| 스피커 |
성적 증명서 |
| 올리비아 리핀콧 |
다시 한 번, 녹음기가 꺼지고 종종 소리가 나지 않을 때가 있는데, 그때 다시 녹음기를 켜겠습니다. |
| 제이슨 위긴스, JMP |
네. 안녕하세요 여러분. 기쁩니다. |
| |
그 빌어먹을 욕실 저울. |
| |
그래서 저는 물건을 측정하는 도구 없이는 삶을 상상하기 어렵습니다. 물건을 측정하는 것은 매우 인간적인 특성이거든요. 우리는 그저 그렇게 할 뿐입니다. |
| |
저는 제대로 된 측정 시스템에서 많은 행복을 발견하지만, 그렇지 않을 때는 당연히 좌절감을 느낍니다. |
| |
측정 시스템을 개발하고, 개선하고, 심지어 올바르게 사용하는 데도 비용이 듭니다. 간단하든 복잡하든, 이와 관련된 비용이 발생합니다. |
| |
제 경험에 따르면, 이러한 비용은 잘못된 계측기의 데이터를 사용하거나 좋은 계측기의 데이터를 잘못 사용하는 데 따른 결과적 비용에 비하면 미미합니다. |
| |
이에 대한 좋은 예가 허블 우주 망원경입니다. |
| |
1990년 발사 후 얼마 지나지 않아 주경에서 이상 현상이 발견되었습니다. |
| |
이러한 수차는 망원경 이미지의 선명도에 영향을 미쳤습니다. 사실, 이것은 이전과 이후의 모습입니다. |
| |
문제의 근원은 거울을 연마하는 데 사용된 잘못 보정된 장비에서 비롯되었습니다. |
| |
6억 2천만 달러가 넘습니다. 1993년 달러로 환산하면 꽤 큰 돈입니다. |
| |
그리고 저는 거울을 연마하기 전에 측정 시스템 분석을 했다면 이 비용을 완전히 피할 수 있었을 것이라고 믿습니다. |
| |
허블 망원경... 허블 우주 망원경 수리는 고비용 측정 사고의 대표적인 사례이지만, 측정 시스템 문제는 아무리 위험이 적더라도 똑같이 짜증을 유발한다고 생각합니다. 제 최악인 욕실 체중계를 예로 들어 보겠습니다. |
| |
작년...작년 12월에 저는 체중 감량 여정을 시작했습니다. |
| |
시간이 지남에 따라 그리고 매일매일 제가 본 것이 무엇인지 말씀드리겠습니다. |
| |
저는 평소에 몸무게가 4파운드(약 1.8kg)씩 늘곤 했어요. 그런데 이제 생각해 보니, 만약 제가 목표 체중 근처에 있다면... 목표 체중을 맴돌고 있다면, 아마 4파운드(약 1.8kg) 정도 변동이 있을 거예요. |
| |
비현실적인 기대는 아닙니다. 감정적으로는 이 과정 초기에 다른 일이 발생하고 |
| |
좀 더 구체적으로 얘기해 볼게요. 저는 체중 감량을 위해 정말 열심히 노력하고 있고, 모든 걸 제대로 하고 있어요. |
| |
그런데 어느 날 아침 일어나 보니 몸무게가 1.8kg이나 늘었어요. 정말 답답하죠? 다른 분들도 공감하실 수 있기를 바라지만, 제 질문은 |
| |
이 모든 과정에서 (아마도 이 여정을 시작하기 전에 측정 시스템 분석을 했어야 했을 것입니다) 그런 일이 언제 일어날지 궁금했습니다. |
| |
그 4파운드 중 얼마가 제 체중이고 얼마가 측정 시스템의 노이즈인가요? 그래서 이 질문에 답하기 위해 측정 시스템 분석을 실행했습니다. 스포일러 경고가 있습니다. |
| |
제가 처음 했던 연구는 별로였어요. 계기판이 너무 형편없었어요. 버렸을지도 모르지만, 저는 전자제품 재활용을 좋아해요. |
| |
결국, 이건 쓸모 있는 측정 기준이 아니었습니다. |
| |
오늘 제 목표 중 하나는 실제 측정 시스템에 대한 재미있는 탐구입니다. 아마 우리 모두가 공감할 수 있겠지만, 다른 목표 중 하나는 이러한 측정 시스템의 몇 가지 이점을 강조하는 것입니다. |
| |
측정 시스템 분석에 EMP 방법을 사용하는 방법에 대해 알아보겠습니다. 이를 위해 몇 가지 기본적인 정의를 살펴보고, EMP 방법을 시연해 보겠습니다. |
| |
좀 더 잘 작동하는 계량기에서 MSA 결과를 얻었습니다. 자, 이제 잠깐만 기다리시면 제가 예로 들었던 끔찍하고 끔찍한 욕실 체중계에 대한 이야기로 돌아가겠습니다. |
| |
좋아요, 그럼 먼저, 측정 시스템 분석이란 무엇일까요? 간단히 설명하자면, 실험을 진행할 텐데, 그 실험을 통해 측정 시스템의 한계점을 파악하거나 측정하고자 합니다. |
| |
우리의 목표는 무엇일까요? 측정 시스템 분석을 수행하면 현재 사용 중인 측정 시스템이 충분히 좋은지 확실히 판단할 수 있을 것입니다. |
| |
사용할지, 아니면 개선이 필요한지 여부는 중요하지 않습니다. 하지만 저는 그 부분이 더 중요하다고 생각하고, EMP 방식이 빛을 발하는 부분이 어디인지도 중요하다고 생각합니다. |
| |
측정 데이터 사용에 대한 기준을 정하고 싶습니다. 완벽한 측정 시스템이란 존재하지 않습니다. 그렇다면 측정 데이터를 효과적으로 사용하는 데 도움이 되는 기준은 무엇일까요? |
| |
어떻게 하나요? 분산 성분 분석입니다. 즉, 측정 시스템과 관련된 분산 성분을 찾는 것입니다. |
| |
그리고 바라건대, 이러한 변동은 부품과 관련된 측정 변동에 비하면 작을 것입니다. 즉, 모든 측정값에는 어느 정도 총 변동이 있고, 그 외에도 우리가 이해해야 할 두 가지 다른 변동 요소가 있습니다. |
| |
그렇다면 EMP란 무엇일까요? 측정 과정을 평가하는 것을 뜻합니다. 도널드 휠러 박사가 개척했습니다. 강력히 추천하는 멋진 책이 있습니다. |
| |
제 생각에 EMP를 이해하는 가장 간단한 방법은 측정 데이터를 효과적으로 활용할 수 있는 통계적 접근 방식을 제공한다는 것입니다. 따라서 제 게이지가 좋은지 나쁜지 아는 것만으로는 충분하지 않습니다. |
| |
따라서 1등급, 2등급, 3등급은 프로세스의 변화를 감지할 확률에 따라 결정됩니다. |
| |
제가 처음 배운 기존 방식인 GRR(Percent R&R), 즉 AIAG 방식은 게이지 분류에 임의의 임계값을 사용합니다. 그런데 거기에 제가 직면한 문제가 하나 있는데, 바로 그것이 제가 EMP에 관심을 갖게 된 계기였습니다. |
| |
몇 년 전, 저는 파괴 시험을 한 적이 있는데, 이것은 측정 시스템입니다. |
| |
그리고 측정 시스템 분석을 했는데, R&R 백분율 기준으로는 4등급 게이지로 나왔습니다. 음... 음, |
| |
아시다시피, 뭔가 중요한 건 사실이지만, 이게 우리에게 무엇을 말해주는 걸까요? 그리고 그걸 받아들이기 어렵게 만든 가장 큰 이유는 우리가 이 파괴적인 테스트를 사용했다는 사실이었습니다. |
| |
수익을 창출하는 제품 개발에 대한 의사 결정을 내리는 데 도움이 되었습니다. 유용한 지표였기 때문에 R&R 백분율은 지표의 유용성에 대해 아무런 정보도 제공하지 않았고, |
| |
그 측정기를 어떻게 활용할지에 대한 권장 사항입니다. 그래서 저는 퍼센트 R&R 접근법에는 측정 데이터를 효과적으로 활용하는 데 필요한 정보가 정말 부족하다고 생각합니다. |
| |
좋아요, 덜 짜증나고 더 잘 작동하는 게이지 예시를 들어보겠습니다. 바로 좌표 측정기입니다. |
| |
물체의 기하학적 모양을 측정합니다. 길이의 한 차원만 측정하는 아주 간단한 실험입니다. |
| |
부품의 길이는 노이즈 변수입니다. 여기 작은 조이스틱처럼요. 측정 시스템에는 작업자가 참여합니다. 자동화된 버전을 본 적이 있는데, 작업자를 포함시키지 않을 수도 있지만, 이 경우에는 포함시켰습니다. |
| |
부품과 관련된 변형이 있고, 이 연산자/부품 상호 작용이 있습니다. 이제 이게... 이 상호 작용 항입니다. DOE를 좋아하시는 분들을 위해 말씀드리자면, |
| |
상호작용은 어디에서나 일어난다는 것은 누구나 알고 있지만, 저는 매우 흔한 작업자/부품 상호작용의 예를 보여드리기 위해 최선을 다하겠습니다. 그래서 제가 들고 있는 것은 약간... |
| |
금속 실린더와 다이얼 캘리퍼가 있어요. |
| |
나는 갈거야 |
| |
이 부분의 직경을 측정해보니 약 19밀리미터인 걸 알 수 있습니다. |
| |
내가 이것의 크기를 알고 있거나 그 직경이 어느 정도여야 하는지 예상했다면 내가 할 수 있는 일은 실제로 내 게이지의 다이얼에 더 많거나 적은 압력을 가하는 것입니다. |
| |
예상 측정값을 맞췄습니다. 이런 일은 어디에서나 일어납니다. 저도 모르게 그런 행동을 하게 됩니다. 만약 우리 인간이 측정 시스템과 상호작용할 때마다 이런 일이 발생한다면, |
| |
이를 알아보기 위한 실험을 할 돈과 예산이 있다면, 저는 그것을 꼭 추천하고 싶습니다. |
| |
좋아요, JMP 16. 꽤 재밌는 것 같아요. 이 새로운 도구 정말 좋아요. 뭔가... |
| |
죄송합니다... JMP 16의 DOE 메뉴에 MSA 전용 실험 설계 도구가 있습니다. |
| |
이에 대한 데모를 보여드리겠지만, 그 전에 무작위성에 대해 잠깐 논의하고 싶습니다. |
| |
DOE와 측정 시스템 분석을 하는 우리 모두는 결과에 영향을 미치는 숨겨진 변수의 위험을 줄이기 위해 무작위 추출을 한다는 것을 알고 있습니다. 그러니 이건 당연한 일이죠, 그렇죠? |
| |
완전히 무작위화하지 않으면 잠재적으로 몇 가지 문제가 발생할 수 있습니다. |
| |
제가 또 추천하고 싶은 것은 작업자가 무작위 실행 순서를 알아차리지 못하게 하는 것입니다. 저와 제 캘리퍼를 상상해 보세요. 저는 10개의 부품을 측정하고 있는데 어떤 부품을 측정하는지 전혀 모르기 때문에 오류가 발생할 가능성이 줄어듭니다. |
| |
제가 그 정보를 아는 것만으로 실험, 측정 시스템 분석 실험에 편향을 줄 수 있다는 거죠. 그러니까 무작위로 실험하고, 가능하면 맹검으로 하세요. |
| |
무작위성 문제가 발생하면 분할 플롯 설계나 무작위성 문제를 처리하는 다른 방법을 고려할 수 있지만, 가능한 한 그 방법을 택하고자 합니다. |
| |
좋아요, 한 번 살펴보죠. DOE, 특수 목적, MSA 디자인이 있죠. |
| |
JMP의 다른 모든 DOE 도구와 마찬가지로 요인의 이름을 입력할 수 있고, 여기에 연산자에 대한 다른 요인을 추가해야 할 수도 있습니다. |
| |
여기서 제가 정말 좋아하는 점 하나는 여기에 MSA 역할을 부여할 수 있다는 점인데, 이는 우리가 생성할 데이터 테이블의 열 속성으로 복사됩니다. |
| |
운영자의 이름이 다르다고 가정해 보겠습니다. 하지만 제가 MSA에서 운영자 역할로 사용하고 있다는 사실을 어느 정도 뒷받침하고 싶고, 그렇게 할 수 있다면 얼마나 좋을까요? 정말 멋지죠. |
| |
이 실험에서는 네 가지 다른 부분과 네 가지 다른 연산자를 사용하고 두 번의 반복 실험을 진행합니다. 이것이 의미하는 바는 다음과 같습니다. |
| |
제가 원본을 가지고 있고, 실험을 처음 실행한 것인데, 두 번 더 반복할 거예요. 그래서 원본에서 각 실행마다 세 번의 측정값을 얻게 되는 거죠. |
| |
실험. |
| |
완전히 무작위로 실험 설계를 살펴보겠습니다. DOE와 거의 동일하죠. 실험 설계를 간략하게 미리 보고, 확인해 보세요. |
| |
일반적으로 우리에게 의미가 있는지, 우리가 하고 싶었던 것이 맞는지, 그리고 우리가 보고 있는 것이 정확한지 확인합니다. 이 도구에서 제가 정말 좋아하는 점은 디자인 진단 기능인데, 예를 들어 커스텀 디자이너에서 보는 것과는 조금 다릅니다. |
| |
또는 디자인 비교 도구에서 실행됩니다. 이 도구 뒤에는 시뮬레이션이 실행되고 있는데, 테스트와 관련된 분산 요소를 조정하는 등의 작업을 할 수 있습니다. 백그라운드에서 실행되는 시뮬레이션도 있습니다. |
| |
몇 가지 질문 좀 해주세요. 우리 실험 설계가 제대로 되어 있어서 1등급 게이지를 태그할 수 있을까요? 정말 멋진 일이죠. |
| |
제가 이 기능을 좋아하는 이유는 측정 시스템 분석에 초점을 맞추고 있고, DOE처럼 추가 부품이나 연산자, 반복 실험이 필요하면 바로 테이블에 쏟아붓지 않고도 플랫폼 내에서 조정할 수 있기 때문입니다. |
| |
좋습니다. 표준 MSA를 살펴보겠습니다. |
| |
몇 가지 기본적인 그래픽 출력을 살펴보겠습니다. 이 과정을 몇 번 반복할 예정이라 천천히 진행하겠습니다. |
| |
이 측정 시스템의 경우, EMP 보고서에서 얻는 그래픽 출력은 실제로 매우 훌륭합니다. 예를 들어 이 평균 차트는 |
| |
여기에 평균 대신 데이터를 표시한다면 변동성 속성 게이지 차트 도구에서 얻는 결과와 똑같을 것입니다. |
| |
따라서 제 측정값이...대부분 제 제어 요소 밖에 있다면, 우리는 부분들 간의 차이점을 감지할 가능성이 매우 높다는 것을 의미합니다. |
| |
표준 편차, 그리고 분산에 대한 범위를 선택했다면, 잠시 후에 이에 대해 더 자세히 이야기하겠습니다. |
| |
이는 반복성을 시각화하는 것이므로 모든 것이 한계 내에 있어야 하며, 이 게이지의 경우도 마찬가지입니다. 몇 가지 더 추가하겠습니다. |
| |
제가 가장 좋아하는 것 중 하나입니다. 다시 한번, 작업자와 부품의 상호 작용입니다. 이 그래프에서 선이 교차하면 상호 작용이 가능하다는 것을 나타냅니다. 그래서 |
| |
그렇지 않아요... 이 선들은 서로 겹쳐서 볼 필요는 없고, 간격을 두고 볼 수도 있지만, 그 보고서에 선이 겹치는 부분이 없기를 정말 바랍니다. 평균 분석, 마음에 들어요. 절차적 도구로 활용할 수 있을 것 같아요. |
| |
이는 운영자 1이 평균적으로 낮은 측정값을 가지는 반면, 운영자 2와 3은 높은 측정값을 가지는 경향이 있음을 말해줍니다. |
| |
그리고 그것이 반드시 나쁜 것은 아닐 수도 있지만, 만약 그렇다면 우리는 그 근원을 파헤칠 수 있을지도 모릅니다. 아시다시피, 연산자 1의 평균 측정값이 낮은 이유는 무엇일까요? 다시 한번 말씀드리자면, |
| |
테스트, 재테스트, 오류 비교. 각 연산자의 측정 방식에 불일치가 있는지 여부를 보여드리는 것뿐입니다. |
| |
자, 이게 그래픽입니다. 이제 몇 가지 추가 EMP 용어에 대해 좀 더 살펴보겠습니다. EMP에서 게이지 분류의 기본은 클래스 내 상관관계입니다. 이는 부품의 변동 비율을 나타냅니다. |
| |
그리고 우리는 반복 측정 부분과 관련된 내부를 바랍니다. |
| |
연산자와 편향 항목의 일부입니다. 이 수치가 전체에 비해 작기를 바랍니다. 따라서 이 통계에서는 높을수록 좋습니다. 1은 완벽합니다. |
| |
휠러의 책을 읽고 분산 성분으로부터 계층 내 상관관계와 같은 것을 직접 계산하려면 분산 유형으로 표준 편차 차트를 꼭 사용해야 합니다. |
| |
휠러는 자신의 책에서 언제 레인지를 사용해야 할지에 대해 아주 좋은 논의를 하고 있는데, 욕실 저울 측정 시스템을 통해 그 내용을 살펴보겠습니다. 따라서 만약 여러분의 정밀도가 상당히 높다면, 아마도 |
| |
표준 편차 분산 유형을 사용할 수 있습니다. 만약 데이터가 두껍다면 범위가 더 나은 방법일 것입니다. |
| |
오류일 가능성이 높습니다. 이 문제는 여러 곳에서 발생할 겁니다. 이 문제는 여러 가지로 유용하며, 저는 책에서 이 문제를 발췌했습니다. |
| |
휠러는 이를 "어떤 측정값도 오차 범위 내에서 더 정확하다고 해석해서는 안 됩니다. 측정값은 적어도 절반의 경우 이 정도 오차 이상 발생하기 때문입니다."라고 설명합니다. 따라서 이 통계는 여러 곳에서 사용될 것입니다. |
| |
특히, 우리는 측정 증가를 모두 사용할 것입니다. |
| |
이는 오차의 함수이며, 측정에 대한 정밀도 기대치를 조정하려면 소수점 이하 자릿수를 몇 자리로 보고해야 할까요? |
| |
그리고 가드 밴딩에서 확률적 오차가 사용되는 또 다른 곳을 살펴보겠습니다... 스펙 한도의 통계적 가드 금지입니다. |
| |
좋습니다. 그러면 보고서를 먼저 살펴보고 JMP에서 각 단계를 실제로 살펴보겠습니다. |
| |
현실적인 게이지 분류를 얻었으므로 2등급이라고 할 수 있습니다. 휠러의 권장 사항은 측정 과정을 도표로 작성할 수 있다는 것인데, 이 측정을 하기 전에 제어를 실행하는 것이 좋습니다. |
| |
논쟁의 여지가 있죠. 아시다시피, 또 예산 문제잖아요. 그럴 시간 여유가 있을까요? 네... 만약 여유가 있다면, 하세요. |
| |
아니라면, 계기판을 개선하는 데 드는 비용은 얼마인가요? 최고 수준의 계기판으로 바꿀 수 있을까요? 그렇게 하는 데 드는 비용은 얼마나 들 것 같나요? |
| |
이 모니터 분류 범례를 살펴보세요. 시간을 조금 투자하면 관리도 작성이나 차트 작성에 대한 몇 가지 지침을 얻을 수 있습니다. |
| |
실제 과정입니다. 이 게이지의 효과적인 분해능을 위해서는 숫자를 삭제해야 합니다. 제가 어떻게 하는지 설명해 드리겠습니다. |
| |
분산 구성 요소, 정말 좋네요. Part에 분산의 대부분이 포함되어 있으니 좋은 일이죠. 하지만 연산자는 여전히 남아 있습니다. |
| |
그리고 일부 연산자/부품 상호작용도 있습니다. 그래픽 분석에서도 확인했습니다. 좋아요, 시작해 볼까요... |
| |
지금 애드인을 만들었는데, 지금은 데모용으로 사용하려고 합니다. 버그가 좀 있네요. 버그를 좀 해결하면 올리겠습니다. |
| |
하지만 이것은 단지 EMP 플랫폼을 출시하는 것일 뿐이며 그 다음에 다른 것들, 이와 관련된 다른 옵션들을 제공하게 될 것입니다. |
| |
EMP 보고서. 좋아요. 그럼 부분과 연산자만 기억해 두겠습니다. 이 경우에는 표준 편차를 사용하겠습니다. |
| |
자, 이제 확인을 클릭하세요. 슬라이드에서 말씀드린 내용은 모두 여기에 있습니다. |
| |
딱히 달라진 게 없는 것 같아요. 이건 EMP에서 나온 결과인데, 제가 하고 있는 건 제 측정 시스템의 노이즈를 감안했을 때, 제가 기대할 수 있는 제품 적합성은 어떤지 묻는 거예요. |
| |
제 사양 한계를 어떻게 개선할 수 있을까요? 사양 한계를 강화하면 어떻게 개선할 수 있을까요? 그래서 통계를 사용해서 밴드를 보호하려고 합니다. |
| |
제 사양 한계입니다. 첨단 제조 분야에 종사하시는 분들은 가드 밴딩 사양 한계에 대해 들어보셨을 겁니다. 때로는 퍼센트 단위로만 표현되기도 합니다. |
| |
하지만 나는 EMP를 좋아하는데 그 이유는 확률적 오차를 이용해 계산을 할 수 있기 때문입니다. |
| |
제가 그 한계를 강화할 때 측정 시스템 노이즈를 고려하는 거죠. 그러니까 이게 의미하는 건, 96% 적합성에 대해, |
| |
밴드를 조여야 해요. 소수점 이하 자릿수 조정하는 걸 깜빡했는데, 그러면 56에서 74가 될 거예요. |
| |
그래서 1mm만 더 조입니다. 그게 전부입니다. 양쪽 모두, 어느 사양이든. 검은색 선은 원래 사양 한계값입니다. 저희가 고객에게 설정한 값입니다. |
| |
이러한 사양 한계에서 게이지를 작동시키면 약 64%의 적합성을 기대할 수 있으므로 여기에는 상충이 있는 것이 아닌가요? |
| |
사양 제한을 강화하려면 비용이 발생합니다. 더 많은 부품을 불합격시키겠지만, 고객을 조금 더 잘 보호할 수 있을까요? 물론입니다. 사실, 사양 제한에서 네 가지 오류 가능성이 더 높아진다면, |
| |
우리는 99.9%의 적합성을 얻을 수 있지만, 훨씬 더 많은 제품을 거부하게 될 것이고, 그 중 일부는 실제로 고객에게 유용할 수도 있습니다. |
| |
여기서 균형은 비즈니스의 목소리와 고객의 목소리의 균형이며, 이는 비즈니스 결정이며 결정하기 전에 논의할 가치가 있습니다. |
| |
사양 한계를 얼마나 엄격하게 적용할지 말씀해 주세요. 네, 잘 작동하는 게이지입니다. 그리고 보셨죠... 아, 깜빡했네요. 보여드리려고 했는데 |
| |
소수점 자릿수 정밀도 문제를 어떻게 해결하나요? 좌표 측정기는 소수점 자릿수를 많이 출력합니다. |
| |
EMP에서 숫자를 빼야 한다고 하네요. 제가 하는 방법은 around 함수를 사용해서 수식 열을 만든 다음, 현재 위치에 0이 오도록 조정하는 겁니다. 하지만 실제로는 2와 1을 사용해 봤습니다. |
| |
그리고 EMP 분석을 다시 했습니다. 그리고 각각의... EMP가 더 이상 숫자를 삭제할 필요가 없다고 알려주는 즉시, 제가 보고할 정확도는 그겁니다. |
| |
좋아요, 그리고 제조 설명서도 있습니다. 다시 말씀드리지만, 이 계산에는 오차와 측정 단위가 사용됩니다. |
| |
훌륭합니다. 첨단 제조에서 흔히 볼 수 있는 것에 대한 통계적 접근 방식인데, 바로 가드 밴딩입니다. 저희 측정 시스템 노이즈를 사용해서 이를 구현할 수 있습니다. |
| |
계산해 보세요. 좋아요, 다시 그 끔찍한 욕실 저울로 돌아가 볼까요. 좋아요, 이건 좀 재밌네요. |
| |
디자인을 안내해 드리겠습니다. |
| |
제 생각에 이것에 대해 재밌는 점은 우리가 실험을 시작할 때, 그것이 DOE이든 측정 시스템 분석이든, |
| |
약간의 창의력을 발휘해야 해요. 그리고 저는 그래야만 했어요. 솔직히 말해서, 거의 당황할 뻔했어요. 제가 저나 제 가족 중 누구라도 체중을 재는 것과 관련된 소음 요인들이 있죠. 음, 우리도 있잖아요. 저는 저울 위에 서 있어요. |
| |
일부는...일상적으로 제 체중 변동과 비슷하다고 생각하시나요? |
| |
예를 들어, 제 혈당 수치가 플러스 마이너스 4 정도라고 해 볼게요. 일주일 동안 너무 많이 먹어서 2파운드(약 900g)가 늘었어요. 제가 감지하고 싶은 건 바로 그 부분이에요. |
| |
사실 그걸 구현하는 건 꽤 어려운 일이에요. 매일 발생하는 체중 변동을 운영자 부분과 나 부분으로 나눠야 하거든요. |
| |
제가 진행한 방식은... 아마 여러 가지 방법이 있겠지만, 제가 진행한 방식은 측정 시스템 분석에 참여한 제 가족들을 참여시키는 것이었습니다. 그들은 각자의 체중을 측정했고, |
| |
체중계에서 내려와서, 덤벨을 건네주고, 다시 체중계에 올라옵니다. 덤벨을 빼고 나서 무게를 측정하는데, 그게 제가 측정하는 부분입니다. |
| |
이제 이것을 제 목표 체중에 맞춰서 이해하기 조금 더 쉽게 만들기 위해 저는 이것을 정규화합니다. |
| |
그냥... 그냥 제게 좀 더 이해가 되는 크기로 크기를 바꾸는 거예요. 좋아요... 어떻게 보이는지 볼까요? 좋아요, 추가 기능을 다시 해 볼게요. 뭔가 쓸 만한 게 있네요. |
| |
참고. 좋아요, 이걸 기억하면 연산자와 부분도 다시 기억할 것 같아요. 이건 좀 굵은 측정값이에요. 범위 차트 분산 유형을 사용할 건데, 디자인은 교차되어 있어요. |
| |
좋습니다. 이미, 바로 시작하자마자 우리는 아마도 감지할 수 없을 것이라는 것을 보고 있습니다. |
| |
매일 체중에 차이가 있습니다. 제가 실험을 진행한 방식과 관련된 무언가가 여기에 있을 수도 있습니다. 확실히 가능합니다. |
| |
하지만 별로 좋아 보이지 않네요. 그럼 몇 가지 다른 것들을 살펴보죠. 범위 차트는 꽤 괜찮아 보이네요. 아... 와, 문제가 있네요. 제 내부 변동, 즉 반복 측정과 관련된 변동이 제 부품보다 더 크네요... 부품 간 변동과 관련된 변동입니다. |
| |
그건 좋은 일이 아니죠. |
| |
두 번째 문제입니다. 다른 문제들을 좀 더 살펴보실 수 있을 겁니다. 검정, 재검정 결과가 꽤 괜찮아 보입니다. 평균 결과에 대한 제 편향 비교 분석 결과도 괜찮아 보입니다. 자, 또 다른 문제가 있습니다. 그 확률 오차의 크기를 보세요. 기억하세요, 저는 적어도 |
| |
몸무게가 1파운드(약 450g) 차이 나는 게 의미 있는 게 될 수 있다고요? 음, 오차는 그보다 세 배나 더 크니까 문제죠. |
| |
숫자 하나를 빼라고 하네요. 이걸 반복하려면 과학적 표기법을 사용해서 두 자리 숫자를 보고해야 겨우 비슷하게 만들 수 있어요. |
| |
그리고 여전히 오차는 엄청날 가능성이 있고, 이것이 계기를 사용할 때 어떻게 문제가 될 수 있는지는 조금 더 살펴보겠습니다. |
| |
3등급 게이지죠. 그래서 게이지를 사용해야 한다면 측정 과정을 차트로 표시해야 할 겁니다. 즉, 제어나 표준을 실행해야 할 겁니다. |
| |
일일 체중 측정 전에요. 작업자/부위 간 상호작용, 또 다시 봤습니다. 3번 작업자가 제 매형님이라 좀 웃기네요. 꽤 똑똑한 분이시거든요. 제가 아무리 노력해도 그가 테스트에서 속지 못하게 하려고 했지만, 결국엔 테스트에서 속인 것 같아요. |
| |
그러니까 그건 제 연구와 관련이 있을 수 있고, 꼭 게이지와 관련이 있을 필요는 없습니다. 그냥 제 관찰 결과일 뿐입니다. 96% 일치 게임을 다시 한 번 해 볼게요. 0까지 낮추는 거죠. 아, 안 돼요. 한계를 계산할 수가 없네요. 사실, 제 하한값은 |
| |
제 상한선보다 높았어요. 왜 그런 일이 일어났을까요? 음, 계산 과정에서 |
| |
(내가 보여준 곳으로 돌아가 보면 알겠지만) |
| |
그 예상 오류가 너무 크면 문제가 발생할 수 있으므로 여기에는 약간의 제한이 있습니다. |
| |
휠러가 책에서 사용하는 도구입니다. 하지만 저는, 이 저울이 쓸모없는 물건이고 새 저울을 사야 한다는 걸 깨달았습니다. 그래서 저는 좀 인색한 편입니다. |
| |
하지만 저는 50달러가 그렇게 비싼 가격은 아니라고 판단하고 Fitbit 저울을 구매했습니다. 어떤지 한번 살펴보죠. |
| |
오. |
| |
연구를 다시 실행하세요. |
| |
그리고 범위는 그대로 유지하겠습니다. 네, 벌써 조금씩 개선되고 있습니다. 제 좌표 측정기만큼 좋지는 않지만, 어쨌든 제 측정값 중 일부는 관리 한계를 벗어나고 있으니, 이 정도면 개선된 것으로 볼 수 있겠습니다. |
| |
저것도 보세요. 제 내부 분산 성분은 실제로 부분보다 적습니다. 뭐, 여전히 꽤 크긴 하지만요. |
| |
하지만 50달러... 어쩌면 100달러나 1,000달러 정도 더 쓰면 좀 더 싸질 수도 있겠지만, 그래도 그 정도는 감수할 수 있을 것 같아요. 좋아요, 아마 실수일 수도 있지만, 야호! 적어도 1파운드는 안 되겠네요. |
| |
물론, 자릿수를 하나 빼는 것도 고려해야 하므로, 이 부분에도 반올림 연습을 해 봤습니다. 그리고 소수점 정밀도가 0으로 보고되는 것이 우리가 원하는 바였습니다. 96%의 적합성을 살펴보겠습니다. |
| |
다시 말하지만, 사실 저는 합리적인 가격을 받습니다. 그래서 저는, |
| |
제가 체중 감량을 위한 이 모든 노력을 시작하기 전에 세운 기대치는 목표 체중을 180파운드로 잡는 것이었습니다. |
| |
하지만 저는 5파운드(약 2.3kg) 정도의 체중 변동을 감수할 의향이 있습니다. 그리고 이 과정을 거치면서 제가 먹는 음식이 변할 수 있고, 수분 섭취량도 하루 만에 늘어날 수 있다는 것을 알게 되었는데, 이는 꽤 합리적인 예상입니다. 이제 확실히 하고 싶다면, |
| |
제 목표에 충실하려면 사양 한도를 1파운드 정도 높여야 할지도 몰라요. |
| |
그래서 꽤 긴 체중 감량 과정과 끔찍한 체중계 때문에 처음에는 좀 답답한 경험으로 시작했는데, 이제는 제가 감당할 수 있고 오히려 만족스러운 결과를 얻었습니다. 그래서 |
| |
이게 제가 할 수 있는 전부입니다. 감사합니다. EMP 측정 시스템 분석법을 살펴보는 이 시간이 재미있었기를 바랍니다. |
| 올리비아 리핀콧 |
응, 녹음을 멈춰. |
| 제이슨 위긴스, JMP |
그리고 시간이 지나면서 참 좋죠. |
