你好
.
好的 早晨 , 每個人 . 好的 晚上 , 每個人 .
I 我 旋轉 查特吉 .
前 開始 我的 推介會 ,
I 會 喜歡 到 介紹 我 和 很少 字 .
I 我 旋轉 查特吉 從 首席技術長 團隊 的 應用 材料 .
它 是 先進的 科技 團隊 ， 和 我們的 團隊 目標 是 到 發展 產品
鄰近的 到 這 半 產業 或者 外部 這 半 產業 .
為了 例子 , 我們 是 在職的 為了 航太 產業 ,
藥物 產業 , 或者 工業的 塗層 .
這 例子 , 展示 例子 ,
我們 是 採取 從 這 藥物 產業 .
我的 話題 的 這 推介會 今天。
測量 休息與恢復 的 X -射線 光電子 光譜學 到 監視器 a 塗層 流程 .
議程 的 我的 演講 今天。
第一的， 我們 將要 演講 關於 這 背景 和 問題 陳述 ,
然後 我們 將要 討論 關於 這 手術 定義 和 數據 收藏 計劃 .
下一個 , MSA 成分 分析 .
最後 我們 '二 演講 關於 這 計劃 為了 MSA 成分 改進 .
讓 的 開始 和 這 背景 .
在 這 藥物 產業 ， 在 治療 視窗 , 治療 區域 ,
那裡 是 , 為了 例子 , 抗生素 藥物 , 酒精 癮 或者 癌症 病人 ,
他們 需要 每天 注射 因為 藥物 等級 在 這 血
是 當然 增加 , 尖峰 在 這 血 ,
和 然後 之內 短的 時間 , 之內 a 很少 小時 ,
它 是 去 超過 這 治療 窗戶 限制 .
那 的 為什麼 他們 需要 每天 注射 和 它 是 痛苦 .
它 原因 一些 邊 影響 ,
那 的 為什麼 病人 跳過 這 藥物 或者 停止 這 藥物 .
到 解決 這 問題 ,
我們的 顧客 需求 一些 方法 到 裁縫 這 發布 的 藥物 .
我們的 團隊 發達 a 障礙 層 , 鋁 氧化物 障礙 層 ,
那 表格 a 殼 大約 這 藥物 顆粒 .
特性 的 這 障礙 層
能 控制 這 發布 的 這 藥物 在 這 血 .
甚至 它 是 可能的 喜歡 那 ,
它 能 發布 很少 週 反而 的 很少 小時 .
這裡 , 我們 將要 演講 關於 這 作品 分析 ,
和 什麼 是 這 噪音 分析 的 這 作品 測量 ?
那 我們 將要 演講 這裡 .
我們的 問題 是 測量 的 氧化鋁 塗層 作品 .
我們的 規格 限制 , 顧客 規格 限制 , 是 O /Al 比率
在 這 鋁 氧化物 電影 是 1 .2 -2 .3 .
我們的 客觀的 這裡 到 決定 這 XPS 方法 如果 它 是 足夠的
到 區分 氧化鋁 流程 變化 .
我們 將要 決定 這裡 , 測量 休息與恢復 測量 錯誤
的 XPS 為了 氧化鋁 作品 分析 .
X -射線 光電子 光譜學 能 措施 定量地
原子 百分比 的 作品 .
它 能 措施 鋁 和 氧 百分比 .
XPS 實際上 措施 這 動力學 活力
的 光電子 發射 從 這 元素
和 它 計數 這 電子 .
每當 它 是 計數 這 電子 , 它 能 數數 這 在場 的 元素
和 也 它 計數 這 元素 哪個 是 紐帶 到 它 .
那 的 為什麼 我們 能 得到 這 資訊
關於 鋁 和 氧 在 這 鋁 氧化物 電影 .
最多 的 這 來源 的 錯誤 為了 XPS , 它 能 添加 它 在 測量 休息與恢復 .
它 能 可重複性 , 它 的 未來 從 這 校準 電子 數數 .
它 能 添加 重複性 和 可重複性 錯誤 .
分析 能 添加 可重複性 錯誤 .
我們 將要 演講 更多的 細節 這 一 在 這 下一個 滑動 .
在 我們的 手術 定義 , 我們 '二 演講 關於 這 不同的 步驟
的 這 XPS 測量 和 如何 它 能 介紹
這 錯誤 在 這 測量 錯誤 GRR , 測量 休息與恢復 錯誤 .
我們的 客觀的 措施 鋁 氧化物 塗層 作品 ,
和 到 措施 它 在 XPS , 第一的 我們 需要 到 做 基線 更正 .
它 是 自動的 , 和 然後 我們 需要 到 去 到 這 校準 .
在 校準 , 通常情況下 應用 材料 有 校準 樣本 ,
尤其 每當 我們 有 一些
發達 科技 喜歡 鋁 氧化物 .
但 在 我們的 案例 , 我們 是 塗層 製藥 顆粒
和 我們的 流程 窗戶 是 完全 不同的
從 我們的 應用 材料 核 科技 流程 窗戶 為了 鋁 氧化物 ,
因為 塗層 需要 到 是 相容的 和 這 製藥 顆粒 .
我們 是 塗層 這 粒子 , 在 這 相同的 時間 ,
我們 是 塗層 也 矽 晶圓 和 API 托盤
因為 XPS 不能 措施 顆粒 .
它 需求 一些 平面 基底 .
那 的 為什麼 我們 是 存款 在 矽 晶圓 和 API 托盤 .
自從 我們 大學教師 't 有 校準 樣本 , 我們 是 使用 這 第二 選項
為了 校準 喜歡 碳 頂峰 校準 .
左邊 -手 邊 圖片 , 你 能 看 碳 頂峰 校準
和 它 是 手動 需要 到 做 它，
和 那 的 為什麼 它 影響 在 這 可重複性 .
然後 後 校準 , 我們 需要 到 做 XPS 民調
或者 高的 解決 掃描 到 得到 這 光譜。
在 這 光譜 ， 你 能 看 氧 頂峰， 鋁 頂峰 .
自從 我們 需要 到 做 手動的 校準 和 我們 有 自動的 基線 更正 ,
這 能 影響 錯誤 在 重複性 和 可重複性 .
下一個 , 我們 需要 到 做 分析 . 分析 是 頂峰 配件 .
我們 需要 到 合身 這 頂峰 和 然後 我們 能 測量 .
從 頂峰 區域 , 我們 能 計算 這 氧 鋁 百分比 .
自從 它 是 半 自動的 , 它 能 添加 錯誤 在 這 可重複性 .
經過 XPS 測量 , 我們 是 計算 O /Al 比率
和 我們的 顧客 規格 限制 是 1 .2 -2 .3 .
下一個 , 我們 將要 演講 關於 這 原因 和 影響 圖表 ,
MSA 原因 和 影響 圖表 .
在 MSA 原因 和 影響 圖表 , 我們 做過 一些 詳細的 分析，
和 我們 成立 一些 一 它 能 影響 在 這 測量 休息與恢復 .
我們 突出顯示 也 主要的 一個 喜歡 電子 計數 ,
校準 分析 , 我們 談話 在 這 早些時候 滑動 .
現在 我們 '關於 添加 其他 一 , 它 的 樣本 載入中 ,
如何 它 是 額外 錯誤 在 這 測量 休息與恢復 .
樣本 載入中 , 我們 需要 到 做 它 . 它 的 不是 自動的 , 它 是 不是 滿的 晶圓 .
我們 是 正在做 和 優惠券 晶圓 , 所以 我們 需要 到 地方 這 優惠券 .
如果 它 是 地點 a 小的 位元 不同的 或者 角度 是 小的 位元 不同的 ,
然後 它 能 影響 在 這 測量 .
這 是 影響 在 可重複性 .
全部 其他 主要的 一 影響 我們 已經 討論 在 這 以前的 幻燈片 .
其他 一 是 這 樣本 . 它 取決於 在 這 流程 .
為了 這 推介會 , 它 是 出去 的 範圍 .
我們 將要 演講 關於 這些 四 在 這 推介會 .
下一個 , 我們的 樣本 收藏 計劃 .
為了 我們的 樣本 收藏 , 我們 使用 六 樣品 為了 MSA 分析 ,
和 為了 這些 六 樣品 我們 有 四 複製品 .
這裡 你 能 看 這些 四 複製品 .
我們 措施 那些 樣品 在 二 網站 .
自從 我們 有 這 四 複製品 , 我們 是 測量 那些 按順序 .
是 它 可能的 那 如果 樣品 是 退化的
然後 樣本 降解 可以 是 a 風險 ?
我們 將要 演講 關於 這 風險 之後 在 更多的 細節 .
我們的 預期的 結果 喜歡 那 我們 需要 到 尋找 出去 XPS 方法
是 足夠的 到 區分 流程 變化 .
也 ， 你 喜歡 到 測量 喜歡 那
每當 我們 是 測量 二 網站 那 有 相似的 結果 .
也 ， 我們 喜歡 到 測量 喜歡 那 樣本 或者 部分 是 不是 互動 和 這 地點 .
現在 我們 需要 到 做 這 MSA 設計 .
在 MSA 設計 , 我們 是 使用 基底 和 地點 在 這 成本 因素 .
這 是 這 地點 , 這 是 這 部分 , 和 我們 有 也 二 不同的 基底 .
我們 提及 它 前 , API 調色盤 和 矽 晶圓 .
S 數位 是 矽 晶圓 , A 數位 是 API 調色盤 .
我們 '二 不是 是 有能力的 到 使用 實際上 完全地 隨機 選項
和 我們 使用 第一的 重複 .
為了 第一的 重複 選項 ,
這裡 我們 是 不是 變化 這 樣本 複製 數位 .
那 可以 影響 在 樣本 降解 問題 .
那 的 為什麼 之後 在 我們 將要 比較 第一的 和 第四 複製
到 查看 這 取樣 風險 .
為了 這 MSA 分析 ,
我們 按順序 使用 一些 JMP 應用程式 從 JMP 平台 .
我們 使用 數據 分配 的 MSA 樣品 .
那 是 從 描述性的 推論 統計數據 應用 .
它 是 從 分配 合身 Y 經過 X .
然後 我們 查看 這 數據 變異性 使用 控制 圖表 和 一 -方式 變異數分析 .
然後 我們 分析 測量 休息與恢復 成分 .
它 是 從 這 變異性 圖表 .
然後 我們 'd 喜歡 到 測量 喜歡 那 什麼 是 這 關係
和 流程 能力 和 測量 休息與恢復 .
那 我們 能 尋找 出去 喜歡 那 , 跨班級 相關性 相對 P /T 陰謀 .
下一個 ， 我們 做過 這 根 原因 分析 到 計劃 為了 改善 這 GRR .
我們 將要 尋找 出去 什麼 是 這 GRR 主要的 錯誤
和 如何 我們 能 尋找 出去 .
那 我們 是 使用 為了 盒子 陰謀 , 密度 橢圓 ,
匹配 對 , 和 合身 線
那 是 不同的 平台 的 JMP 平台 .
讓 的 開始 和 這 數據 分配 .
我們 發達 流程 最初 在 這 二 規格 限制 ,
上 規格 限制 和 降低 規格 限制 .
在 上 規格 限制 , 我們 有 二 樣品 , 二 部分 和 四 複製品 .
全部 是 測量 二 網站 ,
和 我們 已經 提及 我們 做過 這 第一的 重複 .
相似地 , 在 這 降低 規格 限制 , 也 我們 有 四 部分 ,
四 複製品 和 二 網站 .
自從 我們 做過 這 流程 發展 在 這 二 結尾 的 這 規格 限制 ,
那 的 為什麼 我們 能 看 那 我們的 分配 是 雙峰 .
完全 雙峰 分配 .
問題 的 雙峰 分配 , 它 能 影響 在 這 GRR 成分 .
它 能 影響 在 P /電視 比率 ,
它 能 影響 在 P /PV 比率 和 錯誤分類 .
自從 P /T 比率 是 不是 有關的 和 ……
它 是 不是 依賴 和 這 部分 , 那 是 這 原因 P /T 比率
它 的 不是 影響 經過 這 樣本 分配 .
那 的 為什麼 我們 將要 是 用過的 在 我們的 下列的 幻燈片 .
我們的 數位 的 優點 我們 是 使用 作為 a P /T 比率 .
為了 錯誤分類 機率 , 那裡 是 五 機率 .
最後的 三 , 它 可以 是 受影響 經過 這 樣本 分配 更多的 ,
和 第一的 二 是 較少的 受影響 .
到 最小化 這 風險 , 再次 ,
我們 是 聚焦 在 這 P /T 比率 作為 a 數位 的 優點 .
在 這 下一個 時間 , 我們的 計劃 到 做 MSA 分析
使用 制服 樣本 分配 .
讓 的 查看 現在 這 變異性 的 數據 .
這裡 我們 能 看 那 我們 使用 I -先生 圖表 ,
個人 移動 範圍 圖表 , 和 我們 鋸 那 許多 數據 積分
是 外部 這 控制 限制 在 這 上 圖表 ,
和 在 這 降低 移動 範圍圖 ,
我們 鋸 那 三 數據 觀點 是 外部 這 控制 限制 ,
和 那 這些 三 數據 積分 , 它 是 突然 轉移 .
它 是 突然 轉移 , 它 的 不是 入住 那裡 , 它 是 去 後退 .
它 方法 它 是 這 類型 二 轉移
和 那裡 是 a 混合物 的 常見的 原因 變化
和 特別的 原因 變化 在 這 控制 圖表 .
那 的 這 原因 這裡 控制 限制 是 無意義的 .
我們 需要 到 分組 和 特別的 原因
和 然後 僅有的 我們 能 考慮 這 控制 限制 .
現在 我們 喜歡 到 尋找 出去 什麼 是 這 特別的 原因 .
第一的 我們 將要 查看 如果 部分 變化 可以 是 a 特別的 原因 .
我們 做過 它 使用 這 一 -方式 變異數分析 和 在 一 -方式 變異數分析 ,
我們 能 看 那裡 是 a 變化 的 這 樣品 .
我們 做過 這 流程 靠近 上 規格 限制 和 我們 做過 這 流程 降低 規格 限制 .
那 的 為什麼 樣品 是 不同的 .
那 也 我們 成立 經過 一 -方式 變異數分析 , 和 這裡 我們 能 看 那
之內 變化 是 非常 小的 比較的 到 部分 變化 ,
和 也 經過 分析 的 變異數 是 顯示 喜歡 那 .
這裡 我們的 假設 是 全部 部分 是 相同的 ,
但 它 是 拒絕 這 假設 因為 P -價值 是 較少的 比 0 0.05 .
它 的 講述 我們 它 是 顯著地 不同的 .
那 方法 部分 變化 是 a 特別的 原因 ,
所以 我們 能 使用 作為 a 候選人 為了 分組 .
再次 , 相似地 我們 查看 和 這 地點 變化 如果 它 是 a 特別的 原因 或者 不是 .
我們 考慮 二 網站 測量 靠近 上 規格 限制
作為 出色地 作為 靠近 降低 規格 限制 .
我們 鋸 那 這裡 我們的 假設 是 二 網站 是 測量 相似的，
和 我們 成立 那 它是 P -價值 是 更高 比 0 0.05 .
為了 上 規格 限制 ,
那裡 是 不 證據 那 我們 能 拒絕 這 假設 .
它 是 相似的 , 在 這 其他 手 , 為了 降低 規格 限制 .
它 是 略 拒絕 因為 它 是 較少的 比 0 0.05 .
為了 地點 變化 , 任何一個 它 是 略 拒絕
或者 那裡 是 不 證據 到 拒絕 .
那 的 為什麼 地點 變化 是 不是 a 好的 候選人
和 部分 變化 是 這 更好的 候選人 .
什麼 我們 做過 下一個 , 我們 製作 我們的 控制 圖表 再次 和 階段 選項 和 A 這裡 ,
抽樣 部分 在 a 不同的 階段 .
什麼時候 我們 做 它 , 我們 鋸 那 在 a 移動 範圍 圖表 ,
我們 成立 改變 在 這 變化 在 這 測量 在 這 移動 範圍 ,
和 那 計算 這 控制 限制 為了 這 底部 圖表 和 這 上 圖表 .
現在 我們 鋸 那 全部 這 積分 ,
全部 這 測量 積分 是 裡面 這 控制 限制 .
這些 是 這 變體 的 每個 樣本 . 它 是 這 重複性 .
什麼時候 我們 考慮 地點 A 和 地點 B ,
和 我們 鋸 也 地點 B 有 也 重複性 .
但 比較的 到 地點 A 和 地點 B , 那裡 是 一些 變化 的 重複性 .
那 是 稱為 可重複性 .
現在 我們 計算 這 測量 休息與恢復 , 全部 這 成分 在 這 下一個 滑動 ,
和 我們 '二 尋找 出去 什麼 是 這 佔據主導地位 錯誤 在 測量 休息與恢復 .
第一的 ， 我們 做過 主要的 影響 .
我們 沒 't 考慮 為了 這 主要的 影響 部分 和 地點 變化 交互作用 ,
所以 僅有的 這 主要的 影響 .
這裡 , 我們 鋸 這 重複性 , 可重複性 .
重複性 是 22 % 和 可重複性 是 15 %。
I 已經 提及 作為 a 測量 休息與恢復 , 我們 是 考慮 P /T 比率
因為 我們的 樣本 分配 是 雙峰 ,
和 我們 鋸 那 P /T 比率 是 26 %。
它 是 通過了 , 它 是 較少的 比 30 %。
它 是 略 通過了 ， 和 主要的 錯誤 是 22 % 重複性 .
一 更多的 事物 I 應該 提到 這裡 , 我們 是 考慮 P /T 比率
但 P /電視 或者 P /PV 比率 是 非常 關閉 為了 我們的 測量 案例
因為 我們的 樣本 分配 是 雙峰 和 在 這 二 結尾 的 這 規格 限制 .
那 是 這 原因 這 比率 T 或者 電視 是 非常 關閉 或者 光電 是 非常 關閉 .
那 是 這 原因 我們 有 這 測量 休息與恢復 .
這 數位 的 優點 是 非常 關閉 .
也 ， 我 應該 提到 這裡 類型 I 錯誤 阿爾法 和 類型 二 錯誤 測試版 .
類型 I 錯誤 , 全部 我們的 數據 積分 之內 這 控制 限制 .
那 的 這 原因 我們的 類型 I 錯誤 好的 部分 是 錯誤地 拒絕 .
它 的 非常 小的 . 它 是 較少的 比 6 %。
在 這 其他 手 , 類型 二 錯誤 , 它 是 6 %。 它 是 失敗的 .
它 是 更多的 比 10 %。
為什麼 類型 二 錯誤 是 更高 ?
我們的 重複性 是 這 主要的 問題 .
每當 我們 是 測量 這 樣品 , 它 是 之內 這 規格 限制 .
但 它 是 可能的 喜歡 那 每當 a 顧客 是 測量 它 .
它 可以 是 超過 這 規格 限制 因為 重複性 是 高的 這裡 .
在 這 觀點 , 自從 我們 是 發展 這 產品 ,
我們 是 在 這 最初的 可行性 查看 階段 .
顧客 是 快樂的 和 這 測試版 類型 二 錯誤 ,
但 我們 有 選項 .
如果 我們 能 提升 這 重複性 , 然後 它 能 提升 這 部分 也 .
在 這 其他 手 , 如果 我們 能 考慮 那 部分 和 地點 交互作用 ,
然後 我們 鋸 那 部分 和 地點 交互作用 是 6 %。
不是 那 很多 ,
但 那裡 是 a 小的 位元 相互作用。
和 什麼時候 我們 沒 't 考慮 這 交互作用 在 這 主要的 影響 模式 ,
然後 這 交互作用 是 額外 在 這 重複性 .
那 的 為什麼 我們 成立 那 每當 我們 是 考慮 這 交叉 影響 ,
我們 鋸 重複性 小的 位元 遞減
因為 我們的 交互作用 是 非常 小的 , 不是 那 很多 遞減 .
自從 這 交互作用 是 非常 小的 ,
我們的 數位 的 優點 是 不是 變化 那 很多 .
它 是 變化 從 小的 位元 .
現在 從 這裡 ,
我們 知道 那 我們的 佔據主導地位 錯誤 是 重複性 .
前 去 關於 這 更多的 討論 和 重複性 ,
第一的 其他 事物 I 會 喜歡 到 提到 ,
流程 能力 和 測量 休息與恢復 .
影響 的 測量 休息與恢復 在 這 流程 能力 .
這裡 , 流程 能力 我們 是 繪製 在 國際商會 相對 P /T 陰謀 .
國際商會 是 這 部分 變化 到 全部的 變化
和 P /T 是 這 六 西格瑪 測量 , 和 美國足球聯賽 減 長鏈 .
我們 計算 從 這裡 Cₚ , 和 在 我們的 案例 ,
在 我們的 流程 目前的 狀態 , Cₚ 是 0 .93 .
它 是 較少的 比 一 .
它 是 在 這 紅色的 區 , 和 我們 需要 到 去 Cₚ ……
為了 a 好的 流程 能力 , 我們 需要 到 去 之間 Cₚ 1 .33 -2 .
它 是 這 黃色的 區 .
到 提升 這 Cₚ , 什麼 我們 需要 到 做 ?
在 這 部分 , 這 是 這 流程 部分
和 在 這 方向 , 它 是 這 測量 部分 .
流程 變異性 或者 部分 變異性 是 非常 高的 .
為了 我們的 測量 , 我們 鋸 那 我們的 P /T 是 24 %。
如果 我們 會 喜歡 到 增加 , 如果 我們 會 喜歡 到 提升 這 P /T
從 24 到 認為 15 % 或者 10 %。 然後 我們 有 到 提升 30 % -50 %。
和 之內 那 , 我們的 重複性 是 這 主要的 問題 .
那 是 這 原因 我們 需要 到 提升 這 重複性 .
現在 它 是 問題 .
如果 我們 需要 到 提升 這 重複性 , 做 我們 需要 到 改變 我們的 測量 工具 ?
那 是 再次 取決於 在 這 投資報酬率 那 是 問題 到 我們的 管理 等級 ,
或者 我們 能 地址 這 重複性 在 不同的 方式 .
那 的 為什麼 我們 'd 喜歡 到 尋找 出去 這 根 原因 為什麼 重複性 是 更高 .
這裡 我們 是 考慮 變異性 圖表 和 分析 的 變異數 .
這裡 我們 能 看 那 我們 陰謀 全部 這 樣品 變異性 一起
和 地點 A 和 地點 B 測量 .
你 能 看 那 認為 , 為了 a 樣本 A0 ,
這 是 這 測量 重複性 , 和 它 是 變化 .
這 重複性 是 變化 為了 全部 這 部分 .
也 重複性 是 變化 和 這 地點 到 地點
因為 這裡 你 能 看 重複性 是 0 0.06 標準 偏差 ,
但 在 這些 案例 什麼時候 他們 措施 他們的 重複性 是 0 0.03 .
那 是 這 原因 這 重複性 是 變化
和 部分 到 部分 也 地點 到 地點 .
每當 它 是 變化 和 地點 到 地點 ,
它 的 稱為 可重複性 .
這裡 如果 你 能 考慮 這 分析 的 變異數 ,
然後 我們 能 看 那 地點 到 地點 變化 是 很多 較小的
比 之內 變化 .
這 是 這 重複性 , 之內 變化 , 和 地點 到 地點 .
地點 到 地點 變化 , 它 是 可重複性 , 它 的 很多 較小的 .
重複性 再次 從 這裡 也 我們 尋找 出去 那 它 是 這 大 問題 .
現在 在 這 下一個 到 尋找 出去 這 根 原因 ,
我們 繪製 全部 這 重複性 邊 經過 邊 一起 ,
和 為了 兩個都 這 案例 , 美國足球聯賽 , 上 規格 限制 和 降低 規格 限制 ,
和 全部 這 案例 我們 成立 那 它是 重複性 是 不同的 .
下一個 我們 喜歡 到 相關 或者 尋找 出去 任何 關係
如果 它 是 展示 地點 A 和 地點 B 測量 .
理想情況下 , 地點 A 測量 將要 平等的 到 地點 B 測量 應該 是 .
但 在 我們的 案例 , 我們 做過 一些 線性 合身 和 我們 成立 那 我們 有 截距
作為 出色地 作為 我們 有 線性 合身 坡 , 它 是 不是 一 , 它 是 不是 零 .
這裡 我們 成立 那 線性 坡 是 較少的 比 0 .4
和 截距 是 更高 比 0 .9 .
我們的 配件 積分 是 分散式 廣泛 .
那 的 這 原因 我們的 R -平方 是 也 貧窮的 .
我們 也 做過 這 密度 橢圓
和 密度 橢圓 也 講述 那 這 相關性 是 較少的 比 0 0.5 .
如果 他們 有 a 非常 好的 相關性 關係 ,
然後 它 應該 是 0 .9 .
如果 它 是 0 0.6 , 然後 它 將要 是 中等程度 相關 .
但 在 我們的 案例 , 它 的 不是 那 .
那 的 為什麼 我們 知道 那 地點 A 測量 是 不是 地點 B 測量 .
它 的 這 重複性 受影響 在 這 可重複性 .
問題 的 重複性 是 受影響 在 這 可重複性 .
現在 我們 查看 更多的 密切 如何 它 是 不同的 .
我們 是 比較 經過 匹配 一對 這 地點 A 和 地點 B 變化 .
這裡 我們的 假設 是 地點 A 平等的 到 地點 B ,
那 方法 地點 A 減 地點 B 平等的 到 零 .
我們 鋸 那 我們的 可能性 為了 這 假設 ,
地點 A 減 地點 B 平等的 到 零 , 是 較少的 比 0 0.05 在 兩個都 這 案例 .
它 是 上 規格 限制 和 降低 規格 .
兩個都 這 案例 你 能 看 那 它 是 可能性 是 較少的 比 0 0.05 .
那 方法 地點 A 和 地點 B 測量 是 不同的 ,
和 你 能 看 我們的 不同之處 的 意思是 價值
和 信心 間隔 是 多於 這 零 觀點 線 .
那 方法 儘管 這 是
地點 A 測量 是 總是 更高 為了 地點 B 測量 .
現在 從 這裡 , 我們的 問題 出現 , 自從 我們 做過 這 第一的 重複 分析
為了 我們的 MSA 設計 是 第一的 重複 , 它 可以 是 可能的 喜歡 那
如果 樣品 是 退化的 , 喜歡 O /Al 作品 是 退化的 .
那 的 為什麼 我們 做過 再次 匹配 一對 測試
和 第一的 和 第四 測量
兩個都 在 地點 A 和 地點 B 為了 全部 六 樣品 ,
和 我們 成立 那 這裡 ,
第一的 測量 減 第四 測量 等於 零 .
那 是 我們的 假設 .
我們 鋸 那 P -價值 是 更高 比 0 0.05 兩個都 這 案例 .
那 方法 我們的 樣本 降解 是 不是 一個 問題 .
第一的 樣本 , 那裡 是 不 證據 .
第一的 測量 和 第四 測量 是 不同的 .
那 方法 它 是 這 測量 問題 .
為了 那 , 這 是 總結 在 這 儀表板 桌子 ,
在 這 儀表板 , 喜歡 我們的 數位 的 優點
為了 測量 休息與恢復 24 % 和 重複性 是 21 %
和 那 重複性 是 變化 從 部分 到 部分 和 地點 到 地點 ,
和 我們 有 總是 更高 重複性 為了 地點 A 比較的 到 這 地點 B .
現在 為了 我們的 下一個 計劃 ,
我們 計劃 為了 a 討論 每個 地點 作為 出色地 作為 和 這 流程 團隊 .
地點 有 a 問題 喜歡 重複性 作為 出色地 部分 -地點 交互作用 .
我們 知道 那 什麼 錯誤 可以 是 介紹 在 這 測量
喜歡 背景 /基線 更正 , 電子 計數 , 頂峰 反捲積 .
我們 '二 討論 那些 方法 來源 的 錯誤 和 地點 A 人 ,
地點 A 設施 , 和 我們 將要 尋找 出去
如何 我們 能 做 這 精簡 流程 為了 提升 我們的 MSA .
也 我們 有 a 計劃 放 向上 a 校準 樣本
或者 我們 能 放 向上 a 放 向上 樣本
那 我們 能 措施 在 常規的 間隔 在 這 兩個都 網站 .
在 這 其他 手 , 和 這 流程 團隊 , 我們 '二 演講 到 提升 MSA 下一個 時間
到 MSA 數據 收藏 制服 .
反而 的 雙峰 , 我們 應該 收集 這 數據 均勻地 .
然後 也 我們 鋸 部分 到 部分 重複性 變化 .
那裡 是 一 原因 它 可以 是 測量 問題 .
其他 原因 可以 是 流程 是 不是 制服 .
我們 需要 到 證實 我們的 熱的 數學 到 查看 我們的 流程 均勻性 .
最後 , I 會 喜歡 到 提到 那 什麼 是 這 影響
在 我的 學習 為了 這 MSA 分析 .
現在 我們 知道 那 一些 JMP 平台 或者 JMP 應用 能 幫助 我 到 知道
什麼 是 這 訊號 變化 從 這 噪音 變化 ,
和 然後 我們 能 確認 什麼 數位 的 優點 我們 能 使用
到 證明合法 我們的 測量 方法 .
在 我們的 案例 , 我們 成立 P /T 是 這 最好的 方法 ,
最好的 數位 的 優點 到 分析 它 .
然後 如何 錯誤分類 風險 能 涉及 到 這 MSA 成分
作為 出色地 作為 樣本 分配 那 我們 學習 .
根 原因 分析 , 我們 做過 一些 JMP 應用
那 能 幫助 我們 到 計劃 到 改善 MSA .
自從 它 是 非常 有幫助 為了 特別的 程式 應用 ,
那 的 為什麼 I 會 喜歡 到 介紹
這 數據 驅動 決定 製作 為了 全部 這 程式 I 涉及 在
到 提升 這 專案 品質 , 成本 , 和 時間 .
最後 , I 會 喜歡 到 推動 數據 驅動 決定 使用 JMP
在 我們的 先進的 科技 團體 喜歡 首席技術長 團隊 ,
或者 其他 不同的 專案 .
這 是 我的 最終的 滑動 .
I 會 喜歡 到 提到 我的 旅行 .
I 開始 JMP 學習 開始 的 這 年 ,
和 那 時間 我們 做過 A0 , A1 , A2 . 這 是 我的 基礎 .
然後 後 I 工作 和 MSA 分析 和 策略規劃委員會 .
I 也 得到 我的 證書 , JMP 節拍 證書 可能 2023 .
現在 I 是 講師 在 極端 JMP 講師 .
I 我 規劃 到 在 人 推介會 在 十月 2023 ,
和 也 I 是 在職的 為了 我的 黑色的 腰帶 在 2024 .
感謝 你 為了 聆聽 .
