| Fecha y hora |
Munchen I
|
Munchen II |
Berlina |
Athen - grabado |
Mie
10: 30-mediodía
|
UE 2018411
Editor de fórmulas Deep Dive
Mike Muhlada y Audrey Schull
Esta demostración introductoria utilizará ejemplos para explicar la mecánica del Editor de fórmulas, para investigar y corregir errores comunes, y para solidificar las mejores prácticas y 'trucos' útiles para la creación de fórmulas. Un tutorial detallado cubrirá varios aspectos del generador de fórmulas, incluido el uso de arrastrar y soltar, métodos abreviados de teclado y botones de función para crear fórmulas. A medida que trabajemos con los ejemplos, discutiremos funciones útiles, descubriremos y corregiremos errores comunes, trabajaremos con subíndices y más. Los temas de mejores prácticas que se cubrirán incluyen: formatos personalizados, el uso de fórmulas para la "limpieza" de datos, las transformaciones de columnas y el uso de columnas intermedias para crear fórmulas más complejas. Se hará especial hincapié en las nuevas características de JMP 14, incluidas las funciones definidas por el usuario, la vista previa de resultados, la detección de errores / advertencia de fórmula 'en vivo' y la lista de funciones personalizables.
Acceso a datos y manipulación
Nivel 1
|
UE 2018414
¿Qué querían decir con eso? Los fundamentos del explorador de texto en JMP
Don McCormack / Bill Worley
La gente hace comentarios, el estado de salida de las máquinas. Hay cantidades masivas de palabras y frases que podrían usarse para comprender mejor los comentarios o resúmenes. La pregunta que se hacen muchas empresas es qué hacer con estas montañas de datos no estructurados sin explotar. Text Explorer en JMP le ofrece una herramienta de minería de datos para ayudar a analizar y comprender mejor a sus clientes, o por qué ese nuevo equipo que supuestamente salvaría su negocio no funciona como se esperaba. Los presentadores mostrarán las nuevas características de la plataforma en JMP 14 junto con las características de las características sobresalientes que se encuentran en el Explorador de texto original en JMP 13. Funciones que lo ayudan rápida y fácilmente a determinar términos y frases de uso frecuente que generan comentarios de los consumidores o la confiabilidad de la máquina. Se utilizarán varios estudios de caso para mostrar lo increíblemente fácil que es limpiar sus datos. Opciones como Local Recode o agregar palabras y frases que tienen poco o ningún significado para su análisis. Las nubes de palabras están apareciendo por todas partes y aprenderá cómo generar una nube de palabras interactiva con solo un par de clics.
Los presentadores demostrarán herramientas avanzadas de exploración de texto en JMP Pro y cómo usar SVD semática latente y análisis de temas dentro del Explorador de texto para descubrir nuevos conocimientos de sus datos no estructurados. Finalmente, los presentadores demostrarán que al aprovechar sus datos no estructurados transformados junto con sus datos estructurados, puede construir modelos más predictivos e informativos.
Exploración de datos
Nivel 2
|
UE 2018413
Pensamiento estadístico para la resolución de problemas industriales
Mia Stephens
Ian Cox
Aprenda a explotar los datos y la naturaleza visual e interactiva de JMP para resolver sus problemas más desafiantes. En esta sesión de trabajo presentamos el principio del pensamiento estadístico y presentamos un enfoque práctico basado en datos para la resolución de problemas industriales del mundo real. Fomentamos la comprensión de las técnicas básicas y los métodos estadísticos modernos a través de ejemplos y simulaciones, y presentamos un estudio de caso de extremo a extremo para unificar conceptos y ampliar la aplicabilidad.
Exploración de datos
Nivel 2
|
UE 2018412
Compartir gráficos e informes JMP
Bryan Fricke y Michael Hecht
JMP es la herramienta elegida para explorar visualmente y hacer descubrimientos sobre sus datos. Sin embargo, dado que no todos son usuarios de JMP, es posible que deba exportar sus gráficos e informes en un formulario adaptado a su audiencia. En esta sesión, demostraremos cómo obtener gráficos e informes de JMP y en formularios adecuados para compartir. En particular, cubriremos la exportación de gráficos e informes en formularios listos para presentaciones, publicaciones o artículos impresos y páginas web interactivas.
Visualización de datos
Nivel 1
|
Mie
1: 00-2: 30
|
UE 2018418
Métodos de simulación en JMP y JMP Pro, con énfasis especial en Bootstrap de peso fraccionado-aleatorio
Bill Meeker y
Chris Gotwalt
Los métodos estadísticos basados en simulación nos permiten hacer cosas increíbles con los datos. En este tutorial veremos una variedad de ejemplos que ilustran cómo JMP ha facilitado aprovechar estos poderosos métodos. Comenzaremos con aplicaciones de confiabilidad y mostraremos cómo obtener inferencias más refinadas en situaciones en las que hay muy pocas observaciones utilizando técnicas bayesianas en la plataforma de distribución de vida de JMP y en la plataforma Fit Life By X. Luego presentaremos el Bootstrap de un clic en JMP Pro y demostraremos su uso en una variedad de ejemplos, con especial énfasis en el bootstrap de peso fraccional aleatorio tremendamente útil, pero muy poco apreciado. El clásico bootstrap, basado en el remuestreo, ha sido, durante varias décadas, un método ampliamente utilizado para calcular intervalos de confianza confiables para aplicaciones donde no hay un método exacto disponible y cuando los tamaños de muestra no son lo suficientemente grandes como para poder confiar en calcule métodos aproximados de muestras grandes, como los intervalos de confianza de Wald (aproximación normal). Sin embargo, hay muchas aplicaciones en las que no se puede utilizar el método de arranque de remuestreo. Estos incluyen situaciones en las que los datos están muy censurados, regresión logística cuando la respuesta de "éxito" es un evento raro o donde hay una mezcla limitada de éxitos y fracasos en las variables explicativas, y experimentos diseñados donde el número de parámetros es cercano al número de observaciones. Lo que estas tres situaciones tienen en común es que puede haber una proporción sustancial de las muestras donde no es posible estimar todos los parámetros del modelo. El método de arranque de peso fraccional aleatorio se puede utilizar para evitar estos problemas y proporcionar intervalos de confianza confiables, y está a solo un clic de distancia en la mayoría de las plataformas en JMP Pro. A continuación, demostraremos cómo hacer cálculos de potencia con la función Simular en JMP Pro. Esto hace que sea sencillo hacer cálculos de potencia para muchos análisis a lo largo de JMP, particularmente experimentos diseñados donde el resultado es binario. Como demostración final de las capacidades de simulación de JMP Pro, mostraremos cómo obtener intervalos de confianza en las predicciones de la red neuronal utilizando la opción Guardar estimaciones en bolsas en el generador de perfiles.
Modelado predictivo
Nivel 4
|
UE 2018416
Proyectos JMP: una nueva forma de organizar su trabajo en JMP 14 - Dan Valente y Aaron Andersen
Muchos usuarios de JMP han experimentado una sesión interactiva de JMP que les dejó con muchas ventanas e informes de análisis abiertos todos a la vez. Si bien el uso de JMP en este "modo de ventana flotante" puede funcionar para muchos, hay situaciones en las que se prefiere tener una interfaz con pestañas. Los usuarios también pueden querer asociar ciertos archivos con un proyecto de análisis y no tener la lista completa que ofrece la ventana de inicio. Por estas razones, creamos el proyecto JMP en JMP 14. Los proyectos proporcionan una interfaz de documentos única para JMP, un espacio de trabajo reconfigurado con pestañas, un lugar para marcar archivos y una lista de ventanas que permite al usuario navegar fácilmente por varias ventanas abiertas, tablas de datos, scripts y más, así como lanzar archivos de soporte como .pdfs y .ppt documentos. Los proyectos también se pueden usar para abrir y cerrar rápidamente muchos archivos asociados con una o más actividades de análisis individuales, y se pueden usar para mantener separados los proyectos paralelos donde en el pasado es posible que haya necesitado ejecutar múltiples sesiones JMP. Finalmente, los proyectos en JMP 14 también pueden brindarle una manera fácil de compartir y colaborar en el trabajo con su funcionalidad de archivo.
Acceso a datos y manipulación
Nivel 1
|
UE 2018417
Nuevas características del DOE en JMP14
Ryan Lekivetz
Bradley Jones
JMP 14 tiene varias características nuevas del DOE.
Quizás lo más importante es una nueva herramienta de diseño para crear diseños de bloques incompletos equilibrados (BIBD). Estos son diseños que tienen un factor de tratamiento y un factor de bloqueo. Sus propiedades especiales son que cada nivel de tratamiento aparece el mismo número de veces en general y el nivel de tratamiento aparece junto con cualquier otro nivel de tratamiento en algún bloque la misma cantidad de veces. Esto crea un tipo de equilibrio especial y deseable. Proporcionaremos más detalles sobre este tipo de diseño, así como demostraremos cómo usar la interfaz de usuario de la nueva herramienta.
El Diseñador personalizado ha agregado un par de criterios de optimización para generar diseños óptimos A y diseños óptimos ponderados. Un diseño óptimo A minimiza la varianza promedio de las estimaciones de los parámetros. El criterio A es similar al conocido criterio D en que se centra en la estimación precisa de los parámetros del modelo. Hay dos beneficios que argumentan para el uso rutinario de los diseños óptimos. Primero, es más fácil entender cómo el criterio A produce buenos diseños en comparación con el criterio D. Eso facilitaría la adopción del uso rutinario de diseños óptimos para los profesionales que son nuevos en el DOE. En segundo lugar, los diseños A-ponderados óptimos permiten poner diferentes cantidades de énfasis en diferentes grupos de parámetros. Por ejemplo, uno podría querer enfatizar los efectos cuadráticos puros sobre las interacciones de dos factores y ambos sobre la estimación del efecto principal. Mostraremos cómo crear diseños A-óptimos y A-óptimos ponderados utilizando la herramienta Diseño personalizado.
La herramienta Comparar diseños ahora puede acomodar hasta 5 diseños en la interfaz de usuario y hasta 10 diseños mediante secuencias de comandos. Anteriormente, el límite era de tres diseños. Demostraremos esta capacidad adicional con un ejemplo de IU y un ejemplo de secuencias de comandos que incluye los nuevos diseños A-óptimo y A-óptimo ponderado.
Por supuesto, hay muchas otras mejoras de las herramientas DOE para JMP 14. El diseño de la Prueba de vida acelerada se ha mejorado mucho. La plataforma Fit Screening definitivo ahora permite considerar los términos del modelo que no exhiben herencia. Las herramientas Choice Design y MaxDiff Design tienen la capacidad de simular respuestas. Esto permitirá determinar si un diseño prospectivo dado podrá detectar de manera confiable los efectos de una magnitud específica. Estaremos disponibles durante toda la conferencia para demostrar estas nuevas capacidades. Desafortunadamente, el tiempo no permite incluirlos en el tutorial.
Diseños A-Optimal
BIBD
GAMA
Nivel 2
|
UE 2018415
Uso de JSL para desarrollar aplicaciones eficientes y robustas
Joseph Morgan
Este tutorial se centrará en las construcciones JSL que pueden resultar invaluables al desarrollar aplicaciones eficientes, robustas y listas para la producción. Estos incluyen funciones de manejo de expresiones, soporte de xpath, espacios de nombres y otros. Las ideas se ilustrarán con ejemplos que el instructor ha recopilado durante los últimos 10 años, ya que ha trabajado con una amplia sección transversal de usuarios de JSL.
Desarrollo de aplicaciones JSL
Nivel 3
|
Mie
2: 45-4: 15
|
UE 2018419
Creación de paneles y aplicaciones con JMP
Dan Schikore
Guardar un análisis para que pueda repetirse en las mismas o diferentes tablas de datos es un paso importante para crear un flujo de trabajo de análisis que sea eficiente y repetible. El lenguaje de secuencias de comandos JMP (JSL) se puede utilizar junto con las herramientas de arrastrar y soltar disponibles en JMP Dashboard Builder y Application Builder para construir e implementar rápidamente paneles y aplicaciones. Esta charla cubrirá todo, desde simples paneles creados con "Combinar Windows" hasta aplicaciones completas con múltiples ventanas y scripts JSL. Obtenga más información sobre el diseño de informes con filtros de datos, la parametrización de aplicaciones para la selección en tiempo de ejecución de columnas para analizar y las opciones para compartir resultados, incluido HTML interactivo. Se demostrará la nueva interfaz de plantilla personalizada, que facilita y agiliza la creación de múltiples paneles o aplicaciones con un aspecto común.
Visualización de datos
Nivel 2
|
UE 2018 422
Mejora integrada de procesos utilizando las herramientas de calidad de segunda generación en JMP ®
Laura Lancaster
Nivel 2
Las herramientas de calidad de segunda generación en JMP (Control Chart Builder, Capacidad de procesos, Análisis de sistemas de medición y Cribado de procesos) se diseñaron con una filosofía integradora para hacer que el análisis de calidad sea más fácil y efectivo. Por ejemplo, la nueva plataforma de capacidad de proceso se diseñó para reflejar el tipo de gráfico de control utilizado en el programa de control de proceso estadístico, y se agregó un informe de capacidad dentro del generador de gráficos de control. Del mismo modo, el generador de perfiles de detección de cambios en la plataforma de análisis de sistemas de medición permite a los ingenieros de calidad tomar decisiones informadas sobre cómo diseñar su metodología de gráfico de control, teniendo en cuenta su sistema de medición para que estén alertas para procesar los cambios lo más rápido posible. Comprender cómo su sistema de medición, el programa de control estadístico del proceso y las evaluaciones de la capacidad del proceso se unen es clave para mejorar y mantener la calidad. La filosofía de diseño única del software hace que esto sea simple y directo. Además, la capacidad de evaluar rápidamente una gran cantidad de procesos para lograr estabilidad con la nueva plataforma Process Screening ahorrará tiempo, reducirá la carga de trabajo y mejorará la calidad. Este tutorial utilizará un estudio de caso para mostrar cómo usar cada una de estas plataformas con un enfoque integrado de mejora de procesos.
Calidad y fiabilidad
Nivel 2
|
UE 2018 421
One stop model building con la plataforma de Regresión generalizada
Barker de arcilla
La selección de variables, el proceso de elegir un conjunto de factores o predictores para modelar una respuesta, es una parte esencial del proceso de construcción del modelo. Afortunadamente, no tiene que ser un proceso doloroso. La plataforma de regresión generalizada (Genreg) en JMP Pro proporciona una variedad de técnicas automatizadas de selección de variables que hacen que este proceso sea rápido y fácil. Después de usar la plataforma, nos queda un modelo parsimonioso que predecirá bien los nuevos datos. Analizaremos el uso de Genreg para construir modelos en una variedad de configuraciones: comenzando con un experimento diseñado ortogonalmente y pasando a grandes conjuntos de datos de observación. También veremos algunas de las nuevas características de Genreg en la versión 14, como modelar respuestas categóricas de varios niveles y el Selector de Dantzig.
Modelado predictivo
Nivel 2
|
UE 2018420
Llegando a la parte divertida: cómo preparar sus datos para el análisis
Brian Corcoran, Mandy Chambers y Kelci Miclaus
La visualización JMP y las plataformas de análisis estadístico le permiten descubrir señales significativas, tendencias e información sobre sus datos. Cuando un proyecto requiere trabajar con múltiples archivos de datos complejos, llegar a ese momento "ajá" requiere la consulta, unión, importación, exploración y limpieza de datos necesarios. No es raro que se dedique hasta el 80% de su tiempo únicamente a la preparación de datos en tareas analíticas de datos complejas o grandes. Esta sesión destaca el uso de varias características nuevas en JMP 13 y JMP 14 para llevarlo a ese estado de análisis listo de manera rápida y fácil. Discutiremos cómo los datos pueden consultarse e importarse desde una base de datos, abrirse y unirse con el generador de consultas JMP, y las opciones de importación de múltiples archivos nuevos en JMP 14. JMP 13 introdujo uniones virtuales a las tablas de datos JMP, lo que le permite especificar claves comunes para vincular varias tablas. Las nuevas capacidades en JMP 14 dirigen una tabla para escuchar o despachar cambios de estado de fila entre tablas vinculadas. Demostraremos cómo estas nuevas características permiten que las tablas prácticamente unidas se "comuniquen" entre sí al compartir estados de fila para una fácil exploración de datos y un análisis inmediato / creación de tablero sin manipulación de tablas. Finalmente, abordaremos el trabajo sucio de limpiar sus datos, destacando las nuevas características de Recode para demostrar cómo ahora podemos reemplazar cadenas usando expresiones regulares, eliminar signos de puntuación no deseados, guardar scripts de Recode, reutilizarlos y agregarlos, e incluso usar etiquetas de valor si la columna ya los tiene asignados. Estos temas simplificarán la experiencia de cada usuario de JMP con importación, exploración de tablas y limpieza de datos; dejando más tiempo para la diversión: análisis de datos.
Acceso a datos y manipulación
Nivel 1
|
Mie
4: 30-6: 00
|
UE 2018426
Análisis de confiabilidad e ingeniería utilizando JMP
Peng Liu, desarrollador principal de estadísticas de investigación de JMP, SAS
Leo Wright, JMP Gerente de producto principal, SAS
Michael Crotty, JMP Escritor Estadístico Senior, SAS
El conjunto de herramientas de vanguardia en JMP para estudiar la confiabilidad está diseñado para permitir a las organizaciones proporcionar productos superiores, un requisito para el éxito en la arena actual de productos y servicios complejos. Durante muchos años, hemos incorporado conceptos de vanguardia que integran análisis estadísticos sólidos con visualización dinámica de datos para ayudar a los usuarios a evaluar de inmediato el rendimiento, detectar tendencias y diagnosticar oportunidades de mejora, incluso en grandes conjuntos de datos. JMP ha reconocido que la confiabilidad, también conocida como "calidad en el tiempo", es crucial en todos los ámbitos, desde productos de consumo e industriales hasta atención médica y sistemas de defensa. Las herramientas de confiabilidad de JMP están diseñadas para ayudar a los ingenieros, investigadores y gerentes a comprender los datos de confiabilidad y las confiabilidades del sistema de manera más fácil y rápida, ya sea que el sistema estudiado sea relativamente simple o completamente complejo. Las herramientas de confiabilidad JMP, respaldadas por la poderosa infraestructura JMP, también son extensibles y personalizables. En este tutorial, cubriremos las siguientes plataformas JMP: Distribución de vida, Pronóstico de confiabilidad, Degradación y Simulación de sistemas reparables. Las plataformas se encuentran entre los componentes esenciales del análisis de confiabilidad y la ingeniería, y abordan problemas tanto para sistemas reparables como no reparables. El tutorial comenzará con una introducción a los datos censurados y describirá diferentes objetivos de análisis de confiabilidad e ingeniería. Los instructores abordarán objetivos individuales mediante el uso de ejemplos incluidos con el software JMP.
Calidad y fiabilidad
Nivel 3
|
UE 2018424
Más de 10 cosas que no sabes sobre JMP
Brady Brady
Como ya sabe, JMP es una herramienta increíblemente rica para el análisis y la exploración de datos. Eso también significa que sabes que hay más de una forma de hacer casi cualquier cosa en JMP.
Los 10 (¡o más!) Consejos y trucos compartidos aquí lo harán más eficiente y le presentarán técnicas, métodos abreviados de teclado, fórmulas y más.
Entra y sube de nivel de principiante a experto, o de experto a gurú.
Exploración de datos
Nivel 1
|
UE 2018425
Los sabores multivariados de JMP: de continuo a categórico a discreto a funcional
Laura Castro-Schilo y Chris Gotwalt
El análisis de datos multivariados se ha convertido en una habilidad esencial a medida que la cantidad de datos se ha disparado y las empresas se vuelven más basadas en datos en su toma de decisiones. En esta sesión de trabajo extendida, mostramos el enfoque visual e interactivo único de JMP para el análisis de datos multivariados utilizando una variedad de enfoques que se basan en datos continuos, categóricos, discretos y funcionales. Comenzaremos con una discusión fundamental de la esencia del análisis multivariante: la idea de que la información contenida en un gran número de variables a menudo se puede representar de manera eficiente con un número menor de variables. Luego damos una visión general de las herramientas generales de JMP para analizar datos multivariados. La sesión se impartirá en dos partes. La introducción utilizará datos del análisis sensorial y la investigación del consumidor para motivar y demostrar métodos multivariados clásicos no supervisados, como el análisis de componentes principales, el análisis de correspondencia múltiple y una nueva técnica en JMP 14, análisis de factores múltiples. La segunda parte cubrirá métodos supervisados para datos multivariados utilizando mínimos cuadrados parciales y componentes principales funcionales. Para ilustrar estos métodos supervisados, crearemos modelos para predecir el rendimiento de un proceso de fabricación por lotes con datos de múltiples flujos de señal. A lo largo, daremos pautas claras sobre cuándo cada técnica analítica es apropiada y destacaremos las opciones de software más importantes y útiles.
Exploración de datos
Nivel 2
|
UE 2018 423
Vistas nuevas y avanzadas en JMP 14 Graph Builder
Xan Gregg y Scott Wise
Esta sesión Breakout combina las sesiones populares "Novedades en Graph Builder" e "Imágenes de las Vistas de Galería de Graph Graph Builder".
Primero, realizaremos una visita guiada por varias características nuevas y refinadas de Graph Builder en JMP 14. Una nueva zona de caída de intervalos facilita las barras de error personalizadas. Se han agregado varios tipos de fluctuación, incluido un nuevo valor predeterminado. Un estilo de gráfico de barras completamente nuevo llamado "barras empaquetadas" extiende los gráficos de Pareto. Más tipos de elementos admiten coordenadas paralelas para vistas multivariadas compactas. Los contornos se pueden alisar. Las estadísticas elementales son accesibles.
Luego exploraremos cómo construir vistas gráficas avanzadas populares y cautivadoras usando JMP Graph Builder. Hemos creado nuevas imágenes para la revista Gallery 3 que presenta vistas adicionales disponibles en las últimas versiones de JMP. Presentaremos varios formatos populares de gráficos de la industria que quizás no haya sabido que podrían construirse fácilmente dentro de JMP. Se incluirán vistas como la incorporación de Gráficos de viñetas, Barras de error bidireccionales, Gráficos de volcanes y más que pueden ayudar a dar vida a sus análisis y proporcionar una plataforma atractiva para ayudarlo a administrar sus resultados.
Visualización de datos
Nivel 1
|
Jue
10: 45-11: 15
(30 minutos)
|
UE 2018105
Christoph Gross
SCHOTT AG
Iterando sobre conjuntos de archivos
'Iterar sobre conjuntos de archivos' es una tarea común en el proceso de preparación y análisis de datos basados en scripts. Los escenarios típicos incluyen la conversión automatizada de archivos que no son JMP (p. Ej., Archivos de medición, que se reciben diariamente) y la extracción y recopilación de resultados intermedios de conjuntos de archivos, que son demasiado grandes para una unión simple. En lugar de hablar sobre lo que se hace con los archivos individuales, me centraré en el marco iterativo y presentaré un conjunto de funciones útiles.
|
UE 2018113
Elie Maricau
BASF Antwerpen
Aplicación de Data Analytics para mejorar el rendimiento de un proceso de producción química: aprendizajes y mejores prácticas.
Esta presentación discute un caso de uso de ejemplo en una planta de producción química donde el objetivo es mejorar el rendimiento del producto. Como parte del proyecto, se han analizado 5 años de datos históricos (incluidos datos de laboratorio, datos de sensores y datos de texto del libro de registro). Los resultados del análisis desencadenan experimentos dedicados en la planta, tanto para validar hallazgos basados en datos como para explorar aún más las relaciones desconocidas. Durante la presentación, destacaré algunos factores críticos de éxito en el enfoque del proyecto (es decir, LSS DMAIC) y demostraré cómo se utilizó JMP para encontrar relaciones ocultas en los datos. Demostraré cómo JMP puede ser muy efectivo para agregar rápidamente conjuntos de datos, limpiar los datos, separar el ruido de las variaciones reales del proceso y visualizar y cuantificar las relaciones. Las técnicas que se discutirán y demostrarán incluyen operaciones de tabla, filtrado de datos, modelado y DOE.
|
UE 2018116
Martin Owen
Insight by Design
Proyecto, Insight, Acción !!!
Como profesor y formador, estoy muy interesado en las capacidades que ofrece la nueva funcionalidad del Proyecto en JMP14EA. Veo que esta plataforma extiende nuestras capacidades para mejorar la memoria organizacional, reuniendo material (conjuntos de datos, scripts, modelos e informes de visualización) de diferentes fuentes. Podemos mapear las estructuras de archivos existentes y crear una nueva estructura organizativa a través de una única interfaz de documento. En esta presentación daré ejemplos del potencial del Proyecto JMP14 como herramienta de enseñanza. El objetivo es acelerar el aprendizaje y ayudar a los equipos u organizaciones a adoptar nuevos flujos de trabajo, retener los conocimientos de estudios anteriores, tomar mejores decisiones y tomar medidas. El espacio de trabajo flexible del Proyecto da vida a historias convincentes. Ahora es muy fácil:
- cree un flujo de trabajo de operaciones secuenciales, desde el diseño de experimentos hasta el análisis y documentación de información y acciones clave
- muestra cómo se acumula la información sobre una serie de paquetes de trabajo de diseño experimental
- comparar y seleccionar entre diferentes enfoques de modelado y visualización
- crear y archivar informes estándar que se actualizan cuando se ingresan nuevos datos
Una ventaja adicional es que ahora es más fácil administrar y curar datos mientras trabajo: cerrar una sesión actual lista para regenerarse al día siguiente no podría ser más simple.
|
UE 2018104
Piet Hoogkamer
Abbott Healthcare Products
Prueba multivariante de la similitud de las curvas de disolución.
La prueba de disolución de productos farmacéuticos es importante ya que es una medida sustituta de la disolución in vivo. La disolución in vivo afecta la biodisponibilidad, que puede afectar la farmacocinética (niveles sanguíneos) y, como resultado, puede afectar la seguridad y la eficacia. En caso de que se proponga un cambio con respecto al proceso de fabricación, el sitio de fabricación o el método de prueba, se debe demostrar la 'equivalencia' para obtener una bioexención. La similitud de las curvas puede probarse utilizando la métrica matemática f2, donde un valor entre 50 y 100 sugiere similitud. La métrica f2 se explicará en detalle. Sin embargo, en caso de que la variabilidad sea demasiado alta (entre unidades probadas, dentro de un punto de tiempo), se debe utilizar una estadística basada en la distancia multivariante. Se mostrarán algunas opciones para los enfoques dependientes e independientes del modelo. El uso de JMP, tanto con funcionalidad estándar como con un script dedicado, se ilustrará para la distancia de Mahalanobis.
|
Jue
11:30 - 12:00
(30 minutos)
|
UE 2018115
Paolo Nencioni
A.Menarini ML Y SSrL
Uso de la plataforma Fit Model para predecir, en poco tiempo, la vida útil de algunas formulaciones, durante las fases de desarrollo de un medicamento.
En general, las pautas del Consejo Internacional de Armonización (ICH) requieren que un medicamento se evalúe en condiciones de almacenamiento predefinidas que prueben su estabilidad térmica. Las condiciones de almacenamiento y la duración de los estudios elegidos deberían ser suficientes para cubrir el almacenamiento, el envío y el uso. La prueba a largo plazo debe cubrir un mínimo de doce meses de duración al momento de la presentación, mientras que la condición intermedia y acelerada debe cubrir un mínimo de seis meses. Durante las fases de desarrollo, más de una formulación puede dar resultados para cumplir con los requisitos del proyecto. ¿Cómo podemos elegir el mejor? Seguramente, nos gustaría elegir la formulación que asegure la mayor vida útil posible. La realización de un estudio formal de estabilidad de ICH da respuestas útiles no antes de los seis meses. La realización de estudios de estabilidad acelerada utilizando temperaturas más altas que las condiciones de ICH, ha permitido evaluar el comportamiento de alguna formulación, en un tiempo relativamente corto (no más de treinta días). Con la plataforma JMP Fit Model, ha sido posible estimar la tasa de degradación en función del factor de estrés, llegando a una decisión basada en datos sobre la fórmula más estable. Las tasas de degradación estimadas se han utilizado para predecir los valores de los atributos de calidad en los puntos de tiempo y las condiciones de almacenamiento requeridas de la directriz ICH. Los resultados predichos se han comparado con el valor real de un lote seguido usando condiciones ICH, para verificar la bondad de los modelos. Se ha utilizado el mismo enfoque para evaluar juntos el efecto de la temperatura y el nivel de oxígeno. Los modelos construidos con JMP se han utilizado para identificar el efecto real del contenido de oxígeno, en los atributos críticos de calidad del producto terminado.
|
UE 2018 121
Jacqueline Asscher
Kinneret College en el mar de Galilea
Sesión de capacitación de la industria basada en un estudio de caso: uso de JMP para aprender a diseñar experimentos de parcelas divididas
Cuando los experimentos tienen una estructura de parcela dividida, esto debe tenerse en cuenta tanto en el diseño como en el análisis. Un ejemplo común es un experimento realizado para mejorar un proceso que se ejecuta en lotes, donde algunos factores se cambian entre lotes y otros factores se cambian dentro de los lotes, lo que resulta en ejecuciones que no son completamente independientes. La estructura de parcela dividida puede ser inherente al proceso que se investiga o en la configuración experimental, o puede adoptarse por elección, ya sea para ahorrar tiempo o dinero, o para mejorar el diseño. En el estudio de caso, algunos factores están relacionados con la preparación del material, y otros factores están relacionados con el procesamiento del material en el producto final. En la sesión de capacitación para profesionales, las herramientas JMP para diseñar, evaluar y comparar experimentos se utilizan para explorar estrategias alternativas para elegir un diseño. Los diseños candidatos considerados incluyen los diseños predeterminados y especificados por el usuario creados por JMP y los diseños creados desde cero por el usuario. Por ejemplo, generalmente es más barato incluir una replicación mínima completa de la trama, y exploramos las consecuencias de adoptar esta estrategia. El objetivo pedagógico es enseñar simultáneamente el tema y el uso de las herramientas JMP.
|
UE 2018102
Anne SAINT-AMANS
Limagrain
Un complemento para analizar datos de prueba de campo: el ANOVA personalizado
Limagrain, la cuarta compañía de semillas más grande del mundo, crea cada año nuevas variedades para cultivos de hortalizas y de campo. Estas nuevas variedades se prueban y comparan con referencias comerciales basadas en varias variables (rendimiento, longitud de los frutos ...). Se realizan análisis de varianza y modelos mixtos para tener en cuenta los efectos ambientales no deseados (borde, ventilación, fertilidad del suelo ...) y extraer el potencial genético de las variedades. JMP posee muchas características para realizar los estudios estadísticos requeridos. Limagrain ha desarrollado un complemento llamado "ANOVA personalizado" para reunirlos. El objetivo es ofrecer un informe completo e interactivo específicamente adaptado a las necesidades de los investigadores del grupo. Una interfaz minimalista e intuitiva permite seleccionar algunas opciones antes de iniciar los análisis. El informe final contiene diferentes pestañas, cada una de ellas asociada a un paso particular: estadísticas descriptivas, estadísticas del modelo, validación de las hipótesis, estudio de efectos, cálculo del potencial genético, mapas de campo y comparaciones múltiples. Además, el complemento explota el "objeto de expresión" de JSL para proporcionar la capacidad de guardar el script del informe en la tabla de datos (como cualquier otro informe JMP). Por lo tanto, el usuario puede mantener un rastro de sus resultados y regenerar fácilmente todo el informe.
|
UE 2018124
Gary Finka, Sonya Godbert, Doug Marsh, Director, Líder de estadísticas, Científico sénior
Glaxo Smith Kline
Explorando datos funcionales
Hay muchas formas en que puede explorar cómo se relacionan las X con las Y cuando tiene un rectángulo de datos, con columnas de variables para cada fila (muestras, corridas, lotes). Pero muchos otros datos que quizás desee utilizar no se ajustan fácilmente a este formulario. Un ejemplo común es donde, para cada muestra, análisis o lote, tiene alguna medida que se ha registrado con el tiempo. ¿Qué sucede si desea relacionar la forma de estos "datos funcionales" con otras variables? El desafío es extraer una pequeña cantidad de "características" que capturan la información útil de los datos funcionales completos de cada "ID de función" (las muestras, ejecuciones o lotes). Las características se pueden usar como Xs o Ys en un rectángulo de datos estándar. Otros desafíos incluyen el hecho de que los datos pueden no estar alineados a través de las ID de funciones: la frecuencia de recopilación puede ser diferente, puede haber un desplazamiento o puede faltar información en algunos puntos para algunas de las ID de funciones. Con ejemplos de un entorno biofarmacéutico, mostraremos cómo se pueden extraer conocimientos valiosos de este tipo de datos utilizando el Explorador de datos funcionales en JMP 14.
|
Jue
2:00 - 2:45
(45 minutos)
|
UE 2018202
ALFREDO LOPEZ NAVARRO
Telefónica Germany GmbH & Co. OHG
TITANIC Revisited - ¡Todas las manos en cubierta!
Nos gustaría proporcionar una descripción convincente e interesante de algunos hechos, no muy conocidos, sobre el desastre de RMS TITANIC, hundido en 1912 después de colisionar con un iceberg. Todos conocemos la historia, o eso creemos. Gracias a la Metodología de Descubrimiento de Telefónica, impulsada por JMP, nos embarcaremos en una expedición que profundizará en una vista de puntos de datos para rescatar las percepciones del olvido. Eliminaremos los datos con la función "Internet abierto". Unir, concatenar y actualizar tablas hasta crear una base de datos mejorada capaz de proporcionar una gran cantidad de información. Luego, por medio de ANOVA, análisis categórico y visual, contaremos una historia fascinante basada en datos. Espere una sorpresa de última hora  Por supuesto, todo será práctico: todo está documentado y explicado para cargarlo en la Comunidad de usuarios de JMP. Nos gustaría abrir una conversación para que otros construyan sobre esto. JMP a bordo con nosotros!
|
UE 2018 201
Philip Ramsey
Universidad de New Hampshire y North Haven Group
Estrategias de validación de modelos para experimentos diseñados utilizando técnicas de bootstrapping con aplicaciones a productos biofarmacéuticos
Hay dos objetivos diferentes para el modelado estadístico: Explicación y Predicción. Los modelos explicativos a menudo predicen mal (Shmueli, 2010). A menudo, los análisis de los experimentos diseñados (DOE) son explicativos, pero los objetivos experimentales son la predicción. Haga una mejor práctica para el desarrollo de productos y procesos donde se predice el rendimiento futuro. El modelado predictivo requiere la partición de los datos en conjuntos de capacitación y validación donde el conjunto de validación se utiliza para evaluar modelos predictivos. La mayoría de los DOE no tienen suficientes observaciones para formar un conjunto de validación que impida la evaluación directa del desempeño de predicción. Demostramos una técnica de "Validación automática equilibrada" que utiliza los datos originales para crear dos copias de esos datos; uno un conjunto de entrenamiento y el otro un conjunto de validación; los conjuntos difieren en ponderaciones de fila. Los pesos son Dirichlet distribuidos y "equilibrados"; las observaciones que contribuyen más a los datos de entrenamiento contribuyen menos al conjunto de validación (y viceversa). El enfoque solo requiere copiar los datos y crear una columna de fórmula para los pesos. La técnica es general, lo que permite aplicar técnicas de modelado predictivo a conjuntos de datos más pequeños comunes a estudios de laboratorio y fabricación. Se utilizan dos estudios de caso de desarrollo de procesos bio-farmacéuticos para la demostración. Ambos casos tienen grandes conjuntos de validación combinados con diseños de cribado definitivos. JMP se utiliza para demostrar análisis.
|
UE 2018212
Robert Reul
Soluciones isométricas
Usando JMP para eliminar la discriminación en el Workpalce
Eliminación de la discriminación en el lugar de trabajo Posiblemente el único objetivo compartido por los solicitantes y los empleadores es la capacidad de buscar y obtener empleo en un conjunto completo de características no discriminatorias: conocimiento, habilidad y experiencia. La desafortunada realidad es que con demasiada frecuencia estos factores se ven superados por otros factores más fácilmente discernibles que tienen muy poco que ver con el desempeño laboral y, lo que es peor, incorporan prácticas poco éticas e ilegales al contratar solicitantes para un trabajo. ¿Se puede utilizar el análisis de datos para excluir sesgos discriminatorios durante la decisión de contratación? Al aprovechar la extensa literatura académica sobre personalidad y rendimiento, surgen varios marcos que sirven como vectores de resultados para modelos predictivos, a saber, las personalidades Big-5 y Confiabilidad, similitud y confianza. ¿Pero qué hacer con los predictores? A través de la experimentación con el procesamiento de imágenes faciales, los datos de fuentes como Google y Microsoft mostraron una promesa predictiva. Mediante el uso de una serie de métodos analíticos que evalúan el potencial predictivo y reducen la complejidad dimensional, la destreza predictiva emerge con un conjunto completamente no discriminatorio de variables latentes que informan las recomendaciones de "a quién entrevistar" / "a quién contratar" basadas únicamente en la personalidad cultural ajuste. Esta presentación revelará los desafíos y éxitos de este esfuerzo demostrando que no solo es factible, sino que puede convertirse en la nueva normalidad.
|
UE 2018210
Paul Nelson y Andrew Macpherson
GSK
Aumento definitivo de diseños de cribado definitivos
Los diseños de cribado definitivo (DSD) abordan de forma exclusiva las necesidades clave de muchos experimentadores. ¿De qué otra forma podemos explicar la rápida y entusiasta adopción de DSD desde su descubrimiento fue publicado en 2011? Los DSD de 13 o 17 carreras para 5-7 factores son diseños de referencia para muchos experimentadores cuando se seleccionan los pocos factores impulsores. Junto con la 'Selección definitiva de ajuste' en JMP, potencialmente tiene un flujo de trabajo experimental simple, eficiente y efectivo para encontrar los principales efectos, interacciones y comportamientos curvilíneos importantes de estos factores. Si solo 3 de los factores están activos, puede ajustar el modelo RSM de segundo orden completo y lograr la detección y la optimización en un solo paso. Pero, ¿qué pasa si hay más de 3 factores activos? Cuando se produce ambigüedad, ¿hay un simple paso siguiente? ¿O la complejidad de esta situación se convierte en una barrera para la adopción de DSD? En esta presentación, primero escuchará sobre ejemplos de la vida real que demuestran el valor de los DSD. Luego verá que hay formas simples de aumentar estos DSD, asegurando que la estructura y las propiedades se puedan preservar, de modo que se mantengan los beneficios de los DSD. En consecuencia, más personas en más situaciones pueden beneficiarse a través del flujo de trabajo de DoE y DSD secuenciales.
|
Jue
3:00 - 3:45
(45 minutos)
|
UE 2018211
Rob Lievense
Perrigo
Incorporación de elementos QbD para minimizar la variación del patrón de pulverización de un proceso de recubrimiento por pulverización de fármaco activo utilizando análisis de imagen JMP y la plataforma DOE
La obtención de una uniformidad de dosificación aceptable, para tabletas farmacéuticas recubiertas con un fármaco activo, depende de la variabilidad atenuante entre las unidades de dosificación. Se requiere un nivel mucho más alto de precisión del proceso de recubrimiento de la tableta de tambor para aplicar recubrimientos activos que los recubrimientos no funcionales. El sistema de pulverización es un elemento clave del proceso que es muy difícil de optimizar debido a la necesidad de equipos especializados para obtener mediciones volumétricas. Un enfoque alternativo implica ensayos que rocían el patrón sobre un sustrato de papel negro simple y obtienen imágenes digitales del patrón de rociado. El analizador de imágenes se utiliza para crear una tabla de valores de intensidad, que cuantifican el patrón. Los gráficos del generador de gráficos del perfil de intensidad ilustran claramente la variación en la pulverización entre y entre múltiples pistolas de pulverización que funcionan como un análogo eficiente a las medidas volumétricas típicas. Los perfiles se resumen en resultados que se utilizan con la plataforma DOE personalizada para optimizar el proceso del sistema de pulverización. JMP se utiliza para incorporar elementos de calidad por diseño (QbD) para definir el espacio de diseño. La optimización de este espacio mejora enormemente el proceso, por lo que se pueden cumplir de manera sólida los estándares exactos establecidos para la uniformidad de la dosis.
|
UE 2018208
Olivier Brack
Estadística Industrielle Khi2 Consulting
Diseño de Experimento en Simulación Numérica
En vísperas de la publicación de un nuevo estándar AFNOR (FDX06 081) dedicado al DOE en simulación y pruebas industriales, proponemos presentar un ejemplo de aplicación JMP para resolver un problema de optimización del rendimiento de un tren de rodaje de vehículos, basado en simulaciones numéricas. Al procesar datos de simulaciones no planificadas para abordar el problema, se realizaron nuevas simulaciones para obtener información más relevante. Estas nuevas simulaciones también se llevaron a cabo con el fin de obtener datos que permitan comparar DOE, con un objetivo pedagógico en el marco de la capacitación en la Ecole Polytechnique. Este ejemplo muestra la utilidad, con demasiada frecuencia descuidada, de los DOE en la simulación numérica. Desde el diseño de las pruebas, hasta la recalibración del modelo teórico sobre datos experimentales reales, pasando, obviamente, por el tratamiento estadístico (especialmente teniendo en cuenta la variabilidad experimental, muy a menudo y tan injustamente descartada en la simulación) y gráficos de los resultados De los planes, esta presentación destaca el desempeño de JMP en el logro de los requisitos de los DOE en la simulación numérica.
|
UE 2018205
Thomas Zelikman
NNE
Síntesis de control predictivo de un circuito de control industrial con Jmp
Se presenta una configuración industrial, donde Jmp se utilizó para importar y unir archivos de varias fuentes de datos temporales diferentes, incluidas mediciones de vibración, datos de operación de la máquina y archivos de video. Con JSL en Jmp, fue posible crear un script que realiza todas las conversiones necesarias y el preacondicionamiento de datos como la extracción de sonido de archivos de video, análisis espectral de sonido y vibración y sincronización de datos temporales con posiciones de medición geométricas en las muestras producidas en el proceso para habilitar la vinculación de eventos del proceso con mediciones en la salida. Se utilizaron métodos multivariados para crear una predicción de la salida adecuada para exportar la expresión del predictor al controlador. Se utilizaron métodos de diseño de experimentos para identificar cómo debería verse afectada la salida para cerrar el ciclo de control y obtener la respuesta deseada.
|
UE 2018204
Por florero
NNE
Cómo JMP 14 puede predecir el rendimiento de futuros lotes. Un cambio de juego en la validación de procesos farmacéuticos.
Muchas compañías dentro de la industria farmacéutica todavía pasan una Calificación de Desempeño de Proceso (PPQ) simplemente por el hecho de que el Ppk estimado en tres lotes consecutivos es mejor que los criterios de aceptación. Sin embargo, la validación se trata de predecir el futuro, NO el pasado. Entonces, aunque los tres lotes pueden tener un Ppk suficiente, esto no es suficiente. La predicción para futuros valores de Ppk también debe parecer prometedora. La Sociedad Internacional de Ingeniería Farmacéutica (ISPE) ha publicado un documento de debate "Evaluación del impacto de las herramientas estadísticas en los resultados de PPQ" sobre cómo esta predicción se puede hacer a partir del cálculo del componente de varianza entre y dentro de la varianza del lote convertido en índices de capacidad de proceso. Una de las razones por las cuales este método aún no se usa ampliamente ha sido la falta de paquetes de software estadístico con este método de cálculo como estándar. Sin embargo, ahora está en JMP 14 en el gráfico de 3 vías donde se calcula la capacidad entre y dentro de Sigma. Los ejemplos en los que este método se ha utilizado para la evaluación de PPQ se mostrarán en JMP 14 tanto con evaluaciones exitosas como sin éxito. Se comparará con el método tradicional mencionado anteriormente.
|
