| Vocero |
Transcripción |
| Dave |
Hola a todos. Gracias por acompañarme hoy. Me gustaría compartir con ustedes un tema que forma parte de nuestro programa Six Sigma Black Belt desde 1997. |
| |
1997. Así que creo que esta es una de las herramientas que la gente realmente disfruta y creo que usted también la disfrutará y la encontrará informativa en términos de cómo interactúa con |
| |
Algunas de las herramientas disponibles en JMP. |
| |
Las primeras diapositivas con un mensaje de nuestro patrocinador. Soy de PPG Industries, en las afueras de Pittsburgh, Pensilvania, en nuestro Centro Técnico y Empresarial de Monroeville. |
| |
He trabajado allí como científico de datos de forma intermitente durante más de 30 años, alternando entre puestos de gestión técnica y otros de menor responsabilidad. Y ahora, he vuelto a lo que realmente me apasiona: trabajar con datos y, en particular, con JMP. |
| |
PPG lleva existiendo bastante tiempo; fue fundada en 1883. El año pasado ocupamos el puesto 180 en la lista Fortune 500. |
| |
Y fabricábamos principalmente pinturas, aunque la gente cree que PPG significa Pittsburgh Plate Glass, eso ya no era así desde aproximadamente 1968. Así que ahora es... es PPG y es principalmente una empresa de recubrimientos. |
| |
Recubrimientos de alto rendimiento y recubrimientos industriales. |
| |
coches, aviones, por supuesto, casas. Quizás hayas comprado pintura PPG o alguna marca de PPG para usar en tu casa. |
| |
Pero también se utiliza dentro de los envases, así que |
| |
Si una lata de cerveza no tiene un recubrimiento en su interior, la cerveza se estropea muy rápidamente. Mi negocio se centra en recubrimientos y materiales especiales. |
| |
Entonces, mi segmento fabrica fósforos OLED para Universal Display Corporation que se encuentran en el teléfono Samsung y también los tintes fotocrómicos que se usan en |
| |
Las lentes fotocromáticas se oscurecen al salir al exterior. |
| |
Así que de lo que les voy a hablar hoy es de esta herramienta llamada árbol de muestreo. Y lo que es, en realidad es solo una representación gráfica simple. |
| |
de los datos que planeas recopilar o que quizás ya has recopilado. |
| |
Y así, en estudios de variación como un Gage R&R, evaluaciones de sistemas de medición generales, componentes y diversos estudios (o CoV, como a veces los llamamos), |
| |
El árbol de muestreo es una excelente herramienta para pensar estratégicamente sobre diversos aspectos. Por ejemplo, ¿qué fuentes de variación pueden o deben incluirse en este estudio? |
| |
¿Cuántos niveles dentro de cada factor o fuente de variación puede incluir? ¿Y cuántas mediciones tomar para cada combinación de factores y configuraciones? Entonces, de alguna manera, está llegando a una |
| |
Aquí surge la pregunta sobre el tamaño de la muestra. Por lo tanto, considerar estratégicamente estas preguntas antes de recopilar cualquier dato también le ayuda a definir la limitación del estudio, lo que puede aprender de él, |
| |
y cuál será el esfuerzo general para ejecutarlo. Por eso lo incluimos en una herramienta de clasificación que enseñamos en nuestro programa Six Sigma. |
| |
Lo que llamamos herramientas de pensamiento crítico porque te ayuda a pensar de antemano. Y es un buen ejercicio para la pizarra, que puedes realizar en papel o en la pizarra para pensar de forma prospectiva sobre los datos que recopiles. |
| |
También es muy útil para comprender la estructura de los diseños factoriales, |
| |
especialmente cuando hay restricciones en la aleatorización. Así que les daré un ejemplo conceptual, hacia el final, donde |
| |
En un árbol de muestreo, se puede describir una línea de aleatorización restringida. |
| |
Y eso te indica dónde están los factores de la gráfica completa y dónde están los factores de la gráfica dividida. Así que puede proporcionarte de antemano una mejor comprensión de los datos que planeas recopilar. También son útiles en |
| |
donde, compartiré otro ejemplo conceptual, donde hemos combinado un diseño factorial con un componente de estudio de variaciones. Esto es realmente genial porque acelera el aprendizaje sobre el sistema en estudio. Así que estamos tratando simultáneamente de manipular factores que creemos |
| |
impactar el nivel de respuesta y, al mismo tiempo, comprender los componentes de variación que creemos que contribuyen a una variación en la respuesta. |
| |
Una vez adquiridos los datos, el árbol de muestreo puede facilitar enormemente su análisis. Esto es especialmente cierto al intentar seleccionar el modelo de componentes de varianza. |
| |
dentro de un gráfico de varianza... gráfico de variabilidad que tienes disponible en JMP. Y si alguna vez has usado esa herramienta (y te la mostraré aquí en un par de... con un par de ejemplos), |
| |
Si le pides a JMP que calcule los distintos componentes, debes decidir qué tipo de modelo quieres. ¿Es anidado? ¿Es cruzado? Quizás sea cruzado y luego anidado. |
| |
Tal vez esté anidado y luego cruzado. Por lo tanto, ayudarle a determinar cuál es el modelo de componente de varianza correcto se facilita realmente mediante un buen árbol de muestreo. El otro lugar donde los hemos utilizado es cuando pensamos en gráficos de control. Entonces, el |
| |
La aplicación de gráficos de control realmente te ayuda. |
| |
ver qué está cambiando dentro de los subgrupos y qué está cambiando entre los subgrupos. Así que te ayuda a pensar críticamente sobre lo que realmente estás viendo en los gráficos de control. Entonces, como mencioné, son buenos para una especie de |
| |
mostrar las líneas de restricción en la parcela dividida pero son un poco menos útiles para el análisis de experimentos diseñados, así que de nuevo para aplicaciones de tipo DOE son más bien un poco más directas. |
| |
Así que entremos de lleno en esto con un ejemplo. Aquí tenemos lo que yo llamaría un estudio general de componentes de la varianza. |
| |
En este caso, la información proviene de la literatura especializada. Se trata del libro de Box Hunter y Hunter, "Estadística para experimentadores", que encontrarán casi al final. |
| |
donde están hablando de los componentes del estudio de varianza y resulta que se trata de un proceso de pintura. Y entonces lo que tienen en este estudio en particular son 15 lotes de |
| |
Pasta de pigmento. Están tomando muestras de cada lote dos veces y luego realizando dos mediciones de humedad en cada una de esas muestras. |
| |
Entonces, la primera muestra del primer lote es físicamente diferente a la del segundo lote, y la primera |
| |
La muestra del segundo lote es físicamente diferente de cualquiera de las otras muestras. Por lo tanto, una práctica que intentamos usar y enseñar es que |
| |
Para factores anidados, suele ser útil enumerarlos en orden numérico. Esto subraya, una vez más, que se utilizan unidades experimentales físicamente diferentes en cada muestra. |
| |
Este es un plan de muestreo anidado. La muestra está anidada dentro del lote. Veamos cómo se refleja esto en el gráfico de variabilidad de JMP. |
| |
Bien, aquí están los datos y encontramos el gráfico de variabilidad en la sección de calidad y variabilidad del proceso. |
| |
Y luego vamos a enumerar aquí como variables x el lote y luego la muestra. |
| |
Un aspecto muy importante en un plan de muestreo anidado es que los factores se carguen en el mismo orden en que aparecen en el árbol de muestreo. Por lo tanto, es jerárquico. |
| |
De lo contrario, los resultados serán un poco |
| |
confuso. Así que podemos decidir aquí, en esta plataforma de lanzamiento, qué tipo de modelo de componente de varianza queremos especificar. Dijimos que este es un plan de muestreo anidado. |
| |
Y ahora estamos listos para irnos. Dejamos la medición fuera de la... fuera de la lista de ejes porque la medición realmente solo define dónde están los subgrupos. |
| |
Así que simplemente lo omitimos. Y eso es lo que va a entrar en el componente variante al que JMP se refiere como variación interna. |
| |
Bien, aquí está el gráfico de variabilidad. Una de las cosas buenas del gráfico de variabilidad es que hay una opción para agregar algunos |
| |
Información gráfica. Aquí he conectado la media de la celda. Esto indica visualmente la variación entre las muestras del lote. |
| |
Y luego tenemos dos mediciones por lote, como se indica en nuestro árbol de muestreo. Y entonces la distancia entre los dos puntos dentro del lote y la muestra indica la |
| |
dentro de la variación del subgrupo. Así que puede ver que parece que de entrada hay bastante variación entre muestras. Y otra cosa que podríamos querer mostrar aquí son las medias de los grupos. |
| |
Y así vemos las variaciones entre lotes. La línea morada representa el promedio entre lotes. Bien. Ahora, ¿qué hay del desglose de la variación? Esto se muestra claramente en JMP, en la sección de componentes de la varianza. |
| |
Y |
| |
Súbelo ahí arriba, así podremos verlo y luego lo colapsaré. |
| |
Como vimos gráficamente, parecía que la variación entre muestras dentro de un lote era un factor importante que contribuía a la variación general de los datos. Y, de hecho, los cálculos lo confirman. Así que tenemos |
| |
alrededor del 78% de la variación total proviene de la muestra; alrededor del 20% de las variaciones provienen de lote a lote y |
| |
Solo alrededor del 2,5% de la variación proviene de la variación de medición a medición dentro del lote y la muestra. Noté aquí en la tabla de componentes de la varianza, el |
| |
la notación que se usa aquí. Esto indica que la muestra está dentro del lote. Por lo tanto, este es un estudio anidado. Y nuevamente, es importante que carguemos los factores en el |
| |
en el gráfico de variabilidad en el orden indicado aquí en el gráfico. Así que no tendría sentido decir que dentro de la muestra uno tenemos el lote uno y el lote dos. Eso simplemente no tiene sentido físico. Y así es como se refleja en el árbol. |
| |
Y solo |
| |
Ahora comparemos eso con algo un poco diferente. A esto lo llamo un estudio Gage R&R tradicional. Y lo que tienes en un estudio Gage R&R tradicional es... |
| |
Tienes varios lotes de muestras de piezas que se están probando. Y luego tienes varios operadores que prueban cada uno de ellos. Y luego cada uno prueba la misma muestra o lote varias veces. Así que en este ejemplo en particular estamos mostrando cinco |
| |
piezas, muestras o lotes, tres operadores midiendo cada uno dos veces. Ahora, en este caso, el operador uno |
| |
para el lote número uno es lo mismo que operador número uno para el lote o informe de muestra número cinco. |
| |
Entonces, puedes pensar en esto como decir que, bueno, el operador pasa de una parte a otra, ya sea la pieza, la muestra, el lote o lo que sea que esté recibiendo. |
| |
ser medidos. Por lo tanto, esto se conoce como un estudio cruzado. Y es importante que midan el mismo artículo porque una de las cosas que |
| |
En un estudio cruzado, algo que no se tiene en un estudio anidado es la posible interacción entre los operadores y lo que miden. Esto se reflejará en el análisis de componentes de varianza que vemos en JMP. Ahora veamos esto. |
| |
En este conjunto de datos en particular, volvemos al práctico gráfico de variabilidad, que se encuentra en la sección de calidad y proceso. En este caso, empezaré usando el mismo orden para las variables X que se muestra en el árbol de muestreo. |
| |
Pero, como les mostraré, una de las características de un estudio cruzado es que ya no estamos atados a la estructura jerárquica del árbol. Podemos invertirlas. |
| |
Así que esto está marcado. Voy a tener cuidado de cambiarlo aquí. Recuerden que teníamos un estudio anidado antes. Y voy a hacer clic en aceptar. |
| |
Y voy a poner nuestro |
| |
allí significa celda y significa grupo. |
| |
Entonces, en este caso, el grupo significa que las muestras (tres) y tenemos tres operadores. |
| |
Y ahora, si pidiéramos los componentes de la varianza. |
| |
Nótese que no tenemos esa muestra dentro de la notación del operador como la que teníamos en el estudio anidado. En este caso, lo que tenemos es una interacción entre la muestra y el operador. |
| |
Y tiene sentido que esa sea una posibilidad en este caso, porque, de nuevo, están midiendo la misma muestra. |
| |
Entonces Matt está midiendo la misma muestra que el laboratorio de control de calidad, al igual que Tim. Por lo tanto, una interacción en este caso realmente refleja cuán diferente es este patrón al pasar de una muestra a otra. Entonces se puede ver que generalmente es lo mismo. |
| |
Parece que |
| |
Matt y QC tienden a medir las cosas quizás un poco más bajo en general que Tim. Esta parte C es un poco la excepción. Entonces, la interacción |
| |
La contribución de la variación aquí es relativamente pequeña. Hay cierta variación entre operadores y la variación dentro de cada operador es realmente |
| |
es el mayor contribuyente. Y eso es fácil de ver aquí porque tenemos unas barras bastante anchas. Pero de nuevo, este es un estudio cruzado, así que |
| |
Deberíamos poder cambiar el orden en que cargamos estos factores y obtener los mismos resultados. Esa es mi propuesta; vamos a probarla. |
| |
Así que voy a reiniciar este análisis y voy a cambiar esto. Voy a poner el operador primero y la muestra segundo. Dejaré todo lo demás igual. |
| |
Y vamos a poner nuestro significado celular |
| |
y grupo significa allí. |
| |
Y ahora pidamos los componentes de la varianza. |
| |
¿Y cómo se comparan? Voy a ocultar esa parte del informe. |
| |
Entonces, en la parte gráfica, y esto es algo genial para reconocer con un estudio cruzado es |
| |
Porque, de nuevo, no estamos limitados a la jerarquía que tenemos en un estudio anidado, podemos cambiar la perspectiva sobre cómo analizamos los datos. |
| |
Entonces, esa perspectiva con la carga en el operador primero nos da una especie de comparación directa de operador a operador aquí en términos de las medias del grupo. Y nuevamente esa interacción se refleja en cómo este patrón cambia entre los |
| |
operadores aquí mientras pasamos de la Parte A, B o C, A, B o C. |
| |
¿Qué pasa con los números en términos de los componentes de la varianza? Bueno, vemos que la tabla de componentes de la varianza aquí refleja el orden en que cargamos estos |
| |
factores en el |
| |
en el cuadro de diálogo y... |
| |
Pero los números resultan ser muy similares. Así que, en la muestra de la izquierda, la desviación estándar es de 1,7. |
| |
La desviación estándar debida al operador es de aproximadamente 2,3 y es el mismo valor aquí. |
| |
La interacción entre muestra y operador, o entre operador y muestra, si lo prefiere, es exactamente la misma. Y el interior es exactamente el mismo. Entonces, |
| |
Con un estudio cruzado, tenemos cierta flexibilidad en cómo cargamos esos factores y entonces la interpretación es un poco diferente. Si fueran muestras diferentes, |
| |
Cabría esperar que este patrón, al pasar de un operador a otro, fuera algo aleatorio, ya que miden cosas diferentes. Por lo tanto, no hay razón para esperar que el patrón se repita. |
| |
Si observa un término de interacción significativo en un estudio Gage R&R tradicional típico, como el que tenemos aquí, entonces tiene un verdadero |
| |
problema que hay que abordar porque eso te está diciendo que |
| |
La naturaleza de la muestra está provocando que los operadores realicen mediciones diferentes. Por lo tanto, es un problema un poco más difícil de resolver que si no hubiera interacción alguna. |
| |
DE ACUERDO. |
| Dave |
Así que, de nuevo, para su referencia, lo tengo enumerado aquí. |
| |
Bueno, ahora pasemos a algo un poco más interesante. Aquí tenemos una especie de estudio combinado donde tenemos factores cruzados y anidados. Este es el sector en el que trabajo. |
| |
La pureza de los materiales que fabricamos es realmente importante, y una metodología fundamental para medirla es la cromatografía líquida de alta resolución, o HPLC por sus siglas en inglés. |
| |
Así que este era un... este era un producto y se iba a utilizar en una aplicación aprobada por la FDA, por lo que conseguir la pureza adecuada era realmente importante. |
| |
Esto es solo una muestra de un estudio más amplio. Lo que les muestro es el caso en el que teníamos tres muestras; las he etiquetado como S1, S2 y S3. En el estudio participaron dos analistas. |
| |
Y así, cada analista va a medir la misma muestra en cada caso. Así que puede ver que es similar a lo que teníamos en el ejemplo anterior, lo que yo llamo Gage R&R tradicional, |
| |
donde cada operador o analista, en este caso, mide exactamente la misma parte o muestra. Por lo tanto, esa parte se cruza. Cuando se coloca debajo del analista, cada analista toma el material y lo prepara dos veces diferentes. |
| |
Y luego miden cada preparación dos veces. Hacen dos inyecciones en el HPLC con cada preparación. Así que la preparación uno es diferente de la preparación dos y eso es físicamente diferente de la primera preparación para el siguiente analista aquí. Y así que de nuevo, tratamos de recordar que |
| |
Etiquete estos factores anidados secuencialmente para indicar que son unidades físicamente diferentes en este caso. |
| |
Desde el punto de vista de JMP, realmente no hay diferencia, lo manejará bien, si vas a ir 1-2, 1-2, 1-2, y así sucesivamente, está bien, |
| |
Siempre y cuando le indiques el modelo de componentes de varianza adecuado para empezar. Esto sería cruzado y luego anidado. Veamos cómo funciona esto en JMP. |
| |
Aquí tenemos nuestra muestra de datos, el número de preparación del analista y, a continuación, un número de inyección que en realidad se encuentra dentro del subgrupo. |
| |
Así que, una vez más, vamos a analizar la calidad y el proceso. Vamos al gráfico de variabilidad. |
| |
Y aquí vamos a poner |
| |
los factores en el mismo orden en que aparecían en el árbol de muestreo. |
| |
Y luego vamos a poner el área allí como el porcentaje del área es la respuesta. Y dijimos que esto se cruzó y luego se anidó, así que tenemos |
| |
Aquí hay un par de cosas más para elegir. Y en este caso, nuevamente, el árbol de muestreo es realmente muy útil para ayudarnos a convencernos de que este es el caso y seleccionar el modelo correcto. Esto se cruza y luego se anida. |
| |
Hagamos clic en Aceptar. |
| |
Voy a incluir las medias de las celdas y las medias de los grupos. De nuevo, tenemos un segundo factor involucrado, además del factor "dentro". Así que seleccionemos ambos. |
| |
Y volvamos a preguntar por los componentes de la varianza. |
| |
Y voy a colapsar esta parte, con suerte, y tal vez colapse el gráfico de desviación estándar, solo |
| |
Subiendo un poco más en la pantalla. |
| |
Como podemos observar en el gráfico a medida que avanzamos, vemos una variación considerable entre las diferentes muestras. |
| |
La variación interna no se ve tan mal. |
| |
Pero tal vez veamos un poco de |
| |
una variación dentro de la preparación. |
| |
Entonces, eh, la muestra en este caso es, con mucho, la más grande. |
| |
componente de variación, que es realmente lo que esperábamos. |
| |
El analista es |
| |
es realmente |
| |
debajo de eso, variación dentro del subgrupo. Y esto nos lo explica muy bien. Entonces, en términos de |
| |
Lo que muestra la tabla de componentes de varianza aquí en términos de los componentes, es que es el analista de la muestra y luego, debido a que estos dos están cruzados, tenemos interacciones potenciales a considerar en este caso. |
| |
No parece contribuir demasiado a la variación general. Y, de nuevo, así es como cambia el patrón a medida que pasamos de un analista a otro y de una muestra a otra. |
| |
Ahora, |
| |
La afirmación que hice antes con el estudio completamente cruzado fue que podíamos intercambiar el |
| |
los factores cruzados en términos de sus |
| |
en cuanto a su orden y estaría bien. Así que vamos a intentarlo en este caso. |
| |
Así que voy a rehacer esto, volver a lanzarlo y creo que puedo cambiarlo. |
| |
factores cruzados aquí pero nuevamente tengo que tener cuidado de dejar el factor anidado donde está en el árbol. Entonces noto aquí en la tabla de componentes de varianza, la forma en que leeríamos esto como tenemos la preparación |
| |
anidado dentro de la muestra y el analista. Eso significa que tiene que ir debajo de esos en el árbol. |
| |
Así que sigamos adelante y |
| |
Conecta algunas cosas aquí arriba. |
| |
Voy a tomar el |
| |
Se desactivó el gráfico de desviación estándar y se solicitaron los componentes de la varianza. |
| |
Bien, entonces, tal como vimos en el ejemplo tradicional de Gage R&R, tenemos |
| |
el analista y el cambio de muestra. |
| |
Pero sus valores para la , si miramos la desviación estándar aquí en la última columna, son idénticos. |
| |
Tenemos de nuevo el mismo valor para el término de interacción e interactuamos sobre el mismo valor para la preposición. |
| |
término, que de nuevo está anidado dentro de, dentro de la muestra y el analista. Así que de nuevo, aquí es donde el, donde el árbol de muestreo nos ayuda a comprender realmente por completo la estructura de los datos y complementa muy bien lo que vemos en el |
| |
componentes de la varianza |
| |
Gráfico de JMP. |
| |
Entonces, esos son un par de ejemplos donde están orientados a componentes del estudio de la variación. |
| |
Una cosa que también podrías notar, que olvidé mencionar antes, es: |
| |
Mira el árbol de muestreo aquí. Y si lo traigo de vuelta |
| |
y solo estoy tratando de |
| |
Reproducir esto. |
| |
Esa copia de seguridad. |
| Dave |
Es interesante observar el eje horizontal en el gráfico de variabilidad: en realidad, se trata del árbol de muestreo invertido. |
| |
Esa es otra forma de confirmar que estás viendo la estructura correcta cuando intentas decidir qué modelo de componente de varianza aplicar. |
| |
Aquí están, de nuevo, las capturas de pantalla. |
| |
Aquí hay un ejemplo donde |
| |
El árbol de muestreo puede ayudarle a comprender las fuentes de variación en un gráfico de control, entre otras cosas. Así que, en este caso particular, |
| |
Durante varias horas, se está extrayendo una muestra de la línea. En realidad, se trata de muestras de lentes. Mencioné que fabricamos tintes fotocromáticos para las lentes Transitions y |
| |
Revisarán periódicamente el grosor de la película en las lentes, y esa es una prueba destructiva. Así que cuando toman esa lente y miden el grosor de la película, bueno, ya han terminado con esa muestra. |
| |
Lo que veríamos si construyéramos un gráfico de x barra y R para esto es que verías en el gráfico de x barra como un promedio, el promedio hora a hora. |
| |
Y luego, dentro del subgrupo, la variación estará compuesta por lo que sucede aquí de muestra a muestra y el grosor, la medición del grosor. |
| |
En este caso, observe que hay líneas verticales en el árbol de muestreo, de modo que el árbol no se ramifica. |
| |
Entonces, cuando veas líneas verticales al dibujar líneas verticales en el árbol de muestreo, eso es una indicación de que la variabilidad entre esos dos niveles del árbol está confundida. |
| |
Entonces, |
| |
Realmente no puedo separar la variación inherente de la medición del espesor de la película de la variación inherente entre muestras. Así que estoy un poco atascado con eso en cuanto al funcionamiento de este sistema de medición. Así que vamos a crear un gráfico de control con estos datos. |
| |
Y para ello, de nuevo, vamos a hablar de calidad y proceso. Voy a entrar en el generador de gráficos de control. Así que, de nuevo, nuestra variable de medición aquí es el espesor de la película. |
| |
Y lo hacemos hora a hora. Así que cuando lo configuramos de esa manera, vemos que JMP detecta de forma inteligente que el tamaño del subgrupo es 3, tal como se indica en nuestro árbol de muestreo. |
| |
Pero lo interesante de este ejemplo es que, a primera vista, uno podría sentirse tentado a preocuparse porque tenemos muchos puntos fuera de control en el gráfico de barras x. |
| |
Pero pensemos en eso por un momento en términos de lo que nos indica el árbol de muestreo. |
| |
Entonces, el árbol de muestreo nuevamente nos está diciendo que lo que está cambiando dentro del subgrupo, lo que está contribuyendo al rango promedio, es el |
| |
Medición del espesor de la película, junto con la variación entre muestras. Y recuerde cómo se construyen los límites de control en un gráfico de barras x. |
| |
Se construyen a partir del rango promedio. Entonces tomamos el promedio general. Y luego agregamos ese rango más o menos. |
| |
un factor relacionado con el tamaño de la muestra del subgrupo, de modo que la amplitud de estos límites de control viene determinada por la magnitud del rango promedio. |
| |
Y entonces, lo que realmente está comparando este gráfico es, consideremos esta variación de medición aquí abajo en la parte inferior del árbol. Entonces está comparando la variación de medición. |
| |
a la variación hora a hora que obtenemos de la línea. Así que eso es realmente algo bueno porque nos está diciendo que podemos ver |
| |
variación que se eleva por encima del ruido que vemos en el subgrupo. Así que, en este caso, eso es realmente deseable. |
| |
Así pues, de nuevo, un árbol de muestreo resulta muy útil para recordarnos qué está sucediendo en el gráfico Xbarra en términos de la variación dentro de los subgrupos y entre subgrupos. |
| |
Ahora, veamos un par de ejemplos conceptuales en el mundo de los experimentos diseñados. Un experimento de parcela dividida es un experimento en el que se impone una restricción en el orden de ejecución de las variables. |
| |
Y lo que eso hace es que termina dando un par de estructuras de error diferentes, y JMP ahora hace un gran trabajo diseñando experimentos para esa situación en la que tenemos restricciones en la aleatorización y también |
| |
analizando esos. Así que, no obstante, aunque a veces es útil |
| |
para entender dónde podrían estar esas estructuras de error |
| |
En un diseño de parcelas divididas, se obtienen los llamados factores de parcela completa y factores de subparcela. La razón por la que existe una restricción en la aleatorización suele ser porque uno o más de los factores son difíciles de variar. Por lo tanto, en este caso particular... |
| |
En este escenario, disponemos de una sala con ambiente controlado donde podemos pulverizar pinturas a diferentes temperaturas y niveles de humedad. |
| |
Pero el problema es que no se puede cambiar aleatoriamente la humedad de la habitación porque tarda demasiado en estabilizarse y hace que el experimento sea bastante impráctico. Entonces, lo que se muestra en este árbol de muestreo es que realmente tienes |
| |
Aquí hay tres factores: humedad, resina y solvente. Estos se muestran en azul. Y por eso solo cambiamos la humedad una vez porque es una variable difícil de cambiar. Así es como se configura un experimento de parcela dividida en JMP. |
| |
Especifica cuán difícil es cambiar los factores. En este caso, la humedad es un factor difícil, muy difícil de cambiar. |
| |
Por lo tanto, JMP lo tendrá en cuenta al diseñar el experimento y al analizarlo. |
| |
Pero lo que esto nos muestra es que la humedad se consideraría un factor de trama completo porque está por encima de la restricción de línea y luego la resina y el solvente son |
| |
factores de subparcela; están por debajo de la línea de restricción. Por lo tanto, hay una estructura de error diferente por encima de la línea de restricción para los factores de la parcela completa que para los factores de subparcela. |
| |
En este caso tenemos un montón de otros factores que se muestran aquí, que realmente afectan a cómo se formula una formulación. |
| |
que está compuesto de una resina y un disolvente que se aplica a un recubrimiento. Así que esto, en realidad, es un experimento 2 a 3 con una restricción de aleatorización. |
| |
Tiene ocho formulaciones diferentes. Cada una se aplica a un panel y luego ese panel se mide una vez para que |
| |
Lo que vemos en términos de la variación de medición a medición se confunde con el recubrimiento en la variación del panel. Como dije antes, cuando tenemos líneas verticales en el |
| |
en el árbol de muestreo, entonces tenemos |
| |
Entonces tenemos cierta confusión en esos niveles. Así que ese es un ejemplo donde lo usamos para mostrarnos dónde está la división en el diseño de parcelas divididas. |
| |
Este ejemplo en particular es conceptual, pero en realidad se cumple. |
| |
desde los días en que PPG fabricaba fibra de vidrio; ya no estamos en el negocio de la fibra de vidrio. Pero en este caso, lo que se buscaba era una optimización, o al menos comprender el impacto de cuatro variables controlables en lo que se llamaba pérdida ???, así que básicamente tomaron el abrigo |
| |
esteras de fibra y luego miden la cantidad de recubrimiento que se pierde cuando básicamente queman la muestra. Entonces, lo que tenemos aquí es que en la parte superior del árbol hay en realidad un diseño 2 a 4. Entonces hay 16 combinaciones de los cuatro factores en este caso y para cada ejecución en el diseño, |
| |
La alfombra estaba dividida en 12 carriles diferentes, como se les llama aquí. Así que vas a cruzar la alfombra. |
| |
de 1 a 12 carriles y luego tomamos tres secciones dentro de cada uno de esos carriles y luego hacemos una medición destructiva en cada una de ellas. Así que esto en realidad combina un experimento de diseño factorial. |
| |
con un estudio de componentes de variaciones. |
| |
Y así, de nuevo, tenemos líneas verticales aquí en la parte inferior del árbol que indican que la variación de medición a medición está confundida con la |
| |
variación de sección a sección. Y entonces lo que terminamos haciendo aquí en términos del análisis fue tratar los datos de cada ejecución del DOE como una especie de variación de muestra a muestra como lo habíamos hecho en el |
| |
Ejemplo de humedad de Box Hunter y Hunter, para tener en lugar de lotes, aquí tienes DOE run 1, 2, 3 y así sucesivamente hasta 16 y luego estamos haciendo submuestreo por debajo de eso. Y así |
| |
Tratamos esta parte como un componente del estudio de variación y luego básicamente promediamos todos los datos para ver cuáles serían los mejores ajustes para el |
| |
Aquí intervienen cuatro factores controlables. Por lo tanto, este es un estudio realmente bueno porque respondió a muchas de las preguntas que teníamos sobre este proceso de una manera muy eficiente. |
| |
Así que, de nuevo, combinando un COV con un DOE, diseño de experimentos con componentes de estudio de variaciones. |
| |
En resumen, espero que hayan comprendido la importancia del muestreo de árboles, que son bastante sencillos. |
| |
Son fáciles de entender. Son fáciles de construir, pero a la vez son excelentes para ayudarnos a analizar lo que estamos pensando en términos de muestreo de procesos o comprensión de un sistema de medición. |
| |
Y ellos también nos ayudan |
| |
Decidir cuál es el mejor modelo de componentes de varianza cuando buscamos obtener los diversos componentes del gráfico de variabilidad de JMP. |
| |
plataforma, de la cual obtenemos mucho uso de esa herramienta en particular, que me gusta decir que vale la pena el precio de entrada que JMP |
| |
para esa herramienta en sí misma. Así que les he mostrado algunos ejemplos aquí donde está anidado, donde está cruzado, cruzado y luego anidado, y también donde hemos aplicado este tipo de pensamiento a |
| |
gráficos de control para ayudarnos a entender qué varía dentro de los subgrupos en comparación con lo que variaba entre subgrupos. Y luego también, quizás menos útil... menos |
| |
También podemos utilizarlos en experimentos diseñados. Gracias por dedicarme unos minutos. Mi correo electrónico está en la diapositiva de portada, así que si tienen alguna pregunta, con gusto les responderé. Gracias. |
