여태까지 우리가 진행해온 y=F(X's)의 Transfer Function의 결과를 좀더 완벽하게 살펴보자
Sensitivity(민감도)란 단순하게 보면 Transfer Function의 경사도를 의미한다.
완만한 경사로 이루어진 산을 100mm 수평이동했을 때 숨이 차는 수준과, 급경사로 이루어진 산을
100m 이동했을 때 숨이 차는 수준은 확연히 다르다. 여기서 수평이동 거리를 운동량 X라하고,
숨이차는 수준을 CTQ Y라고 한다면, 건강을 위해 운동하는 조건기준으로 보면, 적당히 숨이 차면서
운동을 많이 할 수 있는 경우가 Best 라고 생각해 볼 수 있다.

           

급경사인 산을 오를 때 왜 숨이 더 찰까? 여기서 숨이 빨리 차는 수준을 Sensitivity(민감도)라고 가정해 보자.
아래 그림을 살펴보자. 3개의 경우 모두 Facor 1개(X₀)와 Response 1개(Y₀)로된 Transfer Function을 보여준다.
여기에 있는 3개의 직선은 개발중에 고려하고 있는 세가지 다른 해결방안을 나타낸다. 여기서, 개발자가
Input point의 중심값(X₀)을 선택하면, 세가지 Transfer Function의 Output은 모두 동일한 결과(Y₀)로 나타난다.
그러면 여기에 제시된 세가지 다른 해결방안중에서 어떤 것이 최적안 일까?

           

우리가 적용하려는 Factor(X₀)는 각각 다른 분포를 가지고 있으며, 위의 그림 위에 수평선인 X축 위에 산포를
정규분포의 모습으로 추가해 보았다. 각각의 경우의 Input(X₀)의 변동은 Transfer Function 선을 따라서
Output(Y₀)의 변동으로 전달되어 또 다른 정규분포의 결과를 만들 것이다.

           

먼저 첫번째 해결방안은, Output(Y₀)의 모습이 세가지 중에서 가장 변동이 작은 정규분포를 보여주고 있다.
두번째 방안은, 또 다른 Output(Y₀)의 정규분포를 구성하는데, 첫번째 그림에 비하여 다소 변동폭이 넓다.
가장 경사가 심한 세번째 해결방안을 보면, 세가지 그림중에서 Output(Y₀)의 변동폭이 가장 넓은 것을 볼 수 있다.
이 세가지의 해결방안을 비교하면 Input(X₀)의 변동에 대한 Output(Y₀)의 변동이 가장작은 첫번째 것이
강건한 설계... 즉, Robust Design 이라고 판단할 수 있다.