758531_ko-KR

liliconcom

분산 예산(2020-US-45MP-531)

Ronald Andrews, Bausch + Lomb의 수석 프로세스 엔지니어

핵심 제품 측정 기준에 영향을 미치는 여러 프로세스 매개변수가 있는 경우 내부 프로세스 사양을 어떻게 설정해야 할까요? 허용되는 총 변동성을 개별적이고 아마도 불균등한 버킷으로 나누는 프로세스가 필요합니다. 분산은 가산적이므로, 각 프로세스 매개변수에 편차를 할당하는 것보다 분산을 할당하는 것이 훨씬 쉽습니다. 관심 있는 제품 매개변수에 잠재적으로 영향을 미치는 요인 목록을 작성하는 것부터 시작합니다. 인과관계도는 유용한 도구입니다. 그런 다음 이미 알려진 민감도 정보를 수집합니다. 알고 있는 것과 모르는 것을 구분하고, 빈틈을 메우기 위한 실험계획법(DOE)을 계획합니다. 예측 변수 분산을 결합하여 제품의 총 분산을 예측함으로써 검증할 수 있습니다. 총 제품 변동성에 대한 예측이 실제 경험에 미치지 못하는 경우, 미정(TBD) 요인을 추가해야 합니다. 포괄적인 모델을 구축하면 예산 편성을 시작할 수 있습니다. 분산 예산 편성은 재무 예산 편성처럼 임의적일 수 있습니다. 쉽게 개선할 수 있는 쉬운 목표를 찾을 수 있습니다. 분산 예산 목표를 충족하기 위해 요소를 개선하는 프로젝트를 시작하려면 일부 재정 자원을 예산화해야 할 수도 있습니다.

자동 생성된 대본...

스피커	성적 증명서
로널드 앤드류스	안녕하세요, 안녕하세요. 안녕하세요. 저는 론 앤드루스이고, 오늘의 주제는 분산 예산입니다.
	아, 필요해요
	내 화면을 공유해 주세요.
	그리고 우리가 다룰 파일이 있습니다.
	그리고 우리는 시작하게 될 것입니다
	파워포인트.
	분산 예산이 주제입니다.
	저는 바우슈앤롬에서 공정 엔지니어로 일하고 있습니다. 연락처는 여기에서 확인하세요.
	제 상사는 이런 면책 조항을 요구합니다. 오늘 제가 한 말에 대해 꼭 자기 공로를 챙기고 싶어 하는 건 아니니까요.
	우리가 이야기할 내용의 개요
	분산 예산이란 무엇입니까?
	약간의 역사.
	언제 필요한가요?
	몇 가지 예를 들어보겠습니다.
	우리는 프로세스의 요소, 원인 및 결과 다이어그램을 살펴보고 사전 지식을 수집하고 몇 가지 DOE를 수행하여 틈을 메울 것입니다.
	필요에 따라 몬테카를로 시뮬레이션을 수행합니다.
	그리고 우리는 해결 가능한 테스트 사례를 가지고 있습니다.
	그렇다면 분산 예산이란 무엇일까요? 기계 엔지니어들은 공차 누적에 대해 이야기하는 것을 좋아합니다.
	허용 오차 누적은 기본적으로 머피의 법칙에 따른 결과입니다. 즉, 모든 허용 오차가 가장 큰 피해를 줄 수 있는 방향으로 단위 방향으로 더해진다는 것입니다.
	분산 예산은 허용 오차 누적과 유사하지만, 매개변수 자체에 예산을 책정하는 대신 분산(시그마 제곱)에 예산을 책정한다는 점이 다릅니다.
	우리는 균일한 분포보다는 다소 정상적인 모양 분포에 의존하고 있습니다.
	분산은 덧셈적이므로 표준 편차와 같은 것을 예산으로 삼는 것보다 예산 편성 과정이 훨씬 수월해집니다.
	간단한 예를 들어보겠습니다.
	테스트-정렬이나 테스트-조정 전략을 사용하면 분포가 이러한 균일 분포에 더 가까워 보일 것입니다.
	따라서 너비가 1인 분포와 너비가 2인 분포, 너비가 3인 분포가 있는데, 이를 모두 더하면 너비가 6에 매우 가까운 분포가 됩니다.
	이 경우에는 분산보다 허용 오차에 더 많은 예산을 책정해야 할 것입니다.
	...우리가 프로세스 제어에 의존한다면, 우리의 분포는 더 정상적일 것입니다.
	이 경우, 표준 편차가 1, 표준 편차가 2, 표준 편차가 3인 정규 분포를 가정하면, 이를 모두 더하면 표준 편차는 3.7이 되는데, 이는 6보다 훨씬 적습니다.
	그래서 우리는 1의 제곱에 2의 제곱을 더하고 3의 제곱에 3의 제곱을 더하면 기본적으로 3.7의 제곱이 된다는 것을 알게 됩니다.
	공정하게 말해서, 이전 슬라이드에서 제가 이 분산을 더했다면 이 분산은 이 슬라이드의 분산과 비슷했을 겁니다.
	하지만 정규 분포가 아닌 다른 분포를 사용할 때는 꼬리 근처의 모양에 주의를 기울여야 합니다. 이는 사양을 어디에 설정할 수 있는지에 따라 달라집니다.
	그래서,
	분산 예산이란 무엇입니까?
	비정규 분포는 특별한 주의가 필요하며, 나중에 자세히 다루겠습니다. 현재 분산 예산은 재무 예산과 비슷합니다. 분산 예산도 마찬가지로 임의적일 수 있습니다.
	기본 규칙은 세 가지뿐입니다.
	모든 것을 공통 통화로 환산합니다. 이제 각 관심 제품 측정 항목에 대해 이 작업을 수행하지만, 모든 관련 프로세스 변수는 관심 제품 측정 항목에 대한 기여도로 환산합니다.
	두 번째 규칙은 꽤 간단합니다. 허용된 변동폭의 100%를 초과하여 예산을 편성하지 마세요. 네, 간단해 보입니다. 하지만 여러 회사에서 이 규칙을 두 번 이상 위반하는 것을 봤습니다.
	세 번째입니다. 이는 일반적인 삶과 엔지니어링에도 해당됩니다. 항상 최선의 판단을 내리세요.
	작은
	역사 이야기입니다. 이건 로켓 과학이 아닙니다. 다른 사람들도 비슷한 일을 하고 있을 겁니다. 관련 문헌을 찾아봤지만, 이와 비슷한 과정에 대한 발표된 기록은 찾지 못했습니다. 분명 있을 거라고 생각하지만, 아직 발표된 기록은 찾지 못했습니다.
	그래서 저에게 있어서 역사는 1980년대로 거슬러 올라갑니다. 그때 저는 코닥에서 경영에 대한 과제를 안고 일했습니다.
	고객이 변화를 느끼지 못하도록 필름을 제작하는 것이 과제였습니다.
	사실 원래 그들이 말한 것은 변형 없이 영화를 만든다는 것입니다.
	눈에 띄는 변화가 없습니다.
	그들은 6시그마 전환이란 눈에 띄는 차이가 하나 미만인 것을 의미한다고 정의합니다.
	코닥은 지각적인 면에서 꽤 뛰어났고, 눈에 띄는 차이점들이 모두 정의되어 있었고, 우리는 그것들이 무엇인지 정확히 알고 있었습니다.
	제가 작업하던 코다크롬 같은 슬라이드 필름의 경우...
	당시 제가 작업하던 것이 바로 그것이었고, 색상 균형이 가장 큰 과제였습니다.
	여기, 이 유선형 원인과 결과 다이어그램에서 색상 균형은 녹색 속도, 파란색 속도, 빨간색 속도의 함수입니다.
	이제 이 다리들 중 하나를 어느 정도 구체화했습니다. 빨간색 속도, 시안 흡수 염료, 그리고 그 속도에 영향을 미치는 요소인 에멀전 중 하나를 사용했습니다. 빨간색 속도에 영향을 미치고 색상 균형에도 영향을 미칩니다.
	이건 아주 단순화된 버전입니다. 사실 빨간색 레코드에는 세 가지 다른 에멀전이 있고, 녹색 레코드에도 세 가지가 더 있습니다. 파란색 레코드에도 두 가지가 더 있습니다. 이 모든 것을 합치면 색상 균형에 기여하는 75가지 요소가 됩니다.
	이들은 단순히 잠재적 기여자일 뿐만 아니라, 실제로 기여를 입증한 참여자들입니다. 따라서 이는 상당히 어려운 과제입니다.
	이제 분산 예산이 필요한 시점으로 넘어가겠습니다.
	여기서 잠깐 농담 삼아 결정 트리를 만들어 볼까요? 집이 어지럽지 않나요? 그렇지 않다면, 괜찮은 거예요. 만약 그렇다면,
	우리 아이는 몇 명이나 되니? 만약 한 명이라면, 아마 어디에 책임이 있는지 알 거야. 그 이상이라면, 아마 예산이 필요할 거야.
	이는 몇 년 전 바우슈롬에서 진행한 콘택트 렌즈 프로젝트에서 우리가 수행한 작업의 일부 사례입니다.
	이건 시장에 출시되기 훨씬 전의 일입니다. 직경 사양을 맞추는 데 어려움을 겪고 있었거든요.
	플러스 마이너스 2/10밀리미터
	우리는 그것을 충족하는 데 어려움을 겪고 있었습니다.
	우리는 다양한 변동성의 원인을 살펴보았고, 각각을 특성화하는 데 성공했습니다.
	그래서 아주 많은 것들이 있죠. 그리고 이건 같은 투입 재료와 같은 설정값을 사용했을 때의 결과인데, 변동성이 꽤 큽니다.
	렌즈마다 차이가 있으므로 변동성이 낮습니다.
	모노머 성분 No.1은 가끔씩 로트를 변경합니다.
	극심한 변동성. 단량체 성분 2번도 상당히 큰 변동성을 보였습니다.
	이제 단량체를 혼합하면 꽤 좋은 공정과 정밀성을 갖추게 됩니다. 아직 완벽하지는 않지만, 이를 통해 변동성을 예측할 수 있습니다.
	그건 꽤 작은 기여죠.
	우리는 모노머를 금형에 넣고 경화 램프 아래에 두어 경화시킵니다.
	그리고 램프의 밝기도 차이를 만들 수 있습니다. 이를 통해 변동성의 원인을 추정할 수 있습니다.
	우리는 이 모든 분포를 합산합니다.
	그리고 이것이 우리의 전반적인 분포입니다.
	그것은 양쪽 모두 사양 한도를 넘어서는 수준입니다.
	표준 편차 .082
	그리고 제가 말씀드렸듯이, 플러스 마이너스 0.2의 스펙 요소로 인해 PPk는 0.81이 됩니다. 썩 좋지는 않네요.
	사양을 벗어난 비율은 1.5%로 추정됩니다.
	정말 그렇게 좋았다면 괜찮았을지도 모르지만, 그렇지 않았습니다.
	이 추정치는 각 렌즈가 독립적인 사건이라고 가정합니다. 실제로는 그렇지 않습니다. 저희는 렌즈를 여러 개로 만듭니다.
	그리고...모든 로트에는 특정한 시작 조건에서 특정한 원자재 세트가 있습니다.
	많은 것들 속에는 상관관계가 많이 있습니다.
	그리고
	내가 언급한 두 가지 구성 요소, 상당한 기여를 한 두 가지 단량체 구성 요소가 있습니다.
	여기를 보면 가끔 노란색 선과 분홍색 선이 보입니다. 이는 두 단량체 성분에 의해 발생하는 가변성입니다.
	두 가지 모두 중심선의 같은 쪽에 있을 때, 직경은 사양 한계를 향해 밀려나고, 가능성을 더하는 몇 가지 다른 변동성 소스가 있습니다.
	또 다른 문제는
	.2 한계는 개별 렌즈에 대한 것입니다. 이렇게 했습니다... 로트(lot)를 기준으로 분류했습니다. 따라서 이 플롯은 로트 평균을 예측하지만, 로트 평균이 .175가 되면 한계를 초과하는 렌즈가 충분히 많아 고장이 날 가능성이 높습니다.
	그래서 모두 합쳐서
	우리의 추정에 따르면 전체 부지의 4%가 폐기될 것으로 보입니다.
	그리고 그것들은 떼로 몰려올 겁니다. 몇 주 동안은 전체 물량의 절반을 시스템에 처리할 수 없을 겁니다.
	그러니까 이건 시작도 못 할 일이에요. 뭔가 큰 개선이 필요해요.
	두 가지 단량체 성분의 로트 간 변동성이 이러한 변동성의 상당 부분을 차지합니다.
	우리는 모노머 1의 전반적인 순도가 중요한 요소이고 모노머 2에 존재하는 특정 불순물이 이에 영향을 미친다는 것을 알아냈습니다.
	우리 화학자들은 이러한 성분의 합성 경로를 살펴본 결과, 대부분의 불순물에 기여하는 단일 출발 물질이 있다는 것을 발견했습니다.
	그들은 공급업체에 이 원료를 증류하여 불순물을 제거할 것을 권장했습니다.
	그로 인해 몇 가지 중요한 개선이 이루어졌습니다.
	또한 경화 램프에 바리악을 장착하여 강도를 조절했습니다.
	램프 강도는 큰 요인이 아니었지만, 이건 쉬웠습니다. 쉬울 때 개선이 가능하죠.
	엄밀히 말하면, 이는 분산 예산이 아니라 분산 평가였습니다. 각 구성 요소에 대해 실제로 수치적 목표를 할당한 적은 없습니다.
	다시 돌아왔습니다... 쉽게 얻을 수 있는 것들을 따는 거죠. 변동성의 상당 부분을 차지하는 두 가지 요인을 발견했거든요.
	이제 더 높은 곳으로 올라가야 하므로, 더 높은 가지에 도달하기 위해선 좀 더 나은 구조가 필요할지도 모릅니다.
	렌즈 치수, 렌즈 직경의 현재 상태.
	PPk는 2.1입니다. 이 제품은 지금 시중에 나와 있고, 몇 년 전부터 판매되고 있습니다. 이제 더 이상 문제가 되지 않습니다.
	저희는 이 부품들을 엄청나게 개선했습니다. 아직 개선 작업 중입니다. 여전히 감지 가능한 변동성이 있습니다. 감지 가능하긴 하지만 오랫동안 문제가 되지 않았습니다.
	그래서 기본적인 질문은 우리가 무엇을 할 것인가입니다.
	분산 예산에 데이터를 적용하려면?
	어쩌면 그런 자의성을 조금 줄이는 게 좋을지도 몰라요.
	먼저 개선이 필요한 제품 측정 기준을 선택해야 합니다.
	우리는 잠재적인 기여자를 파악하기 위해 편리한 도구인 원인과 결과 다이어그램이 필요합니다.
	우리는 미리 알아야 합니다. 민감도를 알아야 합니다.
	제품 측정값을 프로세스 측정값으로 나누면, 그 선의 기울기는 얼마입니까?
	우리는 빈틈을 메우기 위해 몇몇 에너지부가 필요할 겁니다.
	우리는 이러한 요소 중 일부를 개선하는 데 얼마나 어려움이 있는지 추산해야 합니다.
	그리고
	우리는 각 구성 요소의 분산을 추정한 다음 해당 분산을 기여자들 간의 총 분산 목표로 나눕니다.
	충분히 쉬운 것 같아요.
	예를 들어보겠습니다.
	새로운 프로젝트를 진행 중이라고 가정해 보겠습니다. 그 과정에서 CMT(Cascaded Modulation Transfer의 약자)라는 새로운 제품 측정법을 개발했는데, 이는 전반적인 이미지 선명도를 측정하는 데 사용됩니다. 콘택트렌즈에 중요한 요소죠.
	목표는 100에 ±10입니다.
	우리는 최소 1.33의 PPK를 원합니다.
	즉, 표준 편차는 2.5 이하여야 합니다.
	분산은 6.25 이하여야 합니다.
	어떤 요인이 관련될 수 있을까?
	원인과 결과 다이어그램을 생각해 보겠습니다.
	JMP로 가서 테이블을 만들 수 있습니다. 먼저 CMT를 나열합니다.
	부모 열에 나열합니다. 그런 다음 자식 열에 각 제조 단계를 나열합니다.
	그리고 부모 측에 자식 요소를 나열하고, 그다음 하위 요소를 나열하기 시작합니다. 이 하위 요소는 분명 일반적이고 임의적이며, 전체 과정은 가정적인 것입니다.
	그리고 우리는 원하는 만큼 많은 레벨을 가질 수 있습니다. 다이어그램에 원하는 만큼 많은 브랜치를 가질 수 있지만
	여기서 우리는 14가지 잠재적 요소를 확인했습니다.
	그러면 적절한 대화 상자로 가서 부모 열과 자식 열을 지정합니다. "확인" 버튼을 클릭하면 원인-결과 다이어그램이 나타납니다.
	잠깐, 저는 JMP를 30년째 써 왔는데, 후회하는 건 거의 없어요. 그중 하나가 바로 이거예요. 그리고 후회되는 건, 작년에야 이걸 발견했다는 거예요.
	사실 이 도구가 언제 구현되었는지는 잘 모르겠습니다. 더 일찍 알았더라면 좋았을 텐데요. 제가 찾은 원인-결과 다이어그램을 만드는 가장 쉬운 방법이거든요.
	그래서 우리는 민감도 데이터를 수집해야 합니다.
	물리학은 때때로 우리에게 답을 알려준다.
	광학에서 굴절률과 곡률 반경을 알면 렌즈의 광학적 능력에 대한 정보를 얻을 수 있습니다.
	물리학에서는 때로 실험 데이터가 필요하고, 때로는 종종 실험 데이터가 필요합니다.
	그래서,
	해당 분야 전문가에게 물어보세요. 누군가 실험을 해봤을 수도 있고, 그걸 통해 아이디어를 얻을 수도 있을 거예요.
	14가지 요소를 모두 다룬 적은 없기 때문에 잘 설계된 실험이 필요합니다.
	제 생각에 목록에서 몇 단계 아래에는 역사적 데이터가 있습니다.
	그리고 과거 데이터를 사용하여 모델을 생성했다면, 제가 걱정하는 몇 가지 우려 사항이 있습니다. 우리는 이 부분에 대해 매우 신중해야 합니다. 과거 데이터,
	보통 지저분해요;
	잘못 식별된 숫자가 많고, 때로는 잘못된 열에 있는 경우도 있어서 정리가 많이 필요합니다. 요인들 간에 상관관계도 아주 많습니다.
	표준적인 관행은 데이터 포인트의 25%를 무작위로 예약하고, 해당 데이터를 확인을 위해 예약한 다음, 75%의 데이터로 모델을 생성한 다음, 25%의 예약 데이터로 모델을 테스트하는 것입니다.
	잘 작동한다면 쓸 만한 게 있을지도 몰라요. 안 되면 건드리지 마세요.
	따라서 사전 지식을 수집하기 위해 해당 분야 전문가에게 그들이 가지고 있는 민감도 데이터를 독립적으로 제공해 달라고 요청하고자 합니다.
	저는 작년 Discovery Summit에서 Cy Wegman과 Wayne Levin이 한 프레젠테이션에서 아이디어를 얻었습니다.
	이는 회의실에서 가장 큰 목소리를 내는 사람이 규칙을 어기는 상황을 피하기 위해 미리 지식을 모으는 제안입니다.
	때로는 중요한 정보를 전달할 수 있는 조용한 엔지니어가 뒤에 앉아 있을 수도 있습니다.
	말할 수도 있고, 말하지 않을 수도 있습니다. 그래서 우리는 그 정보를 얻고 싶습니다. 먼저 모든 사람에게 독립적으로 물어보세요.
	그러면 사람들을 모아서 그 불일치점에 대해 논의해 보세요. 몇 가지 불일치점이 있을 겁니다.
	어디에 차이가 있나요? 어떤 매개변수에 여전히 민감도나 분포 정보가 필요한가요?
	어떤 매개변수를 할인할 수 있나요?
	이것들을 찾아보고 싶습니다.
	어떤 매개변수가 조건적입니까?
	자주 일어나는 일은 아니지만, 콘택트렌즈 제조 과정에서는 모든 살균 주기에 생물학적 지표를 포함시킵니다.
	이러한 지표는 의도적으로 편향되어 거짓 양성(false positive)이 거짓 음성(false negative)보다 훨씬 더 가능성이 높습니다. 이 테스트에서 실패가 발생하면,
	우리는 다시 살균합니다. 우리의 살균 루틴이 아마도 옳았을 거라는 걸 알지만, 우리는 다시 살균합니다. 그래서 때로는 두 번 살균하기도 합니다. 이것이 우리 체형에 작은 영향을 미칠 수 있습니다. 작지만 측정 가능한 영향이죠.
	그래서 우리는 우리가 모르는 것들에 대한 민감도를 수집하기 위해 몇 가지 실험을 계획해야 합니다.
	생산 분포 데이터를 살펴보겠습니다. 민감도를 생성하기 위해 신중하게 사용해야 합니다. 이를 활용하여 각 구성 요소의 변동성과 관심 제품 측정값의 전반적인 변동성에 대한 정보를 생성할 수 있습니다.
	진행하면서 기록 관리도 좀 해야겠습니다. 인과관계도를 만드는 데 사용했던 표부터 시작해서 열을 몇 개 더 추가할 수도 있겠네요.
	민감도, 측정 단위, 다양한 열을 입력하세요. 어떤 종류의 표든 괜찮습니다. 기록만 보관하고 최신 상태로 유지하세요.
	그 빈틈을 메우려면 에너지부(DOE)가 필요할 겁니다.
	몇 가지 새로운 기술이 있습니다. 확정적 스크리닝 설계, 그룹 직교 초포화 설계 등이 있습니다.
	상황에 맞게 사용하면 비용 대비 효과가 좋습니다.
	이 특정 상황에서는 14가지 요소가 있습니다.
	우리는 해당 분야 전문가들에게 질문했습니다.
	일부는 방향 정보를 예측할 만큼 충분한 경험을 가지고 있지만, 실제 경사도를 정확하게 예측하는 사람은 아무도 없습니다. 따라서 14가지 요소를 평가해야 합니다. 저는 33번의 주행이 필요하지 않은 DSD를 실행하고 싶지만, 예산이 부족합니다.
	그래서 우리는 맞춤형 DOE를 사용할 것입니다.
	그래서,
	사용자 정의 DOE 함수로 이동한 다음... PowerPoint를 오랫동안 사용했으니... JMP에서 몇 가지를 라이브로 시연해 볼 때가 됐습니다.
	그건 DOE 맞춤형 디자인으로 갈 거예요.
	그리고
	꼭 그럴 필요는 없지만 응답 정보를 채우는 것이 매우 좋은 방법입니다.
	(제가 제대로 입력할 수 있다면).
	타겟 일치
	90에서 110까지.
	중요도 1은 두 개 이상의 응답이 있을 때만 차이를 만듭니다. 요인.
	파일이 있어서 빠르게 불러올 수 있어요. 여기 14개 다 있어요.
	요인들 중.
	이 요인 제약 조건은,
	한 번도 써본 적은 없지만, 여러 요소가 복합적으로 작용하면 위험할 수 있다는 건 알고 있습니다. 그런 걸 허용하지 않을 수도 있다는 걸 알고 있습니다.
	모델 사양. 아마도 가장 중요한 부분일 겁니다.
	이건 기본적으로 스크리닝 작업입니다. 주요 효과만 살펴보겠습니다.
	이제 우리 주제 전문가들은 상호작용이 일어날 가능성은 낮다고 말했습니다.
	그리고
	비선형성은 가능하지만 강할 가능성은 낮습니다.
	그러니 지금은 적어도 스크리닝 실험에서는 그런 것들은 무시하도록 하겠습니다.
	이걸 차단할 필요는 없습니다.
	우리는 추가적인 중심점이 필요하지 않습니다.
	14개의 주요 효과에 대해 JMP에서는 최소 15개가 주어지고 기본값은 20입니다.
	기본 설정을 실행할 수 있는 예산이 있다면 그걸로 시작하는 게 좋다는 걸 깨달았습니다. 20번은 할 수 있는데, 33번은 너무 많았습니다. 20번은 충분히 할 수 있습니다.
	이런 디자인을 만들어 보자.
	이건 디자인 단위에 그대로 두었어요. 가상의 예시가 있는데, 이 임의의 단위를 다른 임의의 단위로 바꾸고 싶지 않았어요.
	설계된 평가 도구의 전체 제품군을 갖추고 있습니다.
	제가 보통 살펴보는 커플이에요. 전력 분석이죠.
	제곱 평균 제곱근 오차 추정치 1이 대략 비슷한 수준이라면, 이 전력 추정치도 대략 비슷한 수준일 겁니다. 0.9 이상이면 꽤 좋습니다. 마음에 듭니다.
	제가 보통 보는 또 다른 것은 상관관계에 대한 색상 맵입니다.
	저는 그것을 컬러 맵으로 만드는 것을 좋아합니다.
	좀 복잡하네요. 주효과가 14개인데, 솔직히 양방향 상호작용은 다 세어보지 못했습니다. 우리가 찾고 있는 건 교란 효과인데, 같은 줄에 두 개의 빨간 블록이 있는 경우입니다.
	음, 잘 안 보이네요. 좋네요. 상관관계가 전혀 없는 진한 파란색이 있고, 약간 상관관계가 있는 연한 파란색이 있고, 그리고 상관관계가 있는 연한 분홍색이 있어요.
	아마도 상관 계수가 0.6일 거예요.
	이건 괜찮습니다. 완전한 교란 요인이 없는 한, 아마도 무엇이 원인인지, 그 효과를 일으키는 원인은 무엇인지 추정할 수 있을 겁니다.
	이제 됐어요. 그럼, 테이블을 만들어요.
	음, 이게 우리의 디자인이에요.
	결과를 채울 공간이 있습니다.
	저는 줄리아 차일드의 요리법을 참고해 보려고 합니다.
	준비를 해 주시고 오븐에 넣으세요. 그리고 미리 준비된 파일을 오븐에서 꺼내세요. 그 파일에는 이미 실험이 실행된 내용이 담겨 있습니다. 결과는 다음과 같습니다.
	CMT 값은 90~110 사이가 되기를 원했습니다.
	80년대에 여기 몇 개가 있었어요. 110.5가 있고, 여기 111이 있어요.
	뭔가 해야 할 일이 있는 것 같습니다.
	하자
	데이터를 분석합니다.
	모든 것이 완료되었습니다. 응답이 있습니다. 모든 요소는 다음과 같습니다. 스크리닝 보고서가 필요합니다. '실행'을 클릭하세요.
	r 제곱 .999.
	네, 이게 가짜 데이터라는 걸 알 수 있네요. 노이즈 계수를 이것보다 조금 더 높게 설정했어야 할 것 같아요.
	처음 여섯 가지 요소는 매우 중요하지만, 나머지 여덟 가지 요소는 그렇지 않습니다.
	제가 그것을 생성할 때 게으름을 피웠습니다.
	처음 여섯 개에는 뭔가를 넣었어요.
	일반적으로 우리는 중요하지 않은 요소를 제거합니다.
	그러니 우리는 한꺼번에 모두 제거할 수도 있습니다.
	저는 한 번에 한 가지씩 하는 편이에요.
	가장 중요하지 않은 인수를 매번 제거하고 다른 숫자에 어떤 영향을 미치는지 살펴보세요. 때로는 바뀌고, 때로는 바뀌지 않습니다.
	이것을 제거하면 Cure1이 .0478이라는 숫자로 끼어든 것처럼 보입니다.
	0.05보다 약간 낮습니다. 큰 문제는 아닐 것 같지만, 그대로 두겠습니다.
	그래서 잔차를 살펴보죠. 무작위적인 측면이 있어서 좋습니다. 스튜던트화된 잔차도 무작위적인 측면이 있죠.
	우리는 매개변수 추정치를 살펴봐야 합니다.
	우리가 돈을 지불한 이유가 바로 이거예요.
	이것들은
	...회귀 계수는 우리가 찾고 있던 기울기입니다. 이것이 민감도입니다.
	그래서 실험을 한 거예요. 저는 시각적인 걸 좋아하는 사람이라 항상 예측 프로파일러를 살펴봅니다.
	그리고 제가 여기서 좋아하는 것 중 하나는... 음, 저는 항상... 경사면의 배치를 보고...
	신뢰 구간을 살펴보는데, 꽤 작습니다. 여기서는 파란색으로 표시된 구간이 간신히 보입니다. 또한 입력값에 대한 정보가 있을 때 시뮬레이터를 사용하는 것을 좋아하는데, 각 변수의 변동성을 입력할 수 있기 때문입니다.
	이제 다시 Julia Child 접근 방식을 사용하고 돌아가도록 허락해 주시면
	내가 이미 입력한 이전에 준비한 예
	이들 각각의 변형입니다. 금형 도구 1에서 이중 모드 분포를 생성하는 표현식을 입력합니다.
	그리고 Mold Tool 2의 경우 균일한 분포를 입력합니다.
	그리고 도구실에 있는 친구들을 변호하면서 말씀드리고 싶은 것이 있습니다.
	이중 모드 분포는 다음과 같은 상황에서만 발생합니다. 지난달에 발생한 일,
	사용하고 싶은 도구들이 생산 현장에서 바쁘게 돌아가고 있었기 때문에, 실험을 위해 몇 가지 오래된 버전을 사용했습니다. 실제로는 여러 버전을 섞어서 사용했습니다.
	그렇게 되면 우리는 이중 모드 분포를 얻을 수 있습니다.
	이런 균일한 분포는 이 녀석들에게는 절대 일어나지 않습니다. 항상 중심점을 노리고, 보통 몇 마이크론 이내로 일치하죠. 다른 분포는 모두 정상입니다.
	폭이 다양했습니다. 어떤 경우에는 약간 편향된 면도 있었습니다.
	입력 분포는 다음과 같습니다. 예상 출력은 다음과 같습니다.
	비정규적인 시작 분포가 있었더라도, 우리는 거의 정규적인 출력 분포를 갖게 되었습니다.
	그것은 우리의 목표를 넘어서는 것입니다.
	우리는 그걸 알고 있었습니다.
	여기서 시작할 때 기본값은 5,000회입니다. 저는 보통 이 값을 100,000회 정도로 늘립니다. 실행하는 데 추가 시간이 걸리지 않았고, 분포가 조금 더 매끄러워졌습니다.
	여기서도 표가 생성되는데, 표를 만들 수 있습니다.
	이걸 여기로 옮겨요. 이것의 큰 장점은
	우리가 얻을 수 있다는 것입니다
	(아직 이 CMT를 원하지 않는 경우)... 입력 요소의 분포를 살펴보겠습니다.
	이건 더 크고 화려한 플롯입니다. 이건 우리의 이봉 분포, 균일 분포, 다양한 정규 분포, 다양한 너비를 가진 분포인데, 이건 일종의 편향을 가지고 있습니다.
	그래서 우리는 그 모든 것을 가져갈 수 있고
	우리는 그것들을 모두 더했습니다.
	우리는 이것을 살펴본다
	그리고 우리는 배포를 합니다.
	꽤 정상적으로 보이네요. 입력 내용 중 일부는 정상적이지 않았지만요.
	여기에는 기존 기술을 사용할 수 있습니다. 따라서 사양을 설정할 때
	사양 한계를 넘어서는 것 같습니다. 그래서 개선이 필요합니다. 좀 더 개선해야 할 것 같습니다. 아래로 스크롤해서 기능 정보를 확인해 보세요.
	PPk는 .6입니다.
	그건 말도 안 돼요. 제조업에서는 이런 과정을 받아들일 리가 없어요.
	그래서 우리는 몇 가지 중요한 개선이 필요합니다.
	그래서 다시 돌아가세요
	파워포인트 파일.
	그리고 문제가 생길 경우를 대비해 백업으로 사용했던 슬라이드를 스크롤합니다.
	JMP의 라이브 버전.
	문제는 JMP가 아니라 나에게 있습니다.
	이제 우리는 여러 가지 요인을 살펴보겠습니다.
	표준 편차는 사전 생산 시험에서 얻은 것이며, 변동성을 추정하는 데 사용됩니다. 민감도는 DOE에서 얻은 결과입니다.

고급 통계 모델링기본 데이터 분석 및 모델링소비자 및 시장 조사데이터 혼합 및 정리데이터 탐색 및 시각화실험 설계대량 맞춤화예측 모델링 및 머신 러닝품질 및 공정 엔지니어링신뢰성 분석