Hola, Yo soy Ron Kenett.
Esto esto es a articulación Habla habla con cris Gotwalt.
los Habla habla es en Funcional Datos Análisis y no lineal Regresión Modelos.
Y en pedido para examinar examinar los opciones
y qué nosotros conseguir conseguir fuera fuera de esto esto escribe de análisis,
nosotros voluntad voluntad Toma, toma un informacion informacion calidad perspectiva.
En a sentido, esto esto es a Sigue sigue Subir Subir para a Habla habla nosotros dio ultimo ultimo año año
en en los misma misma Descubrimiento Cumbre.
Entonces I voluntad voluntad comienzo con sencillo ejemplos
para presentar presentar FDA y no lineal Regresión.
Y luego cris voluntad voluntad cubrir un complejo y más
sustancialmente más complejo ejemplo ejemplo de mejoramiento,
cual cual incluye incluye mezcla experimentos diseñado para partido a referencia perfil.
Entonces los historia comienza comienza con datos en tabletas tabletas que son son disuelto disuelto
y mediciones son son hecho hecho en en diferente tiempo tiempo puntos, puntos,
cinco minutos, minutos, diez minutos, minutos, 15 minutos, minutos, cada cinco minutos, minutos,
y luego 20 minutos, minutos, diez minutos luego,
30, 30, y luego 15 minutos luego, 45 45 minutos.
Nosotros tener tener 12 tabletas tabletas que son son nuestro producto
y 12 tabletas tabletas que son son los referencia.
Nuestro meta es para tener tener a producto que partidos los referencia.
Y en esto esto escribe de datos, nosotros tener tener a perfil,
y nosotros considerar considerar dos opciones,
FDA y NLR.
En ejemplo de Chris, bien Habla habla sobre sobre algo llamado la F 2,
cual cual es a tercero tercio opción por analizando esto esto escribe de datos.
Entonces aquí está qué eso parece parece me gusta con los grafico constructor.
En los izquierda izquierda, nosotros tener tener los referencia perfiles.
En los bien bien, nosotros tener tener los tabletas tabletas y los prueba.
Nosotros lata ves ves esto esto es un ejemplo ejemplo desde mi libro en moderno industrial Estadísticas,
los libro con Shelley zacks, cual cual es ahora en es su tercero tercio edición.
Entonces en los izquierda usted lata ves ves ahí ahí es a tableta que parece parece
a poco poco diferente.
Es etiquetado T 5R.
Y si si nosotros correr a funcional datos análisis de esto esto datos,
T 5R hace Mira diferente.
Nosotros ves ves que los crecimiento parte parte es diferente.
Eso tiene tiene a despacio despacio crecimiento pero pero consistente crecimiento.
Eso hace no tener tener los forma que nosotros ves ves en los otro Disolución curvas.
Esto esto era era hecho hecho con a Cuadrático B-spline con 1 nudo,
y los cuadrático era era en esto esto caso,
adecuado los datos mejor que que los mariscal de campo
Esto esto es a poco poco de un raro situación.
Entonces porque de los formas, los B-spline cuadrática era era a mejor encajar.
Si nosotros Mira en en T 1R,
los primero tableta que tiene tiene todavía diferente forma,
eso dispara Subir Subir y luego eso corsé.
Entonces básicamente, los tableta tiene tiene disuelto.
Obviamente, más allá de a alta alta número de Disolución,
hay no mucho izquierda por los solución.
Entonces T 1R y T 5R, ellos parecer diferente.
T 5R soportes soportes fuera fuera más que que T 1R.
Entonces, sí Sí, T 5R en los grupo análisis
en los funcional principal componentes componentes hace pararse fuera.
Entonces aquí nosotros ves ves cómo funcional principal componentes componentes
dispersión trama trama de los primero dos funcional principal componentes componentes puntos, puntos,
qué nosotros observar visualmente.
Y T1R, cual cual es próximo para T 2R,
es a diferente grupo.
Nosotros lata Continuar con a no lineal regresión Acercarse.
Aquí nosotros son son adecuado a Gompertz Tres parámetro parámetro modelo
con Tres parámetros,
los asíntota, los crecimiento calificar, y los inflexión punto.
Esto esto es los modelo y Cuándo nosotros ajuste ajuste los perfiles,
nosotros otra vez ves ves que T 5R soportes soportes fuera.
Entonces nosotros tener tener los misma misma cualitativo impresión impresión que nosotros había tenido con FDA.
Ahora nosotros tener tener estas Tres parámetros listado
y nosotros lata correr a perfilador en los modelo porque nosotros ahora tener tener a modelo.
Esto esto es donde T 1R soportes
Entonces por por corriendo los perfil en los diferente tabletas,
nosotros lata además ves ves cómo similar o diferente ellos Mira me gusta.
Esto esto es los mesa que mapas fuera fuera los parámetros de esto esto asíntotas.
entonces T 1R crecimiento tasa .21,
T5R, esto tableta que permaneció fuera.
Crecimiento calificar .075,
muy despacio despacio crecimiento calificar,
consistente pero pero lento.
los inflexión punto es 11.5, manera en los Correcto.
Entonces nosotros lata ves ves a través de esto esto parámetro parámetro valores los diferencia.
Nosotros lata además elegir Subir Subir dos tabletas tabletas que pararse fuera fuera por crecimiento tarifas
T2R 1.77,
y T8R, casi no crecimiento.
Bien conseguir conseguir espalda para T 2 y T 8 en a minuto.
Si nosotros Toma, toma los principal componentes componentes de estas Tres parámetros espacio.
Entonces nosotros encubrir los parámetros como si si estas son son los mediciones
y nosotros correr a multivariante control Disparo.
Nosotros lata ves ves T 1, esto esto es los primero una
y nosotros lata ves ves T Cinco, esto esto es los azul una, los quinto una.
Esto esto nosotros ya vio.
Ellos son son dentro dentro los control límites límites de los T Cuadrado
multivariado estadístico distancia control gráfico.
Y T 2 y T 8 que I resaltado antes de ahora pararse fuera fuera
y nosotros lata ves ves cualitativamente por qué.
Esto esto es los modelo degradación Acercarse en los orientación orientación documentos documentos
que es usado por modelado Disolución curvas.
En corriendo tal análisis con un informacion informacion calidad perspectiva,
los primero pregunta es pidiendo qué es los meta de los ¿análisis?
Y luego nosotros lata considerar considerar los método de análisis.
Aquí fueron usando usando no lineal regresión y funcional datos análisis.
cris voluntad voluntad conseguir conseguir en en cómo esto esto es conjunto
con datos derivado desde experimental diseño.
Nosotros tener tener a utilidad función y los informacion informacion calidad
es los utilidad de aplicando a método F en datos X condición n de los meta.
Está evaluado con ocho dimensiones.
Y aquí cris otra vez bien Habla habla sobre sobre datos resolución y datos estructura.
Entonces cris, los piso es tuya.
Gracias Ron.
Ahora Yo soy yendo yendo para dar dar un ejemplo ejemplo que es a poco poco poco poco más Complicado
que que los primero una.
En de ron ejemplo,
él era era comparando comparando los Disolución curvas de prueba tabletas tabletas
para esos desde a colocar de referencia tabletas
En que situación, situación, los expectativa es que
los curvas debería debería Generalmente ser siguiente los misma misma sendero.
Y él mostró mostró cómo para encontrar encontrar anómalo curvas
que desviarse desde los descansar descansar de los población.
En esto esto segundo segundo ejemplo, nosotros además tener tener a referencia Disolución curva.
Pero pero nosotros son son analizando datos desde a diseñado experimentar
donde los meta es para encontrar encontrar a formulación formulación en dos polímero aditivos
y los Monto de fuerza fuerza usado en los tableta producción proceso
que lleva lleva para a cerrar partido
para los referencia salpicaduras los solución curva.
los grafico usted ves ves aquí muestra muestra
los datos desde los referencia curva que nosotros quiero quiero para partido.
Para hacer hacer esta, Yo soy yendo yendo para demostrar demostrar Tres analiza de los datos
que utilizar diferente métodos y modelos modelos
para encontrar encontrar factor ajustes ajustes que partido los referencia que dirigir para a ...
Para hacer hacer esta, Yo soy yendo yendo para demostrar demostrar Tres análisis de esto esto datos
que utilizar diferente métodos y modelos modelos para encontrar encontrar factor ajustes ajustes
que voluntad voluntad mejor partido los referencia curva.
En los primero análisis,
Yo soy yendo yendo para resumir resumir cada uno cada uno de los Gama curvas
Abajo abajo para a único métrico llamado F2
que es Típicamente usado en Disolución curva análisis,
a la medida de convenio con los referencia partido.
Ahí, voy a utilizar estándar Gama métodos para modelo que F2 respuesta
y luego encontrar encontrar los factor ajustes ajustes que son son predicho
para mejor de acuerdo de acuerdo con los referencia.
En los segundo segundo análisis,
voy a utilizar a funcional Gama modelado Acercarse
donde I modelo los curvas usando usando estas persianas,
extraer extraer funcional principio componente historias, y modelo ellos.
voy a carga los referencia lote como a objetivo objetivo función
en los Funcional Datos Explorador plataforma
y luego utilizar los FDoE perfilador
para encontrar encontrar los más cercano partido recomendado por por que modelo.
Estas primero dos enfoques utilizar poco poco tema importa importa informacion informacion
sobre sobre estas tipos de tabletas
En los tercero tercio análisis,
voy a modelo los curvas usando usando a no lineal modelo
que era era conocido conocido para ajuste ajuste esto esto escribe de tableta bien bien
y utilizar los Curva Gama opción en los ajuste ajuste Curva plataforma
para modelo los relación Entre los Gama factores
y los forma de los curva.
I quiero quiero para crédito Arcilla Pregonero por agregando esto esto capacidad para JMP Pro 16. 16.
I piensa piensa eso tiene tiene a lote de promesa por modelado curvas
Quién es quién general forma lata ser ficticio para ser conocido conocido en avance
para venir venir desde una de los soportado no lineal modelos
En los fin, fin, verificación lotes Fuimos fuimos hecho hecho
usando usando los recomendado formulación formulación ajustes ajustes por cada uno cada uno de los Tres análisis,
y nosotros comparado ellos para a nuevo referencia lote.
Qué nosotros fundar era era que los no lineal basado en regresión Acercarse
LED para los más cercano partido para los referencia.
Qué nosotros ves ves aquí es a dispersión trama trama matriz de los cuatro factores
en los diseñado experimentar.
Ahí era era a mezcla restricción restricción Entre los dos polímeros,
como bien bien como a restricción restricción en los total Monto de polímero
y los dimensiones de los individual polímeros
Aquí está a Mira en en algunos de los crudo datos desde los experimentar.
En los arriba arriba de los mesa, nosotros tener tener datos desde los referencia que nosotros deseo para partido.
Ahí son son 16 16 Gama purificación o lotes en los experimentar.
Nosotros lata solamente ves ves datos desde dos de ellos en esto esto imagen, imagen, aunque.
Ahí Fuimos fuimos seis tabletas tabletas por por formulación.
Ahí ahí Fuimos fuimos cuatro Disolución mediciones por por tableta.
Aquí nosotros ves ves parcelas de los Disolución curvas por cada uno cada uno de los 16 16 Gama purificación
con los Disolución curva de los referencia lote aquí en en los más bajo Correcto.
Ahora, Yo soy yendo yendo para hazlo a rápido preliminar informacion informacion calidad evaluación
usando usando los preguntas que lo harás encontrar encontrar en los hoja de cálculo
que usted lata descargar desde los JMP usuario usuario comunidad página.
los primero parte parte de los evaluación es relacionados para los datos resolución.
En esto esto caso, I piensa piensa fueron mirando mirando lindo lindo bueno.
los datos escala es bien bien alineado
con los declaró declaró meta porque es a diseño experimentar.
los medición dispositivos parecer para ser de confianza y preciso,
y los datos análisis es definitivamente definitivamente yendo yendo para ser apropiado
por los datos agregación nivel,
y bien ser ilustrando ilustrando diferente tipos de datos agregación
como nosotros extraer extraer funciones funciones desde estas Disolución curvas.
Como muy muy como los datos estructura va, va, fueron en lindo lindo bien bien forma.
los datos es ciertamente ciertamente alineado con los declaró declaró gol, gol,
nosotros no no tener tener ninguna problemas con valores atípicos o desaparecido valores, valores,
y los análisis métodos son son todos apropiado por los datos estructura,
A pesar de nosotros hacer hacer ves ves algunos variación
en los calidad de los resultados resultados Dependiendo de en los escribe de análisis nosotros hacer.
Como muy muy como datos integración va, va, esto esto es a lindo lindo sencillo análisis.
Nosotros tener tener múltiple respuestas,
y fueron explorador diferente caminos caminos de combinando combinando ellos en en extraído caracteristicas.
Entonces hay a común flujo de trabajo para todos Tres de los análisis Yo soy yendo yendo para ser demostración.
Primero, nosotros tener tener para conseguir conseguir los datos en en a formulario
que es analizable por por los plataforma que fueron utilizando.
Luego luego hay alrededor a característica característica extracción.
Luego luego nosotros modelo esos caracteristicas.
Eso es donde hay a lote de diferencia Entre los métodos, métodos,
y luego nosotros utilizar los perfilador en diferente caminos caminos
para encontrar encontrar a formulación formulación que muy de cerca partidos los referencia.
Primero, Yo soy yendo yendo para ir terminado los F2 análisis.
F 2 es a estándar la medida de convenio de a Disolución curva
relativo para a referencia Disolución curva.
En los fórmula, fórmula,
los $ son son los significa significa de los referencia curva en en cada uno cada uno tiempo tiempo punto,
y los ts son son los significa significa de los no referencia curva.
los convención es para dilo Dilo que los dos curvas son son equivalente
Cuándo F2 es mayor mayor que que o igual para 50
Es importante para punto fuera fuera
que Yo soy incluyendo incluyendo esto esto F 2 basado basado análisis
no sólo como un ejemplo ejemplo de a Disolución Gama análisis,
pero pero más en general como un ejemplo ejemplo de cómo reduciendo reduciendo a respuesta
que es inherentemente una curva Abajo abajo para a único número
lleva lleva para a mucho más bajo calidad análisis
y resultados resultados en en los final final
que que a procedimiento que golosinas curvas como primera clase los ciudadanos.
Entonces ahora Yo soy yendo yendo para Comparte Comparte los F2 análisis de los Disolución Gama datos.
los primero cosa cosa nosotros tener tener para hacer hacer es calcular calcular los lote significa significa
de los Disolución curvas en en los diferente tiempo tiempo puntos.
Luego luego nosotros crear crear a fórmula columna
que calcula los F2 Disolución curva convenio estadística
por cada uno cada uno de estas curvas relativo para los referencia lote, lote,
y nosotros modelado los F2 usando usando los Gama factores como entradas
y utilizar los perfilador para encontrar encontrar los factor ajustes ajustes que partido los referencia.
Antes los análisis,
nosotros utilizar los mesas resumen resumen característica característica
para calcular calcular los significa significa de los Disolución mediciones
por por lote y al otro lado de cada uno cada uno de los veces.
Nosotros lata guardar guardar Nosotros mismos a poco poco poco poco de trabajo por por usando usando todos de los Gama factores aquí
como agrupamiento Variables entonces ellos ser transportado a través de
en en los subsecuente mesa.
Ahora nosotros tener tener a 17 filas datos colocar
y nosotros ocultar ocultar y excluir excluir los referencia lote.
Ahora Toma, toma Nota de los valores de los Disolución significa significa por los referencia
porque fueron yendo yendo para utilizar esos
Cuándo nosotros crear crear a fórmula columna que calcula los F2 convenio métrico
por cada uno cada uno de los lotes relativo para los referencia lote
y ahora fueron yendo yendo para ser capaz capaz para utilizar esto esto F2 fórmula columna
como a respuesta para ser modelado
Nosotros utilizar los modelo texto creado por por los Gama plataforma
para colocar Subir Subir nuestro modelo por nosotros.
Nosotros lugar F2 como nuestro respuesta variables variables
y fueron yendo yendo para analizar analizar esto esto datos hoy dia
usando usando los generalizado regresión plataforma en JMP Pro.
Cuándo nosotros conseguir conseguir en en los plataforma
nosotros ves ves que eso tiene tiene automáticamente hecho hecho a estándar alquiler cuadrícula análisis
porque eso fundar que ahí ahí Fuimos fuimos suficiente grados grados de libertad
en los datos por eso para hacer hacer entonces
y es dado dado nosotros un AICc de 155.6.
Yo soy yendo yendo para ves ves si si nosotros lata hacer hacer mejor por por tratando de intentar
a mejor subconjuntos reducción de los modelo
y Cuándo nosotros hacer hacer que nosotros ves ves
que los AICc de que mejor subconjuntos va va Abajo abajo para 136 136
más pequeño más pequeño es mejor con los AICc
y los diferencia de 20 es lindo lindo sustancial
entonces I haría concluir que los normales normales mejor subconjunto es a mejor modelo
que que los estándar cuadrícula una.
Yo soy yendo yendo para tratar una más cosa cosa, aunque,
y ajuste ajuste a registro registro normales normales distribución con mejor subconjuntos para los datos.
Cuándo I hacer hacer que, los AICc va va Abajo abajo a poco poco poco poco más lejos para 130.6.
Eso es a modesto diferencia, pero pero es bien bien suficiente
que Yo soy yendo yendo para concluir que nosotros son son yendo yendo para trabajo
con los bajo normal,
especialmente porque nosotros saber saber que fueron trabajando con a estrictamente estrictamente positivo respuesta
y los RegistroNormal distribución encaja datos que es estrictamente estrictamente positivo.
Desde allí, los análisis es lindo lindo simple,
entonces Yo soy yendo yendo para salto derecho adelante para usando usando los perfilador
F2 es un convenio métrico que nosotros quiero quiero para maximizar.
Entonces nosotros conseguir conseguir en en los perfilador,
nosotros girar en Atractivo funciones funciones y tener tener ellos colocar para maximizar, maximizar,
y luego maximizar maximizar atractivo para encontrar encontrar los combinación de factor ajustes ajustes
que esto esto modelo dice dice da da nosotros los más cercano partido para los referencia,
y que haría ser en en esto esto combinación de factor ajustes ajustes que nosotros ves ves aquí.
Ahora los F2 análisis es completo, completo,
y fueron yendo yendo para ir en en los segundo segundo análisis,
los funcional Gama análisis.
Para esto esto análisis,
fueron yendo yendo para trabajo con los datos en a apilado formato formato
donde todos de los Disolución mediciones tener tener sido sido conjunto en en a único columna,
y nosotros tener tener a tiempo tiempo columna como bien.
los primero cosa cosa nosotros hacer hacer es ir en en los Funcional Datos Explorador plataforma.
En los plataforma lanzamiento, lanzamiento,
nosotros put poner Disolución como nuestro respuesta, tiempo tiempo es nuestro X,
los lote columna como nuestro IDENTIFICACIÓN,
y nosotros suministro los cuatro Gama factores como suplementario variables
Una vez fueron en los plataforma, plataforma,
nosotros Toma, toma a Mira en en los datos usando usando los inicial datos trama.
Esto esto particular en particular datos colocar no no necesitar ninguna limpio Subir Subir o alineación opciones,
pero pero nosotros son son yendo yendo para ir adelante y carga los referencia Disolución curva
como a objetivo objetivo función.
Para relativamente relativamente sencillo funciones funciones me gusta estas,
I Típicamente utilizar B -Estriados por mi funcional modelo.
Cuándo nosotros hacer hacer que, nosotros ves ves nuestro B-Spline modelo encajar,
y los inicial ajuste ajuste que tiene tiene venir venir Subir Subir es a cúbico modelo que es comportarse mal.
Es interpolando los datos puntos puntos bien bien,
pero pero tipo de haciendo haciendo loco cosas en Entre ellos.
Entonces Yo soy yendo yendo para cambiar desde los predeterminado predeterminado recomendado modelo
terminado para a cuadrático Ranura modelo en lugar de de los cúbico una.
Nosotros hacer hacer que por por simplemente hacer clic en Cuadrático terminado aquí
en los Correcto de los B-Spline modelo encajar.
Bien ves ves que esto esto cuadrático modelo encaja los datos bien.
A funcional principal componentes componentes análisis es automáticamente calculado, calculado,
y nosotros ves ves que los Funcional Datos Explorador plataforma tiene tiene fundar
Tres funcional principal componentes
los principal una es muy dominante,
explicando explicando 97. 9 por ciento de los funcional variación.
Y eso se ve se ve me gusta esto esto es a nivel colocar Subir Subir o Abajo abajo tipo de forma componente.
los segundo segundo una parece parece me gusta a calificar componente,
y los tercero tercio una casi parece parece me gusta a cuadrático.
Mirando a poco poco más cerca en en esto esto cuadrático B-Spline modelo encajar,
nosotros ves ves que esto esto modelo es adecuado los individual Disolución curvas
lindo lindo bien.
Entonces ahora fueron listo listo para hacer hacer nuestro funcional Gama análisis.
Cada de nuestro individual Disolución curvas tiene tiene sido sido aproximado ahora
por por un subyacente medio medio función común para todos los lotes
más a lote dependiente FPC puntaje veces veces los primero función propia,
más otro dependiente del lote FPC puntaje veces veces los segundo segundo función propia,
y entonces en con los tercero tercio una.
Qué fueron yendo yendo para hacer hacer es colocar Subir Subir individual Gama modelos modelos
por cada uno cada uno de estas funcional principal componente puntuaciones
como respuestas usando usando nuestro Gama factores como entradas.
los Funcional Datos Explorador plataforma, plataforma, de curso,
hace hace todos esto esto sencillo y tipo de corbatas eso Subir Subir en en a inclinarse por nosotros.
Y Cuándo I dilo Dilo que,
eso corbatas eso Subir Subir en a inclinarse por nosotros, qué I De Verdad medio medio es los FDoE perfilador
Entonces esto esto cristal aquí muestra muestra nuestro predicho trayectoria
de Disolución como a función de hora,
y luego nosotros lata ves ves cómo que trayectoria haría cambiar
por por alterando los Gama factores
Que relación con los Gama factores
viene viene desde estas Tres generalizado regresión modelos modelos
por cada uno cada uno de nuestro funcional principal componente puntuaciones.
Si nosotros quiero, quiero, nosotros lata abierto esos Subir Subir
y nosotros lata Mira en en los relación
Entre los Gama factores y que funcional principal componente puntaje,
y nosotros podría podría incluso alterar los modelo
por por Moviente alrededor para otro unos en los solución sendero.
I sólo quiero quiero para punto fuera fuera que es posible posible para cambiar los Gama modelo
por un FPC puntaje.
En los interés interés de hora,
Yo soy sólo yendo yendo para tener tener para Muevete Muevete en y no demostrar demostrar que, aunque.
Nosotros tener tener diagnóstico parcelas, parcelas,
los más importante una probablemente siendo siendo los Real Real por predicho Trama.
Esto esto tiene tiene nuestro trazado Disolución mediciones en los eje Y
y los predicho Disolución valores usando usando los funcional Gama modelo.
Y como siempre, nosotros quiero quiero para ves ves que trama trama
tener tener datos puntos puntos ajustado a lo largo de los 45 45 la licenciatura línea.
Y en esto esto caso, I piensa piensa esto esto modelo parece parece lindo lindo bueno.
Nosotros no no quiero quiero para ves ves ninguna patrones patrones en nuestro derechos residuales de autor,
y Yo soy no vidente ninguna malo unos aquí.
Entonces esto esto modelo se ve se ve lindo lindo bien, y fueron yendo yendo para trabajo con eso.
Entonces He ya explicado explicado cómo esto esto cristal Correcto aquí
representa representa los predicho Disolución curva como a función de tiempo tiempo
y los individual Gama factores
Ahora, estas otro dos filas aquí son son porque
hemos cargado los referencia como a objetivo objetivo función.
Entonces esto esto fila fila es los diferencia
de los predicho Disolución curva desde los objetivo objetivo referencia curva.
Y luego los fondo cristal aquí es los integrado distancia
de los predicho curva desde los objetivo.
Cuándo nosotros maximizar maximizar atractivo en esto esto perfilador,
eso da da nosotros los combinación de factor ajustes ajustes
que minimizar esto esto integrado distancia desde los objetivo.
Entonces Yo soy yendo yendo para hacer hacer que por por trayendo Subir Subir maximizar maximizar atractivo.
Y ahora nosotros ves ves los resultados resultados de los funcional Gama análisis,
donde nosotros tener tener identificado .725 de polímero A
275 de polímero B,
a total polímero de sobre sobre .17,
y a compresión fuerza fuerza de sobre sobre 1700
minimizar los distancia Entre nuestro predicho curva y los referencia.
Ahora, hemos hecho hecho dos análisis
Ambas cosas de esos analiza tener tener recomendado que nosotros ir
para los más bajo ajuste de polímero A y los más alto ajuste de polímero B.
Ellos diferir diferir en sus recomendaciones
por qué total polímero Monto para utilizar y cómo mucho compresión fuerza fuerza para utilizar.
los tercero tercio análisis Yo soy yendo yendo para hacer hacer es los Curva Gama análisis.
Esto esto es yendo yendo para ser estructurado lindo lindo similar
en algunos caminos caminos para los funcional Gama análisis,
en que fueron yendo yendo para utilizar los misma misma versión de los datos
donde Disolución mediciones son son todos en una columna
y nosotros tener tener a tiempo tiempo columna.
Pero pero nosotros no no tener tener a incorporado objetivo objetivo función opción
en los Encajar Curva plataforma aún.
Entonces los primero cosa cosa nosotros tener tener para hazlo es ajuste ajuste sólo los referencia lote
y guardar guardar es su predicción fórmula espalda para los mesa.
Luego luego nosotros hacer hacer a Curva Gama análisis,
cual cual es en gran parte similar para a funcional Gama análisis
en que fueron extrayendo funciones funciones desde los curvas
modelado los curvas.
Luego luego nosotros ir para los grafico perfil para encontrar encontrar ajustes ajustes que mejor partido los referencia.
los no lineal modelo que fueron yendo yendo para ser usando usando es
a Tres parámetro parámetro Weibull Crecimiento Curva,
cual cual tiene tiene a largo historia en los análisis de Disolución curvas.
Curva de crecimiento de Weibull tener tener un asíntota parámetro parámetro A
que representa representa los valor valor como tiempo tiempo va va para infinito.
hay qué llamado los inflexión punto parámetro parámetro
que I ves ves es a escalado escalado factor que tipo de se estira fuera fuera
o aprieta en los enteramente de los curva.
Y luego hay además a crecimiento calificar parámetro parámetro
que dicta los forma de los curva.
Qué I piensa piensa es De Verdad valioso sobre sobre usando usando esto esto modelo
relativo para los funcional Gama modelo o los F2 escribe análisis
es que fueron yendo yendo para ser modelado funciones funciones extraído desde los datos
que tener tener verdadero científico significado, significado,
especialmente los asíntota y inflexión punto parámetros
Ahora Curva Gama análisis no no tener tener a objetivo objetivo pareo capacidad
me gusta los Funcional Datos Explorador.
Entonces nosotros comenzar comenzar los análisis por por excluyendo excluyendo todos de los Gama filas en los datos mesa.
Estas son son representado con los colocar columna igual para UN.
Entonces I Seleccione a célula allí,
Seleccione pareo células, y luego ocultar ocultar y excluir excluir esos filas
entonces que I solamente tener tener los referencia lote no excluido.
Luego luego I ir para los Encajar Curva plataforma, plataforma,
carga eso Subir Subir, conseguir conseguir en allí, ajuste ajuste los Weibull crecimiento modelo,
y luego I guardar guardar que predicción fórmula espalda para los mesa.
Una vez nosotros completo completo los Curva Gama análisis,
fueron yendo yendo para comparar comparar los Curva Gama predicción fórmula
para esto esto referencia vaticinador
para encontrar encontrar combinaciones de los factor ajustes ajustes
que conseguir conseguir nosotros como cerrar para esto esto curva como posible.
Entonces ahora nosotros mostrar y excluir excluir los Gama lotes,
ir espalda en en los Encajar Curva plataforma, plataforma,
sólo me gusta los Funcional Datos Explorador plataforma.
Eran yendo yendo para carga Subir Subir los Gama factores como suplementario variables
Ahora que fueron en los plataforma, plataforma, nosotros lata ajuste ajuste nuestro Weibull crecimiento modelo.
los inicial ajuste ajuste aquí parece parece lindo lindo bueno.
Mira me gusta fueron capturando los forma de los Disolución curvas.
Una cosa cosa I me gusta para hacer hacer próximo es para hacer a parámetro parámetro mesa.
Esto esto crea crea a datos mesa con nuestro equipado equipado Abajo abajo los cerca regresión parámetros
I me gusta para Mira en en estas en los distribución plataforma
para ves ves si si ahí ahí son son valores atípicos en ahí ahí o cualquier cosa raro.
I además me gusta para Mira en en los patrones patrones I ves ves en los multivariado plataforma
sólo da da usted a mejor sentido de qué yendo yendo en
con los no lineal modelo encajar.
Una vez nosotros saber saber que todo es mirando mirando lindo lindo bien,
nosotros lata hacer hacer nuestro curva Gama análisis
y esto esto parece parece muy mucho me gusta los funcional Gama análisis desde antes de.
Nosotros tener tener a perfilador que muestra muestra
los relación Entre Disolución y tiempo tiempo
y cómo que relación cambios como a función de nuestro Gama factores
Y luego nosotros además tener tener a generalizado regresión modelo
por cada uno cada uno de esos Tres parámetros que nosotros lata Toma, toma a Mira en en individualmente.
los primero cosa cosa I haría hacer hacer antes de tratando de intentar para utilizar los modelo en ninguna manera
es Mira en en los Real Real por predicho Trama,
entonces eso es qué nosotros ves ves aquí.
Esto esto es los predicho valores incorporando incorporado
ambas cosas los tiempo tiempo modelo desde los medio medio función y los propio funciones, funciones,
como bien bien como los Gama modelos modelos en los no lineal regresión parámetros
Esto esto parece parece lindo lindo bien bien
porque ahí ahí es a bastante bastante fácil interpretación
por los viable crecimiento modelo parámetros.,
Eso lata ser útil y interesante para abierto Subir Subir
los individual modelo encaja por estas parámetros
Para ejemplo, aquí son son los coeficientes por los inflexión punto modelo.
Porque inflexión punto es a estrictamente estrictamente positivo cantidad,
a RegistroNormal mejor subconjuntos modelo tiene tiene sido sido reparado con los datos
por por los generalizado regresión plataforma.
Nosotros ves ves que los mezcla manifiesta tener tener sido sido forzado en
y que los compresión forzado por por polímero A Interacción
es los solamente otro término plazo en los modelo.
Qué esto esto significa significa es que
si si nosotros sostener los polímero dimensiones constante
y aumentar aumentar los compresión fuerza,
nosotros haría suponer a más grande más grande valor valor de los inflexión punto.
Una haría observar esto esto como a tableta que toma toma más tiempo más tiempo para disolver, disolver,
cual cual es exactamente qué nosotros haría suponer para tener tener suceder.
Nosotros lata guardar guardar los curva Gama predicción fórmula espalda para los mesa
y nosotros lata ves ves en todos es su sangriento detalle detalle
cómo los modelo por asíntota inflexión punto
y crecimiento calificar son son conjunto con tiempo tiempo para venir venir Subir Subir con nuestro en general predicción
por los Disolución curva basado basado en.
Afortunadamente, con chatarra nosotros no no tener tener para Mira en en los fórmula también muy de cerca aunque,
porque nosotros tener tener perfiladores que
dejar dejar nosotros ves ves los relaciones en a visual manera
bastante que que un algebraico una.
Para resolver resolver nuestro problema de hallazgo los combinación de factores
que dar dar nosotros los Disolución curva
que haría ser más cercano para los referencia,
I creado a fórmula columna que calculado
los porcentaje diferencia de los predicho curva,
tomando en en consideración los Gama factores desde los referencia.
los ultimo ultimo paso de los análisis es
para traer traer Subir Subir esto esto por ciento diferencia respuesta
en los perfilador que es bajo los grafico menú,
siendo siendo seguro seguro para controlar los Ampliar Ampliar Intermedio fórmulas opción.
Esto esto LED para a perfilador donde fueron capaz capaz para ves ves los por ciento diferencia
desde los referencia como a función de tiempo tiempo y los Gama factores, factores,
He compartido los región donde los diferencia
es menos menos que que uno porciento en verde.
Por a mano ajustando ajustando los factores, factores,
I era era capaz capaz para encontrar encontrar ajustes ajustes donde los predicho curva
es menos menos que que uno porciento desde los referencia al otro lado de todos tiempo tiempo valores.
Esto esto parece parece De Verdad bien, pero pero en práctica I apuesta que esto esto es demasiado optimista.
Aquí nosotros ves ves los óptimamente valores de los factor ajustes ajustes por todos Tres análisis
los curva Gama análisis es en los interior de los rango por los polímeros
los óptimamente valor valor por total polímero es. 16 16
cual cual es cerrar para los funcional Gama análisis resultado,
y compresión fuerza fuerza es en Entre los óptimamente valores
recomendado por por los F2 análisis y los funcional Gama análisis.
Después esta, nosotros hecho hecho nuevo purificación basado basado en los recomendado factor ajustes ajustes
desde cada uno cada uno de estas modelos modelos y Medido sus Disolución curvas
como bien bien como tomó tomó a nuevo colocar de mediciones desde los referencia.
Aquí nosotros ves ves a resumen resumen de los final resultados resultados desde los verificación carreras.
los nuevo referencia distribución curva es en negro,
y los curva Gama en verde es los más cercano curva para eso eso,
seguido por por los F Gama curva en azul.
los resultado resultado de modelado F2 es en rojo, y eso hizo hizo los más pobre en general.
Esto esto debería debería quizás quizás no ser también sorprendente.
los F2 métrico era era los más simple, más simple,
reduciendo reduciendo los datos Abajo abajo para a único métrico y hizo los más pobre
los funcional Gama modelo había tenido para empíricamente
derivar derivar los formas de los curvas
y luego modelo Tres funciones funciones de esos formas,
esencialmente usando usando más de los informacion informacion en los datos.
los curva Gama LED para los mejor formulación formulación
porque eso usado los datos eficientemente vía vía algunos previo conocimiento
sobre sobre los paramétrico formulario de los Disolución curvas.
Nosotros ves ves que los resultados resultados de los F2 basado basado análisis
son son no equivalente con los nuevo referencia parche,
mientras mientras los enfoques que tratado curvas como primero clase objetos objetos son son equivalente.
Qué esto esto significa significa es que los Acercarse haría tener tener requerido
en en menos otro ronda de Gama corre, corre,
y entonces un ineficiente análisis lleva lleva para un ineficiente utilizar
de tiempo tiempo y recursos.
Yo soy yendo yendo para cerrar los presentación
con a retrospectivo Información q Evaluación de los Resultados.
En general, nosotros fundar que los DOE curvo predicción
generalizado los mejor para nuevo datos,
pero pero era era los más difícil análisis para llevar a cabo.
I quiero quiero para Nota que si si nosotros no lo hizo tener tener a conocido conocido no lineal modelo
para trabajo con que ajuste ajuste los datos bien bien, nosotros podría podría no tener tener hecho hecho que análisis.
los funcional Gama análisis y los F 2 basado basado Acercarse
lata ser usado más en general en otro situaciones
los perfilador lleva lleva para excelente comunicación puntuaciones
por todos Tres análisis
los capacidad para ves ves cómo los forma de los Disolución curva cambios
con los Gama factores en los funcional y basado en curvas enfoques
lleva lleva me para dar dar ellos a mejor comunicación puntaje.
I ves ves los curva Gama Acercarse
teniendo los más alto comunicación puntaje por por a poco poco poco poco
porque fueron directamente modelado más significativo parámetros
que que los funcional enfoque DoE.
Eso es todos nosotros tener tener por usted hoy dia.
I quiero quiero para gracias usted por tu tu hora, interés, interés, y atención.
