Hola Soy cris Gotwalt con JMP y mi co- presente Giuseppe Acerca de Martín de remate , y I son donación a presentación eso dice el historia de a datos análisis proyecto eso vitrinas el nuevo ondícula análisis en el funcional Datos explorador uno de el mayoría emocionante nuevo habilidades en JMP 17.
El caso estudiar a partir de con a producto formulación problema dónde tapas oh buscado a diseño a Catalizador eso optimizar dos respuestas pero el respuestas son en conflicto con uno otro en eso mejorando uno respuesta a menudo contar pero el a costa de de el otro
A como candidato para el óptimo compensación era encontró con modelos se convierte por el generalizado regresión plataforma y el óptimo factor ajustes eran encontró usando el atractivo funciones en el perfilador Este era a equitativamente estándar Gama análisis Pero en suma a el Medido respuestas NIR espectros eran tomado de alguno pero no todo de el muestra lotes Este es información eso Poder ser usado a dar a clave a el I+D equipo acerca de qué el químico estructura de el ideal formulación debería mirar como
En suma a el Reg. General modelo de el respuestas nosotros también usado ondícula modelos como el base función de a funcional Gama análisis de el espectros usando el Gama factores como entradasNosotros eran entonces capaz a conseguir a sintético espectros de el óptimo formulación por enchufar en el óptimo factor ajustes encontró en el inicial análisis de el dos crítico respuestas
Antes yendo en el presentación I desear a punto afuera eso pero el comienzo de el proyecto Giuseppe era muy nuevo a JMP y no tener a fondo en este tipo de estadístico análisis Giuseppe aprendió todo él necesario a doy el análisis en a estos propio después a pareja de web reuniones con I.
Este obviamente muestra él es a inteligente chico pero también eso JMP hacer aprendiendo cómo a doy alguno muy sofisticado datos análisis proyectos rápidamente y fácil Ahora Soy yendo a mano el espectáculo encima a Giuseppe
Gracias tú Cris. Aquí es alguno fondo acerca de nuestro proyecto Es a Catalizador desarrollo proyecto Por lo tanto, nosotros son desarrollando muchos diferente recetas Cada receta tener a único colocar de producción parámetros y una vez el muestra es preparado nosotros caracterizar va en nuestro análisis laboratorio en Topsoe. Y finalmente nosotros doy a actuación testigo
durante el actuación prueba nosotros mirar para dos valores eso aquí nosotros llamar Respuesta 1 y Respuesta 2. En este específico queso nosotros son intentando a minimizar respuesta 1 mientras maximizando respuesta 2. Eso voluntad dirigir a nosotros a este ideal espacio en el arriba izquierda esquina de el grafico. Pero como tú Poder ver el 55 muestras eso hemos probado conseguir atascado en el medio de el grafico. Eso es porque Respuesta 1 y Respuesta 2 son entre correlacionado significado eso mejorando uno contar con el gastos de el otro
Por lo tanto, nosotros mover a JMP y nosotros intentar a mirar pero nuestro respuesta datos y nuestro caracterización datos intentar a ver si nosotros Poder mover lejos de este línea en el medio de el grafico. Nosotros identificado dos objetivos áreas eso nosotros desear a alcanzar y juntos con cris nosotros pensamiento acerca de usando JMP a crear a modelo eso haría conectar el producción parámetros a el respuesta valorest Gallina nosotros más miró en nuestro infrarrojo espectroscopia datos a intentar a fortaleza nuestro modelo y a conseguir alguno afuera información acerca de el objetivo muestras
Aquí es si descripción general de el datos colocar Nosotros tener producido 112 muestras Cada muestra tener a único colocar de producción parámetros Nosotros tener analizado todo el muestras usando infrarrojo espectroscopia Nosotros tener uno espectro para cada muestra
Entonces nosotros tener usado muchos otro caracterización técnicas eso nosotros tener en- casa eso cuentas para 21 generalmente columnas de datos Finalmente, nosotros tener probado medio de el muestras y eso cuentas para el último dos columnas eso nosotros llamado respuesta
Pero el comienzo de nuestro proyecto nosotros de hecho buscado a incluir el infrarrojo espectroscópico datos en nuestro más grande datos colocar y eso es por qué nosotros buscado a usar JMP porque ahora nosotros tener este nuevo ondícula modelo posibilidad Y eso haría permitir a nosotros a incluir el principal componentes próximo de el ondícula modelo en nuestro datos colocar Y nosotros podría usar eso a crear modelos en JMP Pero antes nosotros comenzar nuestro análisis nosotros necesidad a tener a mirar pero el Para datos a encontrar valores atípicos Nosotros doy eso por haciendo clic Analizar y el multivariado métodos multivariado
h ser nosotros Poder seleccionar nuestro producción parámetros y caracterización datos como Y columnas y nosotros conseguir este gráfico de dispersión matriz Este es si ejemplo de justo mirando pero el producción parámetros pero qué nosotros haría identificar como si parte aislada Nosotros Poder ver eso allá es a colocar de puntos en producción parámetros también eso es lejos lejos para todo el otro puntos Además, nosotros tener fondo conocimiento acerca de estos muestras eso nosotros saber no lo haría ser óptimo para nuestro Catalizador desarrollo entonces nosotros decidido a bien hacer clic y decir "Fila, esconder y excluir."
Nosotros Hice este también con otro puntos mirando pero el gráfico de dispersión métrica de todo el caracterización datos Ahora eso nosotros tener limpiado arriba el datos nosotros Poder se convierte a modelo Nosotros hacer clic Analizar y Se hace Modelo y nosotros seleccionar el producción parámetros como variables en nuestro modelo Nosotros hacer clic macros y respuesta superficie a crear a segundo polinomio combinación de estos variables Entonces nosotros seleccionar nuestro respuestas como Y valores
Entonces nosotros decidido a usar generalizado regresión h ser cris Poder agregar alguno generalmente información acerca de por qué nosotros decidido a usar este específico tipo de modelo
Nosotros usado a cuadrático respuesta superficie modelo porque el diseño tenía tres o generalmente niveles para cada factor entonces I sabía eso nosotros haría ser capaz a se convierte curvatura términos si necesario y también ser capaz a se convierte bastante a variedad de diferente interacción términos Nosotros usar el generalizado regresión plataforma porque va tú haces modelo selección con No gaussiano distribuciones como el registro normal En mi opinión allá ellos no son muchos razones no a usar el generalizado regresión plataforma si tú tener JMP Para porque va es entonces fácil a usar mientras en muchos maneras ser entonces mucho generalmente poderoso para Gama análisis que el otro opciones en JMP y JMP Para.
Después eso nosotros Poder seleccionar nuestro distribución Nosotros saber eso el respuestas son yendo a ser estrictamente afirmativamente entonces nosotros seleccionar el registro normal distribución y entonces nosotros hacer clic Correr y nosotros decir No
En este deslizar nosotros Poder ver eso nosotros tener ahora creado a modelo pero nosotros tener también el posibilidad de creando otro tipo de modelos usando diferente evaluación métodos Nosotros decidido a usar mejor subconjunto aquí cris Poder agregar alguno generalmente palabras acerca de va.
Bueno entonces aquí nosotros usar mejor subconjunto selección porque el lleno modelo no es terriblemente grande entonces por qué no intentar cada posible subconjunto de eso lleno modelo y encontrar el uno eso proporciona el absolutamente mejor compensación entre exactitud y modelo ¿sencillez?
En el otro mano tenía allá ha sido ocho o generalmente factores I haría tener usado a rápido algoritmo como adelante selección o podado adelante selección porque con más grande base modelos va haría llevar a muy largo asustado a se convierte cada posible submodelo a el datos Eran yendo a ser usando el AIC modelo selección criterios a comparar Reg. General modelos
El AIC permite tú a comparar modelos con diferente efectos en a ellos como Bueno como diferente respuesta distribuciones Con el AIC menor valores son mejor y el regla de pulgar I usar es eso si a modelo tener si AIC valor eso es dentro 4 de el pequeñísimo AIC valor visto entonces aquellos dos modelos son prácticamente idéntico en calidad de se convierte
Si el dos modelos tener AIC valores dentro 10 de cada otro entonces ellos son estadísticamente similar a uno otro. El principal punto aquí ser eso si nosotros tener dos modelos y su AICc diferir de por generalmente que 10 entonces el datos son bonito fuertemente sugerencia eso el uno con el menor AIC es el mejor modelo a ser laboral con
Como con cualquier individual Estadísticas tú debería vista el A CPI como a sugerencia Si su sujeto asunto experiencia fuertemente sugerencias uno modelo encima el otro tú puede desear a confianza su instintos y ignorar el recomendación de el A Corte Penal Internacional.
Una vez nosotros tener creado este nuevo modelo nosotros Poder ver eso el no cero parámetros tener ahora abandonó de dieciséis a nueve Si nosotros desear a comparar si el modelo tener mejorado nosotros Poder mirar pero el A CPI valoresNosotros Poder ver eso allá es si mejora de generalmente que 10 cual es si importante diferencia Por lo tanto, nosotros decidido a ir con el mejor subconjunto
Nosotros Hice el asimismo para Respuesta 2 y entonces nosotros movido en. Ahora nosotros Poder hacer clic en el ed flecha y decir perfilador En el perfilador nosotros Poder jugar alrededor con el producción parámetros y ver cómo el modelo es esperando Respuesta 1 y Respuesta 2 a cambiar Este es ya a excelente herramienta para el científico a entender cómo el modelo es esperando el respuestas a variar pero nosotros Poder doy generalmente Nosotros Poder hacer clic en mejoramiento y atractivo y atractivo funciones
Desde de deslizar uno nosotros saber eso nosotros tener dos objetivos eso nosotros desear a alcanzar nosotros Poder cambiar el atractivo función a fósforo aquellos objetivos Entonces nosotros doble hacer clic en el Atractivo función y nosotros decir fósforo objetivo y seleccionar el objetivo área eso nosotros desear a alcanzar Finalmente, nosotros Poder hacer clic de nuevo en mejoramiento y atractivo y decir maximizar atractivo
aquí el perfilador voluntad intentar a alcanzar el óptimo puntos para el producción parámetros A para resumir nosotros Poder decir eso ahora nosotros tener el primero modelo nosotros ir de producción parámetros a respuestas y nosotros tener colocar dos objetivos eso nosotros desear a alcanzar Este forma nosotros Poder conseguir ideal producción parámetros eso nosotros Poder comunicar a el desarrollo equipo y ellos Poder usar a mover en en su investigación
En el segundo compartir de el presentación Soy yendo a hablar acerca de cómo nosotros usar el IR Espectros Aquí nosotros tener a archivo para cada espectro y por lo tanto nosotros necesidad a hacer clic en archivo y importar múltiple archivos Entonces nosotros necesidad a especificar eso nosotros desear el archivo a saber a ser columnado en el datos colocar y entonces nosotros Poder usar este muestra nombre cual es el a saber de el archivo como si IDENTIFICACIÓN a conectar va a el otro mesa dónde nosotros tener todo el datos Nosotros hacer clic en el columna y decir enlace referencia
Ahora eso el dos mesas son conectado nosotros Poder hacer clic Analizar y especializarse modelado y funcional datos explorador En el funcional Datos explorador nosotros desear a usar el intensidad valor como el Y producción Nosotros Poder usar el muestra nombre matriz a saber como nuestro IDENTIFICACIÓN función
Entonces este es muy importante Nosotros usar el producción parámetros como suplementario datos Y el peso número es de por supuesto el X- eje Y nosotros decir "Bueno, aquí nosotros Poder ver eso el datos es ya limpio." hemos importado todo el Espectros y el datos aspecto limpio porque He venir el preprocesamiento afuera de JMP I usado Pitón porque Soy generalmente familiar con eso y allá es a muy lindo módulo eso es capaz a eliminar el fondo y devolver el rango eso nosotros desear a mirar pero
JMP era bien a trabajar con como si afuera herramienta después este reprocesamiento Entonces nosotros decidir a hacer clic en modelos y ondas Nosotros mover de discretamente datos a continuo datos Ahora nosotros Poder también mirar pero el diagnóstico parcelas Este es para tú cris a hablar acerca de
Es a bien idea a mirar pero actual por predicho parcelas como tú proceder a través de a funcional datos análisis Estos tener el actual observado valores en el datos en el Y eje y el predicho valores en el X eje Nosotros desear el predicho valores a ser como cerca a el actual valores como posible A trama como este uno eso es ajustado a lo largo de el 45 grado línea indicar eso nosotros tener a bien modelo
Ahora alguno de tú puede ser preocupado acerca de sobreajuste desde el predicciones se convierte el datos entonces Bueno En mi experiencia I no lo he hecho encontró eso a ser a problema en el base función adecuado y funcional principal componente pasos de funcional Gama análisis Identificación también como a punto afuera eso en JMP 17 hemos agregado a lote de nuevo características para espectral preprocesamiento como estándar normal variar multiplicativamente dispersión corrección y Filtros Savitzky-Golay . esos de tú eso no saber Pitón tener acercarse a estos habilidades en JMP Para 17.
Después eso nosotros Poder también tener a mirar pero el funcional PCA análisis aquí Bueno gastar alguno generalmente palabras en va.
Después el ondícula modelo es se convierte JMP Para automáticamente tú haces a funcional principal componentes análisis de el ondícula modelo Este descomponer el espectros en si en general significar espectros y a lineal combinación de forma componentes y coeficientes eso son único a cada muestra espectros Cuando nosotros doy el funcional Gama análisis Reg. General automáticamente encaja modelos a estos coeficientes detrás el escenas y combina el resultante modelo con el significar función y el forma componentes a predicho el forma de el espectros pero nuevo valores de el aporte parámetros
Si nosotros mirar pero el principal componente análisis nosotros Poder ver eso el ondícula modelo tener creado a significar función de todo el espectros eso hemos colocar como aporte y entonces va tener creado diferente forma funciones Nosotros decidido a detener pero seis Qué este forma función descrito es el variación de el datos eso nosotros son analizando
Como tú Poder ver de el izquierda el primero forma función es contabilidad para 72 % de el variación mientras el segundo es contabilidad para 22 %. juntos el cuenta llamado seis cuenta para 99,5 % de el variación Como si ejemplo nosotros Poder mirar pero principal componente 2, y nosotros Poder ver eso alrededor 3.737 allá es a reducción Allá es a menos Eso significar eso creciente el principal componente 2 voluntad disminuir el cima pero 3.737.
Este es justo si ejemplo a decir eso ya de estos seis forma funciones nosotros Poder conseguir a lote de información Si nosotros tener sujeto asunto conocimiento acerca de el infrarrojo espectroscopia y este Catalizador sistema Ya aquí nosotros gastado bastante a lote de asustado mirando pero el principal componentes pero este es no qué nosotros son yendo a enfocar en en el próximo diapositivas
Qué nosotros desear a mirar pero en cambio es el funcional Gama análisis Aquí nosotros tener como Bueno a perfilador pero nosotros Poder ahora enchufar el producción parámetros eso nosotros consiguió de el primero modelo eso nosotros desarrollado Por lo tanto, conocimiento el objetivo producción parámetros eso nosotros desear a usar nosotros Poder generar a falso espectro o un sintético espectro nosotros Poder llamar va.Este es a espectro de a muestra eso era nunca producido Va podría ser equivocado pero va Poder dar alguno ideas a el científicos acerca de qué tú haría esperar a conseguir de estos nuevo producción parámetros
A Soy arriba nosotros Poder decir eso ahora nosotros mover de producción parámetros a infrarrojo espectro Nosotros tener a segundo modelo eso usar el ondícula modelo a generar sintético espectro I imaginar este a ser como cuando estás horneando a pastel ahora tú tener el receta pero tú consiguió también a instantánea imagen de el final pastel Va no explicar tú cómo a doy va pero va adiciones información acerca de qué tú desear a lograr
Finalmente, nosotros Poder mover de modelo a testigo Eso significar eso nosotros Poder dar el I+D equipo a nuevo receta y también el sintético espectro de esa receta. Juntos con este información ellos Poder intentar a desarrollar el nuevo Catalizador y ver si el modelo es validado o es equivocado
Otro cosa el grupo Poder doy es mirar atrás pero el anterior muestras Ahora nosotros tener medio de el muestras eso eran no probado esos son el negro puntos en el deslizar Nosotros Poder mirar para valores atípicos Él es allá a muestra eso podría llevar a cabo en realidad bien eso nosotros no lo he hecho miró ¿pero? Nosotros de hecho tener uno Entonces eso es otro testigo nosotros Poder doy
Mirando pero futuro trabajar I agregado este deslizar eso era pero el comienzo justo a decir eso nosotros enfocado en el producción parámetros y el IR espectros pero nosotros no lo he hecho en realidad miró pero estos 21 generalmente columnas de caracterización datos
En el futuro nosotros podría gastar alguno asustado intentando a identificar el mayoría predeciblemente parámetros en estos 21 columnas y crear tal vez a nuevo modelo de este caracterización datos a el respuesta y usar este modelo como a poner en pantalla modelo a evitar pruebas muestras eso haría no llevar a cabo como bien Eso es todo el fin de el presentación
