msa_bias_linearity — SPC msa op

• 데이터 종류: table → table

• 호출: import fullseye as fs; fs.ledger.msa_bias_linearity(table, reference='reference', measured='measured')(구현을 직접 호출하려면 import spc; spc.msa_bias_linearity(table, reference='reference', measured='measured'), 원장에서 가져오려면 opsspc.get("msa_bias_linearity"))

사용법

기준값에 대한 편의와 그 편의의 기준값 의존성(직선성) (`table`).

> 아래 상세 설명은 원문입니다 —— 요약과 제목은 번역되어 있습니다.

偏り `bias = measured - reference` を基準値に回帰する

(`bias = intercept + slope * reference`)。傾きが 0 でなければ、測定系は

測定範囲の場所によって違う量だけずれている = 直線性の問題。

返りは基準値ごとの平均偏り(`ref / bias_mean / n`)と、回帰の

`intercept / slope` / それぞれの標準誤差・t 値・p 値、全体平均偏り。

★門にできる厳密な性質: 雑音の無い `bias = a + b*ref` を渡すと最小二乗は

a と b を厳密に返す(残差 0)。そのとき標準誤差は 0 なので t は `inf` /

p は 0 —— これは欠陥ではなく完全適合の正しい報告なので、そのまま返す。

참고(샘플 데이터·문헌)

• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.

• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.

• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.

실행 가능한 예제(이 연산자를 실제로 호출하는 검증된 샘플)

• poc_measurement_system_analysis — py -3.11 examples/poc_measurement_system_analysis.py

타입이 이어지는 다음 연산자(table 를 입력으로 받는 것)

msa_anova_table · msa_gauge_rr · msa_attribute_agreement · gum_standard_uncertainty · gum_propagate · gum_expanded · gum_monte_carlo · gum_validate

같은 카테고리(msa)

msa_anova_table · msa_gauge_rr · msa_attribute_agreement

*Provenance: spc.py — SPC 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*

© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.