiliser JMP maintenant pour faire le analyse.
Étaient en allant pour venir sur ici, étaient en allant pour aller pour Qualité et Processus.
Étaient en allant pour aller pour variabilité attribut jauge graphique.
Étaient en allant pour mettre dans le inspecteurs sur ici.
Étaient en allant pour mettre dans le partie.
Sur ici toi avis c'est requis, attribut.
D'accord, Cliquez sur d'accord, et maintenant nous ont notre sortir.
Ce sortir montre encore pour chaque partie le accord.
Zéro moyens je être en désaccord. 100% moyens je être en désaccord.
Ce montre le notation entre le deux inspecteurs, 86 %.
Ce est le résumé, 86 %.
Voici notre Kappa indice sur ici, et nous ont le accord dans les taux.
Ce est type de redondant dans le sens
parce que étaient seul en regardant à un binaire comparaison.
Alors plus loin sur bas ici, nous peut faire le accord par catégories.
Nous peut en fait calculer comment beaucoup est le accord par le échouer,
individuellement, ou par le passer individuellement.
D'accord, donc c'est comment nous serait faire il pour un simple comparaison.
Mais quoi si nous maintenant considérer ce le réel diagnostic
de le partie était connu ou confirmé?
Allons aller dos dans notre PowerPoint présentation.
j'introduis un standard.
D'accord, ce est un mesure de quoi nous appel efficacité.
Étaient en allant pour supposer le correct partie, classification était soit connu
ou ensuite confirmé.
Donc ce est le vrai correct diagnostic ce devrait ont a été fait sur ce partie.
Comment précis sont le inspecteurs les choix?
Dans autre mots, comment peut nous comparer comment précis chaque inspecteur était
pour déterminer correspondant à en haut avec le vrai standard?
Nous ensemble en haut ce colonne dans JMP, et maintenant nous peut aller à travers le processus
ce nous a dit plus tôt de en regardant à un distribution.
Pour exemple, si nous ajouter dans le distribution,
ce temps nous inclure un standard, maintenant nous peut Cliquez sur sur passer,
et nous peut voir le les accords entre Inspecteur 1 et Inspecteur 2
sur passer classements.
Toi peut voir les deux de eux avait quelques les erreurs de classement, quelques faux diagnostic.
Nous peut Cliquez sur sur échouer et faire le même chose pour le autre catégorie.
Alors JMP sera souligner ceux dans le données tableau.
Pour faire le attribut jauge analyse dans JMP en utilisant le standard,
tous nous ont pour faire maintenant est entrer standard dans le dialogue boîte comme nous a fait avant.
Ce est le supplémentaire colonne.
Le grand différence maintenant, et ce est pas Souligné dans le manuel,
est ce sous attribut jauge, nous peut maintenant obtenir un graphique
ce s'applique spécifiquement pour le efficacité.
Quoi étaient en allant pour faire est décochez ces accord points sur le graphique,
et Cliquez sur plutôt le efficacité points sous attribut jauge.
Quand nous faire ce, nous obtenir un autre graphique ce mesures le efficacité.
Et ce efficacité a trois évaluations pour il.
Ce jauge attribut graphique maintenant montre le pour cent accord,
0, 50 %, ou 100% de le deux inspecteurs pour le standard pour chaque partie.
UN 0% implique les deux inspecteurs mal diagnostiqué leur problème.
Sept événements de ce s'est produit.
UN 50% signifie un de le inspecteurs a obtenu leur correct classification,
et évidemment, 100% moyens ils les deux a obtenu il droite.
Alors le gauche graphique montre le global pour cent accord
pour le standard pour chaque inspecteur.
Nous remarqué ce là était quelques léger différence entre le deux inspecteurs.
Nous maintenant générer le efficacité rapport
ce incorpore le passer/ échouer comparaisons
pour le standard pour chaque inspecteur.
Toi peut voir Inspecteur 1 a obtenu 42 de le échoue correct.
Il a obtenu 43 de le passe correct, mais il a obtenu 10incorrect de le échoue,
appel eux passe.
Et il a obtenu cinq de le passe Incorrect.
je trouver ce notation un petit bit déroutant.
je mettre il bas à le bas.
Quand nous dire Incorrect échouer,
ce moyens un échouer était incorrectement classifié comme un passer.
Quand nous dire Incorrect passer, il moyens un passer était incorrectement
classifié comme un échouer.
Toi peut obtenir ton esprit en allant dans fou façons
juste en essayant pour toujours interpréter qu'est-ce que c'est dans là.
Quoi j'ai fait est je créé mon posséder graphique pour simplifier choses.
Le classifications erronées montre sur ici ce 17 réel échouer les pièces étaient classifié
comme passer, et onze passer les pièces classifié comme échouer.
Donc c'est dans le JMP sortir.
Mais quoi je a dit sur ici, et Identifiant aimer pour voir JMP inclure
quelque chose similaire pour ce comme un clair explication de qu'est-ce que c'est en allant sur.
Inspecteur 1, Inspecteur 2, le standard est passer,
et alors le correct classement comme passer est 43 et 42.
Le mal classé comme échoue sont cinq et six.
Alors sur ici, quand le standard est le échouer,
le correct les choix par Inspecteur 1 et l'inspecteur 2 est 42 et 45.
Et le mal classé, donc quand il était échouer,
dix de eux étaient classé comme passe et sept sur ici.
Maintenant, comprendre, un échouer partie classifié comme passer
est un partie c'est un défectueux partie en allant en haut.
C'est appelé un manquer.
Sur le autre main, un échouer partie ce est-ce il réel passer partie,
nous appel ce essentiellement produit risque, c'est un FAUX alarme.
Et JMP les usages ceux conditions, FAUX alarme et manquer,
plus tard sur Je vais expliquer ce.
je comme ce graphique parce que il semble pour faire un clair explication
de qu'est-ce que c'est en allant sur.
En utilisant constructeur de graphes, encore nous peut voir le classifications
par chaque inspecteur comme montré sur ici.
UN gagner, toi peut souligner spécifique questions là.
JMP aussi permet toi pour définir un conformité.
Dans autre mots, nous a dit non- conforme est un échouer et conforme est un passer.
Ce chemin nous peut prendre un regarder à le taux de FAUX alarmes et manque
dans le données lui-même comme déterminé par le inspecteurs.
Nous peut voir ce le probabilité de FAUX alarmes pour Inspecteur 1 était 0,1
et Inspecteur 2 est de 0,125. Le probabilité de manque,
d'accord, ça moyens ce nous laisser il défaut le parc, aller dehors,
était plus haut pour Inspecteur 1 et Inspecteur 2.
Je vais montrer comment ces calculs sont fait.
Pour souligner ce, un FAUX alarme
se produit quand le partie est incorrectement classifié comme un échouer,
quand il est un passer. C'est appelé un FAUX positif.
Le FAUX alarme, le nombre de les pièces
ce ont a été incorrectement jugé pour être échoue,
divisé par le total nombre de les pièces ce sont jugé pour être passe.
Maintenant, c'est où ce calcul est fait sur ici.
Si je aller en haut ici, voici le passer est mal classé comme échouer,
donc si je prendre cinq dehors de 48, je fin en haut avec ce nombre 0,1042.
Maintenant le suivant chose est un manquer.
Ce partie est incorrectement classifié comme un passer.
Quand il en fait est un échouer. C'est un FAUX négatif.
Dans ce cas, étaient Envoi en cours dehors un défectueux partie.
Le nombre de les pièces ce ont a été incorrectement jugé pour être passe
divisé par le total de les pièces ce sont jugé pour être échoue
est dix dehors de 42 plus 10 est 0,193.
UN gagner, en allant dos pour ce tableau,
ces sont le les pièces ce sont échouer, mais dix de eux étaient mal classé comme un passer.
Donc le les pièces ce devrait ont a été classifié comme ils échouer est 52.
Dix divisé par 52 donne toi ce nombre de 0,1923.
Donc je comme ce tableau est Plus facile pour interpréter sur ici.
Le final chose à propos le conformité rapport
est toi peut changement ton conformité catégorie,
ou toi peut changer se conformer pour non conformes.
Toi peut calculer aussi un s'échapper taux. Et ce est le taux ce le probabilité
ce un non conforme partie est en fait produit et pas détecté.
Pour faire ce, nous ont pour fournir quelques estimation ou probabilité
de non-conformité pour le JMP programme.
je mettre dans comme dix%, allons dire dix% de le temps nous produire un défectueux partie.
Donné ce nous avons produit un défectueux partie, qu'est-ce que c'est le probabilité
ce c'est en allant pour être un manquer et alors s'échapper?
Et c'est le s'échapper taux. C'est le multiplication de le deux.
notre processus sera produire fois le probabilité de un manqué processus
produit échouer partie fois le probabilité de un manquer.
Maintenant allons aller dans JMP encore
et étaient en allant pour utiliser le inspection avec le standard.
Je suis rapidement en allant pour aller à travers ce.
Nous faire analyser distribution, encore, mettre dans trois sur ici,
et maintenant nous peut Cliquez sur sur un standard bas ici
et alors nous peut souligner, comparer le Inspecteurs 01 et Inspecteur 2.
Un autre chemin pour visualiser il est pour utiliser graphique constructeur comme nous avons fait avant.
Alors nous peut mettre Inspecteur 1 sur ici.
Laisser moi faire il ce chemin.
Et Inspecteur 2 peut être sur ce côté maintenant.
Alors nous peut entrer le standard sur ici sur ce côté.
Et maintenant nous ont un chemin de en cliquant et voyant quoi le catégories
étaient relatif pour le standard.
C'est un très bon petit graphique, et si toi recherché pour dire,
"D'accord, comment beaucoup Inspecteur 1
contre classifié comme un passer quand il était un échouer.
Maintenant nous peut apporter ce pour un support, et le les rangées sont Souligné aussi.
Allons aller dans JMP. Maintenant étaient en allant pour analyser
qualité et processus, variabilité attribut jauge graphique,
rappel et Je suis en allant pour ajouter dans le standard sur ici.
Nous Cliquez sur le standard. Maintenant voici le problème.
JMP donne nous le attribut jauge graphique, mais ce était pour le accord.
Quoi épouser comme pour mesure est contre le standard.
Nous venir en haut ici sur le attribut jauge graphique
et Qu'est ce qui était en allant pour faire est décochez quoi que ce soit ce dit accord.
Et Cliquez sur sur quoi que ce soit ce dit efficacité.
Là pourrait être un plus simple chemin pour faire ce finalement
dans le [inaudible 00:23:31] la programmation dans JMP.
Maintenant nous ont le effet sur ce graphique, encore, comme je a dit, 50% moyens
ce un de le inspecteurs a obtenu il droite, 0% moyens ils les deux a obtenu il faux.
Et nous avait le accord rapport montrant 86 ce nous avons vu avant.
Mais quoi nous vouloir pour obtenir bas pour est le efficacité notation,
le efficacité rapport.
Et maintenant nous voir ce Inspecteur 1 était 85% efficace.
Inspecteur 2 était 87% efficace.
Global il était 86% efficace.
Voici le résumé de le manquer classements.
Et ces sont le ceux ce sont listé sur ici.
Comme ils dire ce terminologie toi besoin pour comprendre ce Incorrect échoue
étaient correct passe et Incorrect passe étaient correct échoue.
Alors le conformité rapport est bas ici, nous montré toi comment pour faire le calcul
et alors nous peut changement le conforme catégorie par action ce sur ici.
Ou nous peut calculer le probabilité de s'échapper, s'échapper taux,
par en mettant dans quelques nombre dans ce estimations,
comment souvent épouser attendre pour voir un défectueux partie.
Je suis en mettant dans sur ici indiquer un,
Cliquez sur, d'accord.
Et alors JMP donne nous le probabilité de non-conformité et le s'échapper les taux
comme montré sur ici maintenant pour chaque inspecteur.
J'étais en allant dos pour maintenant mon Power Point présentation.
Maintenant ce nous ont un sentiment pour ces notions de accord,
efficacité et le Kappa indice, laisser nous voir comment nous peut appliquer le approche
pour un plus complexe problème engager analyse appelé inventaire suivi.
Comme partie de un consultant projet avec le robotique entreprise,
et C'est Vimaan Robotique,
et par le chemin, il y a quelques merveilleux vidéos
si toi Cliquez sur sur ici ce montre le drones en volant
dans le entrepôt et donc en avant
action le lectures et quelques de le résultats depuis le analyse.
Comme partie de un consultant projet je était introduit pour le problème
de drones en volant dans un entrepôt en utilisant optique personnage reconnaissance
pour lire inventaire Étiquettes et des boites et étagères.
Dans la mesure système analyse MSA,
le but est pour déterminer si le variabilité dans le la mesure système
est faible assez pour avec précision détecter
différences dans produit- pour- produit variabilité.
UN plus loin objectif est pour vérifier ce le la mesure système
est précis, précis et écurie.
Dans ce étude, le produit pour être mesuré via ROC
sur drones est le étiqueter sur le récipient stocké dans étagères sur un entrepôt.
Le la mesure système devoir lire le Étiquettes avec précision.
En outre, le la mesure système sera aussi valider le capacité pour détecter,
pour exemple, vide bacs, endommagé article, compte de articles dans un donné emplacement,
dimensions, et donc de suite. Tous être fait par le drones.
Dans les études R&R de jauge, un préoccupation adresses pur erreur,
ce est le répétabilité de répété des mesures sur le même étiqueter.
Répétabilité est un mesure de précision.
Dans ajout, dans études R&R de jauge,
un deuxième préoccupation est le biais associé avec différences dans le outils,
ce est, différences parmi le drones en lisant le même Étiquettes.
Ce aspect est appelé reproductibilité, c'est un mesure de précision.
Le conception ce je proposé
était un croix étude dans qui le même Emplacements dans le entrepôts,
dans le bacs sont mesuré plusieurs fois, c'est pour répétabilité
à travers différent biais facteurs, le drones pour reproductibilité.
Le proposition sera définir plusieurs normes pour le drones pour mesure.
Le comparaisons sera impliquer les deux dans- drone répétabilité,
drone- pour- drone accord cohérence,
et drone- pour- standard précision.
Le plan était pour mesure 50 Emplacements 1-50,
et trois drones sera être utilisé pour mesure reproductibilité
c'est drone- pour- drone comparaisons, et là sera être trois passe
pour chaque emplacement par chaque drone pour mesure répétabilité.
Maintenant, plusieurs réponses peut être mesuré contre chaque spécifique standard.
Donc nous ne le faites pas ont pour ont juste un article et un standard.
Nous peut ont différent caractéristiques.
Le en lisant peut être binaire, ce est, classifié comme soit correct ou Incorrect.
Et aussi le en lisant peut fournir statut
rapports pour un emplacement, comme le nombre de unités, n'importe quel dommage unités, et donc de suite.
Exemples de différent réponses
sont comment avec précision peut le drones lire un standard étiqueter?
Sont là n'importe quel manquant ou inversé Étiquettes?
Sont le inventaire articles dans le correct emplacement?
Est le quantité de des boites dans un emplacement correct?
Sont n'importe quel de le des boites endommagé ? Ce serait être quelque chose
ce un humain personne serait être vérification comme partie de un inventaire contrôle,
mais maintenant étaient action il tous avec drones.
Voici le proposition.
je ont 50 Lignes sur ici,
150 Lignes en fait, parce que chaque emplacement est être lire trois fois par chaque drone.
Donc je ont drone UN, drone B, et drone C
Alors ces sont le résultats de un comparaison pour le standard.
Étaient classement cinq normes, A B C D et E,
et ils sont au hasard arrangé dans ici comme loin comme le emplacement va.
Et c'est un caractéristique spécifier chaque de le 50 Emplacements.
S depuis étaient action trois lectures, c'est 150 Lignes.
J ici drones reproductibilité, trois passe pour chaque emplacement
et par chaque drone c'est répétabilité
et le normes sont spécifiés pour chaque emplacement.
Je suis en allant pour faire un important déclaration sur ici ce le données ce Je suis en utilisant
pour illustration est fait- en haut données et pas réel expérimental
résultats depuis le entreprise.
Nous peut commencer désactivé avec distributions et dynamique mise en relation.
Nous peut maintenant comparer le classification de le drones par standard.
Nous générer le distributions et alors nous Cliquez sur sur dire, standard UN,
et nous peut voir comment beaucoup drones a obtenu ce standard UN droite,
ou si n'importe quel drones avait plus loin erreur de diagnostic.
Même chose si nous peut Cliquez sur sur standard E, nous peut voir drone UN avait un plus haut propension
pour mal classer standard E et même chose avec drone C
Maintenant le graphique dessous montre comment Bien
le drones convenu avec chaque autre pour chaque emplacement.
Ici sont le 50 Emplacements et étaient en regardant à le drones comparant.
Maintenant quand tu es comparant un drone pour autre drones, vous avez a obtenu un parcelle de comparaisons.
Tu es comparant peut être drone un pour je soi-même trois fois.
Tu es comparant zone un,
drone un pour zone deux, fois pour chaque un de le des mesures.
Donc il pourrait ont comme un 1, 2, 3 pour zone,
drone un et un un, deux, trois pour zone.
Deux, et tu es comparant tous possible combinaisons maintenant de ceux drones.
C'est pourquoi le calculs obtenir un petit bit complexe
quand toi obtenir plusieurs drones dans là.
Mais tu es action un comparaison.
Ce montre le accord parmi tous le comparaisons.
Maintenant nous remarqué ce entre secteurs le cinq et dix,
ce pour ces Emplacements le précision abandonné assez significativement
et ce invité plus loin enquête comme pour pourquoi ?
Il pourrait ont a été le éclairage, il pourrait ont a été le emplacement,
il pourrait ont a été quelque chose autre ce était interférer avec le approprié diagnostic.
Toi voir la plupart de le drones sont en lisant avec précision 100 %.
Ce est un accord entre le drones,
donc ils étaient être d'accord à peu près 90, 91% à le temps.
Et ces sont le confiance intervalles pour chaque drone.
Donc ce dit nous comment Bien le drones étaient comparant pour chaque autre.
Maintenant nous a obtenu accord comparaison, le les tables sera montrer le accord valeurs
comparant paires de drones et drones pour le standard.
Et le Kappa indice est donné contre le standard et répétabilité
dans drones et reproductibilité sont tous excellent basé sur le Kappa Statistiques
et accord à travers même le catégories est aussi excellent.
Donc étaient comparant ici drone UN pour drone B
drone UN pour drone C, drone B pour drone C, tous action excellent accord.
Étaient comparant ici le drones pour le normes, tous un excellent accord.
Et alors ce est le accord, juste essentiellement un résumé de il.
Alors ce est le accord par le différent catégories.
Maintenant encore, nous peut regarder à le attribut graphique pour efficacité.
Même chemin nous Cliquez sur dehors tous le accord vérifier des boites
et alors Cliquez sur sur le efficacité des boites.
Nous voir encore sur ici, ce Sept et huit avait le le plus bas
accord pour le standard.
Encore, ce pourrait ont a été quelque chose associé avec le éclairage.
Il pourrait ont a été quelque chose associé avec quelques autre problème là.
Alors le global accord pour le standard par drone,
toi peut voir ils sont à propos 95 %.
Le drone est joli précis et ils étaient joli reproductible
et le répétabilité était excellent.
Ce est le efficacité rapport. Maintenant ce est un petit bit plus élaborer
parce que maintenant étaient comparant il pour chaque de le cinq caractéristique normes
et ces sont le Incorrect les choix ce étaient fait pour chaque un.
Dehors de 150 possible des mesures,
drone UN mesuré 142 correctement, drone B 145 et drone C 140.
Donc efficacité est le important un.
Comment précis étaient le drones ?
Nous peut voir ce le drones sont tous en cours en haut autour un moyenne à propos 95 %.
Ce apparaît pour être très efficace.
Alors nous ont un détail analyse
par niveau, fourni dans Mauvaise classification rapport.
Donc nous peut voir individuellement comment chaque un de ces drones par rapport pour le différent,
comment chaque un de le différent caractérisations
étaient mesuré correctement ou incorrectement par le drones.
Ce est le ceux ce sont les erreurs de classement.
UN gagner, laisser moi aller dans JMP.
Oh, un plus loin exemple je censé pour montrer en haut sur ici.
Toi en utilisant constructeur de graphes,
nous peut voir le classifications et mis classifications par chaque fort.
Ce est un vraiment soigné chemin de montrant il. je souhait JMP serait inclure ce peut-être
comme partie de le sortir, mais toi peut voir où le classifications erronées se produire.
Pour exemple, pour drone UN, quand toi mal classer drone C,
la plupart de eux étaient classifié correctement, mais là sont un peu ce étaient pas.
Ces montrer le les erreurs de classement.
je comme ce type de représentation dans constructeur de graphes.
Maintenant allons aller dos dans JMP et étaient en allant pour faire
attribut jauge analyse plusieurs avec le réel expérience ce était courir.
D'accord, donc étaient en allant pour analyser distributions donc nous peut faire ce.
Nous peut comparer le drones pour le standard.
Encore, nous peut juste Cliquez sur sur un standard et voir comment il compare à travers le drones.
Nous peut aussi faire un analysé constructeur de graphes.
Et nous peut mettre le zone drone UN
et alors drone B, et alors drone C sur ici.
Et alors nous peut mettre le standard dans là
et il montre très clairement qu'est-ce que c'est événement avec ce.
B Utah nous peut aller et aussi dans JMP et utiliser le JMP qualité et processus
variabilité attribut jauge.
Donc nous ajouter le trois drones dans ici, nous ajouter le standard,
et nous mettre dans le emplacement et nous obtenir notre jauge attribut rapport graphique
montrant ce drones comme loin comme le accord avec chaque autre, étaient à 90 %.
Ce un a le la plupart difficile Emplacements pour caractériser.
Ici sont le accord rapports ce j'ai montré toi.
Drone UN, Drone B et Drone C accord avec le autre drones et avec lui-même aussi.
Drone UN pour drone B, ces sont le Kappa valeurs.
Ce est le la mesure pour le standard, tous très haut.
Et alors ces sont le accord à travers catégories.
Et alors pour le efficacité,
pour obtenir ce graphique ce nous comme pour voir pour le efficacité rapport,
nous prendre dehors le accord sur ici et Cliquez sur sur maintenant le efficacité.
Nous maintenant ont le efficacité parcelle
sur le robinet ce montre nous comment le drones convenu avec le standard.
Nous maintenant aller dos dans le Power Point présentation sur ici.
D'accord, pour résumer w chapeau nous avons fait sur ici,
le utiliser de attribut jauge analyse autorisé le entreprise pour fournir solide données
sur le accord et efficacité de drones pour inventaire gestion.
J il résultats sont très impressionnant. Subséquent résultats signalé
sur le de l'entreprise site Internet montrer inventaire compte pour être 35%, plus rapide inventaire frais
réduit par 40% et réduit manqué- expéditions
et dommage réclamations réduit par 50% par rapport pour le précédent méthodes.
Dans ajout, le système génère quoi nous appel exploitable données
pour plus précis, efficace, plus sûr, plus coût efficace,
et plus rapide inventaire contrôle.
Quelques excellent les références sur ici est Cohen original papier,
et livre par Fleiss est excellent,
a un parcelle de détail, et aussi le livre par Le est Bien fait.
je remercier toi très beaucoup pour écoute. Ont un bien jour.
