앞에서 Gage R&R을 설명한 포스트와 비교해서 이번에는 기본적으로 "랜덤하게" 샘플을 취한다
그렇지만 그냥 랜덤하게 샘플링해서는 안된다. 왜냐하면 그렇게 할 경우 샘플은 기본적인
분포와 일치하지 않을 수도 있기 때문이다.

■ 분포와 일치하게 샘플 10개를 취한 경우

(#1) "정확한" 샘플링 : 실제의 경우는 아니지만 정규분포의 5%, 15%, 25%, ... , 95% 위치에
    상응하는 부품을 선정하고 샘플의 랜덤성이 예측값에 얼마나 영향을 미치는지 보기위한
    방법으로 거의 "정확한" 정규분포의 형상으로 구성하였을 경우

그렇다면 위에서 언급한 대로 랜덤하게 샘플을 취한 경우와 마술처럼 10개 부품을 기본적인 분포와
정확하게 일치하게 선정하여 랜덤 효과를 제거 하였을 때의 결과를 비교해 보면 다음과 같다.

랜덤 샘플링으로 부터 나타난 랜덤성이라고 하는 것은 우리가 분석하려는 % Contribution에
아주 큰 영향을 미친다는 명백한 무엇인가를 느낄 수 있을 것이다. 반면에 "정확한" 분포의 경우는
훨씬 덜 편심되고 적은 변동을 가진 분포의 모습을 보여주며 측정시스템을 부정확하게 불합격시킬
가능성도 상당히 낮아 보인다. 그렇지만 "정확한" 샘플구조를 적용하는 것은 대부분의 경우 불가능하다.

왜냐하면 여러분은 아직까지는 측정의 오류가 얼마나 되는지 알지 못하고 "정확한" 분포로 부품을
선정하였다는 것을 알 방법이 없기 때문이다. 이런 경우는 통계적으로 닭이 먼저인지 달걀이
먼저인지 하는 관점과 같은 상황이 된다.

■ 전형적인 범위에 걸쳐 균일하게 샘플 10개를 취한 경우
 
(#2) 부품을 생산과정에서 보여지는 전형적인 범위에 걸쳐(5%, 15%, 25%, ... , 95% 위치에서)
    일정하게 동일한 간격으로 선정한다.
 
   

 
그런데 여기서는 새로운 상황이 벌어진다. 너무 명확하게 변동을 줄여준 형상이지만
명확하게 바이어스도 없애 버렸다. 그렇기 때문에 부품을 전형적인 범위에 걸쳐 균일하게 선정한
샘플들은 아주 일관된 예측값을 보여주게 되고, 그 예측값들은 측정시스템이 실제 사용중인
상태보다 훨씬 좋다고 평가하게 된다.

 
이어서 다음 포스트에서 다른 두 경우도 알아보도록 하자