你好
.
好的 早晨 , 每个人 . 好的 晚上 , 每个人 .
I 我 旋转 查特吉 .
前 开始 我的 推介会 ,
I 会 喜欢 到 介绍 我 和 很少 字 .
I 我 旋转 查特吉 从 首席技术官 团队 的 应用 材料 .
它 是 先进的 技术 团队 ， 和 我们的 团队 目标 是 到 发展 产品
邻近的 到 这 半 行业 或者 外部 这 半 行业 .
为了 例子 , 我们 是 在职的 为了 航天 行业 ,
药物 行业 , 或者 工业的 涂层 .
这 例子 , 展示 例子 ,
我们 是 采取 从 这 药物 行业 .
我的 话题 的 这 推介会 今天。
测量 休息与恢复 的 X -射线 光电子 光谱学 到 监视器 a 涂层 过程 .
议程 的 我的 讲话 今天。
第一的， 我们 将要 讲话 关于 这 背景 和 问题 陈述 ,
然后 我们 将要 讨论 关于 这 手术 定义 和 数据 收藏 计划 .
下一个 , MSA 成分 分析 .
最后 我们 '二 讲话 关于 这 计划 为了 MSA 成分 改进 .
让 的 开始 和 这 背景 .
在 这 药物 行业 ， 在 治疗 视窗 , 治疗 区域 ,
那里 是 , 为了 例子 , 抗生素 药品 , 酒精 瘾 或者 癌症 病人 ,
他们 需要 每天 注射 因为 药品 等级 在 这 血
是 当然 增加 , 尖峰 在 这 血 ,
和 然后 之内 短的 时间 , 之内 a 很少 小时 ,
它 是 去 超过 这 治疗 窗户 限制 .
那 的 为什么 他们 需要 每天 注射 和 它 是 痛苦 .
它 原因 一些 边 影响 ,
那 的 为什么 病人 跳过 这 药物 或者 停止 这 药物 .
到 解决 这 问题 ,
我们的 顾客 需求 一些 方法 到 裁缝 这 发布 的 药品 .
我们的 团队 发达 a 障碍 层 , 铝 氧化物 障碍 层 ,
那 表格 a 壳 大约 这 药物 颗粒 .
特性 的 这 障碍 层
能 控制 这 发布 的 这 药品 在 这 血 .
甚至 它 是 可能的 喜欢 那 ,
它 能 发布 很少 周 反而 的 很少 小时 .
这里 , 我们 将要 讲话 关于 这 作品 分析 ,
和 什么 是 这 噪音 分析 的 这 作品 测量 ?
那 我们 将要 讲话 这里 .
我们的 问题 是 测量 的 氧化铝 涂层 作品 .
我们的 规格 限制 , 顾客 规格 限制 , 是 O /Al 比率
在 这 铝 氧化物 电影 是 1 .2 -2 .3 .
我们的 客观的 这里 到 决定 这 XPS 方法 如果 它 是 足够的
到 区分 氧化铝 过程 变化 .
我们 将要 决定 这里 , 测量 休息与恢复 测量 错误
的 XPS 为了 氧化铝 作品 分析 .
X -射线 光电子 光谱学 能 措施 定量地
原子 百分比 的 作品 .
它 能 措施 铝 和 氧 百分比 .
XPS 实际上 措施 这 动力学 活力
的 光电子 发射 从 这 元素
和 它 计数 这 电子 .
每当 它 是 计数 这 电子 , 它 能 数数 这 在场 的 元素
和 还 它 计数 这 元素 哪个 是 纽带 到 它 .
那 的 为什么 我们 能 得到 这 信息
关于 铝 和 氧 在 这 铝 氧化物 电影 .
最多 的 这 来源 的 错误 为了 XPS , 它 能 添加 它 在 测量 休息与恢复 .
它 能 可重复性 , 它 的 未来 从 这 校准 电子 数数 .
它 能 添加 重复性 和 可重复性 错误 .
分析 能 添加 可重复性 错误 .
我们 将要 讲话 更多的 细节 这 一 在 这 下一个 滑动 .
在 我们的 手术 定义 , 我们 '二 讲话 关于 这 不同的 步骤
的 这 XPS 测量 和 如何 它 能 介绍
这 错误 在 这 测量 错误 GRR , 测量 休息与恢复 错误 .
我们的 客观的 措施 铝 氧化物 涂层 作品 ,
和 到 措施 它 在 XPS , 第一的 我们 需要 到 做 基线 更正 .
它 是 自动的 , 和 然后 我们 需要 到 去 到 这 校准 .
在 校准 , 通常情况下 应用 材料 有 校准 样本 ,
尤其 每当 我们 有 一些
发达 技术 喜欢 铝 氧化物 .
但 在 我们的 案例 , 我们 是 涂层 制药 颗粒
和 我们的 过程 窗户 是 完全 不同的
从 我们的 应用 材料 核 技术 过程 窗户 为了 铝 氧化物 ,
因为 涂层 需要 到 是 兼容的 和 这 制药 颗粒 .
我们 是 涂层 这 粒子 , 在 这 相同的 时间 ,
我们 是 涂层 还 硅 晶圆 和 API 托盘
因为 XPS 不能 措施 颗粒 .
它 需求 一些 平面 基底 .
那 的 为什么 我们 是 存款 在 硅 晶圆 和 API 托盘 .
自从 我们 大学教师 't 有 校准 样本 , 我们 是 使用 这 第二 选项
为了 校准 喜欢 碳 顶峰 校准 .
左边 -手 边 图片 , 你 能 看 碳 顶峰 校准
和 它 是 手动 需要 到 做 它，
和 那 的 为什么 它 影响 在 这 可重复性 .
然后 后 校准 , 我们 需要 到 做 XPS 民意调查
或者 高的 解决 扫描 到 得到 这 光谱。
在 这 光谱 ， 你 能 看 氧 顶峰， 铝 顶峰 .
自从 我们 需要 到 做 手动的 校准 和 我们 有 自动的 基线 更正 ,
这 能 影响 错误 在 重复性 和 可重复性 .
下一个 , 我们 需要 到 做 分析 . 分析 是 顶峰 配件 .
我们 需要 到 合身 这 顶峰 和 然后 我们 能 测量 .
从 顶峰 区域 , 我们 能 计算 这 氧 铝 百分比 .
自从 它 是 半 自动的 , 它 能 添加 错误 在 这 可重复性 .
经过 XPS 测量 , 我们 是 计算 O /Al 比率
和 我们的 顾客 规格 限制 是 1 .2 -2 .3 .
下一个 , 我们 将要 讲话 关于 这 原因 和 影响 图表 ,
MSA 原因 和 影响 图表 .
在 MSA 原因 和 影响 图表 , 我们 做过 一些 详细的 分析，
和 我们 成立 一些 一 它 能 影响 在 这 测量 休息与恢复 .
我们 突出显示 还 主要的 一个 喜欢 电子 计数 ,
校准 分析 , 我们 谈话 在 这 早些时候 滑动 .
现在 我们 '关于 添加 其他 一 , 它 的 样本 加载中 ,
如何 它 是 额外 错误 在 这 测量 休息与恢复 .
样本 加载中 , 我们 需要 到 做 它 . 它 的 不是 自动的 , 它 是 不是 满的 晶圆 .
我们 是 正在做 和 优惠券 晶圆 , 所以 我们 需要 到 地方 这 优惠券 .
如果 它 是 地点 a 小的 少量 不同的 或者 角度 是 小的 少量 不同的 ,
然后 它 能 影响 在 这 测量 .
这 是 影响 在 可重复性 .
全部 其他 主要的 一 影响 我们 已经 讨论 在 这 以前的 幻灯片 .
其他 一 是 这 样本 . 它 取决于 在 这 过程 .
为了 这 推介会 , 它 是 出去 的 范围 .
我们 将要 讲话 关于 这些 四 在 这 推介会 .
下一个 , 我们的 样本 收藏 计划 .
为了 我们的 样本 收藏 , 我们 使用 六 样品 为了 MSA 分析 ,
和 为了 这些 六 样品 我们 有 四 复制品 .
这里 你 能 看 这些 四 复制品 .
我们 措施 那些 样品 在 二 网站 .
自从 我们 有 这 四 复制品 , 我们 是 测量 那些 按顺序 .
是 它 可能的 那 如果 样品 是 退化的
然后 样本 降解 可以 是 a 风险 ?
我们 将要 讲话 关于 这 风险 之后 在 更多的 细节 .
我们的 预期的 结果 喜欢 那 我们 需要 到 寻找 出去 XPS 方法
是 足够的 到 区分 过程 变化 .
还 ， 你 喜欢 到 测量 喜欢 那
每当 我们 是 测量 二 网站 那 有 相似的 结果 .
还 ， 我们 喜欢 到 测量 喜欢 那 样本 或者 部分 是 不是 互动 和 这 地点 .
现在 我们 需要 到 做 这 MSA 设计 .
在 MSA 设计 , 我们 是 使用 基底 和 地点 在 这 成本 因素 .
这 是 这 地点 , 这 是 这 部分 , 和 我们 有 还 二 不同的 基底 .
我们 提及 它 前 , API 调色板 和 硅 晶圆 .
S 数字 是 硅 晶圆 , A 数字 是 API 调色板 .
我们 '二 不是 是 有能力的 到 使用 实际上 完全地 随机 选项
和 我们 使用 第一的 重复 .
为了 第一的 重复 选项 ,
这里 我们 是 不是 变化 这 样本 复制 数字 .
那 可以 影响 在 样本 降解 问题 .
那 的 为什么 之后 在 我们 将要 比较 第一的 和 第四 复制
到 查看 这 采样 风险 .
为了 这 MSA 分析 ,
我们 按顺序 使用 一些 JMP 应用程序 从 JMP 平台 .
我们 使用 数据 分配 的 MSA 样品 .
那 是 从 描述性的 推断 统计数据 应用 .
它 是 从 分配 合身 Y 经过 X .
然后 我们 查看 这 数据 变异性 使用 控制 图表 和 一 -方式 方差分析 .
然后 我们 分析 测量 休息与恢复 成分 .
它 是 从 这 变异性 图表 .
然后 我们 'd 喜欢 到 测量 喜欢 那 什么 是 这 关系
和 过程 能力 和 测量 休息与恢复 .
那 我们 能 寻找 出去 喜欢 那 , 跨班级 相关性 相对 P /T 阴谋 .
下一个 ， 我们 做过 这 根 原因 分析 到 计划 为了 改善 这 GRR .
我们 将要 寻找 出去 什么 是 这 GRR 主要的 错误
和 如何 我们 能 寻找 出去 .
那 我们 是 使用 为了 盒子 阴谋 , 密度 椭圆 ,
匹配 对 , 和 合身 线
那 是 不同的 平台 的 JMP 平台 .
让 的 开始 和 这 数据 分配 .
我们 发达 过程 最初 在 这 二 规格 限制 ,
上 规格 限制 和 降低 规格 限制 .
在 上 规格 限制 , 我们 有 二 样品 , 二 部分 和 四 复制品 .
全部 是 测量 二 网站 ,
和 我们 已经 提及 我们 做过 这 第一的 重复 .
相似地 , 在 这 降低 规格 限制 , 还 我们 有 四 部分 ,
四 复制品 和 二 网站 .
自从 我们 做过 这 过程 发展 在 这 二 结尾 的 这 规格 限制 ,
那 的 为什么 我们 能 看 那 我们的 分配 是 双峰 .
完全 双峰 分配 .
问题 的 双峰 分配 , 它 能 影响 在 这 GRR 成分 .
它 能 影响 在 P /电视 比率 ,
它 能 影响 在 P /PV 比率 和 错误分类 .
自从 P /T 比率 是 不是 有关的 和 ...
它 是 不是 依赖 和 这 部分 , 那 是 这 原因 P /T 比率
它 的 不是 影响 经过 这 样本 分配 .
那 的 为什么 我们 将要 是 用过的 在 我们的 下列的 幻灯片 .
我们的 数字 的 优点 我们 是 使用 作为 a P /T 比率 .
为了 错误分类 概率 , 那里 是 五 概率 .
最后的 三 , 它 可以 是 受影响 经过 这 样本 分配 更多的 ,
和 第一的 二 是 较少的 受影响 .
到 最小化 这 风险 , 再次 ,
我们 是 聚焦 在 这 P /T 比率 作为 a 数字 的 优点 .
在 这 下一个 时间 , 我们的 计划 到 做 MSA 分析
使用 制服 样本 分配 .
让 的 查看 现在 这 变异性 的 数据 .
这里 我们 能 看 那 我们 使用 I -先生 图表 ,
个人 移动 范围 图表 , 和 我们 锯 那 许多 数据 积分
是 外部 这 控制 限制 在 这 上 图表 ,
和 在 这 降低 移动 范围图 ,
我们 锯 那 三 数据 观点 是 外部 这 控制 限制 ,
和 那 这些 三 数据 积分 , 它 是 突然 转移 .
它 是 突然 转移 , 它 的 不是 入住 那里 , 它 是 去 后退 .
它 方法 它 是 这 类型 二 转移
和 那里 是 a 混合物 的 常见的 原因 变化
和 特别的 原因 变化 在 这 控制 图表 .
那 的 这 原因 这里 控制 限制 是 无意义的 .
我们 需要 到 分组 和 特别的 原因
和 然后 仅有的 我们 能 考虑 这 控制 限制 .
现在 我们 喜欢 到 寻找 出去 什么 是 这 特别的 原因 .
第一的 我们 将要 查看 如果 部分 变化 可以 是 a 特别的 原因 .
我们 做过 它 使用 这 一 -方式 方差分析 和 在 一 -方式 方差分析 ,
我们 能 看 那里 是 a 变化 的 这 样品 .
我们 做过 这 过程 靠近 上 规格 限制 和 我们 做过 这 过程 降低 规格 限制 .
那 的 为什么 样品 是 不同的 .
那 还 我们 成立 经过 一 -方式 方差分析 , 和 这里 我们 能 看 那
之内 变化 是 非常 小的 比较的 到 部分 变化 ,
和 还 经过 分析 的 方差 是 显示 喜欢 那 .
这里 我们的 假设 是 全部 部分 是 相同的 ,
但 它 是 拒绝 这 假设 因为 P -价值 是 较少的 比 0 0.05 .
它 的 讲述 我们 它 是 显著地 不同的 .
那 方法 部分 变化 是 a 特别的 原因 ,
所以 我们 能 使用 作为 a 候选人 为了 分组 .
再次 , 相似地 我们 查看 和 这 地点 变化 如果 它 是 a 特别的 原因 或者 不是 .
我们 考虑 二 网站 测量 靠近 上 规格 限制
作为 出色地 作为 靠近 降低 规格 限制 .
我们 锯 那 这里 我们的 假设 是 二 网站 是 测量 相似的，
和 我们 成立 那 它是 P -价值 是 更高 比 0 0.05 .
为了 上 规格 限制 ,
那里 是 不 证据 那 我们 能 拒绝 这 假设 .
它 是 相似的 , 在 这 其他 手 , 为了 降低 规格 限制 .
它 是 略微 拒绝 因为 它 是 较少的 比 0 0.05 .
为了 地点 变化 , 任何一个 它 是 略微 拒绝
或者 那里 是 不 证据 到 拒绝 .
那 的 为什么 地点 变化 是 不是 a 好的 候选人
和 部分 变化 是 这 更好的 候选人 .
什么 我们 做过 下一个 , 我们 制作 我们的 控制 图表 再次 和 阶段 选项 和 A 这里 ,
抽样 部分 在 a 不同的 阶段 .
什么时候 我们 做 它 , 我们 锯 那 在 a 移动 范围 图表 ,
我们 成立 改变 在 这 变化 在 这 测量 在 这 移动 范围 ,
和 那 计算 这 控制 限制 为了 这 底部 图表 和 这 上 图表 .
现在 我们 锯 那 全部 这 积分 ,
全部 这 测量 积分 是 里面 这 控制 限制 .
这些 是 这 变体 的 每个 样本 . 它 是 这 重复性 .
什么时候 我们 考虑 地点 A 和 地点 B ,
和 我们 锯 还 地点 B 有 还 重复性 .
但 比较的 到 地点 A 和 地点 B , 那里 是 一些 变化 的 重复性 .
那 是 称为 可重复性 .
现在 我们 计算 这 测量 休息与恢复 , 全部 这 成分 在 这 下一个 滑动 ,
和 我们 '二 寻找 出去 什么 是 这 占据主导地位 错误 在 测量 休息与恢复 .
第一的 ， 我们 做过 主要的 影响 .
我们 没 't 考虑 为了 这 主要的 影响 部分 和 地点 变化 相互作用 ,
所以 仅有的 这 主要的 影响 .
这里 , 我们 锯 这 重复性 , 可重复性 .
重复性 是 22 % 和 可重复性 是 15 %。
I 已经 提及 作为 a 测量 休息与恢复 , 我们 是 考虑 P /T 比率
因为 我们的 样本 分配 是 双峰 ,
和 我们 锯 那 P /T 比率 是 26 %。
它 是 通过了 , 它 是 较少的 比 30 %。
它 是 略微 通过了 ， 和 主要的 错误 是 22 % 重复性 .
一 更多的 事物 I 应该 提到 这里 , 我们 是 考虑 P /T 比率
但 P /电视 或者 P /PV 比率 是 非常 关闭 为了 我们的 测量 案例
因为 我们的 样本 分配 是 双峰 和 在 这 二 结尾 的 这 规格 限制 .
那 是 这 原因 这 比率 T 或者 电视 是 非常 关闭 或者 光伏 是 非常 关闭 .
那 是 这 原因 我们 有 这 测量 休息与恢复 .
这 数字 的 优点 是 非常 关闭 .
还 ， 我 应该 提到 这里 类型 I 错误 阿尔法 和 类型 二 错误 测试版 .
类型 I 错误 , 全部 我们的 数据 积分 之内 这 控制 限制 .
那 的 这 原因 我们的 类型 I 错误 好的 部分 是 错误地 拒绝 .
它 的 非常 小的 . 它 是 较少的 比 6 %。
在 这 其他 手 , 类型 二 错误 , 它 是 6 %。 它 是 失败的 .
它 是 更多的 比 10 %。
为什么 类型 二 错误 是 更高 ?
我们的 重复性 是 这 主要的 问题 .
每当 我们 是 测量 这 样品 , 它 是 之内 这 规格 限制 .
但 它 是 可能的 喜欢 那 每当 a 顾客 是 测量 它 .
它 可以 是 超过 这 规格 限制 因为 重复性 是 高的 这里 .
在 这 观点 , 自从 我们 是 发展 这 产品 ,
我们 是 在 这 最初的 可行性 查看 阶段 .
顾客 是 快乐的 和 这 测试版 类型 二 错误 ,
但 我们 有 选项 .
如果 我们 能 提升 这 重复性 , 然后 它 能 提升 这 部分 还 .
在 这 其他 手 , 如果 我们 能 考虑 那 部分 和 地点 相互作用 ,
然后 我们 锯 那 部分 和 地点 相互作用 是 6 %。
不是 那 很多 ,
但 那里 是 a 小的 少量 相互作用。
和 什么时候 我们 没 't 考虑 这 相互作用 在 这 主要的 影响 模式 ,
然后 这 相互作用 是 额外 在 这 重复性 .
那 的 为什么 我们 成立 那 每当 我们 是 考虑 这 交叉 影响 ,
我们 锯 重复性 小的 少量 递减
因为 我们的 相互作用 是 非常 小的 , 不是 那 很多 递减 .
自从 这 相互作用 是 非常 小的 ,
我们的 数字 的 优点 是 不是 变化 那 很多 .
它 是 变化 从 小的 少量 .
现在 从 这里 ,
我们 知道 那 我们的 占据主导地位 错误 是 重复性 .
前 去 关于 这 更多的 讨论 和 重复性 ,
第一的 其他 事物 I 会 喜欢 到 提到 ,
过程 能力 和 测量 休息与恢复 .
影响 的 测量 休息与恢复 在 这 过程 能力 .
这里 , 过程 能力 我们 是 绘制 在 国际商会 相对 P /T 阴谋 .
国际商会 是 这 部分 变化 到 全部的 变化
和 P /T 是 这 六 西格玛 测量 , 和 美国足球联赛 减 长链 .
我们 计算 从 这里 Cₚ , 和 在 我们的 案例 ,
在 我们的 过程 当前的 状况 , Cₚ 是 0 .93 .
它 是 较少的 比 一 .
它 是 在 这 红色的 区 , 和 我们 需要 到 去 Cₚ ...
为了 a 好的 过程 能力 , 我们 需要 到 去 之间 Cₚ 1 .33 -2 .
它 是 这 黄色的 区 .
到 提升 这 Cₚ , 什么 我们 需要 到 做 ?
在 这 部分 , 这 是 这 过程 部分
和 在 这 方向 , 它 是 这 测量 部分 .
过程 变异性 或者 部分 变异性 是 非常 高的 .
为了 我们的 测量 , 我们 锯 那 我们的 P /T 是 24 %。
如果 我们 会 喜欢 到 增加 , 如果 我们 会 喜欢 到 提升 这 P /T
从 24 到 认为 15 % 或者 10 %。 然后 我们 有 到 提升 30 % -50 %。
和 之内 那 , 我们的 重复性 是 这 主要的 问题 .
那 是 这 原因 我们 需要 到 提升 这 重复性 .
现在 它 是 问题 .
如果 我们 需要 到 提升 这 重复性 , 做 我们 需要 到 改变 我们的 测量 工具 ?
那 是 再次 取决于 在 这 投资回报率 那 是 问题 到 我们的 管理 等级 ,
或者 我们 能 地址 这 重复性 在 不同的 方式 .
那 的 为什么 我们 'd 喜欢 到 寻找 出去 这 根 原因 为什么 重复性 是 更高 .
这里 我们 是 考虑 变异性 图表 和 分析 的 方差 .
这里 我们 能 看 那 我们 阴谋 全部 这 样品 变异性 一起
和 地点 A 和 地点 B 测量 .
你 能 看 那 认为 , 为了 a 样本 A0 ,
这 是 这 测量 重复性 , 和 它 是 变化 .
这 重复性 是 变化 为了 全部 这 部分 .
还 重复性 是 变化 和 这 地点 到 地点
因为 这里 你 能 看 重复性 是 0 0.06 标准 偏差 ,
但 在 这些 案例 什么时候 他们 措施 他们的 重复性 是 0 0.03 .
那 是 这 原因 这 重复性 是 变化
和 部分 到 部分 还 地点 到 地点 .
每当 它 是 变化 和 地点 到 地点 ,
它 的 称为 可重复性 .
这里 如果 你 能 考虑 这 分析 的 方差 ,
然后 我们 能 看 那 地点 到 地点 变化 是 很多 较小的
比 之内 变化 .
这 是 这 重复性 , 之内 变化 , 和 地点 到 地点 .
地点 到 地点 变化 , 它 是 可重复性 , 它 的 很多 较小的 .
重复性 再次 从 这里 还 我们 寻找 出去 那 它 是 这 大 问题 .
现在 在 这 下一个 到 寻找 出去 这 根 原因 ,
我们 绘制 全部 这 重复性 边 经过 边 一起 ,
和 为了 两个都 这 案例 , 美国足球联赛 , 上 规格 限制 和 降低 规格 限制 ,
和 全部 这 案例 我们 成立 那 它是 重复性 是 不同的 .
下一个 我们 喜欢 到 相关 或者 寻找 出去 任何 关系
如果 它 是 展示 地点 A 和 地点 B 测量 .
理想情况下 , 地点 A 测量 将要 平等的 到 地点 B 测量 应该 是 .
但 在 我们的 案例 , 我们 做过 一些 线性 合身 和 我们 成立 那 我们 有 截距
作为 出色地 作为 我们 有 线性 合身 坡 , 它 是 不是 一 , 它 是 不是 零 .
这里 我们 成立 那 线性 坡 是 较少的 比 0 .4
和 截距 是 更高 比 0 .9 .
我们的 配件 积分 是 分布式 广泛 .
那 的 这 原因 我们的 R -平方 是 还 贫穷的 .
我们 还 做过 这 密度 椭圆
和 密度 椭圆 还 讲述 那 这 相关性 是 较少的 比 0 0.5 .
如果 他们 有 a 非常 好的 相关性 关系 ,
然后 它 应该 是 0 .9 .
如果 它 是 0 0.6 , 然后 它 将要 是 中等程度 相关 .
但 在 我们的 案例 , 它 的 不是 那 .
那 的 为什么 我们 知道 那 地点 A 测量 是 不是 地点 B 测量 .
它 的 这 重复性 受影响 在 这 可重复性 .
问题 的 重复性 是 受影响 在 这 可重复性 .
现在 我们 查看 更多的 密切 如何 它 是 不同的 .
我们 是 比较 经过 匹配 一对 这 地点 A 和 地点 B 变化 .
这里 我们的 假设 是 地点 A 平等的 到 地点 B ,
那 方法 地点 A 减 地点 B 平等的 到 零 .
我们 锯 那 我们的 可能性 为了 这 假设 ,
地点 A 减 地点 B 平等的 到 零 , 是 较少的 比 0 0.05 在 两个都 这 案例 .
它 是 上 规格 限制 和 降低 规格 .
两个都 这 案例 你 能 看 那 它 是 可能性 是 较少的 比 0 0.05 .
那 方法 地点 A 和 地点 B 测量 是 不同的 ,
和 你 能 看 我们的 不同之处 的 意思是 价值
和 信心 间隔 是 多于 这 零 观点 线 .
那 方法 尽管 这 是
地点 A 测量 是 总是 更高 为了 地点 B 测量 .
现在 从 这里 , 我们的 问题 出现 , 自从 我们 做过 这 第一的 重复 分析
为了 我们的 MSA 设计 是 第一的 重复 , 它 可以 是 可能的 喜欢 那
如果 样品 是 退化的 , 喜欢 O /Al 作品 是 退化的 .
那 的 为什么 我们 做过 再次 匹配 一对 测试
和 第一的 和 第四 测量
两个都 在 地点 A 和 地点 B 为了 全部 六 样品 ,
和 我们 成立 那 这里 ,
第一的 测量 减 第四 测量 等于 零 .
那 是 我们的 假设 .
我们 锯 那 P -价值 是 更高 比 0 0.05 两个都 这 案例 .
那 方法 我们的 样本 降解 是 不是 一个 问题 .
第一的 样本 , 那里 是 不 证据 .
第一的 测量 和 第四 测量 是 不同的 .
那 方法 它 是 这 测量 问题 .
为了 那 , 这 是 总结 在 这 仪表板 桌子 ,
在 这 仪表板 , 喜欢 我们的 数字 的 优点
为了 测量 休息与恢复 24 % 和 重复性 是 21 %
和 那 重复性 是 变化 从 部分 到 部分 和 地点 到 地点 ,
和 我们 有 总是 更高 重复性 为了 地点 A 比较的 到 这 地点 B .
现在 为了 我们的 下一个 计划 ,
我们 计划 为了 a 讨论 每个 地点 作为 出色地 作为 和 这 过程 团队 .
地点 有 a 问题 喜欢 重复性 作为 出色地 部分 -地点 相互作用 .
我们 知道 那 什么 错误 可以 是 介绍 在 这 测量
喜欢 背景 /基线 更正 , 电子 计数 , 顶峰 反卷积 .
我们 '二 讨论 那些 方法 来源 的 错误 和 地点 A 人 ,
地点 A 设施 , 和 我们 将要 寻找 出去
如何 我们 能 做 这 精简 过程 为了 提升 我们的 MSA .
还 我们 有 a 计划 放 向上 a 校准 样本
或者 我们 能 放 向上 a 放 向上 样本
那 我们 能 措施 在 常规的 间隔 在 这 两个都 网站 .
在 这 其他 手 , 和 这 过程 团队 , 我们 '二 讲话 到 提升 MSA 下一个 时间
到 MSA 数据 收藏 制服 .
反而 的 双峰 , 我们 应该 收集 这 数据 均匀地 .
然后 还 我们 锯 部分 到 部分 重复性 变化 .
那里 是 一 原因 它 可以 是 测量 问题 .
其他 原因 可以 是 过程 是 不是 制服 .
我们 需要 到 证实 我们的 热的 数学 到 查看 我们的 过程 均匀性 .
最后 , I 会 喜欢 到 提到 那 什么 是 这 影响
在 我的 学习 为了 这 MSA 分析 .
现在 我们 知道 那 一些 JMP 平台 或者 JMP 应用 能 帮助 我 到 知道
什么 是 这 信号 变化 从 这 噪音 变化 ,
和 然后 我们 能 确认 什么 数字 的 优点 我们 能 使用
到 证明合法 我们的 测量 方法 .
在 我们的 案例 , 我们 成立 P /T 是 这 最好的 方法 ,
最好的 数字 的 优点 到 分析 它 .
然后 如何 错误分类 风险 能 涉及 到 这 MSA 成分
作为 出色地 作为 样本 分配 那 我们 学习 .
根 原因 分析 , 我们 做过 一些 JMP 应用
那 能 帮助 我们 到 计划 到 改善 MSA .
自从 它 是 非常 有帮助 为了 特别的 程序 应用 ,
那 的 为什么 I 会 喜欢 到 介绍
这 数据 驱动 决定 制作 为了 全部 这 程序 I 涉及 在
到 提升 这 项目 质量 , 成本 , 和 时间 .
最后 , I 会 喜欢 到 推动 数据 驱动 决定 使用 JMP
在 我们的 先进的 技术 团体 喜欢 首席技术官 团队 ,
或者 其他 不同的 项目 .
这 是 我的 最终的 滑动 .
I 会 喜欢 到 提到 我的 旅行 .
I 开始 JMP 学习 开始 的 这 年 ,
和 那 时间 我们 做过 A0 , A1 , A2 . 这 是 我的 基础 .
然后 后 I 工作 和 MSA 分析 和 战略规划委员会 .
I 还 得到 我的 证书 , JMP 节拍 证书 可能 2023 .
现在 I 是 讲师 在 极端 JMP 讲师 .
I 我 规划 到 在 人 推介会 在 十月 2023 ,
和 还 I 是 在职的 为了 我的 黑色的 腰带 在 2024 .
感谢 你 为了 聆听 .
