El distinguido investigador Bradley Jones se jubilará el 31 de julio después de una increíble carrera de 25 años en JMP. En ese tiempo, Brad formó un fuerte grupo de desarrollo del DOE y probablemente el grupo más prolífico en otorgamiento de patentes en SAS. A continuación, puede leer un tributo histórico de John Sall sobre el trabajo, las colaboraciones y las contribuciones de Brad al mundo del diseño de experimentos (DOE) y la estadística.
Pero primero, algunas palabras de algunos de los colegas JMP especiales de Brad y amigos con mentalidad estadística:
marca bailey ( @Mark_Bailey ) : "Comencé a trabajar en SAS Education apenas unos meses después de que Brad se uniera a JMP Development. El diseño personalizado aún tenía varios años por delante con el lanzamiento de JMP 4. Rápidamente nos convertimos en aliados para ayudar a los científicos e ingenieros a usar experimentos diseñados para aprender cambiando el diseño para adaptarlo a su problema en lugar de hacerlo al revés. Nos reuníamos a menudo para intercambiar experiencias e ideas. Es difícil imaginar ahora cuán fuerte era la opinión contra el enfoque de diseño algorítmico u óptimo, especialmente entre los principales pensadores del DOE. Asistí a un curso corto impartido por Doug Montgomery en una Conferencia Técnica de Otoño. Doug menospreciaba tales diseños en general y JMP en particular. Compartí la opinión de Doug con Brad después de regresar del curso y decidió conocer a Doug. El resto es historia del DOE. Este ejemplo personifica a Brad: siempre un enfoque basado en principios, convirtiendo a los adversarios en colegas y defensores mientras avanza en una solución práctica que beneficia a tantas personas como sea posible".
Pedro Goos: "Bradley Jones fue un investigador muy influyente, con un gran impacto en el estado del arte y la práctica en el diseño de experimentos, con más publicaciones en revistas académicas de gran prestigio que muchos académicos. Creo que los dos artículos con mayor impacto fueron uno sobre diseños Bayesianos D-óptimos y el otro sobre diseños de cribado definitivos. Otra publicación influyente es, por supuesto, el libro de Goos-Jones "Diseño óptimo de experimentos: un enfoque de estudio de caso". Lo que también observé en muchas ocasiones es que los usuarios del DOE adoraban a Brad entre los clientes de JMP. En una nota diferente, durante una carrera conjunta en Seattle (con motivo de las Reuniones Estadísticas Conjuntas), Brad me inspiró a empezar a correr con más frecuencia. Por lo tanto, también es responsable de que yo me convierta en maratonista".
Chris Gotwalt ( @chris_gotwalt1 ) : Las contribuciones de Brad Jones al diseño y análisis de experimentos son enormes. Su invención del Profiler es 'IA interpretable' en su máxima expresión, a pesar de que precedió a ese término por tres décadas. Su otra gran contribución es defender el diseño óptimo de experimentos hasta que se generalizó y generalizó. Esta es la idea de que el diseño y el experimento deben reflejar tanto el objetivo del experimento como incorporar directamente las diversas restricciones de recursos, como el tamaño de la muestra, las restricciones de aleatorización y las combinaciones de configuraciones de factores que son físicamente posibles. Si bien esto puede parecer una idea muy natural y obvia ahora, hubo mucho tiempo en que esta noción languideció y en realidad incluso se consideró una mala idea arriesgada. Entonces, además de superar los diversos desafíos computacionales y de interfaz de usuario, Brad trabajó estratégicamente para ganarse tanto a los profesionales de la industria como a otros líderes de opinión para hacer que el diseño óptimo sea accesible y un enfoque aceptable para la resolución de problemas en la industria. Todos los días usamos muchos productos que se han mejorado con estas herramientas que Bradley Jones desarrolló y defendió.
caleb rey ( @calking ) : "Antes de venir a JMP, había oído hablar de Brad y lo conocí algunas veces en conferencias. ¡Pero no fue hasta que comencé en JMP que me di cuenta de lo increíble que era! Y no me refiero sólo a sus logros. Brad ha sido el mejor mentor que uno podría pedir. Siempre me ha defendido y me ha dado valiosos consejos y orientación en mi carrera. Me entristecerá verlo partir, pero sé que su retiro es bien ganado. Aunque no me sorprendería si fuera tan productivo en la jubilación como lo fue en la fuerza laboral".
Ryan Lekivetz ( @Ryan_Lekivetz ) : "Incluso antes de unirme a la compañía JMP, estaba realmente impresionado por la prominencia de Brad tanto dentro de la comunidad académica como entre los profesionales. Esta prominencia es una de las principales razones por las que apliqué a JMP. Sin embargo, fue solo después de formar parte de su equipo que me di cuenta del profundo impacto que su mensaje tuvo en la forma en que se realizan los experimentos. Su énfasis en generar diseños experimentales que se alineen con los requisitos específicos de cada experimento, en lugar de forzar los experimentos en diseños preexistentes, ha sido poco menos que transformador. Me enorgullece mucho ser miembro del equipo que ha reunido y estoy decidido a llevar adelante el espíritu de innovación y curiosidad que ha inculcado. Espero ansiosamente las noticias de las próximas aventuras de Brad, y espero sinceramente tener la oportunidad de colaborar con él en proyectos futuros".
Douglas Montgomery: "He sido amigo y colega de Brad Jones desde finales de la década de 1980. Todos en la comunidad de diseño de experimentos deberían reconocer sus enormes contribuciones a nuestro campo. Estos incluyen optimización de respuesta (Prediction Profiler en JMP), métodos de construcción y análisis para diseños factoriales fraccionados no regulares, diseños óptimos, diseños de parcelas divididas, diseños óptimos para experimentos de respuesta múltiple y diseños de selección definitivos.Ha sido un privilegio para mí trabajar con él en algunas de estas áreas, incluida la coautoría de un libro de texto sobre un enfoque moderno para la enseñanza del diseño experimental que se estructura en torno a un enfoque de diseño óptimo. También ha sido generoso con su tiempo al trabajar con varios de mis doctores. estudiantes en su investigación.Todos nos hemos beneficiado de su conocimiento y experiencia en el campo".
Joseph Morgan ( @Joseph_morgan2 ) : En 2006, un año después de unirme al equipo de JMP, varios de nosotros caminábamos de regreso a nuestras oficinas en el Edificio S desde la cafetería del Edificio T después del almuerzo. Brad y yo estábamos caminando juntos y mencioné el tema de los diseños de cobertura de factores, un nombre que Colin Mallows, el estadístico, había propuesto para las matrices de cobertura en un artículo de Technometrics. Brad no conocía estos diseños, pero estaba intrigado y, para mi sorpresa, pasamos varios días investigando si el algoritmo de intercambio de coordenadas sería un algoritmo de propósito general razonable para construir tales diseños. Eventualmente llegamos a la conclusión de que el intercambio de coordenadas no era un enfoque prometedor. Unos años más tarde, después de haberme mudado a SAS R&D desde JMP, recibí un correo electrónico de Brad preguntándome si estaría interesado en implementar una plataforma JMP Pro DOE para construir matrices de cobertura. Acepté sin dudarlo. Para mí, este arco de eventos captura quién es Brad. Intelectualmente curioso sobre todo lo relacionado con el DOE, dispuesto a investigar construcciones e ideas radicalmente diferentes que pertenecen al DOE, y singularmente enfocado en hacer que JMP DOE sea el mejor en su clase. Este es el entorno en el que trabajo ahora, con mis colegas Caleb, Ryan y Peng, quienes comparten esta singular visión. Gracias, Brad.
chris nachtsheim : Brad Jones y yo tuvimos una reunión mental hace 40 años en Nuevo México (en el Rancho de Chimayo) cuando el grupo de Ciencias Estadísticas de Los Álamos intentó contratarlo, y hemos trabajado juntos desde entonces.¡El impacto de Brad en el mundo del DOE y la ciencia de datos ha sido inmenso, si no insuperable! Algunos aspectos destacados:
· La invención del generador de perfiles de predicción, una asombrosa herramienta interactiva para estudiar la naturaleza de las superficies de respuesta y las interacciones.
· Diseños bayesianos D-óptimos. El artículo ampliamente citado de Brad y Bill DuMouchel hizo que el uso de la optimización D bayesiana fuera práctico y accesible para los experimentadores, al mismo tiempo que proporcionaba una manera fácil de hacer que los diseños óptimos fueran resistentes a las especificaciones erróneas del modelo. Entre otras cosas, este artículo condujo al desarrollo posterior de Brad de diseños supersaturados bayesianos.
· La invención de la función de diseño personalizado en JMP. Esto trajo el mundo del diseño óptimo a los profesionales de una manera fácil de entender por primera vez.
· La invención y el desarrollo de diseños de cribado definitivos (divulgación completa: conmigo). Los DSD han sido adoptados en todo el mundo con entusiasmo por los profesionales y están reemplazando rápidamente a los diseños factoriales fraccionados y la herramienta principal para la exploración.
experimentos
· La invención de diseños de relleno rápidos y flexibles para experimentos informáticos y su adopción generalizada por parte de la comunidad científica de datos.
· Sus libros innovadores sobre estudios de casos en diseño óptimo con Peter Goos y sobre diseño experimental moderno con Doug Montgomery.
En resumen, citaría la defensa evangélica de Brad para la implementación del método científico a través del diseño de experimentos.
Yeng Saanchi ( @mysaan ) : Bradley Jones es un mentor y amigo. Debajo del exterior distante hay una amabilidad y consideración que he tenido el placer de experimentar de primera mano. Su amplio conocimiento del DOE, así como el impacto que ha tenido y sigue teniendo en el campo, son muy inspiradores.Brad, me gustaría agradecerte sinceramente por toda tu ayuda, especialmente por tomarte el tiempo de responder mis preguntas durante mi etapa como estudiante. Su apoyo y conocimientos fueron verdaderamente invaluables.Cuesta creer que ya no podré correr hasta tu oficina para hacerte una pregunta o simplemente saludarte, ni escucharé tu inconfundible golpe en mi puerta para llamarme a almorzar. Por muy duro que sea para mí, debe ser aún más duro para ti dejar el lugar donde has experimentado tanto crecimiento, tanto personal como profesional, durante más de dos décadas. Tomando prestadas las palabras de JRR Tolkien, “No diré: no llores; porque no todas las lágrimas son un mal”.Me despido con mucho cariño.
-------------------------------------------------- -----------------------------------------
Homenaje a la jubilación de Bradley Jones
por John Sall
Bradley Jones, que ahora se retira después de 25 años con JMP, ha tenido una carrera fenomenal. La experiencia de Brad ha sido en diseño de experimentos (DOE), y él y su equipo han hecho de JMP el mejor software del mundo para DOE. Ningún otro producto de software en el mundo se le acerca.
Illustration by Ryan DeWittIlustración de Ryan DeWitt El diseño experimental es el arte de organizar la configuración de los factores en las ejecuciones de un experimento para aprender al máximo de un número determinado de ejecuciones. Se ha convertido en una herramienta vital en la investigación de productos, sirviendo como la clave para modernizar el proceso de prueba y error para hacer mejores productos, mejores técnicas de fabricación y mejores procesos.
carrera investigadora
En la década de 1980, el DOE se consideraba una disciplina adormecida, en la que ya se habían producido todos los avances más valiosos, con la expectativa de que cualquier mejora adicional fuera incremental. Pronto se demostró que esa actitud era incorrecta, y se produjeron muchos avances importantes en los siguientes 30 años. El estadístico que impulsó la investigación más valiosa en el DOE durante ese tiempo ha sido nuestro propio Bradley Jones, con aportes de sus numerosos colaboradores.
Brad había estado trabajando en diseño experimental durante muchos años, comenzando con el software BBN, el proveedor líder de software de estadísticas industriales en la década de 1980. Luego cofundó una nueva empresa, Catalyst, que creó un innovador software de diseño experimental, incluido el generador de perfiles. Luego pasó a MathWorks, un producto líder de software matemático de ingeniería, donde creó la Caja de herramientas de estadísticas.
En 1997 llegó a JMP, donde vio su potencial para convertirse en el líder en software estadístico industrial. JMP acababa de comenzar a mejorar sus ofertas para ingenieros, y DOE era una de las tres especialidades clave para desbloquear ese mercado, junto con la calidad y la confiabilidad.
La contribución inicial de Brad fue la plataforma Diseño personalizado . Las computadoras son poderosas, entonces, ¿por qué no aprovechar ese poder para producir diseños experimentales optimizados a medida para una situación dada: el campo de la diseño óptimo ? Anteriormente, el diseño óptimo se reservaba para problemas especializados manejados por especialistas, no para los desafíos principales, pero Brad vio que todos los ingenieros podían beneficiarse de un diseño óptimo. Un diseño óptimo también podría hacer que el proceso sea más fácil y directo. Antes Diseño personalizado , los ingenieros revisarían los generadores de diseño de libros de texto en los que tenía que comprender conceptos como el número de resolución y los patrones confusos, y estaría limitado a diseños que se dimensionaron a una potencia de dos o se seleccionaron de un catálogo. Después del diseño personalizado, todo lo que tenía que hacer era describir los factores, qué efectos deseaba poder estimar y cuántas ejecuciones podía permitirse.
Para hacer prácticos los diseños óptimos, se necesitaba un algoritmo de optimización. La mayoría del software de diseño óptimo en ese momento, como PROC OPTEX de SAS, requería que el usuario generara una gran cantidad de ejecuciones candidatas, a partir de las cuales el algoritmo determinaba el mejor subconjunto de ejecuciones para optimizar el criterio. Pero eso hizo que la construcción fuera una carga. El gran avance, de Chris Nachtsheim y Ruth Meyer en 1995, fue el algoritmo de intercambio de coordenadas, que no requería conjuntos de candidatos y, por lo tanto, era más directo, simple y eficiente. Brad lo aprovechó para producir la plataforma de diseño personalizado, primero en JMP 4.
Esa fue la primera de una larga serie de innovaciones.
Una de las primeras innovaciones fue el concepto de etiquetar efectos en el modelo con un atributo de "Estimabilidad" de "Necesario" o "Si es posible". Con un número limitado de ejecuciones, rara vez es posible estimar todos los efectos deseados, especialmente las interacciones de orden superior. Con la configuración "Si es posible", el algoritmo primero hace estimables los efectos "Necesarios", y luego intenta hacer estimables tantos efectos "Si es posible" como sea posible. Esta opción fue una implementación del diseño óptimo bayesiano, que Brad inventó con el colaborador de BBN, Bill DuMouchel, y publicó en Technometrics en 1994, el primero de muchos artículos del DOE del que Brad es coautor en revistas arbitradas.
Dennis Lin and Braddennis lin y brad Poco después de implementar Bayesian D-Optimal, Brad comenzó a jugar con un tipo extremo de diseño llamado "sobresaturado", donde la cantidad de factores era mayor que la cantidad de ejecuciones, algo que normalmente no encajaba. Pero en un experimento dado, por lo general sucede que algunos factores son mucho más fuertes que otros, y el objetivo de un experimento de detección es encontrar qué factores son importantes. Entonces, ¿por qué no usar un diseño sobresaturado y luego usar un método especializado, como la regresión por pasos, para encontrar los factores importantes? Para hacer un diseño sobresaturado, Brad se dio cuenta de que una buena manera era usar el método bayesiano D-Optimal y simplemente declarar todos sus factores "si es posible". Esto dio lugar a otros artículos, uno de ellos con Dennis Lin, quien también fue pionero en diseños sobresaturados. Es un gran avance poder filtrar muchos factores con solo unas pocas ejecuciones.
Otro desafío inicial fue el manejo de diseños de parcelas divididas. Muchos experimentos tienen un tipo de restricción donde los grupos de corridas deben estar al mismo nivel de algún factor. Un ejemplo clásico es el calentamiento de ciclos en un horno, donde todos los ciclos deben tratarse a la misma temperatura. El rasgo característico aquí es que algunos factores son difícil de cambiar , mientras que otros son fácil de cambiar . El objetivo es crear un diseño experimental donde el difícil de cambiar Los factores son constantes dentro de un grupo de bloqueo. Peter Goos, estadístico de la Universidad de Amberes, hizo algunos avances en el diseño óptimo para parcelas divididas y publicó sus hallazgos. Brad puso esas ideas a trabajar con el intercambio de coordenadas para obtener una implementación práctica en el diseño personalizado. Cuando Peter y Brad se conocieron en una conferencia técnica de otoño, Brad le mostró cómo el intercambio de coordenadas podía hacer que los diseños de parcelas divididas fueran prácticos, y así comenzó una larga colaboración entre los dos.
Brad Jones' doctoral oral examinationExamen oral de doctorado de Brad Jones Como Brad no tenía un doctorado. en ese momento, Peter sugirió que Brad podría obtener uno con él en la Universidad de Antwerp, lo que lo llevó a muchos meses de viajes intermitentes a Antwerp para desarrollar aún más sus ideas sobre el DOE. Para su disertación, Brad reunió cuatro grandes ideas, las cuales, excepto una, fueron aceptadas para su publicación en revistas arbitradas antes del examen oral final de Brad. El último fue aceptado más tarde por Biometrika, una revista importante. Peter organizó una conferencia del DOE en Amberes e invitó a muchos expertos del DOE de Europa y EE. UU. La conferencia fue como una serie de sesiones de homenaje a las contribuciones de Brad y sus colaboradores. Lo más destacado de la conferencia fue el examen oral de Brad bajo el escrutinio de su Ph.D. miembros del comité, concluyendo con un veredicto exitoso y un discurso de homenaje de Peter.
Entonces Brad se puso aún más ocupado con la investigación.
Chris Nachtsheim and Brad.Chris Nachtsheim y Brad. Uno de los problemas con los ajustes del modelo es el "aliasing" de los efectos con otros efectos que no están en el modelo. Por ejemplo, ¿qué sucede si un diseño está bien para estimar los efectos principales en un modelo, pero hay una fuerte interacción de segundo orden que no está en el modelo? En ese caso, podría ser que la interacción esté sesgando las estimaciones de los efectos principales. Pero a menudo es posible construir el diseño de tal manera que los efectos principales sean ortogonales a las interacciones de segundo orden y, en consecuencia, no hay forma de que una fuerte interacción de segundo orden sesgue las estimaciones del efecto principal. Esa situación inició una línea de investigación sobre diseños de "aliasing mínimo" que modificaron el algoritmo de optimización para hacer que los efectos principales estuvieran lo menos correlacionados posible con las interacciones, manteniendo su estimabilidad y potencia. Brad colaboró en este trabajo con Chris Nachtsheim de la Universidad de Minnesota.
Mientras jugaba con diseños de alias mínimos que involucraban factores de tres niveles, Brad notó que algunos de los diseños resultantes tenían una curiosa estructura plegable. Las tiradas plegadas tienen el signo invertido de otras tiradas. El descubrimiento llevó a Brad y Chris a desarrollar diseños de cribado definitivos (DSD). El descubrimiento de los DSD fue muy importante por varias razones:
- Eran diseños de tres niveles, lo que permitía modelar cualquier curvatura en los efectos.
- Los efectos principales fueron ortogonales a las interacciones, lo que significa que cualquier interacción no modelada no sesgaría las estimaciones del efecto principal.
- Fueron fáciles de construir sin pasar por una optimización.
- Tenían muy buenas propiedades de proyección, de modo que si algunos factores estaban inactivos, muchas interacciones con los efectos activos eran estimables.
- Permitieron encontrar fuertes interacciones que no serían detectables con otros diseños.
- Y eran pequeños y requerían un presupuesto de ejecución no mayor que los diseños factoriales fraccionados tradicionales que no tenían ninguno de estos atributos deseables.
Dennis Lin los caracterizó más tarde en términos de dobleces de un conferencia matriz. Los DSD se hicieron muy populares en poco tiempo.
El siguiente capítulo en la carrera de Brad lo llevó de vuelta a los diseños sobresaturados, donde la cantidad de factores es mayor que la cantidad de ejecuciones, y espera que la escasez de efectos le permita encontrar los grandes efectos. Brad notó que si hacía un producto de matriz de Kronecker de la matriz de Hadamard con un subconjunto de filas de otra matriz de Hadamard, obtenía un diseño sobresaturado con propiedades deseables. Estos son los diseños supersaturados ortogonales de grupo (GO-SSD). Los factores se asignan a grupos y los grupos de efectos no están correlacionados, pero existen dependencias dentro de cada grupo. Puede detectar cuándo los grupos están activos y tiene bastantes posibilidades de detectar qué factor dentro de un grupo es significativo. Pero lo sorprendente de los GO-SSD es que puede obtener una estimación independiente del error dedicando algunos factores para que no estén asignados (factores falsos) concentrados en un grupo, y el error de este grupo estima la varianza del error. Este trabajo se realizó en colaboración con el gerente de I+D de JMP Advanced Analytics, Ryan Lekivetz, Chris Nachtsheim y otros dos.
Brad with Doug Montgomery.Brad con Doug Montgomery. Además de estas importantes innovaciones en su carrera, Brad continúa trabajando en muchos otros proyectos. Actualmente, está colaborando con otros en diseños de niveles mixtos, utilizando algunas de las experiencias de productos de Kronecker de trabajos anteriores. Bajo el diseño óptimo, Brad persiguió varios criterios de optimización: diseño I-Optimal para una mejor predicción con superficies de respuesta continua y diseños A-Optimal que permiten la ponderación y tienen otras propiedades deseables. Brad trabajó con Peter como coautor de un libro, "Diseño opcional de experimentos: un enfoque de estudio de caso". Brad fue coautor de varios artículos con el popular autor de libros de texto de estadística Doug Montgomery sobre varios temas, además de ser coautor de "Modern Experimental Design Methods and How to Use Them". Trabajó con el director sénior de I+D de análisis avanzado, Chris Gotwalt, en diseños esféricos óptimos y diseños no lineales óptimos, y con Ryan en diseños de relleno de espacio óptimos.
Un tema común de la investigación de Brad es que todo fue en colaboración con otros investigadores, compartiendo y ampliando el alcance de las ideas. Tener colaboradores también ayudó mucho a la integridad de la visión y el pulido de los artículos de la revista, que ganaron muchos premios.
Brad fue muy bien considerado por los investigadores veteranos del DOE. Brad tenía una estrecha relación laboral con Stu Hunter y fue coautor de un artículo con él cuando Stu tenía 90 años. Brad coorganizó una celebración en honor a los 100 de Stu Hunter el cumpleaños en la conferencia USCOTS. George Box también tenía en alta estima a Brad y lo honró dándole un cubo DOE que George había usado muchas veces en sus clases. Brad escribió un artículo tributo a George Box , que se convirtió en el blog más leído que hemos alojado.
carrera de software
La parte importante para Brad no era solo hacer la investigación, sino poner la mejor tecnología del DOE en manos de los profesionales: los científicos e ingenieros que utilizarían nuestro software para diseñar sus experimentos. Presentado por primera vez en JMP 4 alrededor de 2000, cada versión de JMP implementaría más características y otras mejoras en DOE. Más tarde, Brad comenzó a formar un equipo para seguir avanzando en nuestro software. Ryan Lekivetz fue contratado fuera de la Universidad de Columbia Británica. Joseph Morgan, desarrollador estadístico de investigación principal, fue contratado fuera de SAS para trabajar en arreglos de cobertura. Caleb King, desarrollador estadístico de investigación sénior, fue contratado por Sandia National Labs para trabajar en la confiabilidad y otros aspectos del DOE. Juntos, este equipo ha acumulado más patentes en poco tiempo que cualquier otro equipo de SAS. El lanzamiento más reciente ha presentado Easy DOE, envolviendo todo el proceso experimental en un paquete fácil de usar.
Nuestras instalaciones del DOE son ricas en dispositivos de diagnóstico, como la fracción de la trama espacial de diseño, mapas de color sobre correlaciones, perfiladores de varianza de predicción, análisis de potencia y varias medidas de eficiencia.
Brad también fue fundamental para ayudar a reclutar a otros líderes para JMP, incluido el exjefe de ventas y marketing de JMP, John Leary, y el vicepresidente de ventas, Dave Richardson.
Con el equipo que ha construido Brad, continuaremos nuestro liderazgo en el campo del DOE.
trabajo de organizacion profesional
Brad se ha ofrecido a menudo como voluntario para realizar trabajos de revisión por pares para revistas estadísticas. Se desempeñó como editor en jefe del Journal of Quality Technology (JQT) y como editor asociado de Technometrics, JQT y Quality Engineering.
Brad ha sido invitado a hablar en reuniones profesionales, como las Reuniones estadísticas conjuntas y la Conferencia técnica de otoño, así como en muchas conferencias de JMP. Ha hablado en muchos campus universitarios y corporativos.
Honores
Brad ha obtenido muchos honores, como se puede ver en las placas en la pared de su oficina:
Brad shares many of his accomplishments and honors on the wall of his office at SAS world headquarters.Brad comparte muchos de sus logros y honores en la pared de su oficina en la sede mundial de SAS. Miembro de la Asociación Estadounidense de Estadística (ASA)- Medalla Shewhart (ASQ)
- Premio Willian G Hunter (ASQ)
- Discurso conmemorativo de WJ Youden (ASQ, ASA)
- Miembro sénior de la Sociedad Americana para la Calidad (ASQ)
- Premio Ziegel al libro mejor reseñado en Technometrics del año anterior
- Premio Youden al mejor trabajo expositivo en Tecnometría
- Premio ASQ Lloyd S. Nelson al artículo que tiene la aplicación práctica más inmediata (dos veces)
- Premio de Estadística en Química de la Asociación Estadounidense de Estadística
- Premio ASQ Brumbaugh al artículo que hace la mayor contribución a la aplicación industrial del control de calidad (tres veces)
En su tiempo libre
- La licenciatura de Brad no fue en estadística, fue en Música, en la Universidad de Cincinnati. Se especializó en violín e hizo algunos conciertos profesionales como violinista, junto con conciertos de voluntariado y algunos eventos de JMP, y todavía practica regularmente.
- Brad es un jugador de Go desde hace mucho tiempo y tiene una calificación amateur bastante alta.
- Durante muchos años, Brad fue un criador de perros profesional, especializado en Rhodesian Ridgebacks, que fueron altamente calificados. Brad a menudo competía en exposiciones caninas.
- Brad también ha competido en varios maratones.
Brad planea continuar con su investigación mientras esté jubilado, y esperamos que visite JMP con frecuencia y continúe colaborando con nosotros. Deja a Ryan Lekivetz para continuar en su rol como gerente del grupo DOE y Reliability.
Brad ha aportado un enorme valor a nuestros usuarios y a toda la profesión del diseño experimental. DOE es una tecnología clave para la industria, y Brad, con sus colaboradores, ha liderado los avances del estado del arte durante una generación. Gracias, Brad, por todo lo que has hecho y por ser un gran amigo para nosotros.
