Hola,
mi
nombre
es
Muchacha
McKendry,
y I soy a sénior estadístico escritor en JMP,
pero I también como a jugar alrededor con funcional datos.
Este proyecto es en medición sistemas análisis para curva datos.
Primero, Soy justo yendo a dar a muy breve fondo en MSA estudios en general.
MSA estudios determinar cómo Bueno a proceso
poder ser mesurado previo a estudiando el proceso sí mismo.
Él respuestas el pregunta, cómo mucho medición variación es
contribuyendo a el en general proceso variación.
Específicamente, el Calibrar Descanso y relajación método, cual es qué Enfermo ser usando en mi análisis,
determina cómo mucho variación es pendiente a operación variación
versus medición variación.
Tú poder usar a Calibrar Descanso y relajación cruzado MSA modelo cuando tú tener ambos a parte y un operador.
El modelo tú poder ver aquí para su medición Y sub I J K,
eso es yendo a ser el Kth medición hecho por el Jth operador en el Ith parte.
En este modelo, tú tener a significar término,
a aleatorio efecto eso corresponde a el parte,
a aleatorio efecto eso corresponde a el operador,
y a aleatorio efecto eso corresponde a el interacción o cruz término.
Tú también tener un error término.
Este es simplemente a aleatorio efectos modelo,
y todo de estos aleatorio efectos son normalmente repartido aleatorio variables
con significar cero y alguno correspondiente diferencia componente.
Cuando tú adaptar este modelo,
tú poder usar eso a estimar el diferencia componentes
y entonces usar aquellos diferencia componente estimaciones
a calcular el porcentaje calibrar Descanso y relajación usando el fórmula mostrado allá.
En a estándar MSA estudiar,
todo de su mediciones son yendo a ser soltero agujas.
Pero qué sucede si eso es no el ¿caso?
Qué si en cambio estás medición algo como a ¿curva?
Eso pregunta era el motivación detrás este proyecto.
Allá era a cliente de JMP eso era a proveedor de automotor regiones,
y ellos tenía a cliente eso especificado
eso a parte necesario a tener a específico fuerza por distancia curva.
Obviamente, el cliente buscado a diseño
su producto a fósforo el cliente especificado curva.
En orden a hacer eso,
ellos buscado a correr a funcional respuesta GAMA análisis
y JMP a diseño su producto en orden a hacer entonces.
Sin embargo, antes gasto dinero en eso experimento,
ellos buscado a llevar a cabo un MSA en su capacidad a medida el regiones fuerza.
Allá son a lote más detalles acerca de el actual datos y este problema específicamente
en un más temprano 2020 blanco papel
noble Medición Sistemas Análisis para Curvo Datos.
Si tú desear cualquier más detalles, mirar eso arriba.
Él debería ser en el comunidad.
Este en este gráfico, eso es qué el datos aspecto como.
En el Eje Y, nosotros tener fuerza, y en el Eje X, nosotros tener distancia.
Él aspecto como allá son solo 10 curvas en este gráfico,
pero allá son de hecho 250 total curvas.
Hay justo alguno agrupamiento yendo en.
Allá son 10 diferente regiones, cinco diferente operadores,
y cinco réplicas por parte operador combinación.
A pequeño poco acerca de este datos, obviamente,
estos mediciones son curvas y no agujas.
El datos era coleccionado igualmente espaciado en tiempo, pero no igualmente espaciado en distancia.
Allá eran alguno más temprano proyectos
eso intentó a pocos diferente maneras a llevar a cabo alguno tipo de MSA estudiar en este datos.
Ellos usado alguno funcional componentes, pero permaneció bonito verdadero a a estándar MSA.
Cuando I miró en este datos, I buscado a llevar a verdadero funcional acercarse
porque I tener a fondo en funcional datos.
Funcional datos análisis
es útil para datos eso son en el forma de funciones o curvas.
Allá son muchos técnicas a manejar desigualmente espaciado datos,
a lote de cual son disponible en el Funcional Datos Explorador plataforma en JMP.
Mi meta era a combinar funcional datos métodos con tradicional MSA métodos
a llevar a cabo alguno tipo de funcional medición sistemas análisis.
Mi solución era a crear a funcional aleatorio efectos modelo
por en expansión el funcional modelo usando propio función expansión,
reescritura eso como a aleatorio efectos o a mezclado modelo
si tú tenía cualquier fijado efectos también,
y entonces estimando el diferencia
componentes asociado con el parte y operador términos.
A ir a pequeño poco en el modelo notación.
Para su funcional modelo, tú tener Y sub I J K,
pero este tiempo en a particular distancia, D,
a cuenta para el funcional naturaleza de el datos.
Estás yendo a tener a funcional significar término,
a funcional aleatorio efecto eso corresponde a el parte,
a funcional aleatorio efecto eso corresponde a el operador,
y a funcional aleatorio efecto eso corresponde a el cruz término
y también su error término.
Aquí, cuando tú hacer el modelo expansión,
es a pequeño matemáticas, pero esencialmente,
en cambio de teniendo uno diferencia componente asociado con el parte
y uno diferencia componente asociado con el operador,
tú ahora tener múltiple diferencia componentes asociado con cada de aquellos cosas.
Eso es yendo a cuenta para el funcional naturaleza.
Cuando estás adecuado el modelo y estimando el diferencia componentes,
como I dicho, ahora estás yendo a tener este
colocar de diferencia componentes eso tú poder suma juntos
a estimar el funcional diferencia componente para parte
y el mismo cosa para operador y el cruz término.
Una vez tú tener todo aquellos individual diferencia componentes,
tú poder usar aquellos a estimar el % calibrar Descanso y relajación justo como en a estándar MSA.
Cómo hacer I hacer este en ¿JMP?
Es a multi paso proceso eso es delineado aquí,
y allá son alguno más detalles en otro diapositivas.
Pero esencialmente, I estimar el significar curva en FDE y obtener el residual curvas.
I entonces modelo el residual curvas en FDE a obtener el propio funciones necesario
para el propio función expansión de el funcional modelo
y ahorrar aquellos propio funciones a el original datos mesa.
Soy yendo a usar aquellos salvado propio funciones en FitMix
a crear a aleatorio efectos modelo
o a mezclado modelo si tú también tener fijado efectos en su datos.
Soy yendo a usar anidación de el propio función fórmula columnas
y también el acerca de y operador variables
a definir el adecuado modelo presupuesto.
Este es qué su adaptar modelo ventana quería mirar como.
Una vez I hizo todo eso para este datos,
I era capaz a estimar el diferencia componentes y calcular el % calibrar Descanso y relajación,
cual en este caso era 3.3030.
Este indicado un aceptable medición sistema
de acuerdo a a alguno rangos eso eran definido en este papel por La barra equipo.
Eso era él para el datos análisis para mi parte.
Este resultado era de hecho muy similar a a peor de los casos guión
eso era obtenido en a presentación en 2019.
Él quería ser interesante a saber si eso era a coincidencia
o si el resultados quería ser similar para diferente datos como Bueno.
Alguno pensamientos eso este proyecto provocado.
Debería nosotros agregar a funcional aleatorio efecto para IDENTIFICACIÓN
a captura el dentro función correlación al otro lado de ¿distancia?
Este tipo de funcional aleatorio efecto
es de hecho en realidad importante en funcional datos
y es a grande beneficio de contabilidad para el funcional naturaleza de el datos.
Desafortunadamente, en este datos en particular.
En cualquier momento I creado a modelo con este término,
el correspondiente diferencia componentes eran cero,
entonces él no en realidad captura cualquier cosa extra, pero él quería ser interesante
a ver si él podría ser útil en diferente tipos de datos.
I también pensar él quería ser interesante si nosotros
podría calcular a confianza intervalo para el % calibrar Descanso y relajación.
Allá eran también alguno menor, no asuntos,
pero trajo arriba preguntas de el derechos residuales de autor en el aleatorio efectos modelo.
I observado a cíclico naturaleza en aquellos.
Eso es no siempre excelente.
I no pensar él era a enorme trato,
pero I quería como a tener a bien razón para por qué eso era el caso.
Eso es él. Gracias para escuchando.
Si tú desear más detalles en este proyecto,
es muy similar a a lleno 30 minutos hablar eso I presentado en Descubrimiento Europa,
y entonces eso video es en el comunidad como Bueno.
Agradecer tú.
