Hola, Yo soy Ron Kenneth.
Este es a articulación hablar con cris Gotwalt.
Él hablar es sobre Funcional Datos Análisis y no lineal Regresión Modelos.
Y en ordenar a examinar el opciones
y qué bien conseguir fuera de este escribe de análisis,
bien voluntad llevar un información calidad perspectiva.
En a sentido, este es a seguir hasta a a hablar bien dio último año
en el mismo Descubrimiento Cumbre.
Asi que i voluntad comienzo con simple ejemplos
a introducir FDA y no lineal Regresión.
Y después cris voluntad cubrir un complejo y más
sustancialmente más complejo ejemplo de mejoramiento,
cuales incluye mezcla experimentos diseñado a fósforo a referencia perfil.
Asi que el historia empieza con datos sobre tabletas ese están disuelto
y mediciones están hecho en diferente hora puntos,
cinco minutos, diez minutos, 15 minutos, todos cinco minutos,
y después 20 minutos, diez minutos más tarde,
30, y después 15 minutos más tarde, 45 minutos.
Nosotros tengo 12 tabletas ese están nuestro producto
y 12 tabletas ese están el referencia.
Nuestro meta es a tengo a producto ese partidos el referencia.
Y en este escribe de datos, bien tengo a perfil,
y bien considerar dos opciones,
FDA y NLR.
En el ejemplo de Chris, bien hablar sobre algo llamado la F 2,
cuales es a tercera opciones por analizando este escribe de datos.
Asi que aquí está qué eso mira me gusta con el grafico constructor.
Señor el izquierda, bien tengo el referencia perfiles.
Señor el Correcto bien tengo el tabletas y el prueba.
Nosotros lata ver este es un ejemplo desde mi libro sobre moderno industrial Estadísticas,
el libro con Shelley zacks, cuales es ahora en su tercera edición.
Asi que sobre el izquierda Uds lata ver allí es a tabletas ese parece
a pedacitos diferente.
Eso etiquetado T 5R.
Y si bien correr a funcional datos análisis de este datos,
T 5R lo hace Mira diferente.
Nosotros ver ese el crecimiento parte es diferente.
Eso posee a lento crecimiento pero coherente crecimiento.
Eso lo hace no tengo el forma ese bien ver en el otro disolución curvas.
Este fue hecho con a Cuadrático B-spline con 1 nudo,
y el cuadrático fue en este caso,
adecuado el datos mejor que el mariscal de campo
Este es a pedacitos de un inusual situación.
Asi que porque de el formas, el B-spline cuadrática fue a mejor encajar.
Si bien Mira en T 1R,
el primero tabletas ese posee quieto diferente forma,
eso dispara hasta y después eso corsé.
Asi que básicamente, el tabletas posee disuelto.
Obviamente, más allá de a elevado número de disolución,
hay no mucho izquierda por el solución.
Asi que T 1R y T 5R, ellos parecer diferente.
T 5R soportes fuera más que T 1R.
Asi que, si T 5R sobre el grupo análisis
sobre el funcional director de escuela componentes lo hace estar fuera.
Asi que aquí bien ver cómo funcional director de escuela componentes
dispersión trama de el primero dos funcional director de escuela componentes puntos,
qué bien observar visualmente.
Y T1R, cuales es próximo a T 2R,
es a diferente grupo.
Nosotros lata Continuar con a no lineal regresión Acercarse.
Mirar bien están adecuado a Gompertz Tres parámetros modelo
con Tres parámetros,
el asíntota, el crecimiento Velocidad, y el inflexión punto.
Este es el modelo y cuándo bien encajar el perfiles,
bien de nuevo ver ese T 5R soportes fuera.
Asi que bien tengo el mismo cualitativo impresión ese bien tuvo con FDA.
Ahora bien tengo estas Tres parámetros listado
y bien lata correr a perfilador sobre el modelo porque bien ahora tengo a modelo.
Este es dónde T 1R soportes
Asi que por correr el perfil sobre el diferente tabletas,
bien lata además ver cómo similar o diferente ellos Mira me gusta.
Este es el mesa ese mapas fuera el parámetros de este asíntotas.
asi que T 1R crecimiento tasa .21,
T5R, esto tabletas ese soportó fuera.
Crecimiento Velocidad .075,
muy lento crecimiento Velocidad,
coherente pero lento.
Él inflexión punto es 11.5, forma sobre el Correcto.
Asi que bien lata ver a través de este parámetros valores el diferencia.
Nosotros lata además recoger hasta dos tabletas ese estar fuera por crecimiento tarifas
T2R 1.77,
y T8R, casi no crecimiento.
Bien conseguir espalda a T 2 y T 8 en a minutos.
Si bien llevar el director de escuela componentes de estas Tres parámetros espacio.
Asi que bien encubrir el parámetros como si estas están el mediciones
y bien correr a multivariado control Disparo.
Nosotros lata ver T 1, este es el primero una
y bien lata ver T 5, este es el azul una, el quinto una.
Este bien ya ver.
Ellos están dentro de el control limites de el T Cuadrado
multivariado Estadísticas distancia control gráfico.
Y T 2 y T 8 ese i resaltado antes de ahora estar fuera
y bien lata ver cualitativamente por qué.
Este es el modelo degradación Acercarse en el guía documentos
ese es usado por modelado disolución curvas.
En correr semejante análisis con un información calidad perspectiva,
el primero pregunta es preguntando qué es el meta de el ¿análisis?
Y después bien lata considerar el método de análisis.
Mirar entonces dijo usando no lineal regresión y funcional datos análisis.
cris voluntad conseguir en cómo este es conjunto
con datos derivado desde experimental diseño.
Nosotros tengo a utilidad funciones y el información calidad
es el utilidad de aplicar a método F sobre datos X condición n de el meta.
Es evaluado con ocho dimensiones.
Y aquí cris de nuevo bien hablar sobre datos resolución y datos estructura.
Asi que cris, el piso es tuya.
Gracias Ron.
Ahora Yo soy yendo a dar un ejemplo ese es a pequeño pedacitos más Complicado
que el primero una.
En de ron ejemplo,
Oye fue comparando el disolución curvas de prueba tabletas
a esos desde a colocar de referencia tabletas
En ese situación, el expectativa es ese
el curvas deberían generalmente ser siguiente el mismo camino.
Y Oye mostrado cómo a encontrar anómalo curvas
ese desviarse desde el descanso de el población.
En este segundo ejemplo, bien además tengo a referencia disolución curva.
Pero bien están analizando datos desde a diseñado experimento
dónde el meta es a encontrar a formulación en dos polímero aditivos
y el Monto de fuerza usado en el tabletas producción proceso
ese Guías a a Cerrar fósforo
a el referencia salpicaduras el solución curva.
Él grafico Uds ver aquí espectáculos
el datos desde el referencia curva ese bien desear a fósforo.
A hacer este Yo soy yendo a demostrar Tres analiza de el datos
ese usar diferente métodos y modelos
a encontrar factor ajustes ese fósforo el referencia ese Plomo a a...
A hacer este Yo soy yendo a demostrar Tres análisis de este datos
ese usar diferente métodos y modelos a encontrar factor ajustes
ese voluntad mejor fósforo el referencia curva.
En el primero análisis,
Yo soy yendo a resumir cada de el Gama curvas
abajo a a único métrica llamado F2
ese es típicamente usado en disolución curva análisis,
a medida de convenio con el referencia fósforo.
Allí, Voy a usar estándar Gama métodos a modelo ese F2 respuesta
y después encontrar el factor ajustes ese están predicho
a mejor aceptar con el referencia.
En el segundo análisis,
Voy a usar a funcional Gama modelado Acercarse
dónde i modelo el curvas usando estas persianas,
extracto funcional principio componentes historias, y modelo a ellos.
Voy a carga el referencia lote como a objetivo funciones
en el Funcional Datos Explorador plataforma
y después usar el FDoE perfilador
a encontrar el más cercano fósforo recomendado por ese modelo.
Estas primero dos enfoques usar pequeño tema Materia información
sobre estas tipos de tabletas
En el tercera análisis,
Voy a modelo el curvas usando a no lineal modelo
ese fue conocido a encajar este escribe de tabletas bien
y usar el Curva Gama opciones en el encajar Curva plataforma
a modelo el relación Entre el Gama factores
y el forma de el curva.
i desear a crédito Arcilla Pregonero por suma este capacidad a JMP Profe dieciséis.
i pensar eso posee a lotes de promesa por modelado curvas
cuyo general forma lata ser ficticio a ser conocido en ventaja
a ven desde una de el soportado no lineal modelos
En el final, verificación lotes llevar Hecha
usando el recomendado formulación ajustes por cada de el Tres análisis,
y bien comparado a ellos a a nuevo referencia lote.
Qué bien encontrado fue ese el no lineal basado en regresión Acercarse
condujo a el más cercano fósforo a el referencia.
Qué bien ver aquí es a dispersión trama matriz de el cuatro factores
en el diseñado experimento.
Allí fue a mezcla restricción Entre el dos polímeros,
como bien como a restricción sobre el total Monto de polímero
y el dimensiones de el individual polímeros
Aquí está a Mira en algunos de el crudo datos desde el experimento.
En el parte superior de el mesa, bien tengo datos desde el referencia ese bien desear a fósforo.
Allí están dieciséis Gama formulaciones o lotes en el experimento.
Nosotros lata solamente ver datos desde dos de a ellos en este fotografía, sin embargo.
Allí llevar seis tabletas por formulación.
Allí llevar cuatro disolución mediciones por tabletas
Mirar bien ver parcelas de el disolución curvas por cada de el dieciséis Gama formulaciones
con el disolución curva de el referencia lote aquí en el más bajo Correcto.
Ahora, Yo soy yendo a hacer a rápido preliminar información calidad evaluación
usando el preguntas ese lo harás encontrar en el hoja de cálculo
ese Uds lata descargar desde el JMP usuario comunidad página.
Él primero parte de el evaluación es relacionado a el datos resolución.
En este caso, i pensar entonces dijo buscando bastante bien.
Él datos escala es bien alineado
con el fijado meta porque eso a diseño experimento.
Él medición dispositivos parecer a ser de confianza y preciso,
y el datos análisis es definitivamente yendo a ser apropiado
por el datos agregación nivel,
y bien ser ilustrando diferente clase de datos agregación
como bien extracto características desde estas disolución curvas.
Como lejos como el datos estructura va, entonces dijo en bastante bueno forma.
Él datos es seguramente alineado con el fijado meta,
bien no tengo nosotros problemas con valores atípicos o desaparecidos valores,
y el análisis métodos están todos apropiado por el datos estructura,
sin embargo bien hacer ver algunos variación
en el calidad de el resultados dependiente sobre el escribe de análisis bien hacer.
Como lejos como datos integración va, este es a bastante simple análisis.
Nosotros tengo múltiple respuestas,
y entonces dijo explorador diferente maneras de combinatorio a ellos en extraído características.
Asi que hay a común flujo de trabajo a todos Tres de el análisis Yo soy yendo a ser demostración.
Primero, bien tengo a conseguir el datos en a formulario
ese es analizable por el plataforma ese entonces dijo usando.
Después hay alrededor a características extracción.
Después bien modelo esos características.
Eso es dónde hay a lotes de diferencia Entre el métodos,
y después bien usar el perfilador en diferente maneras
a encontrar a formulación ese cercanamente partidos el referencia.
Primero, Yo soy yendo a ir sobre el F2 análisis.
F 2 es a estándar medida de convenio de a disolución curva
pariente a a referencia disolución curva.
En el fórmula,
el $ están el significa de el referencia curva en cada hora punto,
y el ts están el significa de el no referencia curva.
Él convención es a decir ese el dos curvas están equivalente
cuándo F2 es mayor que que o igual a 50
Eso importante a punto fuera
ese Yo soy incluido este F 2 basado análisis
no solo como un ejemplo de a disolución Gama análisis,
pero más en general como un ejemplo de cómo reduciendo a respuesta
ese es inherentemente una curva abajo a a único número
Guías a a mucho más bajo calidad análisis
y resultados en el final
que a procedimiento ese golosinas curvas como primera clase los ciudadanos.
Asi que ahora Yo soy yendo a Cuota el F2 análisis de el disolución Gama datos.
Él primero cosa bien tengo a hacer es calcular el lote significa
de el disolución curvas en el diferente hora puntos.
Después bien crear a fórmula columna
ese calcula el F2 disolución curva convenio Estadísticas
por cada de estas curvas pariente a el referencia lote,
y bien modelado el F2 usando el Gama factores como entradas
y usar el perfilador a encontrar el factor ajustes ese fósforo el referencia.
Antes el análisis,
bien usar el mesas resumen características
a calcular el significa de el disolución mediciones
por lote y a través de cada de el veces.
Nosotros lata ahorrar Nosotros mismos a pequeño pedacitos de trabajar por usando todos de el Gama factores aquí
como agrupamiento Variables asi que ellos ser transportado a través de
en el subsecuente mesa.
Ahora bien tengo a 17 filas datos colocar
y bien ocultar y excluir el referencia lote.
Ahora llevar notas de el valores de el disolución significa por el referencia
porque entonces dijo yendo a usar esos
cuándo bien crear a fórmula columna ese calcula el F2 convenio métrica
por cada de el lotes pariente a el referencia lote
y ahora entonces dijo yendo a ser poder a usar este F2 fórmula columna
como a respuesta a ser modelado
Nosotros usar el modelo guiones creado por el Gama plataforma
a colocar hasta nuestro modelo por nosotros.
Nosotros sitio F2 como nuestro respuesta variable
y entonces dijo yendo a analizar este datos hoy
usando el generalizado regresión plataforma en JMP Profe.
Cuándo bien conseguir en el plataforma
bien ver ese eso posee automáticamente hecho a estándar alquiler cuadrícula análisis
porque eso encontrado ese allí llevar suficiente grados de libertad
en el datos por eso a hacer asi que
y eso dado nosotros un AICc de 155.6.
Yo soy yendo a ver si bien lata hacer mejor por difícil
a mejor subconjuntos reducción de el modelo
y cuándo bien hacer ese bien ver
ese el AICc de ese mejor subconjuntos va abajo a 136
menor es mejor con el AICc
y el diferencia de 20 es bastante sustancial
asi que i haría concluir ese el normal mejor subconjunto es a mejor modelo
que el normalmente cuadrícula una.
Yo soy yendo a tratar una más cosa aunque
y encajar a Iniciar sesión normal distribución con mejor subconjuntos a el datos.
Cuándo i hacer ese el AICc va abajo a pequeño pedacitos más lejos a 130.6.
Eso es a modesto diferencia, pero eso bueno suficiente
ese Yo soy yendo a concluir ese bien están yendo a trabajar
con el bajo normal,
especialmente porque bien saber ese entonces dijo trabajando con a estrictamente positivo respuesta
y el RegistroNormal distribución encaja datos ese es estrictamente positivo.
Desde allí, el análisis es bastante simple,
asi que Yo soy yendo a salto derecho adelante a usando el perfilador
F2 es un convenio métrica ese bien desear a maximizar.
Asi que bien conseguir en el perfilador,
bien doblar sobre Atractivo funciones y tengo a ellos colocar a maximizar,
y después maximizar atractivo a encontrar el combinación de factor ajustes
ese este modelo dice da nosotros el más cercano fósforo a el referencia,
y ese haría ser en este combinación de factor ajustes ese bien ver aquí.
Ahora el F2 análisis es completo,
y entonces dijo yendo a ir en el segundo análisis,
el funcional Gama análisis.
Para este análisis,
entonces dijo yendo a trabajar con el datos en a apilado formato
dónde todos de el disolución mediciones tengo estado conjunto en a único columna,
y bien tengo a hora columna como bien.
Él primero cosa bien hacer es ir en el Funcional Datos Explorador plataforma.
En el plataforma lanzar,
bien poner disolución como nuestro respuesta, hora es nuestro X,
el lote columna como nuestro IDENTIFICACIÓN,
y bien suministro el cuatro Gama factores como suplementario variables
Una vez entonces dijo en el plataforma,
bien llevar a Mira en el datos usando el inicial datos trama.
Este particularmente datos colocar no necesidad nosotros limpio hasta o alineación opciones,
pero bien están yendo a ir adelante y carga el referencia disolución curva
como a objetivo funciones
Para relativamente simple funciones me gusta estas
i típicamente usar B - Estrías por mi funcional modelo.
Cuándo bien hacer ese bien ver nuestro B-Spline modelo encajar,
y el inicial encajar ese posee ven hasta es a cúbico modelo ese es comportarse pobre.
Eso interpolando el datos puntos bien,
pero clase de haciendo loco cosas en Entre a ellos.
Asi que Yo soy yendo a cambiar desde el defecto recomendado modelo
sobre a a cuadrático Ranura modelo en cambio de el cúbico una.
Nosotros hacer ese por simplemente hacer clic sobre Cuadrático sobre aquí
en el Correcto de el B-Spline modelo encajar.
Bien ver ese este cuadrático modelo encaja el datos bien.
A funcional director de escuela componentes análisis es automáticamente calculado,
y bien ver ese el Funcional Datos Explorador plataforma posee encontrado
Tres funcional director de escuela componentes
Él principal una es muy dominante,
explicando 97. 9 por ciento de el funcional variación.
Y eso mira me gusta este es a nivel colocar hasta o abajo clase de forma componentes
Él segundo una mira me gusta a Velocidad componente,
y el tercera una casi mira me gusta a cuadrático.
Buscando a pequeño cerca en este cuadrático B-Spline modelo encajar,
bien ver ese este modelo es adecuado el individual disolución curvas
bastante bien.
Asi que ahora entonces dijo Listo a hacer nuestro funcional Gama análisis.
Cada de nuestro individual disolución curvas posee estado aproximado ahora
por un subyacente significar funciones común a todos el lotes
más a lote dependiente FPC puntaje veces el primero función propia,
más otro dependiente del lote FPC puntaje veces el segundo función propia,
y asi que sobre con el tercera una.
Qué entonces dijo yendo a hacer es colocar hasta individual Gama modelos
por cada de estas funcional director de escuela componentes puntuaciones
como respuestas usando nuestro Gama factores como entradas.
Él Funcional Datos Explorador plataforma, de curso,
hace todos este simple y clase de corbatas eso hasta en a inclinarse por nosotros.
Y cuándo i decir ese
eso corbatas eso hasta en a inclinarse por nosotros, qué i De Verdad significar es el FDoE perfilador
Asi que este panel aquí espectáculos nuestro predicho trayectoria
de disolución como a funciones de hora,
y después bien lata ver cómo ese trayectoria haría cambiar
por alterando el Gama factores
Ese relación con el Gama factores
proviene desde estas Tres generalizado regresión modelos
por cada de nuestro funcional director de escuela componentes puntuaciones.
Si bien desear bien lata abierto esos hasta
y bien lata Mira en el relación
Entre el Gama factores y ese funcional director de escuela componentes puntaje,
y bien pudo incluso alterar el modelo
por Moviente alrededor a otro unos en el solución camino.
i solo desear a punto fuera ese eso posible a cambiar el Gama modelo
por un FPC puntaje.
En el interés de hora,
Yo soy solo yendo a tengo a moverse sobre y no demostrar ese sin embargo.
Nosotros tengo diagnóstico parcelas,
el el más importante una probablemente siendo el Realmente por predicho Trama.
Este posee nuestro trazado disolución mediciones sobre el eje Y
y el predicho disolución valores usando el funcional Gama modelo.
Y como siempre bien desear a ver ese trama
tengo datos puntos ajustado a lo largo de el 45 grado línea.
Y en este caso, i pensar este modelo mira bastante bien.
Nosotros no desear a ver nosotros patrones en nuestro derechos residuales de autor,
y Yo soy no viendo nosotros malo unos aquí.
Asi que este modelo mira bastante bueno, y entonces dijo yendo a trabajar con eso.
Asi que He ya explicado cómo este panel Correcto aquí
representa el predicho disolución curva como a funciones de hora
y el individual Gama factores
Ahora, estas otro dos filas aquí están porque
hemos cargado el referencia como a objetivo funciones
Asi que este fila es el diferencia
de el predicho disolución curva desde el objetivo referencia curva.
Y después el abajo panel aquí es el integrado distancia
de el predicho curva desde el objetivo.
Cuándo bien maximizar atractivo en este perfilador,
eso da nosotros el combinación de factor ajustes
ese minimizar este integrado distancia desde el objetivo.
Asi que Yo soy yendo a hacer ese por trayendo hasta maximizar atractivo.
Y ahora bien ver el resultados de el funcional Gama análisis,
dónde bien tengo identificado .725 de polímero A
275 de polímero B,
a total polímero de sobre .17,
y a compresión fuerza de sobre 1700
minimizar el distancia Entre nuestro predicho curva y el referencia.
Ahora, hemos hecho dos análisis
Ambos de esos analiza tengo recomendado ese bien ir
a el más bajo ajustes de polímero A y el más alto ajustes de polímero B.
Ellos diferir de en su recomendaciones
por qué total polímero Monto a usar y cómo mucho compresión fuerza a usar.
Él tercera análisis Yo soy yendo a hacer es el Curva Gama análisis.
Este es yendo a ser estructurado bastante similar
en algunos maneras a el funcional Gama análisis,
en ese entonces dijo yendo a usar el mismo versión de el datos
dónde disolución mediciones están todos en una columna
y bien tengo a hora columna.
Pero bien no tengo a incorporado objetivo funciones opción
en el Encajar Curva plataforma aún.
Asi que el primero cosa bien tengo a hacer es encajar solo el referencia lote
y ahorrar su predicción fórmula espalda a el mesa.
Después bien hacer a Curva Gama análisis,
cuales es en gran parte similar a a funcional Gama análisis
en ese entonces dijo extrayendo características desde el curvas
modelado el curvas.
Después bien ir a el grafico perfil a encontrar ajustes ese mejor fósforo el referencia.
Él no lineal modelo ese entonces dijo yendo a ser usando es
a Tres parámetros Weibull Crecimiento curva,
cuales posee a largo historia en el análisis de disolución curvas.
Curva de crecimiento de Weibull tengo un asíntota parámetros A
ese representa el valor como hora va a infinito.
hay qué llamado el inflexión punto parámetros
ese i ver es a escalada factor ese clase de se estira fuera
o aprieta en el totalidad de el curva.
Y después hay además a crecimiento Velocidad parámetros
ese dicta el forma de el curva.
Qué i pensar es De Verdad valioso sobre usando este modelo
pariente a el funcional Gama modelo o el F2 escribe análisis
es ese entonces dijo yendo a ser modelado características extraído desde el datos
ese tengo real científico sentido,
especialmente el asíntota y inflexión punto parámetros
Ahora Curva Gama análisis no tengo a objetivo pareo capacidad
me gusta el Funcional Datos Explorador.
Asi que bien empezar el análisis por Excluyendo todos de el Gama filas en el datos mesa.
Estas están representado con el colocar columna igual a UNA.
Asi que i Seleccione a células allí,
Seleccione pareo células, y después ocultar y excluir esos filas
asi que ese i solamente tengo el referencia lote no excluido.
Después i ir a el Encajar Curva plataforma,
carga eso hasta, conseguir en allí, encajar el Weibull crecimiento modelos,
y después i ahorrar ese predicción fórmula espalda a el mesa.
Una vez bien completo el Curva Gama análisis,
entonces dijo yendo a comparar el Curva Gama predicción fórmula
a este referencia vaticinador
a encontrar combinaciones de el factor ajustes
ese conseguir nosotros como Cerrar a este curva como posible.
Asi que ahora bien mostrar y excluir el Gama lotes,
ir espalda en el Encajar Curva plataforma,
solo me gusta el Funcional Datos Explorador plataforma.
Dijimos yendo a carga hasta el Gama factores como suplementario variables
Ahora ese entonces dijo en el plataforma, bien lata encajar nuestro Weibull crecimiento modelo.
Él inicial encajar aquí mira bastante bien.
Mira me gusta entonces dijo capturando el forma de el disolución curvas.
Una cosa i me gusta a hacer próximo es a fabricar a parámetros mesa.
Este crea a datos mesa con nuestro equipado abajo el cerca regresión parámetros
i me gusta a Mira en estas en el distribución plataforma
a ver si allí están valores atípicos en allí o cualquier cosa inusual.
i además me gusta a Mira en el patrones i ver en el multivariante plataforma
solo da Uds a mejor sentido de qué yendo sobre
con el no lineal modelo encajar.
Una vez bien saber ese todo es buscando bastante bueno,
bien lata hacer nuestro curva Gama análisis
y este mira muy mucho me gusta el funcional Gama análisis desde antes de.
Nosotros tengo a perfilador ese espectáculos
el relación Entre disolución y hora
y cómo ese relación cambios como a funciones de nuestro Gama factores
Y después bien además tengo a generalizado regresión modelo
por cada de esos Tres parámetros ese bien lata llevar a Mira en individualmente.
Él primero cosa i haría hacer antes de difícil a usar el modelo en nosotros forma
es Mira en el Realmente por predicho trama,
asi que Eso es qué bien ver aquí.
Este es el predicho valores incorporando
ambos el hora modelo desde el significar funciones y el propio funciones,
como bien como el Gama modelos sobre el no lineal regresión parámetros
Este mira bastante bueno
porque allí es a equitativamente fácil interpretación
por el viable crecimiento modelo parámetros.,
Eso lata ser útil y interesante a abierto hasta
el individual modelo encaja por estas parámetros
Para ejemplo, aquí están el coeficientes por el inflexión punto modelo.
Porque inflexión punto es a estrictamente positivo cantidad,
a RegistroNormal mejor subconjuntos modelo posee estado fijado con el datos
por el generalizado regresión plataforma.
Nosotros ver ese el mezcla manifiesta tengo estado forzado en
y ese el compresión forzado por polímero A interacción
es el solamente otro término en el modelo.
Qué este significa es ese
si bien sostener el polímero dimensiones constante
y incrementar el compresión fuerza,
bien haría suponer a más grande valor de el inflexión punto.
Una haría observar este como a tabletas ese acepta más extenso a disolver,
cuales es exactamente qué bien haría suponer a tengo ocurrir.
Nosotros lata ahorrar el curva Gama predicción fórmula espalda a el mesa
y bien lata ver en todos su sangriento detalles
cómo el modelo por asíntota inflexión punto
y crecimiento Velocidad están conjunto con hora a ven hasta con nuestro general predicción
por el disolución curva basado sobre.
Afortunadamente, con chatarra bien no tengo a Mira en el fórmula también cercanamente aunque
porque bien tengo perfiladores ese
dejar nosotros ver el relaciones en a visual forma
en lugar de que un algebraico una.
A resolver nuestro problema de hallazgo el combinación de factores
ese dar nosotros el disolución curva
ese haría ser más cercano a el referencia,
i creado a fórmula columna ese calculado
el porcentaje diferencia de el predicho curva,
tomando en consideración el Gama factores desde el referencia.
Él último paso de el análisis es
a traer hasta este por ciento diferencia respuesta
en el perfilador ese es bajo el grafico menú,
siendo seguro a controlar el Expandir Intermedio fórmulas opción.
Este condujo a a perfilador dónde entonces dijo poder a ver el por ciento diferencia
desde el referencia como a funciones de hora y el Gama factores,
He compartido el región dónde el diferencia
es menos que uno porciento en verde.
Por a mano ajustando el factores,
i fue poder a encontrar ajustes dónde el predicho curva
es menos que uno porciento desde el referencia a través de todos hora valores.
Este mira De Verdad bueno, pero en práctica i apuesta ese este es demasiado optimista.
Mirar bien ver el óptimo valores de el factor ajustes por todos Tres análisis
Él curva Gama análisis es en el interior de el rango por el polímeros
Él óptimo valor por total polímero es. dieciséis
cuales es Cerrar a el funcional Gama análisis resultado,
y compresión fuerza es en Entre el óptimo valores
recomendado por el F2 análisis y el funcional Gama análisis.
Después este bien Hecha nuevo formulaciones basado sobre el recomendado factor ajustes
desde cada de estas modelos y Medido su disolución curvas
como bien como cogí a nuevo colocar de mediciones desde el referencia.
Mirar bien ver a resumen de el final resultados desde el verificación carreras.
Él nuevo referencia distribución curva es en negro,
y el curva Gama en verde es el más cercano curva a eso,
seguido por el F Gama curva en azul.
Él resultado de modelado F2 es en rojo, y eso hizo el más pobre general.
Este deberían tal vez no ser también sorprendente.
Él F2 métrica fue el más simple,
reduciendo el datos abajo a a único métrica y hizo el más pobre
Él funcional Gama modelo tuvo a empíricamente
conducir el formas de el curvas
y después modelo Tres características de esos formas,
esencialmente usando más de el información en el datos.
Él curva Gama condujo a el mejor formulación
porque eso usado el datos eficientemente a través de algunos previo conocimiento
sobre el paramétrico formulario de el disolución curvas.
Nosotros ver ese el resultados de el F2 basado análisis
están no equivalente con el nuevo referencia parches,
tiempo el enfoques ese tratado curvas como primero clase objetos están equivalente.
Qué este significa es ese el Acercarse haría tengo requerido
en el menos otro ronda de Gama carreras,
y asi que un ineficiente análisis Guías a un ineficiente usar
de hora y recursos.
Yo soy yendo a Cerrar el presentación
con a retrospectivo Información q Evaluación de el Resultados.
General, bien encontrado ese el DOE curvo predicción
generalizado el mejor a nuevo datos,
pero fue el el más difícil análisis a llevar a cabo.
i desear a notas ese si bien no tengo a conocido no lineal modelo
a trabajar con ese encajar el datos bien, bien pudo no tengo hecho ese análisis.
Él funcional Gama análisis y el F 2 basados Acercarse
lata ser usado más en general en otro situaciones
Él perfilador Guías a excelente comunicación puntuaciones
por todos Tres análisis
Él habilidad a ver cómo el forma de el disolución curva cambios
con el Gama factores en el funcional y basado en curvas enfoques
Guías a mí a dar a ellos a mejor comunicación puntaje.
i ver el curva Gama Acercarse
teniendo el más alto comunicación puntaje por a pequeño pedacitos
porque entonces dijo directamente modelado más significativo parámetros
que el funcional enfoque DoE.
Eso es todos bien tengo por Uds hoy.
i desear a Gracias Uds por tu hora, interés, y atención.
