Hola, Soy Dave Trinidad,
fundador y dueño de Tecnología estadística, a consultante firme especializándose
en el usar de JMP software para resolviendo industrial problemas.
Hoy Soy yendo a a hablar acerca de a consultante proyecto
eso I trabajó en encima el último año
con a robótica compañía.
Eran yendo a ser hablando acerca de Drones F mintiendo en Almacenes:
Un Solicitud de Atributo Indicador Análisis.
Atributo indicador análisis es típicamente aplicado a comparar acuerdo,
o falta en esto entre dos o más clasificación aproches a a problema.
Para ejemplo, dos inspectores puede tener diferencias de opinión
como a si a parte es conforme, llamar él aprobar
o no conforme llamar él fallar.
Basado en consideración de específico calidad indicadores para individual regiones,
cómo hacer nosotros cuantitativamente medida el grado de ¿acuerdo?
Vamos de hecho comenzar apagado con un ejemplo.
Vamos decir nosotros tener dos inspectores,
inspector 1 y Inspector 2,
y ellos son presentado con a lista de 100 regiones,
el crítico características en estos 100 regiones
y preguntó a determinar si cada parte debería ser clasificado como a aprobar o a fallar.
Yo tengo resumido el resultados en el mesa a el bien, parcial mesa.
Tú ver allá son 100 filas en el mesa.
Todo variables son nominal, entonces el primero columna
es el parte 1-100.
Entonces el segundo columna es el clasificación por Inspector 1,
si es a aprobar o fallar, y entonces el segundo inspector
donde también segundo columna tiene a pasar o fallar clasificación.
Ahora, si nosotros eran no familiar con JMP indicador atributo análisis programa,
primero paso eso nosotros podría llevar podría ser
a mirar en el dos clasificación distribuciones
y usar dinámica enlace a comparar.
Qué I voluntad hacer es espectáculo tú el diapositivas
y entonces I voluntad ir y demostrar el resultados en el diapositivas
después Yo tengo desaparecido a través de el diapositivas, a través de a cierto cantidad de material.
Para ejemplo, si nosotros hacer clic, decir, Vamos generar distribuciones
de el dos columnas, el fallar, Inspector 1 y Inspector 2,
entonces nosotros poder hacer clic, decir, para ejemplo, en el fallar columna para Inspector 1,
tú ver principalmente partidos para Inspector 2,
pero allá son a pocos desacuerdos encima aquí.
Allá son alguno pases dónde Inspector 1
clasificado él como a fallar, pero Inspector 2 clasificado él como a aprobar.
Ahora, cuando tú hacer hacer clic en eso JMP reflejos,
el actual filas eso corresponder a este.
Tú poder ver encima aquí, para ejemplo, fila cuatro, Inspector 1 llamado él a fallar
y Inspector 2 llamado él a aprobar.
Generalmente aunque, ellos son principalmente en acuerdo,
fallar, fallar, fallar, fallar y entonces adelante.
Nosotros podría también hacer eso por haciendo clic en Inspector 2 fallar,
y entonces vidente cómo él compara a Inspector 1.
Nosotros ver eso allá son de hecho cinco instancias de desacuerdo
entre el dos inspectores.
Cuando el Inspector 1 lo clasifica como a fallar,
Hay cinco que yo Inspector 2 clasificado él como a aprobar.
Ahora nosotros poder también visualizar el inspector comparación datos.
A hacer eso, nosotros poder usar constructor de gráficos con tabular a vista aceptar y discrepar
cuenta entre el dos inspectores. Aquí está uno forma de visualizante él.
Nosotros poder poner Inspector 1 usando constructor de gráficos en el horizontal eje
y Inspector 2 en el vertical eje.
Entonces nosotros ver ahora con color codificación, si es acuerdo o discrepar,
aceptar es verde y entonces el filas
eso son discrepar color código es rojo marcadores.
Ahora nosotros poder ver el actual distribución.
Entonces nosotros poder usar tabular a de hecho total el números eso son involucrado.
Nosotros poder ver encima aquí para Inspector 1 y Inspector 2.
Inspector 1 y Inspector 2 acordado en el fallar categorización
para 42 de el regiones y ellos acordado en 44 de el aprobar regiones.
Ellos no estuvo de acuerdo en nueve instancias encima aquí
dónde Inspector 2 llamado él a fallar y Inspector 1 llamado él a aprobar.
Y Inspector 2 llamado a aprobar, dónde Inspector 1 llamado él a fallar.
Entonces aquellos total 14.
El inspectores acordado en a clasificación para 86% de el regiones
y ellos no estuvo de acuerdo en 14%.
De allá ahora nosotros poder ir y hacer atributo indicador análisis
y ver qué JMP poder hacer para este análisis.
A ir a atributo indicador análisis, eran yendo a ir a calidad
y analizar calidad y proceso variabilidad atributo indicador cuadro.
Entonces nosotros elenco el filas. Y aquí Yo tengo mostrado el inspectores
son listado bajo el Y respuesta, ambos de a ellos.
Entonces el columna para el parte es listado como el agrupamiento.
Estos son requerido entradas.
Nosotros aviso el cuadro tipo es atributo, nosotros hacer clic bueno.
Y ahora JMP proporciona a nosotros con este atributo indicador análisis informe.
El primero cuadro eso es mostrado encima aquí es el por ciento acuerdo para cada parte.
Entonces nosotros tener 100 regiones en el horizontal filas eje encima aquí,
y cuando Hay 100%, él medio el dos inspectores acordado.
Cuando Hay 0%, él medio a discrepar.
El izquierda cuadro espectáculos el en general por ciento acuerdo 86% por inspector.
Desde el comparación es entre solo dos inspectores,
ambos son yendo a tener el mismo 86% acuerdo valor.
El acuerdo informe ahora incluye
a numérico resumen de el en general 86% acuerdo.
Tú poder ver 86 partidos afuera de 100 inspeccionado
y el individual unos son yendo a ser el mismo desde es solo uno asunto
de si él era a aprobar o fallar para a dado parte.
Y 95% confianza límites son proporcionó para el dos resultados,
ambos para el inspector y para el acuerdo.
Ahora el acuerdo comparaciones informe incluye a nuevo estadística
eso tal vez muchos gente son no familiar con,
llamado el Kappa Estadística.
Es ideado por Cohen, eso es dado en el referencia.
El Cohen Kappa Estadística índice, cual en este caso es 0.7203.
Es diseñado a correcto para acuerdo por oportunidad solo.
Este era muy interesante a a mí cuando I primero leer acerca de este.
Cómo qué hacer nosotros significar por acuerdo por oportunidad ¿solo?"
Vamos ir en a pequeño poco de un explicación de acuerdo por oportunidad
y cómo poder nosotros estimar él.
Vamos considerar dos evaluadores, R1 y R 2.
Bien asumir totalmente aleatorio opciones
para cada apreciador para cada muestra, ejemplo, para cada parte.
Nosotros más asumir eso el probabilidad a apreciador selecciona cualquiera elección aprobar
o fallar encima el otro es 50%. Entonces es 50/50.
Cien muestras o ensayos son diferentemente categorizado por aprobar/ fallar para cada apreciador,
similar a volteando a acuñar para cada elección.
Nosotros justo visualizar dos inspectores y ellos son cada volteando a acuñar,
y ellos son intentando a fósforo cómo muchos conseguir cabeza, cabezas
o cola, cola, o cabeza, cola o cola, cabeza.
Qué el esperado fracción de acuerdos por ¿oportunidad?
Bien, es a simple problema en probabilidad.
Similar a lanzando dos monedas, allá son solo cuatro posible
y igualmente probable oportunidad resultados entre el dos inspectores para cada parte.
Apreciador 1 podría llamar él a fallar, y Calificado 2 podría llamar él a fallar.
Ellos quería aceptar. Evaluador 1 poder llamar él a aprobar,
y apreciador 2 quería llamar él a aprobar y Había ser acuerdo allá.
El desacuerdo quería ser cuando ellos no aceptar en si es a aprobar, fallar.
Ahora, estos son cuatro igualmente probable posibilidades.
Bien, dos de a ellos son a aceptar y dos de a ellos están en desacuerdo
Por lo tanto, el probabilidad de acuerdo por oportunidad solo es dos afuera de 4 es 50%.
Es un simple probabilidad problema.
Ahora, cómo hacer nosotros calcular el Kappa S estadística en el otro ¿mano?
Como I decir, es quiso decir a correcto para este esperado probabilidad
de acuerdo por oportunidad solo.
El simple fórmula eso tú poder poner en JMP para el Estadística Kappa
es el por ciento acuerdo, en este caso, quería ser 86% menos el esperado por oportunidad
de el datos, cual nosotros saber es yendo a ser alrededor 50%.
Cómo hacer nosotros de hecho usar el datos a estimar el esperado oportunidad
de el datos sí mismo, el esperado acuerdo por oportunidad de el ¿datos?
Bien, el estimación de Estadística Kappa de Cohen
es mostrado abajo, y este es básicamente cómo es hecho.
Este es el contabilizado valor. Este es qué nosotros sierra más temprano.
Acuerdo en fallar/ fallar para Inspector 1 y 42 instancias.
Acuerdo entre Inspector 1 y Inspector 2
en el pasado criterios para 44 instancias.
Tú tenía aquellos arriba y eso es 86%.
Entonces I espectáculo tú encima aquí en el Sobresalir formato eso nosotros agregado, 42 más 44
nosotros consiguió dividido por 100.
Entonces discrepar es uno menos [inaudible 00:08:58]
o simplemente el cinco más nueve dividido por 100.
Ahora, a calcular el acuerdo por oportunidad, el Cohen Estadística Kappa es el suma
de el productos de el marginal fracciones para cada aprobar/ fallar tipo.
Bien, aquí son el marginal fracciones.
F o fallar, el marginal fracciones son 51 dividido por 100 y 47 dividido por 100.
Entonces nosotros forma a producto de aquellos dos. cincuenta y uno dividido por 100
veces 47 dividido por 100.
Más, ahora nosotros ingresar el Suspender. El otro criterio es el suspenso.
Este es el 49... I debería tener dicho eso era el primero desacuerdo.
Cincuenta y uno y 47 para el fallar criterios. Para el aprobar criterios ahora,
nosotros ir 49 afuera de 100 y 53 afuera de 100,
y nosotros multiplicar aquellos dos juntos y agregar a ellos.
Eso da a nosotros a número cuando nosotros calcular él afuera a 49. 94,
cual es muy cerca obviamente, a 0.5.
Entonces el Estadística Kappa es el porcentaje acuerdo
menos el esperado por oportunidad, dividido por uno menos el esperado por oportunidad.
Eso llega afuera a ser 0,7023 en este caso.
El Kappa. Aquí son alguno pautas
para interpretación Kappa.
Ir atrás arriba de nuevo.
I desear a espectáculo tú eso el Kappa era 72.03.
El pautas para interpretación Kappa son si Kappa es mayor que
que 0 .75, es excelente.
Si es entre 0,4 y 0. 75, es bien.
Y si es menos que 0 .40 es llamado marginal o pobre.
Hay alguno finito dividir pauta en este.
Un excelente, totalmente 100% acuerdo,
quería hacer a Kappa de uno, y nosotros podría de hecho conseguir a Kappa negativo
cual quería ser acuerdo eso es menos que por oportunidad solo.
El libros porque estos se dan en el referencia.
Todo bien, dejar a mí justo detener aquí y ir en JMP a qué nosotros tenemos hecho entonces lejos.
Nosotros poder ver eso.
El datos archivo eso nosotros tenemos consiguió encima aquí es el inspectores
eso I habló acerca de, y I dicho nosotros podría llevar a mirar en el distribución.
Obviamente, si estás familiar con JMP, tú justo ir analizar distribución
y poner en el inspectores encima aquí.
Entonces nosotros poder poner este próximo a el filas,
y si nosotros hacer clic fallar, nosotros ver el comparación entre el falla
para Inspector 1 versus el fallar para Inspector 2 y alguno desacuerdos.
Entonces tú poder ver cual áreas el filas que No estoy de acuerdo ejemplo cuatro.
Similarmente, si nosotros calcular encima allá, nosotros poder comparar Inspector 2 a Inspector 1.
Conseguir a diferente colocar de números encima aquí.
El otro opción eso I mencionado para visualización es a hacer a constructor de gráficos
y en constructor de gráficos, nosotros poder poner Inspector 1 en el horizontal eje
y Inspector 2 en el vertical eje.
Ahora nosotros tener a comparación, y ahora nosotros poder de hecho ver el números
de veces, para ejemplo, cómo muchos veces hizo Inspector 1
tasa algo como a aprobar dónde Inspector 2 calificado como a fallar.
Si nosotros ir atrás a el datos mesa,
nosotros ver eso allá son nueve instancias de eso, y ellos son destacado en a fila.
El es es a muy rápido forma de vidente qué el números son
para el diferente categorías eso eran laboral con.
Vamos decir, hacer clic hecho encima aquí.
El otro cosa nosotros poder usar como I mencionado, es el tabular característica.
Nosotros poder ir a tabular, y nosotros poder poner Inspector 1 en el arriba
y Inspector 2 en el abajo encima aquí este forma.
Entonces nosotros poder agregar en otro fila para el marginal totales abajo aquí y entonces adelante.
Ahora nosotros tener el resumen eso nosotros poder poner próximo a el constructor de gráficos
y ver qué el actual tabulaciones son eso nosotros tenemos consiguió para eso.
Eso es algo eso nosotros quería hacer
tal vez si nosotros eran no familiar con JMP programa.
Pero Vamos usar JMP ahora a hacer el análisis.
Eran yendo a venir encima aquí, eran yendo a ir a Calidad y Proceso.
Eran yendo a ir a variabilidad atributo indicador cuadro.
Eran yendo a poner en el inspectores encima aquí.
Eran yendo a poner en el parte.
Encima aquí tú aviso es requerido, atributo.
Bueno, hacer clic bueno, y ahora nosotros tener nuestro producción.
Este producción espectáculos de nuevo para cada parte el acuerdo.
Cero medio I discrepar. 100% medio I discrepar.
Este espectáculos el clasificación entre el dos inspectores, 86%.
Este es el resumen, 86%.
Aquí está nuestro Kappa índice encima aquí, y nosotros tener el acuerdo dentro tarifas.
Este es amable de redundante en el sentido
porque eran solo mirando en uno binario comparación.
Entonces más en abajo aquí, nosotros poder hacer el acuerdo por categorías.
Nosotros poder de hecho calcular cómo mucho es el acuerdo por el fallar,
individualmente, o por el aprobar individualmente.
Bueno, entonces eso es cómo nosotros quería hacer él para a simple comparación.
Pero qué si nosotros ahora considerar eso el actual diagnóstico
de el parte era conocido o ¿confirmado?
Vamos ir atrás en nuestro presentaciones de PowerPoint presentación.
Les presento una estándar.
Bueno, este es a medida de qué nosotros llamar eficacia.
Eran yendo a asumir el correcto parte, clasificación era cualquiera conocido
o después confirmado.
Entonces este es el verdadero correcto diagnóstico eso debería tener estado hecho en eso parte.
Cómo preciso son el inspectores ¿opciones?
En otro palabras, cómo poder nosotros comparar cómo preciso cada inspector era
a determinar pareo arriba con el verdadero ¿estándar?
Nosotros colocar arriba eso columna en JMP, y ahora nosotros poder ir a través de el proceso
eso nosotros dicho más temprano de mirando en a distribución.
Para ejemplo, si nosotros agregar en el distribución,
este tiempo nosotros incluir a estándar, ahora nosotros poder hacer clic en aprobar,
y nosotros poder ver el acuerdos entre Inspector 1 y Inspector 2
en aprobar clasificaciones.
Tú poder ver ambos de a ellos tenía alguno clasificaciones erróneas, alguno equivocado diagnóstico.
Nosotros poder hacer clic en fallar y hacer el mismo cosa para el otro categoría.
Entonces JMP voluntad destacar aquellos en el datos mesa.
A hacer el atributo indicador análisis en JMP usando el estándar,
todo nosotros tener a Hazlo ahora es ingresar estándar en el diálogo caja como nosotros hizo antes.
Este es el adicional columna.
El grande diferencia ahora, y este es no destacado en el manual,
es eso bajo atributo indicador, nosotros poder ahora conseguir a cuadro
eso se aplica específicamente a el eficacia.
Qué eran yendo a hacer es desmarcar estos acuerdo agujas en el cuadro,
y hacer clic en cambio el eficacia agujas bajo atributo indicador.
Cuando nosotros hacer eso, nosotros conseguir otro cuadro eso medidas el eficacia.
Y este eficacia tiene tres calificaciones para él.
Este indicador atributo cuadro ahora espectáculos el por ciento acuerdo,
0, 50 %, o 100% de el dos inspectores a el estándar para cada parte.
A 0% implica ambos inspectores mal diagnosticado su problema.
Siete eventos de eso ocurrió.
A 50% significa uno de el inspectores consiguió su correcto clasificación,
y obviamente, 100% medio ellos ambos consiguió él bien.
Entonces el izquierda cuadro espectáculos el en general por ciento acuerdo
a el estándar para cada inspector.
Nosotros observó eso allá era alguno leve diferencia entre el dos inspectores.
Nosotros ahora generar el eficacia informe
eso incorpora el aprobar/ fallar comparaciones
a el estándar para cada inspector.
Tú poder ver Inspector 1 consiguió 42 de el falla correcto.
Él consiguió 43 de el pases correcto, pero él consiguió 10 incorrectos de el falla,
llamar a ellos pasa.
Y él consiguió cinco de el pases incorrecto.
I encontrar este notación a pequeño poco confuso.
I poner él abajo en el abajo.
Cuando nosotros decir incorrecto fallar,
eso medio a fallar era incorrectamente clasificado como a aprobar.
Cuando nosotros decir incorrecto aprobar, él medio a aprobar era incorrectamente
clasificado como a fallar.
Tú poder conseguir su mente yendo en loco maneras
justo intentando a siempre interpretar qué en allá.
Qué Yo tengo hecho es I creado mi propio cuadro a simplificar cosas.
El clasificaciones erróneas espectáculos encima aquí eso 17 actual fallar regiones eran clasificado
como aprobar, y once aprobar regiones clasificado como fallar.
Entonces eso es en el JMP producción.
Pero qué I dicho encima aquí, y Identificación amar a ver JMP incluir
algo similar a este como a claro explicación de qué yendo en.
Inspector 1, Inspector 2, el estándar es aprobar,
y entonces el correcto clasificación como aprobar es 43 y 42.
El mal clasificado como falla son cinco y seis.
Entonces encima aquí, cuando el estándar es el fallar,
el correcto opciones por Inspector 1 y el Inspector 2 es 42 y 45.
Y el mal clasificado, entonces cuando él era fallar,
10 de a ellos eran clasificado como aprobado y siete encima aquí.
Ahora, entender, a fallar parte clasificado como aprobar
es a parte eso es a defectuoso parte yendo arriba.
Eso es llamado a extrañar.
En el otro mano, a fallar parte eso es t él actual aprobar parte,
nosotros llamar eso básicamente produce riesgo, eso es a FALSO alarma.
Y JMP usos aquellos términos, FALSO alarma y extrañar,
más tarde en Enfermo explicar eso.
I como este cuadro porque él parece a hacer a claro explicación
de qué yendo en.
Usando constructor de gráficos, de nuevo nosotros poder vista el clasificaciones
por cada inspector como mostrado encima aquí.
A ganar, tú poder destacar específico asuntos allá.
JMP también permite tú a definir a conformidad.
En otro palabras, nosotros dicho no- conforme es a fallar y conforme es a aprobar.
Eso forma nosotros poder llevar a mirar en el tasa de FALSO alarmas y falla
en el datos sí mismo como determinado por el inspectores.
Nosotros poder ver eso el probabilidad de FALSO alarmas para Inspector 1 era 0.1
y Inspector 2 es 0,125. El probabilidad de señoritas,
Está bien, esto medio eso nosotros dejar él defecto el parque, ir afuera,
era más alto para Inspector 1 y Inspector 2.
Enfermo espectáculo cómo estos cálculos son hecho.
A enfatizar este, a FALSO alarma
ocurre cuando el parte es incorrectamente clasificado como a fallar,
cuando él es a aprobar. Eso es llamado a FALSO positivo.
El FALSO alarma, el número de regiones
eso tener estado incorrectamente juzgado a ser falla,
dividido por el total número de regiones eso son juzgado a ser pasa.
Ahora, eso es dónde este cálculo es hecho encima aquí.
Si I ir arriba aquí, Aquí está el el pase es mal clasificado como fallar,
entonces si I llevar cinco afuera de 48, I fin arriba con eso número 0.1042.
Ahora el próximo cosa es a extrañar.
Eso parte es incorrectamente clasificado como a aprobar.
Cuando él de hecho es a fallar. Eso es a FALSO negativo.
En este caso, eran envío afuera a defectuoso parte.
El número de regiones eso tener estado incorrectamente juzgado a ser pases
dividido por el total de regiones eso son juzgado a ser falla
es 10 afuera de 42 más 10 es 0.193.
A ganar, yendo atrás a este mesa,
estos son el regiones eso son fallar, pero 10 de a ellos eran mal clasificado como a aprobar.
Entonces el regiones eso debería tener estado clasificado como ellos fallar es 52.
Diez dividido por 52 da tú eso número de 0,1923.
Entonces I como eso mesa es más fácil a interpretar encima aquí.
El final cosa acerca de el conformidad informe
es tú poder cambiar su conformidad categoría,
o tú poder cambiar ajustarse a no conforme.
Tú poder calcular también un escapar tasa. Y eso es el tasa eso el probabilidad
eso a no conforme parte es de hecho producido y no detectado.
A hacer eso, nosotros tener a proporcionar alguno estimar o probabilidad
de incumplimiento a el JMP programa.
I poner en como 10%, Vamos decir 10% de el tiempo nosotros producir a defectuoso parte.
Dado eso nosotros tenemos producido a defectuoso parte, qué el probabilidad
eso 's yendo a ser a extrañar y entonces ¿escapar?
Y eso es el escapar tasa. Eso es el multiplicación de el dos.
nuestro proceso voluntad producir veces el probabilidad de a omitido proceso
produce fallar parte veces el probabilidad de a extrañar.
Ahora Vamos ir en JMP de nuevo
y eran yendo a usar el inspección con el estándar.
Soy rápidamente yendo a ir a través de este.
Nosotros hacer analizar distribución, de nuevo, poner en tres encima aquí,
y ahora nosotros poder hacer clic en a estándar abajo aquí
y entonces nosotros poder destacar, comparar el Inspectores 01 e Inspector 2.
Otro forma a visualizar él es a usar gráfico constructor como nosotros tenemos hecho antes.
Entonces nosotros poder poner Inspector 1 encima aquí.
Dejar a mí hacer él este forma.
Y Inspector 2 poder ser en este lado ahora.
Entonces nosotros poder ingresar el estándar encima aquí en este lado.
Y ahora nosotros tener a forma de haciendo clic y vidente qué el categorías
eran relativo a el estándar.
Eso es a muy lindo pequeño gráfico, y si tú buscado a decir,
"Bueno, cómo muchos Inspector 1
versus clasificado como a aprobar cuando él era a fallar.
Ahora nosotros poder traer eso a un soporte, y el Las filas son destacado también.
Vamos ir en JMP. Ahora eran yendo a analizar
calidad y proceso, variabilidad atributo indicador cuadro,
recordar y Soy yendo a agregar en el estándar encima aquí.
Nosotros hacer clic el estándar. Ahora Aquí está el asunto.
JMP da a nosotros el atributo indicador cuadro, pero este era para el acuerdo.
Qué casarse como a medida es contra el estándar.
Nosotros venir arriba aquí en el atributo indicador cuadro
y Lo que somos yendo a hacer es desmarcar cualquier cosa eso dice acuerdo.
Y hacer clic en cualquier cosa eso dice eficacia.
Allá podría ser a más simple forma a hacer este eventualmente
en el [inaudible 00:23:31] programación en JMP.
Ahora nosotros tener el efecto en este cuadro, de nuevo, como I dicho, 50% medio
eso uno de el inspectores consiguió él bien, 0% medio ellos ambos consiguió él equivocado.
Y nosotros tenía el acuerdo informe demostración 86 eso nosotros tenemos visto antes.
Pero qué nosotros desear a conseguir abajo a es el eficacia clasificación,
el eficacia informe.
Y ahora nosotros ver eso Inspector 1 era 85% eficaz.
Inspector 2 era 87% eficaz.
En general él era 86% eficaz.
Aquí está el resumen de el extrañar clasificaciones.
Y estos son el unos eso son listado encima aquí.
Como ellos decir este terminología tú necesidad a entender eso incorrecto falla
eran correcto pases y incorrecto pases eran correcto falla.
Entonces el conformidad informe es abajo aquí, nosotros presentado tú cómo a hacer el cálculo
y entonces nosotros poder cambiar el conforme categoría por haciendo eso encima aquí.
O nosotros poder calcular el probabilidad de escapar, escapar tasa,
por puesta en alguno número en eso estimaciones,
cómo a menudo casarse esperar a ver a defectuoso parte.
Soy puesta en encima aquí punto uno,
hacer clic, bueno.
Y entonces JMP da a nosotros el probabilidad de incumplimiento y el escapar tarifas
como mostrado encima aquí ahora para cada inspector.
Era yendo atrás a ahora mi PowerPoint presentación.
Ahora eso nosotros tener a sentimiento para estos conceptos de acuerdo,
eficacia y el Kappa índice, dejar a nosotros ver cómo nosotros poder aplicar el acercarse
a a más complejo problema comprometer análisis llamado inventario seguimiento.
Como parte de a consultante proyecto con el robótica compañía,
y Es Robótica Vimaan,
y por el forma, Hay alguno maravilloso vídeos
si tú hacer clic encima aquí eso espectáculos el drones vuelo
en el depósito y entonces adelante
haciendo el lecturas y alguno de el resultados de el análisis.
Como parte de a consultante proyecto I era introducido a el problema
de drones vuelo en a depósito usando óptico personaje reconocimiento
a leer inventario etiquetas y cajas y estantes.
En medición sistema análisis MSA,
el objetivo es a determinar si el variabilidad en el medición sistema
es bajo suficiente a exactamente detectar
diferencias en producto- a- producto variabilidad.
A más objetivo es a verificar eso el medición sistema
es preciso, preciso y estable.
En este estudiar, el producto a ser mesurado a través de LOC
en drones es el etiqueta en el recipiente almacenado en bastidores en a depósito.
El medición sistema debe leer el etiquetas exactamente.
Además, el medición sistema voluntad también validar el capacidad a detectar,
para ejemplo, vacío contenedores, dañado artículo, cuenta de elementos en a dado ubicación,
dimensiones, y entonces adelante. Todo ser hecho por el drones.
En los estudios de R&R de calibre, uno inquietud direcciones puro error,
eso es el repetibilidad de repetido mediciones en el mismo etiqueta.
Repetibilidad es a medida de precisión.
En suma, en estudios de R&R de calibre,
a segundo inquietud es el inclinación asociado con diferencias en el herramientas,
eso es, diferencias entre el drones lectura el mismo etiquetas.
Este aspecto es llamado reproducibilidad, eso es a medida de exactitud.
El diseño eso I propuesto
era a cruz estudiar en cual el mismo ubicaciones en el almacenes,
en el contenedores son mesurado múltiple veces, eso es para repetibilidad
al otro lado de diferente inclinación factores, el drones para reproducibilidad.
El propuesta voluntad definir varios estándares para el drones a medida.
El comparaciones voluntad involucrar ambos dentro de- zumbido repetibilidad,
zumbido- a- zumbido acuerdo consistencia,
y zumbido- a- estándar exactitud.
El plan era a medida 50 ubicaciones 1-50,
y tres drones voluntad ser usado a medida reproducibilidad
eso es zumbido- a- zumbido comparaciones, y allá voluntad ser tres pases
para cada ubicación por cada zumbido a medida repetibilidad.
Ahora, múltiple respuestas poder ser mesurado contra cada específico estándar.
Entonces nosotros no tener a tener justo uno artículo y a estándar.
Nosotros poder tener diferente características.
El lectura poder ser binario, eso es, clasificado como cualquiera correcto o incorrecto.
Y también el lectura poder proporcionar estado
reportando para a ubicación, como el número de unidades, cualquier daño unidades, y entonces adelante.
Ejemplos de diferente respuestas
son cómo exactamente poder el drones leer a estándar ¿etiqueta?
Son allá cualquier desaparecido o invertida etiquetas?
Son el inventario elementos en el correcto ¿ubicación?
Es el cantidad de cajas en a ubicación ¿correcto?
Son cualquier de el cajas ¿dañado? Este quería ser algo
eso a humano persona quería ser de cheques como parte de un inventario control,
pero ahora eran haciendo él todo con drones.
Aquí está el propuesta.
I tener 50 filas encima aquí,
150 filas de hecho, porque cada ubicación es ser leer tres veces por cada zumbido.
Entonces I tener zumbido A, zumbido B, y zumbido DO.
Entonces estos son el resultados de a comparación a el estándar.
Eran clasificando cinco normas, A, B, C, D y Y,
y ellos son al azar organizado en aquí como lejos como el ubicación va.
Y es uno característica especificar cada de el 50 Ubicaciones.
S delgado eran haciendo tres lecturas, es 150 filas.
T tres drones reproducibilidad, tres pases para cada ubicación
y por cada zumbido eso es repetibilidad
y el estándares se especifican para cada ubicación.
Soy yendo a hacer un importante declaración encima aquí eso el datos eso Soy usando
para ilustración es hecho- arriba datos y no actual experimental
resultados de el compañía.
Nosotros poder comenzar apagado con distribuciones y dinámica enlace.
Nosotros poder ahora comparar el clasificación de el drones por estándar.
Nosotros generar el distribuciones y entonces nosotros hacer clic en decir, estándar A,
y nosotros poder ver cómo muchos drones consiguió eso estándar A bien,
o si cualquier drones tenía más diagnóstico erróneo
Mismo cosa si nosotros poder hacer clic en estándar Y, nosotros poder ver zumbido A tenía a más alto propensión
para clasificación errónea estándar E y mismo cosa con zumbido DO.
Ahora el cuadro abajo espectáculos cómo Bueno
el drones acordado con cada otro para cada ubicación.
Aquí son el 50 ubicaciones y eran mirando en el drones comparando.
Ahora cuando estás comparando a zumbido a otro drones, Tú tienes consiguió a lote de comparaciones.
Estás comparando tal vez zumbido uno a i sí mismo tres veces.
Estás comparando zona uno,
zumbido uno a zona dos, veces para cada uno de el mediciones.
Entonces él podría tener como un 1, 2, 3 para zona,
zumbido uno y a uno, dos, tres para zona.
Dos, y estás comparando todo posible combinaciones ahora de aquellos drones.
Eso es por qué el cálculos conseguir a pequeño poco complejo
cuando tú conseguir múltiple drones en allá.
Pero estás haciendo a comparación.
Este espectáculos el acuerdo entre todo el comparaciones.
Ahora nosotros observó eso entre zonas el cinco y 10,
eso para estos ubicaciones el exactitud abandonó bastante de modo significativo
y eso impulsado más investigación como a ¿por qué?
Él podría tener estado el iluminación, él podría tener estado el ubicación,
él podría tener estado algo demás eso era entrometido con el adecuado diagnóstico.
Tú ver mayoría de el drones son lectura exactamente 100%.
Este es un acuerdo entre el drones,
entonces ellos eran de acuerdo apenas 90, 91% en el tiempo.
Y estos son el confianza intervalos para cada zumbido.
Entonces este dijo a nosotros cómo Bueno el drones eran comparando a cada otro.
Ahora nosotros consiguió acuerdo comparación, el mesas voluntad espectáculo el acuerdo valores
comparando pares de drones y drones a el estándar.
Y el Kappa índice es dado contra el estándar y repetibilidad
dentro drones y reproducibilidad son todo excelente basado en el Estadísticas Kappa
y acuerdo al otro lado de incluso el categorías es también excelente.
Entonces eran comparando aquí zumbido A a dron B
zumbido A a zumbido DO, zumbido B a zumbido DO, todo haciendo excelente acuerdo.
Eran comparando aquí el drones a el normas, todo un excelente acuerdo.
Y entonces este es el acuerdo, justo básicamente a resumen de él.
Entonces este es el acuerdo por el diferente categorías.
Ahora de nuevo, nosotros poder mirar en el atributo cuadro para eficacia.
Mismo forma nosotros hacer clic afuera todo el acuerdo controlar cajas
y entonces hacer clic en el eficacia cajas.
Nosotros ver de nuevo encima aquí, eso Siete y ocho tenía el más bajo
acuerdo a el estándar.
De nuevo, eso podría tener estado algo asociado con el iluminación.
Él podría tener estado algo asociado con alguno otro asunto allá.
Entonces el en general acuerdo a el estándar por zumbido,
tú poder ver ellos son acerca de 95%.
El zumbido es bonito preciso y ellos eran bonito reproducible
y el repetibilidad era excelente.
Este es el eficacia informe. Ahora este es a pequeño poco más elaborar
porque ahora eran comparando él para cada de el cinco característica estándares
y estos son el incorrecto opciones eso eran hecho para cada uno.
Afuera de 150 posible mediciones,
zumbido A mesurado 142 correctamente, zumbido B 145 y zumbido C 140.
Entonces eficacia es el importante uno.
Cómo preciso eran el ¿drones?
Nosotros poder ver eso el drones son todo correr arriba alrededor un promedio acerca de 95%.
Este aparece a ser muy eficaz.
Entonces nosotros tener a detalle análisis
por nivel, proporcionó en Clasificación errónea informe.
Entonces nosotros poder ver individualmente cómo cada uno de estos drones comparado a el diferente,
cómo cada uno de el diferente caracterizaciones
eran mesurado correctamente o incorrectamente por el drones.
Este es el unos eso son clasificaciones erróneas.
A ganar, dejar a mí ir en JMP.
Oh, uno más ejemplo I quiso decir a espectáculo arriba encima aquí.
Tú usando constructor de gráficos,
nosotros poder vista el clasificaciones y qué clasificaciones por cada fuerte.
Este es a en realidad limpio forma de demostración él. I desear JMP quería incluir este probablemente
como parte de el producción, pero tú poder ver dónde el clasificaciones erróneas ocurrir.
Para ejemplo, para zumbido A, cuando tú clasificar erróneamente zumbido DO,
mayoría de a ellos eran clasificado correctamente, pero allá son a pocos eso eran no.
Estos espectáculo el clasificaciones erróneas.
I como eso amable de representación en constructor de gráficos.
Ahora Vamos ir atrás en JMP y eran yendo a hacer
atributo indicador análisis múltiple con el actual experimento eso era correr.
Bueno, entonces eran yendo a analizar distribuciones así nosotros poder hacer este.
Nosotros poder comparar el drones a el estándar.
De nuevo, nosotros poder justo hacer clic en a estándar y ver cómo él compara al otro lado de el drones.
Nosotros poder también hacer un analizado constructor de gráficos.
Y nosotros poder poner el zona zumbido A
y entonces zumbido B, y entonces zumbido C encima aquí.
Y entonces nosotros poder poner el estándar en allá
y él espectáculos muy claramente qué acontecimiento con eso.
B afuera nosotros poder ir y también en JMP y usar el JMP calidad y proceso
variabilidad atributo indicador.
Entonces nosotros agregar el tres drones en aquí, nosotros agregar el estándar,
y nosotros poner en el ubicación y nosotros conseguir nuestro indicador atributo informe gráfico
demostración eso drones como lejos como el acuerdo con cada otro, eran en 90%.
Este uno tiene el mayoría difícil ubicaciones a caracterizar.
Aquí son el acuerdo informes eso Yo tengo mostrado tú.
Zumbido A, Zumbido B y Zumbido C acuerdo con el otro drones y con sí mismo también.
Zumbido A a zumbido B, estos son el Kappa valores.
Este es el medición a el estándar, todo muy alto.
Y entonces estos son el acuerdo al otro lado de categorías.
Y entonces para el eficacia,
a conseguir eso gráfico eso nosotros como a ver para el eficacia informe,
nosotros llevar afuera el acuerdo encima aquí y hacer clic en ahora el eficacia.
Nosotros ahora tener el eficacia trama
en el grifo eso espectáculos a nosotros cómo el drones acordado con el estándar.
Nosotros ahora ir atrás en el PowerPoint presentación encima aquí.
Bueno, a resumir w tiene nosotros tenemos hecho encima aquí,
el usar de atributo indicador análisis permitido el compañía a proporcionar sólido datos
en el acuerdo y eficacia de drones para inventario gestión.
T él resultados son muy impresionante. Posterior resultados reportado
en el de la empresa sitio web espectáculo inventario cuenta a ser 35%, más rápido inventario costos
reducido por 40% y reducido omitido- envíos
y daño reclamos reducido por 50% comparado a el anterior métodos.
En suma, el sistema genera qué nosotros llamar procesable datos
para más preciso, eficaz, más seguro, más costo eficaz,
y más rápido inventario control.
Alguno excelente referencias encima aquí es De Cohen original papel,
y libro por Fleiss es excelente,
tiene a lote de detalle, y también el libro por El es Bueno hecho.
I agradecer tú muy mucho para escuchando. Tener a bien día.
