Hola, todo el mundo, y bienvenidos a JMP Descubrimiento.
Andrés Carlos y Brezo corriendo
yo tener a presentación Este Dia ese es yendo a destacar
alguno de la caracteristicas en JMP 17 pro eso voluntad ayuda tú afuera
en la mundo de mezcla modelos
Muchos de tú son involucrado en formulaciones,
y a ser honesto, ese es qué hemos estado haciendo a lote últimamente.
Fueron a lote me gusta ambulancia cazadores, dónde bien sólo Vamos después
la más reciente cosa que los clientes son interesado en.
Pero ese es qué fueron viendo a lote últimamente, es amigos que son haciendo mezcla modelos
que son Realmente bastante complejo y más asi que que casarse alguna vez saber.
Nosotros sólo decidió nosotros haría hacer alguno Más adentro investigación
con alguno de la nuevo técnicas que están fuera,
y que JMP 17 realiza por a nosotros.
Andrés, haría tú me gusta a obtener empezado y quizás dar a poco un poco de antecedentes
en la entero ocurrencia de qué a mezcla modelo es,
y alguno de la otro tecnicas?
De acuerdo, entonces vamos comienzo afuera con a bonito, fácil grafico.
Vamos tomar a Mira sobre aquí a la gráfico en la izquierda.
Fueron en un experimental ajuste,
y ahora yo suponer hemos obtuvo dos factores,
Ingrediente A y Ingrediente B, y ellos rango de 0-1.
Si hay no mezcla restricciones, después todo en la negro cuadrado
es a factible punto en este factor espacio,
y entonces nuestro diseño rutina es yendo a dar a nosotros puntos en algún lugar en este espacio.
Sin embargo, si hay a mezcla restricción
dónde estas tener a agregar arriba a una, después solamente la rojo línea es factible.
Nosotros desear a obtener a condicional óptimo
dado que restricción, y nosotros desear a final arriba
en algún lugar en que línea por ambas cosas nuestro diseño y nuestro análisis.
Si nosotros Muevete arriba a Tres mezcla ingredientes,
A, B y C, todos poder a variar de 0-1,
después nosotros obtener a cubo por que 0-1 restricción por cada de a ellos.
Pero con la mezcla restricciones, que toma la forma de a plano
intersección a cubo, y que da a nosotros este triángulo,
asi que solamente este rojo triángulo es importante afuera de que completo espacio.
Si nosotros tener cuatro dimensiones, si nosotros tener cuatro mezcla factores,
después que admisible factor espacio es Realmente a Tres- dimensional subconjunto,
a pirámide dentro de allá.
Buscando espalda a la Tres- mezcla ajuste.
Ver este ¿triángulo? Ese es la permitió región.
Bien, ese es por qué JMP da a nosotros estas ternario parcelas
Para estas parcelas ternarias,
qué JMP voluntad hacer es, si tú tener más que Tres mezcla factores,
es lo harás tener dos factores mostrado a a tiempo,
y la tercera eje voluntad ser la suma de todos la otro mezcla factores
Nosotros pueden Mira a estas parcelas ternarias, bastante que tener a tener a pirámide
que fueron buscando a lo largo de.
Nosotros tener a decidir, Hacemos desear a Diseño de relleno de espacio
o un óptimo ¿diseño?
Ahora, normalmente en a no mezcla ajuste, casarse normalmente usar un óptimo diseño,
y por la la mayoría parte, nosotros no lo haría considerar a Diseño de relleno de espacios.
hay a pocos razones que nosotros desear a considerar
a Diseño de relleno de espacio en mezcla ajustes.
Con frecuencia en la formulaciones mundo, si tú Vamos también lejos,
hay a poco un poco más sensibilidad a yendo también lejos en su factor espacio,
haciendo eso también amplio, después su completo proceso falla
S suponer que sucede sobre aquí dónde X2 es.
Suponer eso falla todo abajo 0.1.
Estás yendo a perder a bueno pedazo de tus carreras porque la óptimo diseño
tiende a poner la mayoría de su carreras en la Perímetro de la factor espacio,
asi que estás yendo a perder estas.
Estás no yendo a ser capaz de correr su completo modelo
con la restante puntos, y estás no yendo a tener
ningún bueno información sobre dónde que falla Perímetro es.
Para la diseño de relleno de espacio, si tú tener alguno tipo de falla
por debajo de 0.1, estás perdiendo a menor número de puntos.
Su restante puntos todavía dar tú a Diseño de relleno de espacio
en la existente espacio que tú pueden usar a adaptar la modelo efectos,
y ahora fueron yendo a ser poder a modelo que falla Perímetro.
También en la mezcla mundo, nosotros con frecuencia ver más alto ordenar efectos activo:
interacciones o curvaturas, polinomios,
que nosotros puede que ver en la no- mezcla ajuste.
Si nosotros no especificar aquellos, porque ningún de estas modelos son óptimo,
condicional en la objetivo modelo nosotros dar, asi que si nosotros no especificar un efecto operador
por la óptimo modelo, nosotros puede que no ser poder a adaptar eso
después la hecho, porque ellos puede que ser alias
con otro efectos que nosotros tener.
Estas relleno de espacio carreras Actuar como algo de a captura- todos de posible carreras,
asi que hay a pareja de razones
que nosotros puede que desear a considerar espacio relleno carreras,
pero nosotros desear a tomar a Mira analíticamente.
Qué la diferencia en actuación Entre estas,
después nosotros correr mediante modelo reducción, no sólo a la completo modelo,
porque fueron no solo voy a ser usando la completo modelo.
Ese es la diseño fase pregunta.
Cuando nosotros llegar a la análisis,
cuando sea estás buscando a estas mezcla experimentos en JMP,
JMP automáticamente vueltas apagado la interceptar por tú,
porque si tú desear para adaptarse a la completo modelo
con todos de su mezclado permanecer efectos, tú no poder incluir la interceptar.
lo harás obtener este advertencia
porque la mezcla- hecha efectos son constreñido a una,
y ellos agregar arriba a qué la interceptar es, asi que ellos son alias
También, si nosotros desear a Mira a más alto ordenar efectos,
nosotros no poder ser me gusta a respuesta superficie dónde nosotros tener puro cuadrático términos.
Nosotros tener a Mira a estas Scheffé Cúbico términos
porque si nosotros probar a Mira a la interacciones
más la puro cuadrático términos, después nosotros obtener otro singularidades.
Aquellos son a pareja de arrugas en la análisis.
Sin embargo, yendo delantero con la modelo selección métodos,
Delantero Selección o Lazo, cual son la base métodos
de la SVEM métodos que fueron yendo a ser buscando a,
nosotros desear a considerar algunas veces torneado apagado este defecto 'no interceptar' opción.
Qué nosotros encontrar es por la método de lazo nosotros Realmente tener a Haz eso
en ordenar a obtener razonable resultados.
Después nosotros adaptar nuestro modelo, ahora nosotros desear a hacer modelo reducción
a patada afuera irrelevante factores
hemos obtuvo a pareja de diferente maneras de haciendo que en base JMP .
Probablemente qué gente hacer la mayoría frecuentemente es ellos usar la efecto resumen
a Vamos hacia atrás en la pags- valores, y patada afuera la pequeña pags- valores.
Pero este es bonita inestable porque de la multicolinealidad
de la mezcla restricción, dónde pateando afuera una efecto
pueden drásticamente cambio la valores p de la restante efectos en la diseño.
Qué este gráfico espectáculos es si nosotros Vamos hacia atrás en pags- valores,
qué es la más grande valor p ese es golpeado afuera
y nosotros ver algunos saltando aquí y ese es de que efecto.
Dado que tipo de volatilidad en la adecuado proceso,
tú pueden imaginar si tú tener pequeña cambios
en su observado respuestas, quizás incluso de ensayo variabilidad,
o ningún otro variabilidad, sólo pequeña cambios pueden Plomo
a largo cambios en la reducido modelo
que es presentado como a resultado de este proceso.
Que alto modelo variabilidad es alguna cosa eso sería ser bonito
si nosotros pudo promedio sobre en alguno camino, en la mismo camino que quizás
con Oreja por est nosotros promedio sobre la variabilidad
de la CARRO métodos o la dividir métodos
y ese es qué la SVEM métodos haría ser buscando a haciendo.
En la suelto sentido, ellos son tipo de la analógico para eso,
por la lineal métodos fueron buscando a.
También nosotros pueden ir Paso sabio y Mira a mínimo AICc,
cual es quizás la privilegiado método.
En nuestro ultimo deslizar del espectáculo Este Dia bien ser tomando a Mira a,
por la base JMP usuarios, AICc versus B CI versus valor p selección
con nuestro simulación diagnósticos
Dar crédito a a lote de la existente trabajar y principal arriba a la SVEM Acercarse.
Estas son alguno estupendo referencias que hemos usó sobre la años.
También desear a gracias cris Gottwalt por su paciencia y respondiendo preguntas
y intercambio información como ellos han descubierto cosas a lo largo de la camino.
Eso es realmente ayudó establecer a nosotros arriba a ser poder a poner este a bueno efecto en práctica.
Discurso de en práctica, dónde tener nosotros estado usando este bastante a un poco
sobre la años es la ajuste de líquido nanopartícula formulación mejoramiento.
Qué es lípido nanopartícula ¿formulación? Bueno, una nanopartícula lipídica,
si tienes conseguido ningún ARNm COVID-19 vacunas pfizer, Moderna, después tienes conseguido estas.
Qué estas hacer es tú tomar a mezcla de cuatro diferente lípidos, resumido aquí,
y ellos forma estas poco fragmentario burbujas
Después aquellos son eléctricamente cargado,
después ellos llevar a lo largo de con a ellos a genético carga útil,
ARNm, ADN, o otro cargas útiles que o actuar de vacunas
o pueden objetivo cáncer células.
los eléctrico cobrar Entre la genético carga útil,
y entonces la opuesto cobrar en la nanopartícula es qué se une.
Después nosotros lo quiero a obtener mediante la célula y después liberar la carga útil en el interior.
los formulación cambios dependiente en qué la carga útil es.
A también algunas veces nosotros puede que cambio la escribe de ionizable lípido,
o la escribe de él lper lípido a ver cual una lo hace mejor,
asi que nosotros tener a rehacer este proceso sobre y sobre.
Para la la mayoría parte, la científicos tener fundar que estas
rangos de quizás 10-60% para la lípido ajustes
y entonces a más estrecho rango de 1-5%.
Ese es por la la mayoría parte la factible rango por este proceso.
Ese es estado explorado afuera, y ese es qué la geometría
nosotros desear a juego aquí en nuestro solicitud es.
Nosotros desear a decir, dado que estructura que fueron haciendo una y otra vez,
Hacemos tener un ideal análisis y diseño método por ¿que?
A también nosotros desear a establecer arriba a simulación que si fueron buscando a otro estructuras,
otro geometrías por la factor espacio, quizás nosotros pueden generalizar a que,
pero ese es yendo a ser nuestro enfoque por Correcto ahora.
Dado que antecedentes,
estoy yendo a dejar Jim ahora resumir la SVEM Acercarse y hablar sobre que.
Sí, gracias tú.
Este especial descubrimiento presentación,
qué fueron yendo a hacer es a poco un poco más centrado en PowerPoint,
desafortunadamente, porque la resultados son De Verdad qué este es todos sobre
por la simulaciones que hemos hecho.
Pero este especial sesión, yo voluntad mostrar tú alguno de la JMP 17
que nosotros tener nuevo capacidad.
Si yo Vamos y yo desear a establecer arriba a Diseño de relleno de espacio...
Ahora, previamente nosotros no eran capaz de hacer mezcla modelos con Diseños de relleno de espacio
desde afuera de la caja, si tú voluntad.
Nosotros seguramente pudo poner restricciones en allá,
pero ahora qué nosotros desear a hacer es mostrar tú cómo tú pueden hacer
a Espacio F enfermo Diseño con estas mezcla factores
Este es nuevo que yo ahora tener estas venir en como mezcla,
cual es bueno porque eso ahora lleva
todos de aquellos columna propiedades con eso como bien.
Una cosa valor mencionando Correcto ahora es
la defecto es estás yendo a obtener 10 carreras por factor,
asi que 40 carreras en a Gama típicamente es bueno
y nosotros son feliz porque nuestro el poder es bien arriba 90%
o lo que sea nuestro criterios es.
Pero ese es no la caso [inaudible 00:09:54] estas mezcla modelos
porque hay asi que muchos restricciones inherente en eso.
Qué que es narración yo, desafortunadamente, es incluso si yo fueron a tener 40 carreras,
Identificación todavía solamente tener 5% energía de haciendo Scheffé Cúbico
y incluso si es efectos principales solamente, hay solamente 20% energía.
Energía ahora es no De Verdad a diseño criterios que fueron yendo a Mira a
cuando nosotros hacer estas mezcla modelos
Ahora, típicamente en nuestro aplicaciones,
desafortunadamente, nosotros no tener la lujo de tener 40 carreras.
En este caso bien hacer 12 carreras y ver cómo que proviene afuera.
Bien Vamos adelante y hacer ese espacio Relleno Diseño,
y puedes ver que es quizás igualmente untado a lo largo de la superficie.
De curso, nosotros hacer saber que fueron encerrado con alguno de estas tipo aquí
que nosotros solo puedo ir de 1 -5% en la polietileno glicol.
Qué yo desear a Hagan ahora es sólo Vamos a rápido delantero.
Ahora vamos decir He correr este diseño y estoy Listo a hacer la análisis.
Este es dónde SVEM es De Verdad hecha enorme progreso
y si tú escuchar a alguno de cris y phil de Ramsey trabajar
afuera allá en JMP comunidad, lo harás ver este es a paso cambio.
Este es a juego cambio en términos de su analítico capacidad.
Cómo haría nosotros hacer este en ¿dieciséis?
En JMP dieciséis qué casarse tener a hacer es casarse tener a venir mediante,
y en realidad es valor yendo a través de paso sólo porque eso da tú
a poco un poco de visión, aunque la primario misión
de este instrucciones o este hablar es no SVEM,
eso voluntad dar a nosotros un ocurrencia de qué yendo en.
Qué nosotros pueden hacer aquí es nosotros pueden Vamos adelante y bien hacer la Auto validación Mesa.
Este es la JMP dieciséis metodología.
Qué lo harás Nota aquí es hemos desaparecido de 12 carreras a 24
Nosotros sólo duplicado a ellos y tú ver la Validación Establecer.
los capacitación mayo ser los primeros 12, validación la Siguiente 12
Ese es qué adicional y después nosotros tener este peso.
Este es la Oreja peso y es fraccionariamente ponderado.
Qué sucede es nosotros voluntad Vamos adelante y correr este modelo
y venir arriba con a predicho valor,
pero después nosotros necesitar a cambio estas pesos y después mantener haciendo este sobre y sobre
por nuestro Bootstrap, al igual que a aleatorio bosque, ocurrencia por la SVEM.
Ahora qué es útil es a tipo de tomar a rápido Mira.
Qué es la geometría de estas pesas?
Nosotros pueden ver ellos son anti- correlacionado,
significado si en la capacitación establecer que soy bajo,
estoy probablemente yendo a ser alto en la validación establecer.
Este es tipo de a rápido poco visual de que relación.
Ahora estoy Listo a Vamos hacer mi análisis en JMP dieciséis.
Eso haría ser analizado y casarse sólo hacer nuestro adaptar modelo.
De curso, nosotros desear a generalizado regresión
y bien Vamos mediante y hacer a Scheffé Cúbico aquí,
porque es a mezcla.
Pero aquí está dónde nosotros tener a agregar en la paso,
nosotros poner la conjunto de validación como su validación columna
y después este validación peso es yendo a ser que frecuencia.
Ahora yo pueden correr este.
Por la camino nosotros pudo,
en muchos de nuestro instancias fueron no normal, fueron Iniciar sesión normal,
nosotros pudo poner que en Correcto allá.
Aquí nosotros tener nuestro generalizado regresión capacidad
a Vamos adelante y correr este modelo y listo, allá son la estimados.
Qué nosotros haría hacer entonces venimos aquí por debajo la Ahorrar la Predicción Fórmula.
Después aquí es una correr.
De acuerdo, asi que nosotros obtuvo una correr.
Tú pueden ver que la parte superior es 15.17, y nosotros Realmente sierra 15.23,
asi que no malo en este modelo,
pero nosotros haría hacer este sobre y sobre.
Nosotros usó a hacer eso sobre 50 veces o asi que.
Pero con JMP 17, ahora este entero proceso es automatizado a a nosotros.
Nosotros no tener a hacer este 50 veces y después tomar la promedio
de estas predicción fórmulas
Fueron poder a Vamos directamente a eso.
Si yo venir espalda a mi original diseño aquí con la respuesta,
yo pueden obtener Correcto a eso.
Por la camino, este es mostrando que yo tener otro restricción poner en aquí.
A lote de veces nosotros tener la farmacia y bioquimicos me gusta a ver que
a hacer Por supuesto que la proporciones basadas en molecular pesos son dentro de razón.
No solamente hacer nosotros tener la mezcla restricciones,
nosotros además tener a lote de otro restricciones
estoy laboral con a grupo donde nosotros tener quizás 15 diferente ingredientes
y probablemente 30 restricciones en suma a la mezcla restricciones,
asi que estas métodos trabajar y escalar,
probablemente es la mejor camino a decir eso, bonita bien.
Ahora este es 17, asi que 17 yo pueden obtener Correcto a eso.
estoy yendo a Vamos adelante dentro Adaptar Modelo, y Voy a Vamos adelante y hacer a Scheffé Cubic.
De aquí, qué fueron poder a hacer ha venido dentro a generalizado regresión.
En este caso, nosotros no necesitar a preocuparse sobre estas tipo en aquí.
Nosotros pueden cambio eso a registro normal si nosotros asi que deseo.
Una de mi elecciones en la Estimacion
en cambio de Delantero es en hecho SVEM Delantero,
asi que yo hacer SVEM Delantero y estoy yendo a Vamos hacer 200.
lo harás ver qué tan rápido ellos tener este afinado
Realmente el solamente cosa tú pueden hacer en avanzado control S
es controlar ya sea o no tú desear a fuerza a término en.
yo pegar Vamos y instantáneamente He hecho 200 Oreja muestras por este problema.
De curso, yo ahora pueden Mira a la perfilador
y que es la promedio de la 200 carreras.
Ese es tipo de mi final modelo, si tú voluntad.
De curso, con Predicción perfilador,
allá son cientos de cosas tú pueden hacer desde aquí
y Andrés tocará en a pareja más de aquellos.
Pero dos otro cosas valor tomando nota aquí,
Voy a ahorrar la Predicción Fórmula como bien y tomar a Mira a que tipo.
Cuando yo Mira a la Predicción Fórmula,
Voy a Nota que eso es en hecho ya promediado afuera por yo aquí.
Este es la media de los 200 diferente muestras que son afuera allá.
Con que, que es la manifestación,
y bien Vamos espalda a buscando a la gráficos allá a decir,
"Bien que es eso que fueron viendo en términos de la resultados de SVEM?"
Andrés, si tú desear a jalar arriba que deslizar.
Este es quizás a rápido visual.
Tú pueden ver que si yo Mira a aquellos primero Tres,
en este caso, rojo es malo.
Qué fueron buscando a aquí es la nominal cobertura.
Este es a mezcla modelo
a la óptimo predicho lugar de actuación.
Nosotros pueden ver que la estándar Paso sabio tipo son no haciendo también bien.
Ese es la hacia atrás y delantero AIC.
Este es la cobertura tarifas
Casarse me gusta eso a ser a nominal 5% error que nosotros no Realmente ver
la verdadero respuesta en la predicción o Realmente la confianza intervalo.
En otro palabras, cuando nosotros mirado a la perfil
que nosotros sólo vio, nos da a predicción o confianza intervalo
estaba la verdadero valor,
cual nosotros saber porque fueron jugando la simulación juego, ¿Correcto?
Nosotros saber qué la verdadero valor es, qué porcentaje de tiempo estaba que en ¿allá?
Nosotros pueden ver que nosotros no hacer como bien con nuestro clásico métodos.
los completo modelo, poniendo todos la términos en,
Lazo lo hace bonita bien a a 10% Velocidad o asi que,
pero es no Hasta que nosotros obtener los métodos SVEM aquí que nosotros comienzo viendo
que fueron realmente capturando y consiguiendo bueno cobertura.
A bueno quizás imagen a mantener en su mente,
que nosotros son camino superando alguno de la otro métodos afuera allá
cuando eso proviene a la capacidad.
Ahora, en términos de cómo este simulación,
qué fueron enfoque en aquí es a poco un poco diferente que qué tú mayo pensar en,
en términos de a simulación dónde estaban mirando a a modelo y dicho,
"Cómo bien hizo nosotros hacer con este especial ¿método?"
Nosotros pudo medida que por cómo la actual versus la predicho es
y después casarse obtener algún tipo de a significar al cuadrado error.
Nosotros hacer pista que valor,
pero nosotros encontrar en nuestro trabajar, fueron mucho más preocupado sobre hallazgo
que óptimo mezcla, si tú voluntad, con la óptimo ajustes que lograr a nosotros
a máximo potencia o minimiza algunos efectos secundarios
o ayuda a nosotros con este [inaudible 00:18:58]
Ese es yendo a ser llamó al "por ciento de máximo" que fueron buscando por.
Fueron yendo a usar que como nuestro primario respuesta aquí
en términos de siendo poder a evaluar cual métodos superar otros.
Es no De Verdad yendo a ser,
cómo lejos lejos soy yo de la ubicación de la óptimo ¿valor?
Es cómo lejos es eso respuesta que yo predicho como óptimo
cómo lejos es que de la actual ¿óptimo?
Ese es yendo a ser nuestro medida de éxito.
los camino este voluntad trabajar es Voy a ser pidiendo Andrés a pocos ideas aquí
en términos de qué típicamente proviene arriba en práctica.
yo sierra la geometría él mostró yo temprano en
y la óptimo diseño estaba siempre pegar la límites.
Qué si yo me gusta cosas que nosotros llamar más mezcla, ¿Correcto?
Tú tener más mezclado cosas en la medio,
relleno de espacio, cual es mejor.
Si yo hacer usar un óptimo diseño,
eso predeterminados a D quizás, pero qué sobre yo y ¿A?
Después cómo sobre la años- antiguo GAMA agregando puntos centrales?
Es que ¿inteligente? O es una ¿punto central?
O cómo sobre réplicas?
hemos ya discutido cómo fueron no siendo útil,
asi que qué es a útil medida de a bueno ¿diseño?
Ese es la diseño pieza, pero además la análisis pieza es,
es allá a especial método que supera todo el mundo,
o son allá cierto áreas que nosotros debería enfoque en
usando Lazo y otros,
que nosotros debería sólo usar SVEM por ¿selección?
Estas son práctico preguntas que venir arriba de todos de nuestro clientes,
y casarse me gusta a Cuota con tú
alguno de la resultados que nosotros obtener de la simulación.
Andrés, tú desear a dar a nosotros
a poco un poco más visión dentro nuestro simulación ¿proceso?
Sí, Gracias, Jim.
Antes yo hacer que,
yo sólo desear a punto afuera una herramienta
que hemos hecha pesado usar de en la análisis de nuestro resultados,
y desafortunadamente, nosotros no tener tiempo a ahondar dentro la manifestación,
pero eso posee estado asi que útil es, dentro de la perfilador
a Mira a la producción aleatorio mesa por estas mezcla diseños
y a Mira a la respuestas especialmente,
nosotros frecuentemente tener potencias por lado efectos
Nosotros tener múltiple respuestas,
que queremos balance que afuera con la atractivo función,
y después fueron yendo a Mira a la individual respuestas ellos mismos.
Cuando nosotros producción a aleatorio mesa, nosotros obtener a Espacio Relleno Diseño,
básicamente no a diseño, pero nosotros llenar arriba la completo factor espacio,
y fueron poder a Mira a la marginal impacto
de cada de la factores sobre la completo factor espacio.
Para ejemplo, por la ionizado lípido escribe,
qué bien frecuentemente ver es, nosotros pueden ver que quizás una posee
a más bajo marginal comportamiento sobre la completo espacio.
Pero ya que fueron falto a optimizar,
nosotros cuidado sobre qué la máximo de cada de estas es,
y una de estas voluntad claramente ser mejor o peor.
Fueron buscando a la reducido modelo.
Después él encaja a ellos, bien Vamos a la perfilador y hacer este.
Nosotros pueden todavía obtener la analítico óptimo de perfilador,
pero en suma a que,
este da a nosotros más información fuera de de sólo que óptimo.
Qué nosotros puede que hacer aquí es por candidato carreras,
porque nosotros siempre correr nuestro confirmación carreras
después estas formulación y mejoramiento problemas
es nosotros puede que correr la global óptimo aquí por H 102,
nosotros puede que elegir afuera la condicional óptimo por H 101
y ver cual una lo hace mejor en práctica.
También, buscando a la ternario parcelas,
si nosotros color aquellos por atractivo o por la respuesta,
nosotros pueden ver la más o menos deseable regiones
de que mezcla espacio,
asi que que pueden ayuda a nosotros como nosotros o aumentar la diseño
o o incluir adicional áreas en la factor espacio,
o a excluir áreas
yo no poder hacer mucho más con que Correcto ahora,
pero yo querido a punto que afuera
porque ese es a muy importante parte de nuestro análisis proceso.
Cómo hacer nosotros evaluar alguno de estas opciones
dentro de este escribe de geometría de a factor ¿espacio?
Nosotros construido a simulación guion que nosotros tener compartido en la JMP sitio web,
y eso permite a nosotros a enchufar y desempeñar por diferente muestra tamaños en total,
cómo muchos las carreras son en la ¿diseño?
Nosotros tener a verdadero forma elección
que da a nosotros la verdadero generando función detrás la proceso,
a diseño escribe, o espacio relleno o óptimo
los óptimo diseño ahora es yendo a ser de a cierto mínimo Talla
establecido en la número de efectos que fueron apuntando
Hacer nosotros tener a segundo -ordenar modelo, a tercera -ordenar modelo,
a Scheffé cúbico ¿modelo?
Qué hacer nosotros ¿tener?
Normalmente, cuando sea tú construir a modelo y disfraz diseño en JMP,
eso escribe a modelo guion afuera a su mesa y después tú usar que a analizar eso.
Bien, alguna cosa hemos explorado es permitiendo a mas rico modelo
que qué nosotros obtener, qué nosotros objetivo,
y son nosotros poder a usar estas métodos con SVEM
y obtener adicional mejorado resultados,
incluso aunque nosotros no originalmente objetivo aquellos efectos en la ¿diseño?
los corto responder allá es sí.
Ese es alguna cosa más nosotros desear a considerar,
asi que nosotros permitir Nosotros mismos con la eficaz elección
a incluir adicional efectos
Nosotros pueden Mira a la impacto de agregando replica o puntos centrales
y que disfraz DWI diálogo a hacer cumplir aquellos.
Cómo lo hace que afectar nuestro ¿respuesta?
Porque ningún de la resúmenes que tú obtener afuera de la diseño
y afuera el diseño diagnóstico son comienzo apuntando la completo modelo,
o con respeto a predicción variantes,
D-óptimo, estás mirando estándar errores por la parámetros
Pero qué nosotros De Verdad cuidado sobre es cómo bueno es la óptimo
que fueron consiguiendo afuera de este,
asi que ese es qué fueron yendo a tomar a Mira a con estas simulaciones
Para la la mayoría parte en estas LMP mejoramiento escenarios,
a lote de veces, bien venir a través de dos situaciones
los científicos voluntad decir, "He obtuvo sobre 12 carreras disponible,
y quizás es no que importante de a proceso,
o la material es muy caro,
y yo sólo necesitar a hacer la mejor yo pueden con 12 carreras.Ese es qué He obtuvo."
O eso puede que ser alguna cosa dónde ellos han obtuvo a presupuesto por 40 carreras,
y ellos pueden adaptar a completo segundo -ordenar modelo
más tercera ordenar mezcla efectos,
y nosotros desear a probar a caracterizar este completo factor espacio
y ver qué la respuesta superficie aspecto me gusta sobre la entero cosa.
Aquellos son la dos escenarios fueron yendo a ser apuntando en nuestro simulación.
Jim, yo pensar tú tenido alguno preguntas
sobre actuación por debajo diferente escenarios.
Qué estaba su primero pregunta ¿allá?
yo hizo.
yo adivinar cuando yo pensar sobre a 12- correr guión aquí,
y si yo sólo Vamos con la defecto, Identificación obtener a D -óptimo
y eso haría ser principal efectos solamente.
yo reconocer yo pudo hacer la espacio relleno me gusta yo sólo hizo,
pero mi pregunta es, si yo hacer la defecto,
cual una de la análisis métodos haría ser ¿privilegiado?
O es allá ¿una?
De acuerdo, asi que tomando a Mira a que.
Para la D- óptimo diseño, como a general regla,
es yendo a poner casi todos de su carreras a lo largo de la Perímetro de la factor espacio
y es no yendo a tener ningún interior carreras
a no ser que tú tener cuadrático términos o alguna cosa que requiere que.
Con a 12 -correr diseño,
hay 90 grados de libertad requerido a adaptar todos la principal efectos aquí.
hemos obtuvo a pocos grados de libertad por error,
pero principalmente fueron solamente apuntando la principal efectos aquí.
Cómo hacer la análisis métodos ¿hacer?
Es allá ningún diferencia en la análisis ¿métodos?
Qué nosotros hacer, y todos de estas fueron yendo a resumir,
nosotros mostrar la por ciento de máximo por todos de nuestro simulaciones que nosotros hacer,
y asi que nosotros pueden ver que distribución por cada de la análisis métodos,
todos por este 12- correr, D-óptimo diseño objetivo efectos
Después nosotros además mostrar ningún importante diferencias Entre estas,
y fueron sólo usando t de los estudiantes
Fueron no haciendo un dos llaves ajustes, asi que mantener que en mente
cuando sea estás buscando en estos importante valores.
los ganador aquí es nuestro hecho en casa SVEM neural Acercarse
porque es no restringido a solamente buscando a la principal efectos,
ellos pueden permitir alguno adicional complejidad en la modelo,
y asi que eso gana aquí.
Ahora, no obtener también entusiasmado sobre que porque este es sobre la mejor
que hemos visto SVEM neuronal hacer es en estas pequeña ajustes.
Pero si nosotros son correr más que una candidato óptimo yendo delantero,
después quizás nosotros pueden incluir a SVEM neural, pero en general,
nosotros no lo haría recomendar solamente pega con un SVEM neural
sólo porque eso tiende a ser más variable, tener más pesado bajo cruz.
Qué son la otro ¿resultados?
Nosotros ver la perdedores en este solicitud
o cualquier cosa ese es haciendo la único Disparo modelo reducción
porque todos estas efectos son importante en la modelo,
y ningún tiempo nosotros jalar una de a ellos afuera, nosotros son yendo a obtener
a subóptimo representación de nuestro proceso.
Ese es por qué en este caso la completo modelo lo hace mejor que aquellos.
Pero qué interesante es la SVEM lineal enfoques
son poder a a el menos juego que completo modelo actuación.
Fueron no perdiendo cualquier cosa por usando SVEM en este solicitud,
asi que ese es a bonito aspecto dónde nosotros no tener a preocuparse
sobre la menor ajuste.
Son nosotros lastimando Nosotros mismos a todos por usando AICC?
Ahora, alguna cosa más nosotros intentó aquí es dado la mismo,
tienes solamente obtuvo 12 carreras.
Estás solamente apuntando la fabricar
y la D-óptimo criterios en la disfraz GAMA.
Qué si nosotros permitir la adaptar modelo a considerar segundo -ordenar efectos
más existen mezcla efectos,
asi que que nuestro modelo después estaba dirigido a ¿hacer?
Qué sucede, y nosotros ver este JMP aquí,
este SVEM lineal métodos son poder a utilizar que información
y dar a nosotros mejor por ciento de máximo, obtener óptimo candidatos,
y aquellos son nuestro ganadores aquí ahora es estas SVEM lineal métodos.
Qué nosotros ver es que curiosamente,
la base métodos por estas SVEM enfoques, Vado método,
o Vado selección o la Lazo son no poder a hacer usar de que,
solamente la SVEM es, asi que ese es a bonito propiedad.
Ellos Realmente derrotar afuera Neural,
cual es bonito porque ahora estas son nativo a JMP 17
y ellos no requerir como mucho cálculo tiempo
o manual establecer arriba como en sus propio.
Qué nosotros comienzo a ver aquí es la tema que fueron yendo a ver
a lo largo de la descansar de la día es que ningún de estas Lazo enfoques
con no interceptar son yendo a dar a nosotros sub -óptimo resultados
porque sin que la interceptar
y la castigo no trabajar Correcto en Lazo,
vos tambien Realmente desear a giro apagado la defecto opción de no interceptar
si estás yendo a probar a usar SVEM Lazo
o incluso sólo Lazo sin que un interceptar.
De acuerdo, asi que yo adivinar eso aspecto me gusta SVEM Neural hizo bien allá.
Pero otra vez, que es no nativo.
Nosotros no poder hacer que con JMP 17 Pro, ese es no ahí .
Nosotros pueden, nosotros tener a tener a manual [inaudible 00:29:01] escrito.
Sí es eso no a manual opción.
De acuerdo, este es bueno,
pero estoy además a admirador de la Espacio Relleno Diseño,
asi que cómo lo hace que desempeñar afuera en términos de la análisis ¿métodos?
Para la Relleno de espacio Diseño, tú pueden ver bastante que tener
todos la puntos a lo largo de la exterior, a lo largo de la Perímetro,
ahora nosotros llenar arriba la interior espacio
por ambas cosas la mezcla factores y la proceso factores,
cual algunas veces en práctica qué bien hacer es,
bien tomar la proceso factores
y redondo estas a la más cercano 0.25 o 0.5
o lo que sea granularidad obras mejor por a nosotros, pero este es qué eso aspecto me gusta.
En términos de la resultados, cómo hacer ellos ¿llevar a cabo?
Ahora qué fueron yendo a hacer es comparar
la concatenación de la diseño Acercarse
a lo largo de con la análisis método y ver cual estas hacer mejor.
Buscando a ahora todavía permitiendo la mas rico segundo y tercera -ordenar modelo
por la selección métodos y ver cual una lo hace mejor.
Cuando nosotros Mira a la comparación,
la ganadores son la SVEM lineal enfoques,
Lazo solamente con la interceptar, no sin que la interceptar,
y la D- óptimo
Otra vez, detrás la escenas, tú tener a recuerda,
ahora estás asumiendo por este D-óptimo Acercarse
que su positivo modelo es verdadero sobre la completo factor espacio
y tienes obtuvo constante varios sobre que factor espacio.
Si estás preocupado sobre fracasos a lo largo de la Perímetro,
después ese es alguna cosa más a tomar dentro cuenta, y es no construido dentro este.
Tú tener a considerar que.
Pero si tú son confidente,
quizás tienes correr este antes de y estás solamente haciendo menor cambios,
después la camino a Vamos es la D- óptimo con la SVEM enfoques.
Abajo aquí, la perdedores son la Lazo, con no interceptar.
Nosotros vas a evitar aquellos,
y tú pueden ver aquellos pesado cruz abajo aquí.
No la SVEM Lazo, sólo la Lazo.
Realmente aquí está la SVEM Lazo con no interceptar aquí abajo.
Sí.
Ellos todos obtener estas f, asi que ellos todos fallar.
-Convenientemente, [diafonía 00:30:48] . -Sí
Bueno.
Qué con frecuencia voluntad venir arriba,
ya sea es diseñado arriba frente dónde hemos hecho nuestro 12 carreras,
y la jefe,
ella posee alguno más preguntas y nosotros tener más carreras.
Si fueron yendo a hacer cinco más carreras,
cómo lo hace que impacto alguno de estas ¿resultados?
Cuando tú decir cinco carreras, no a seguir -arriba estudiar,
pero su construir es estudiar o 12 o 17 carreras
en a único Disparo Correcto ahora es qué estás considerando, ¿Correcto?
Sí, exactamente.
De acuerdo, asi que sí, nosotros pueden Mira a la marginal impacto
porque hay a costo a tú por aquellos extra cinco carreras.
Qué la beneficio de aquellos cinco extra ¿carreras?
Usando la diseño análisis tú pudo usar,
Mira en el FDS gráfico y su FDS más medio más bajo,
reflejando menor predicción variantes.
Energía es no que útil por estas mezcla efectos diseños
Nosotros no cuidado sobre la parámetros
Nosotros desear a saber, cómo bien haría nosotros hacer con ¿mejoramiento?
Ese es dónde la simulación práctico, nosotros pueden tomar a Mira a que.
Cómo lo hace su distribución de su por ciento de máximo cambio
como tú Vamos de 12 a 17 ¿carreras?
Curiosamente, hay no beneficio por la único Disparo 40 CPI
a tener 17 versus 12 carreras.
Ahora, otra vez, Correcto ahora fueron buscando a la porcentaje de máx.
Si tú Mira a su varianza de errores,
su varianza de predicción es yendo a ser menor,
y allá puede que ser alguno otro [inaudible 00:32:09] ,
pero principalmente su predicción diferencia
es yendo a ser menor si tú Mira a que.
Pero De Verdad, nosotros no cuidado que mucho sobre predicción diferencia.
Nosotros desear a saber, dónde es que óptimo ¿punto?
Porque después este, fueron yendo a ser correr confirmación carreras
y quizás en réplicas a que punto
a obtener un ocurrencia de la proceso y ensayo diferencia después.
Pero Correcto ahora,
nosotros son sólo difícil a explorar afuera la respuesta superficie
a encontrar nuestro óptimo formulación,
asi que con que meta en mente, hay no beneficio por un cuatro dias CPI.
Ahora por la SVEM métodos,
nosotros hacer ver allá es a importante diferencia
y nosotros hacer obtener a importante mejora
en términos de nuestro promedio por ciento de máximo nosotros obtener,
y quizás no como pesado cruz abajo aquí.
Pero ahora tú necesitar a saber es que tú necesitar a decidir,
es que prácticamente ¿importante?
Tú desear a Muevete de 90% a 92% significar por ciento de máximo
en este primero Disparo con cinco extra ¿carreras?
Tú tener a hacer su marginal costo
original beneficio análisis allá como a científico
y decidir si ese es valor eso.
Sólo buscando a eso aquí, qué yo pensar puede que ser útil
porque tú tener a correr confirmación carreras de todos modos
es si nosotros correr la 12 -correr diseño,
tú pueden después correr a candidato óptimo o dos
establecido en la resultados nosotros obtener,
y después más a pareja de adicional carreras quizás
en a alto -densidad región por qué que aspecto bueno,
o incluso aumentar afuera su factor espacio a poco un poco,
y después estás todavía correr a total de 17 carreras,
pero ahora fueron yendo a tener incluso a mejor sentido de la bueno región aquí,
asi que ese es alguna cosa a considerar.
Alguna cosa más nosotros pueden ver
de correr la simulación con 17 carreras es,
vamos Mira a la actuación
de cada de la adecuado métodos dentro de cada iteración,
y hay Realmente a asombrosamente bajo correlación
Entre la actuación
de estas diferente métodos dentro de cada iteración.
Nosotros pueden usar que a nuestro beneficio
porque fueron yendo a ser correr confirmación carreras después este,
asi que bastante que sólo tener a tomar una método y una confirmación punto,
una candidato óptimo punto,
si nosotros fueron a, por ejemplo, Mira a estas cuatro métodos
y después tomar la candidato óptimo de cada de a ellos,
después fueron yendo a ser poder a Vamos delantero con cual una todo el mundo lo hace mejor.
Fueron buscando a la máximo de estas.
Bastante que buscando a a significar de 92% a 94%,
ahora fueron buscando a a significar de sobre 97% con a menor cola
si nosotros considerar múltiple de estas métodos a una vez.
De acuerdo, muy útil.
Vamos ahora poner nuestro ojos hacia la 40 -correr diseños
Muy bueno información en términos de mi menor correr diseños
Ahora con 40, cómo lo hace eso desempeñar afuera en términos de estas análisis ¿métodos?
Son nosotros yendo a ver coherente comportamiento con qué nosotros sierra en la 12 -correr ¿diseño?
Después cómo sobre la Espacio Relleno versus la óptimo diseño, ¿D-óptimo?
-Identificación ser interesado en que. -De acuerdo.
Bien, primero tomar a Mira a la D-óptimo diseño, 40 carreras,
y ahora fueron apuntando todos de la segundo -ordenar efectos,
la tercera -ordenar efectos, mezcla efectos,
y fueron apuntando todos la efectos
que son realmente presente en nuestro generando función,
y nosotros todavía ver que fueron cargado arriba en la Perímetro de la factor espacio
con la óptimo diseño,
y después si nosotros fueron yendo a ver ahora con la espacio relleno diseño,
fueron yendo a ver ahora fueron relleno arriba la interior
de la factor espacio por la mezclas
y por la otro continuo proceso factores
Vamos ver qué la actuación diferencia es.
Primero de todos, enfoque en la relleno de espacio diseño,
cual análisis métodos hacer ¿mejor?
Y mismo como nosotros sierra en la 12 -correr ejemplo de la SVEM lineal,
Vado selección con que interceptar, Lazo con la interceptar lo hace la mejor.
los el peor caso tú pueden hacer es acuerdo la completo modelo,
o después difícil SVEM o único Disparo Lazo con no interceptar
y la D-óptimo ajuste, mismo ganadores, cual es tranquilizador
porque ahora nosotros no tener a ser preocupado sobre,
"Bien, estamos cambiando nuestro diseño escribe. Ahora nosotros obtuvo a cambio nuestro análisis escribe."
Es bueno a ver este consistencia a través de la ganadores de la análisis escribe.
los completo modelo no hacer como mal aquí con la óptimo diseño, yo pensar,
porque la óptimo diseño es apuntando que modelo
y la perdedores aquí son todavía la Lazo con no interceptar.
Después Neural es De Verdad descendente detrás aquí, detrás la otro métodos.
Ahora vamos comparar la espacio relleno a la D-óptimo diseños,
y nosotros pueden De Verdad ver
la más grande diferencia aquí es dentro de la completo modelo,
la espacio relleno diseños son mucho peor que la D-óptimo diseño.
Cualquier momento estás haciendo diseño diagnóstico,
ese es todos dentro de la contexto de la completo modelo.
Para su D -optimidad criterios,
su promedio predicción diferencia, ese es todos allá.
A lote de veces cuando tú correr aquellos comparaciones,
estás yendo a ver a rígido diferencia Entre aquellos
y ese es qué estás viendo aquí.
Sin embargo, en real vida,
fueron yendo a ser correr a modelo reducción técnica.
Con SVEM, incluso la único Disparo métodos mejorar eso.
Pero especialmente con SVEM aquí,
eso De Verdad cierra la diferencia Entre la espacio relleno y la óptimo diseño,
y nosotros ver bonita cerca a medio, y levemente más pesado cola aquí.
Pero ahora tú pueden Mira a este y decir.
"De acuerdo.yo perder a poco un poco con espacio F enfermo diseño.
Pero si yo tener ningún preocupaciones en absoluto sobre la Perímetro de la factor espacio,
o si estoy un poco limitado en cómo muchos confirmación puntos yo pueden correr
y yo desear a tener alguna cosa ese es yendo a ser no también lejos lejos
de la candidato óptimo que estoy yendo a llevar delantero,
después aquellos son la beneficios de la espacio relleno diseño."
Ahora nosotros pueden pesar aquellos afuera. Fueron no atascado
con este drástico diferencia Entre la dos.
Otra vez, ese es establecido solamente versus la D-óptimo diseño .
yo adivinar a lote de veces en nuestro GAMA trabajar,
nosotros me gusta a quizás Mira a la I-optimidad criterios
y incluso la A posee hecho De Verdad bien por a nosotros.
En particular, es se extiende eso. Es C ciertamente no espacio relleno,
pero a el menos eso se extiende eso afuera a un poco más que la D -óptimo.
Hacer nosotros tener ningún ideas cómo aquellos yo y A óptimo ¿trabajar?
Sí, nosotros pueden intercambio aquellos afuera dentro simulaciones
Una cosa hemos siempre observó,
yo amor la A -óptimo diseños en la no- mezcla ajuste.
Es casi mi defecto ahora.
yo De Verdad me gusta a ellos.
Pero en la mezcla ajuste, cuando sea nosotros probar a ellos,
incluso antes de la simulaciones, si nosotros Mira a la diseño diagnóstico,
la A -óptimo nunca lo hace como bien como la D o la yo -óptimo,
y que osos afuera aquí en la simulaciones,
ese es la azul aquí por la óptimo, da a nosotros inferior resultados.
Regla de pulgar aquí es,
no molestar con la A-óptimo diseños por mezcla diseños
Ahora por D versus yo -óptimo, nosotros no ver ningún...
En este solicitud por este generando función,
nosotros no ver ningún diferencia Entre a ellos.
Sin embargo, a razón a levemente preferir la D-óptimo es,
allá tiende a ser alguno convergencia problemas por estas LNP ajustes
dónde tienes obtuvo a clavija sobre la una 5%
y estás difícil a objetivo a Scheffé cúbico modelo en JMP,
así que hemos observó algunas veces alguno convergencia problemas
por la I-óptimo diseños y eso toma más extenso.
los D -óptimo, si hay no mucho de a beneficio,
después eso parece a ser la más seguro apuesta a palo con la D-óptimo.
Ahora nosotros no eran poder a prueba que con la simulaciones
porque Correcto ahora en JMP,
tú no poder guion en Scheffé cúbico términos dentro la GAMA
a construir un óptimo diseño.
Tú tener a hacer que mediante la GUI.
Nosotros no eran poder a prueba que, ver cómo con frecuencia que sucede,
pero ese es por qué hemos transportado delantero
D-óptimo en estas simulaciones y nosotros palo con aquellos.
Si tú desear a en su aplicaciones, tú pueden probar ambas cosas D y yo
y ver qué ellos Mira me gusta
ambas cosas gráficamente y con la diagnóstico,
pero la D-óptimo parece a ser ejecutando bien.
De acuerdo, yo adivinar sólo mantener tracción la hilo a poco un poco más lejos es,
a lote de veces bien probar alguno escribe de a híbrido diseño .
Por qué no nosotros comienzo afuera con, decir, 25 espacio relleno carreras,
y después aumentar que con alguno D-óptimo criterio
a hacer Por supuesto que nosotros pueden objetivo la específico parámetros ¿de interés?
Lo hace que trabajar afuera bonita ¿bien?
Sí, nosotros pueden simular que y nosotros tomar a Mira.
O hemos obtuvo...
Este es la mismo simulado función,
generando función hemos estado buscando a por tú correr la D-óptimo,
para que usted ejecute el espacio relleno,
o a híbrido, dónde nosotros comienzo afuera con 25 espacio relleno carreras
y después nosotros Vamos a aumentar y carga en edificio 15 adicional carreras apuntando
la tercera ordenar modelo, y qué nosotros ver es que ahora,
nosotros tener no importante diferencia en términos de la mejoramiento
Entre la D-óptimo de 40 ejecuciones y la híbrido diseño,
Pero en la híbrido diseño,
nosotros obtener la beneficio de aquellos 25 carreras de relleno de espacio.
Nosotros obtener alguno interior carreras proteccion a adaptar adicional efectos
y proteccion contra fracasos a lo largo de la Perímetro.
Es a poco un poco más trabajar a establecer este arriba.
Bien hacer este por alto prioridad proyectos
porque solamente por aquellos porque de ese extra costo y tiempo.
Pero eso lo hace Aparecer a ser a prometedor método.
Derecha.
Prácticamente tú pensar sobre dónde su óptimo es yendo a ser,
hay a bueno oportunidad eso pudo ser en que interior espacio
ese es no lleno en la D-óptimo a lo largo de la límites.
yo adivinar sólo quizás yendo espalda,
revisando la ideas de qué si yo tenido a centro punto,
qué si yo tenido a punto que yo pudo ¿reproducir exactamente?
Otra vez, quizás en la 40- correr diseño,
si yo tenido cinco más cosas, asi que sólo ningún otro poco pepitas
que nosotros aprendió a lo largo de la camino con ¿estas?
Bien, este proviene arriba a lote porque ahora libro de texto voluntad decir tú
a agregar cinco a Siete reproducir exactamente carreras.
los científicos son yendo a patada tú afuera si tú probar a hacer que.
A lote de veces nosotros tener a hacer la argumento
a agregar incluso a único reproducir exactamente correr
porque eso posee ventajas fuera de de la adecuado
porque ahora tú obtener a modelo [inaudible 00:41:09]
y sólo gráficamente nosotros pueden usar que como a diagnóstico,
nosotros pueden Mira a que aire diferencia pariente a la completo diferencia
de la completo experimento.
Es muy útil a tener,
y asi que es yendo a ser bonito a tener un argumento por tú a decir que,
"De acuerdo, fueron no lastimando su mejoramiento rutina
por incluido incluso a único reproducir exactamente correr."
Ese es qué nosotros ver aquí por la 40 carreras ejemplo
por forzando una de estas a ser un reproducir exactamente dentro de disfraz diseño.
Nosotros son no consiguiendo a importante diferencia a todos
en términos de mejoramiento.
Es ninguno de los dos Ayudar o lastimando
Vamos Vamos adelante y hacer que,
asi que que cuando nosotros tener que extra pieza de información yendo delantero.
yo no tener la gráficos aquí porque es aburrido.
Es la mismo cosa en este especial solicitud,
forzando una de a ellos a ser a punto central.
hay no diferencia.
Parte de que puede que ser en este caso, la D-óptimo diseño estaba donación a nosotros
a punto central o alguna cosa cerca a a punto central.
Que puede que no tener estado cambiando la diseño que mucho.
Tú puede que ver a más grande diferencia
si tú Vamos espalda a la 12 carreras diseño hacer cumplir la punto central.
Pero ese es la ventaja de tener a simulación estructura construido arriba
dónde tú pueden tomar a Mira a que
y ver qué es la práctico impacto yendo a ser por incluido que.
De acuerdo, ahora cómo sobre...
yo mencionado yo tener este grande proyecto con un montón de restricciones
haría a restricción quizás cambio alguno de la ¿resultados?
Bien, nosotros pudo posiblemente incluir la restricciones
y es yendo a cambio la permitió región dentro de la...
Gráficamente, vas a yendo a ver a cambio en su permitió región,
y nosotros pueden simular que.
Realmente, He hecho que.
yo no tener la grafico arriba con yo Correcto ahora,
pero qué eso lo hace es hay no que mucho un impacto, SVEM todavía hace bien
Una diferencia nosotros hizo Nota es que correr este simulación
y después restringiendo la región un poco es que la espacio relleno mejorado
porque es obtuvo a menor espacio a llenar y no como mucho ruido espacio,
pero la D-óptimo voluntad llevar a cabo
sólo como bien Entre la dos con o sin que restricción.
Que estaba bonita interesante a ver.
Pero todos de este se aplica sólo como bien con restricciones
y nada de Nota en términos de diferencia por análisis métodos con la restricción,
a menos el relativamente simple unos que nosotros aplicado.
Derecha, okey, fueron casi correr corto en tiempo aquí, Andrés,
pero yo hacer tener a inquietud.
Nosotros tener a mal especificado diseño
y nosotros haría me gusta a envolver arriba
y abandonar la amigos con a pocos llave comida para llevar
Aquí está un ejemplo dónde ahora este funcional forma
lo hace no juego ningún de la efectos fueron considerando
y fueron relativamente plano en este perímetro
dónde a lote de aquellos los diseños óptimos van a ser
asi que voy a ver como que obras afuera.
También Nota la [inaudible 00:43:52] Colesterol establecer a a coeficiente cero
y un verdadero generando función.
Ahora tomando que verdadero función yendo a perfil ejem producción justo en el mesa
y tú pueden ver cómo bonito eso es a ser poder a gráfico estas cosas
a ver la respuesta superficie usando que producción Correcto en la mesa.
Aquí está De Verdad su verdadero respuesta superficie, y este es su respuesta superficie,
pero qué interesante es eso aspecto me gusta hay un espejismo aquí.
Eso aspecto me gusta Colesterol es impactante por su respuesta.
Eso aspecto me gusta eso afecta su respuesta, pero en la realidad la coeficiente es cero.
Pero la razón eso aspecto me gusta que es porque de la mezcla restricción.
Ese es por qué es difícil a analizar gramaticalmente afuera,
cual la individual mezcla efectos De Verdad afectar su respuesta.
Fueron no como preocupado sobre que
como somos de dicho, qué a bueno formulación yendo ¿delantero?
En este ajuste, nosotros agregar a poco un poco de ruido, 4% CV,
cual es usó frecuentemente en la farmacéutica mundo.
En este caso, la significar fueron usando es la significar a la máximo,
cual en este caso es una,
y después además a mucho más extremo 40% CV.
Este aspecto más me gusta a sonar
y ellos son difícil a encontrar Titánico o alguna cosa.
Ojalá ninguna de su farmacéutica aplicaciones Mira me gusta este,
pero nosotros sólo desear a ver en este extremo caso cómo cosas trabajar afuera.
Qué nosotros ver es en la pequeña 12 carreras ejemplo
con relativamente pequeña proceso variación es proceso más ensayo variación
es estas base diseños se fue afuera y SVEM, todos lo mismo métodos,
y después si nosotros Vamos arriba a 40 carreras,
la relleno de espacio no es poder a mantener arriba como bien,
pero D-óptimo voluntad De Verdad hacer mejor ahora,
incluso aunque es relativamente plano afuera allá y la Talla dónde la mayoría de la carreras son,
es poder a elegir arriba la firma de la superficie aquí.
Ahora, aquí está la diferencia Entre la completo modelo
y después la relleno de espacio y El d- óptimo
No como grande de a diferencia por la SVEM métodos,
pero tú hacer todavía tener a pocos cola puntos abajo aquí.
Después ellos son todos no ejecutando como bien como la SVEM lineal,
incluso aunque la SVEM lineal
es solamente aproximando que curvatura por que respuesta superficie.
Si nosotros Vamos arriba a la súper ruidoso vista, no una lo hace a De Verdad bueno trabajo,
pero todavía su solamente oportunidad Es con la espacio relleno enfoques.
Pero después cuando nosotros Vamos arriba a la más grande muestra Talla,
incluso en la cara de todos la proceso variación, proceso ruido,
es ahora la opción estaba poder a bote afuera sobre que ruido mejor
y es poder a hacer mejor usar de aquellos carreras que la espacio relleno.
A pareja de consideraciones allá.
Qué su correr ¿Talla? Cómo saturado es tuyo ¿modelo?
Cómo mucho proceso variación hacer tú tener pariente a su medio del proceso,
va dentro la balance de la espacio relleno versus óptimo
Si nosotros tomar a Mira a qué son la sincero óptimo puntos
fueron consiguiendo afuera de la espacio relleno versus óptimo
estoy perdón, por la espacio relleno,
después qué nosotros ver es fueron en objetivo por este es ionizable y ayudante.
Fueron en objetivo por todos de nuestro enfoques excepto por estas ultimo con no interceptar.
Ellos son nunca en objetivo,
ellos son siempre emprendedor tú apagado en algún lugar más.
Tú pueden ver gráficamente cómo que falta de interceptar.
Ahora, si nosotros permitir la interceptar, entonces estamos en objetivo.
Que De Verdad es importante a desmarcar que no interceptar opción por lazo.
Para todos la gente que son no usando JMP Pro
y no tener SVEM,
tú puede que decir, bien, okey, qué su ¿simulación?
Aquí, qué es ¿mejor? AICc, versus BIC, versus valor p.
Desafortunadamente, sólo usando la número de simulaciones hemos correr,
hay no como coherente Acercarse como allá es con SVEM.
Si tienes obtuvo a largo número de carreras, Donde hay ya sea especificado
o correctamente especificado o mal especificado, la delantero o hacia atrás AICc hacer bien.
Completo modelo lo hace peor, mientras en la menor ajuste,
la completo modelo lo hace mejor porque todos aquellos términos son importante.
También la valores p aquí, también.
Ahora, tú ver, 0.01 lo hace la el peor, 0.01 lo hace la mejor en largo ajuste.
No consistencia, ¿Qué valor P usas?
0,01, 0,05, 0,1 .
los valor p de este vista es un desafinado mejoramiento parámetro,
asi que quizás mejor a evitar que y palo con la AICc
si estás en base JMP.
Sin embargo, nosotros tener visto ahora que
el SVEM enfoques por estas mejoramiento problemas
hacer dar tú casi universalmente mejor soluciones
que la único Disparo métodos.
Tú pueden obtener mejor soluciones con JMP P Ro, con SVEM.
Excelente.
yo adivinar nosotros desear a sólo envolver arriba.
Alguno de la llave recomendaciones aquí, Andrés.
Sí, y además, Jim, ningún otro comentarios?
Hacer tú tener ningún otro comentarios también sobre estas mejoramiento problemas o ¿cualquier cosa?
Interesante cosas hemos visto ¿recientemente?
Nosotros tener, fueron arriba contra tiempo por Por supuesto, pero hemos hecho alguno bonita increíble cosas
que hemos venir arriba con nuevo diseñado Tablas de madera
ese es mejor que es alguna vez estado
y propulsores que son tener físico propiedades
y actuación que nosotros no he visto antes de.
Nosotros tener tomado a paso,
a salto en términos de alguno de la capacidades
que hemos visto en nuestro mezcla modelo.
Pueden nosotros resumir con la resaltado bala abajo allá,
que SVEM parece a ser nuestro camino a Vamos,
y si tú solamente tenido una quizás SVEM delantero selección,
lo harás ser cubierto bonita bien.
Sí, ese es Correcto, porque estoy siempre asustado.
Incluso aunque la ultimo lazo a veces eso aspecto menos con interceptar,
algunas veces eso aspecto levemente mejor.
yo no saber si es quizás una o dos casos fueron significativamente mejor,
pero siempre cuello y cuello con delantero selección,
pero estoy siempre asustado que estoy yendo a olvidar a giro apagado no interceptar
y después dar mí mismo alguna cosa ese es peor que haciendo
o como malo como haciendo la completo modelo.
estoy siempre asustado de haciendo que.
SVEM delantero selección con Delaware culpa ajuste parece me gusta a bueno seguro camino a Vamos.
Perfecto.
Bien, con que, nosotros pararse Listo a tomar su preguntas.
