Merci pour donnant nous ce opportunité à parler à propos comment nous utiliser JMP dans pharmaceutique processus validation et continu processus vérification. Mon collègue, Louis et je volonté donner toi un guide à le arrière-plan de il, comment nous faire il, et quoi est le résultat.
Le ordre du jour est que d'abord nous volonté décrire le arrière-plan et le notions. Depuis c'est validation, nous doit justifier le hypothèses nous avoir derrière notre des modèles, donc santé mentale vérifier est important. Alors je volonté aller sur à parler à propos le particulier méthodes nous sont en utilisant et lequel formules nous avoir à faire pour des choses que sont pas là dans JMP à l'avant.
Alors Louis volonté prendre sur et montrer comment le JMP scénario est faire il à automatiser le calculs et mettre en œuvre quoi est manquant dans JMP. Enfin, nous volonté faire quelques conclusions et avec un peu de chance là volonté aussi être temps pour des questions.
Maintenant à le arrière-plan et le concept nous sont fonctionnement avec. Louis et je viens depuis un entreprise appelé NNE, et nous faire Conseil dans le pharmaceutique industrie, et nous sont JMP les partenaires, donc nous aide notre clients obtenir valeur dehors de le données, de cours, en utilisant JMP.
Un gros problème dans le pharmaceutique industrie est processus validation quand ils sont en allant à lancement un nouveau produit.T radicalement pour beaucoup, beaucoup années, il a a été fait par fabrication trois lots. je F ils étaient bien, le validation était passé.
Mais ce est pas vraiment prédire le avenir, ce est prédire le passé. Alors, oh F cours, toi peut faire trois lots que étaient bien, et alors le problème peut apparaître plus tard sur. À compenser pour que, que, le industrie a traditionnellement avait un extensif et ainsi cher QC inspection sur chaque lot à assurer il était d'accord.
Cependant, si nous pourrait prouver que tous avenir lots serait être bien, alors nous pourrait réduire le QC coût fortement. Mais comment faire nous prédire que le avenir lots volonté être bien avec confiance? Ouais, nous pourrait utiliser prédiction intervalles ou individuel confiance les niveaux, comme je appel dans JMP, à moins dans quelques menus.
Si nous mettre lot comme un aléatoire facteur, alors le validation lots nous sont regarder à volonté être vu comme un aléatoire échantillonnage de tous avenir lots. T par la présente, nous peut prédire comment avenir lots sont en allant à être. Si ce prédiction est à l'intérieur spécification, nous avoir en fait éprouvé que tous avenir lots volonté être bien donné que nous peut maintenir le validateur État forcer.
Cependant, ce pourrait prendre plus que trois des lots, mais faire ils tous avoir à être dans État deux, comme nous montrer dans ce graphique? Peut être pas. Nous en fait devrait juste toujours faire trois lots dans ton d'abord processus de validation. Si c'est pas assez, alors faire le repos dans lequel nous appel droit trois UN, lequel est après commercialisation, parce que alors toi peut juste vendre eux un par un. C'est pas un grand problème que toi avoir à faire plus.
Cependant, ce a besoin deux des choses à être accompli. Le d'abord est que nous toujours avoir ce extensif QC test que nous peut trouver dehors si ton lot est mauvais parce que nous sont pas encore outillé, il volonté pas arriver. UN aussi, de cours, il a besoin que le estimé performance est d'accord.Comment peut nous voir si le estimé performance est d'accord? Nous peut faire que par voyant si contrôle limites sont à l'intérieur le spécification.
Alors nous peut aller sur le marché et plus tard sur, quand aussi prédiction limites sont dans tel spécification, alors nous peut en fait retirer ou à moins réduire le QC inspection. Nous pourrait être en allant depuis surveillance le produit jusqu'à surveillance le processus.
Quoi est il tous à propos de? Validation est à propos prédire le formes de avenir lots avec confiance, pas juste prédire le passé. Comment peut nous faire que? Nous peut faire que par en utilisant prédiction ou 12 intervalles dans JMP.Comment beaucoup lots volonté nous suggérer à faire dans scène deux? Nous toujours suggérer trois, mais toi pourrait pas être fait.
Comment peut toi alors passer scène deux avec peu lots donc nous peut aller sur à le marché? C'est, comme je dit avant, regarder à contrôle intervalles parce que ils sont sans confiance. Tu es pas puni par seulement ayant trois lots. T poule plus tard sur, regarder à prédiction ou 12 intervalles.
Si contrôle intervalles sont à l'intérieur spécification, prédiction intervalles sont pas. Le le plus problème de le raison pour que est manque de données. Ce je ne devrais pas être limitant toi à aller sur le marché.
Alors comment beaucoup lots à faire dans scène 3A ? C'est assez simple. Simplement jusqu'à ton prédiction limites sont à l'intérieur spécification, alors toi avoir passé ton scène 3 UN. Ces limites toi peut aussi utiliser comme prédiction limite après scène 3 UN quand toi aller dans scène 3B.
Nous peut aussi voir il sur ce couler graphique où toi dans supérieur gauche coin, commencer avec en cours d'analyse ton validation ceux, typiquement arbre.Alors toi calculer ton prédiction limites dans JMP comme un aléatoire facteur. Si ils sont à l'intérieur spécification limites, tout est bien. Toi avoir passé les deux scène 2 et 3 UN et tout est bien.
Si il se tourne dehors que prédiction limites sont aussi large par rapport à le spécification limite, je serait, comme un suivant chose je ook à mon contrôle limites lequel sont sans confiance. Si ils sont à l'intérieur, alors nous juste besoin plus données et nous volonté collecter plus données et nous calculer et un indiquer de temps nous volonté aller dehors ici et avoir passé aussi strict TA.
De cours, si il arrive que même contrôle limites sont dehors spécification, alors en fait le estimé valeur est mauvais et toi sont pas vraiment prêt pour validation et toi avoir échoué. Avec un peu de chance, ce est pas en allant à arriver.
Allons aller sur à le santé mentale vérifier. Maintenant je volonté aller dans dans JMP. je volonté essayer à démontrer comment il travaux. Ici toi voir un JMP tableau lequel nous avoir fait, ou pas nous avoir fait, il en fait vient depuis ISPE, International Société de Pharmacoépidémiologie, OMS mettre nous ce données ensemble comme un bien exemple sur comment un validation ensemble devrait regarder comme.Beaucoup entreprises ou Conseil a essayé à calculer sur que et voir comment serait ils conclure.
C'est essentiellement un données ensemble depuis tablette fabrication, et classiquement il contient ces trois lots UN, B et C. Alors nous sont prise dehors poudres dans 15 Emplacements dans le mixeur, et alors nous sont mesure le API contenu, c'est le force de le réel [inaudible 00:06:52] ingrédient, lequel serait être entre 85 et 115 à être à l'intérieur spécification.
Si toi regarder à le variabilité graphique de le données, toi peut voir ici nous avoir le trois lots UN, B et C, et nous aussi avoir le 15 Emplacements dans chaque lot. Alors dans chaque lot emplacement combinaison, nous avoir quatre des mesures.
Le d'abord toi peut voir est que le dans emplacement variation sur lot B est quelque peu plus gros que sur lot UN et C. Nous faire pas avoir ba tch hétérogénéité. À faire que plus objectif, toi peut mettre S contrôle limite sur ton standard déviation graphique et toi peut voir que toi sont dehors de contrôle dans Lot B.
Un autre chemin de voyant il serait être à faire un hétérogénéité de variance test comme tu es voyant vers le bas ici. Alors c'est aussi très clair que il y a plus dans ou dans emplacement variation sur lot B que sur le autre ceux.
Strictement, toi ne peut pas piscine ces écarts cependant toi peut, mais nous besoin alors à faire pondéré régression où nous peser avec inverse variance. C'est le suivant étape nous volonté faire, aller dans enregistrer variance la modélisation, lequel toi peut faire dans JMP.
Nous avoir simplement ici juste fait un enregistrer variance modèle où toi peut voir que le emplacement, le lot, le interaction tous avoir un significatif influence sur le niveau, mais seulement le lot a un significatif influence sur le variance. Comme toi peut voir que le variance pour lot B est quelque peu plus gros que dans variance sur lot UN et C.
Quand toi avoir construit ce modèle, toi peut depuis en haut ici juste sauvegarder le Colonnes et toi peut sauvegarder ton variance formule. j'ai déjà fait que. C'est déjà dans mon données ensemble. Si je afficher ici, ici toi peut voir mon variance colonne depuis mon enregistrer variance modèle. Toi avoir un formule ici en disant, quoi est il dans groupe UN et C pour lot UN et C, et quoi est il pour lot B?Basé sur que, je peut maintenant faire pondéré régression où je simplement juste faire un poids colonne où je poids mon régression classiquement avec inverse variance.
Alors Je suis prêt pour fabrication un santé mentale vérifier sur mon données parce que maintenant je peut piscine le écarts après pondéré régression, donc je peut commencer faire santé mentale vérifier sur mon données. Le d'abord chose je serait faire est à regarder à un systématique modèle où je avoir mon emplacement, des lots, et le interaction.T poule je peut voir sur mon [inaudible 00:09:28] taper résiduel parcelle, je avoir Non valeurs aberrantes et hors-la-loi , mais il est à l'intérieur.
je peut aussi voir sur mon boîte parcelle transformation, il y a Non besoin à transformer mon données. Ici c'est raisonnable à supposer que je avoir ces normale distribué les résidus, lequel est le hypothèse derrière un fixé moins carrés modèle.
Alors suivant étape est à mettre lots comme un aléatoire facteur, pas juste un systématique facteur, parce que je serait comme à prédire avenir lots. Ce est quoi je avoir fait ici. T poule soudainement toi obtenir ces variance Composants. Quoi est le entre lot variation? Quoi est le lot emplacement variation? W chapeau est le résiduel signifier dans lot dans emplacement variation?
Depuis, de cours, je avoir pondéré il avec inverse variance, ce nombre, de cours, obtient fermer à un. Cependant, dans ce modèle, là sont aussi quelques supplémentaire hypothèses, à savoir que le lot effet et le lot emplacement effet est au hasard distribué, signification que ces aléatoire effet prédictions en haut ici devrait suivre un normale distribution.
À test que, toi peut juste mettre eux dans un tableau, lequel j'ai fait ici, et nous peut test le boucles juste fabrication un vide modèle où toi mettre eux comme un réponse. Toi peut voir les deux le lot signaux ou le lot écarts et le interaction écarts tous sont à l'intérieur le résiduel limites.Aussi ici nous peut justifier le hypothèse que ces sont juste aléatoire facteurs.Ce est le santé mentale vérifier de le modèle.
Maintenant à faire des modèles pour lot UN et lot C, nous besoin à échelle eux différemment. C'est quoi je avoir fait dans ces Colonnes sur ici. Si je afficher mon Colonnes ici, toi peut voir je fait un CA échelle poids où je simplement juste multiplié mon poids facteur avec le mise à l'échelle. Donc je obtenir le variation je avoir vu pour lots UN et C, et le même chose pour mon lot B.je peut échelle le poids avec le variance je serait comme à avoir comme un résiduel variance, lequel est juste à venir depuis mon bloc variance la modélisation. C'est aussi joli direct à faire.
N aïe je peut en fait avoir mon deux des modèles depuis où je peut prédire.Un où je échelle avec mon CA échelle poids et un où je échelle avec mon B échelle poids. Ainsi je peut voir, si je juste courir un de eux, un échelle avec le CA échelle poids, alors toi peut voir que toi avoir ce modèle, toi avoir ces les résidus, toi avoir ces équilibre Composants.
Quoi est très facile dans JMP est juste à aller en haut ici et toi peut aller et toi peut sauvegarder ton Colonnes. F ROM en haut ici, toi peut en fait sauvegarder le prédiction formule que serait être ton centre doubler. Mais toi peut aussi sauvegarder ton prédiction intervalle que ici sont appelé individuel confiance intervalle.
je avoir fait que les deux pour ce modèle et aussi pour le autre modèle. je aussi vouloir le autre modèle avec le différent mise à l'échelle pour lot B. T poule je sauvegarder ces Colonnes comme individuel confiance intervalles. Alors ils sont juste enregistré vers le bas ici comme ces prédiction formules.Alors je peut faire un combiné un par juste combinant ces en fonction, dépendemment sur lequel lot groupe des choses sont à venir depuis. Maintenant je avoir limites pour les deux lot UN, B et C, lequel je peut parcelle sur le même graphique.
Ce est droit sur à faire. Jusqu'à maintenant, je juste utilisé quoi si à l'intérieur JMP. Mais à obtenir le contrôle limites et à obtenir le tolérance limite, je besoin à calculer eux moi-même, parce que dans JMP, toi ne le faites pas avoir tolérance limites, toi ne le faites pas avoir contrôle limites dans Modèle adapté.
De cours, toi avoir contrôle limites quand toi faire contrôle graphique, mais c'est aussi seulement pour un signifier et un standard déviation. De cours, toi aussi avoir tolérance limites dans analysé distribution. Mais encore, c'est seulement pour un signifier et un standard déviation.
Ici nous avoir à calculer eux nous-mêmes. Le d'abord chose nous alors faire est juste obtenir le variance Composants. Ce est quoi nous avoir ici. W e juste enregistré le variance Composants depuis le deux des modèles, un où nous escaladé à lot UN et C, et un où nous échelle à lot B.
Parce que quand nous avoir le variance Composants, c'est joli direct à calculer le contrôle limite parce que c'est essentiellement juste le prédiction formule moins un normale quantile, et alors le carré racine de le total variance, et alors soit variance UN et C ou B, en fonction, dépendemment sur Qu'est ce qui était regarder à. je c'est en fait joli direct à calculer le contrôle limites que chemin.
Le même nous peut faire pour le tolérance limites. Si toi préférer tolérance limites plutôt de prédiction limites, beaucoup entreprises faire. Encore, malheureusement, ils sont pas dans JMP modèle, mais nous peut calculer eux. Là nous simplement juste mettre dans le classique formule pour un tolérance limite.Où un face, nous mettre dans le T quantile, nous mettre dans le degrés de liberté, nous mettre dans le normale quantile, et comme avant, de le proportion, et alors nous multiplier par le total soldes depuis le variance composant.
Le seulement petit peu difficile chose ici est que nous besoin le degrés de liberté sous total variance. JMP est pas vraiment donnant toi que. C'est seulement donnant toi degrés de liberté dans systématique des modèles. Mais nous peut voir basé sur le largeur de le prédiction intervalle, c'est quoi nous avoir ici. Alors nous peut en fait calculer basé sur le largeur de le prédiction intervalles, comment beaucoup degrés de liberté faire nous avoir là, et alors nous juste appliquer le même degrés de liberté sur le tolérance limites et alors nous sont prêt à aller et nous peut sauvegarder tous de ces limites vers le bas ici. Si nous vouloir, nous peut parcelle eux.Ce est quoi nous avoir fait ici.
Ici toi peut voir en fait le prédiction limites et le tolérance limites et le contrôle limites. Le contrôle limites sont le pointé doubler, le prédiction limites sont le complet doubler, et le rugueux pointé doubler sont le tolérance limites. Toi voir que pour le 15 différent Emplacements et pour le trois lots UN, B et C et de cours, limites sont plus large pour lot B parce que il a plus dans emplacement écarts.
Toi peut en fait voir que même le contrôle limites à le pointé doubler sont dehors pour emplacement 1 et 2 et en fait aussi quatre. Même cependant ce processus, ce est un bien exemple de un validation, je serait dire, Bien, si lot B est représentant, toi avoir en fait échoué le validation.
Si toi regarder à UN et C, alors tous le pointé lignes sont à l'intérieur, signification que nous avoir passé scène deux parce que le estimation valeur est bien. Mais sur un peu de eux, toi peut voir que le prédiction limites sont juste dehors. Mais quand toi avoir ce grand écart entre contrôle limites et prédiction limite, juste un lot plus serait probablement faire eux à l'intérieur.Ce est comment il travaux.
Quelques entreprises ils faire pas pense c'est assez à regarder à si le limites sont à l'intérieur spécification. Ils serait en fait comme à obtenir un Ppk aptitude indice sur eux. Nous aussi mettre que un dans notre méthode ici. Si toi regarder à le formules ici, toi peut voir où nous avoir le prédiction limites, c'est aussi mettre dans un Ppk formule.
Essentiellement quoi nous faire, nous juste prendre le prédiction des formules, ce dans le spécification limite, et et divisé par le moitié largeur de le prédiction limites. Ce est ce Ppk que correspond à le prédiction limites. Parce que ils sont avec confiance, ce est en fait Ppk avec confiance.
Toi peut faire exactement le même avec ton contrôle limites. Juste prendre le classique Ppk formule et juste mettre dans contrôle limites plutôt de prédiction limites. B parce que contrôle limites sont juste estimé valeurs, ce est Ppk sans confiance.De cours, toi peut faire exactement le même chose aussi pour le tolérance limites, lequel nous avoir vers le bas ici, un Ppk basé sur le tolérance limites.Toi peut aussi calculer tous de ces. Si toi vouloir, de cours, toi peut parcelle eux sur un graphique comme toi voir ici.
En haut ici, nous avoir estimé Ppk sans confiance, c'est le rouge un. T poule nous avoir le bleu un que est basé sur tolérance limites et le vert un que est basé sur prédiction limites. En haut ici, c'est pour le bien groupe UN et C avec indication variation. Vers le bas ici comment il est avec lot B, est un plus gros un.
Toi peut en fait voir, comme nous scie avec le limites pour lot B variation, même le estimé valeur a un Ppk ci-dessous un pour un, deux, et quatre postes. Alors que tous le estimé valeur est bien à propos un pour UN et C.UN aussi le Ppk basé sur prédiction, le vert un, la plupart de eux sont à propos un, et ils sont très fermer à un sur emplacement un et deux.Ce serait juste exiger un supplémentaire lot probablement, et alors ils serait être à l'intérieur.
Cependant, comme tu vas probablement voir c'est un peu fastidieux à faire tous ces calculs par main. Ce est pourquoi nous avoir fait un scénario pour il, lequel Louis est maintenant en allant à démontrer. je devrait juste Louis prendre sur maintenant et montre comment le scénario travaux. Je suis bien sûr il volonté aussi faire un peu plus exemples.
Oui, Pierre, remercier toi très beaucoup. je volonté juste essayer à partager mon écran ici alors. Oui. D'abord chose d'abord, comme Pierre a montré nous, nous affronter un parcelle de problèmes pendant le spécial validation. Heureusement pour nous, JMP a un parcelle de droit en haut boîte fonctionnalités à aide nous accord avec ces problèmes.Nous vraiment comme à utiliser le fonctionnalités à venir dehors de le boîte avec JMP parce que ce vraiment diminue notre validation fardeau quand en allant avant.
Quelques de le des choses JMP a résolu pour nous est, pour exemple, le problème que nous sont fonctionnement avec complexe processus et ces ne peut pas être décrit par juste un signifier et un standard déviation. Ici à accord avec ce, étaient tirer parti le Modèle adapté plate-forme dans JMP où nous peut avoir plusieurs systématique facteurs à poignée le beaucoup moyens, et nous peut aussi avoir plusieurs aléatoire facteurs à accord avec beaucoup variance Composants.
Alors il y a le problème avec données souvent avoir besoin quelques données transformation. Encore, JMP a le Boîte-Cox transformation fenêtre nous utiliser à accord avec ce directement dans le Modèle adapté plate-forme. Alors nous généralement voir un parcelle de valeurs aberrantes nous avoir à poignée dans plus gros données ensembles. H avant nous encore effet de levier le Modèle adapté plate-forme, plus spécifiquement le étudiant taille résidus parcelle où nous exclure valeurs aberrantes basé sur le Bonferroni limites.
Ici c'est juste important à note que à moins notre concept est que nous comme à exclure le réel modèle, mais nous toujours rapport eux séparément. Il a à être visuel que ces sont pas inclus dans le analyse.
Alors là est le manque de homogénéité de variance, lequel Pierre aussi montré comment à accord avec en utilisant le enregistrer variance la modélisation à obtenir dehors le variation et alors utiliser ce variance à calculer un poids formule.
Alors encore, là est le prédiction intervalles lequel nous utiliser assez un parcelle ici. Ici comme Bien JMP est prêt à aller avec individuel confiance intervalles directement dans le Modèle adapté plate-forme.
Mais alors comme Pierre aussi mentionné, nous feutre comme là étaient quelques les pièces où JMP pourrait pas apporter nous tous le chemin maison. Ce comprend, pour exemple, contrôlé intervalles dans JMP, lequel peut seulement poignée le un signifier et un variance composant.
Comment nous surmonter ce est que nous calculer contrôlé intervalles depuis le Modèle adapté en utilisant le prédiction formule et standard erreur sur prédiction formule et résidus à calculer le total variance, et depuis ici, le contrôle intervalles.
Alors là est le fait que tolérance intervalles est préféré par beaucoup de notre clients parce que ce permet toi à séparément ensemble le confiance et couverture.Cependant, nous seulement trouvé que JMP peut faire tolérance intervalles dans le distribution plate-forme, et il peut seulement poignée un signifier et un variance composant encore.
De cours, dans le scénario construit- ins que il peut calculer le tolérance intervalles similaire à le contrôle intervalles. W poule nous faire le calcul de le tolérance intervalles, nous utiliser le même degrés de liberté comme utilisé quand JMP calcule c'est prédiction intervalles.
Alors peut être le primaire raison pour faire ce scénario, ou le initial raison à moins, est que calcul et visualisation de tous ces intervalles est très temps consommant et très sujet à humain les erreurs. En fait, nous décidé à faire ce scénario à automatiser calculs et visualisations.
Alors dernièrement, beaucoup de notre clients exiger aptitude et dialyse tel comme Ppk. Nous avoir, de cours, aussi inclus ce dans notre scénario tel que il calcule Ppk correspondant à les deux prédiction limites, quoi nous appel Ppk avec confiance, et aussi contrôle limites, quoi nous appel Ppk sans confiance.
À parler à propos le scénario un petit peu, le scénario nous avoir conçu ici consiste de deux les pièces. Nous principalement avoir le JMP scénario toi voir ici dans le milieu, et alors nous aussi avoir un modèle document, comme toi voir en haut ici dans le supérieur gauche coin.
Quand fabrication ce scénario, là étaient un peu des choses nous vraiment recherché à atteindre. Nous recherché à faire il vraiment transparent, signification que notre clients pourrait aller dans et regarder sous le capot, donc à dire, et suivre le calculs de ces différent limites et potentiellement même modifier eux eux-mêmes, lequel prend nous à le suivant chose.
Nous recherché ce à être, à moins à quelques étendue, personnalisable par notre clients.Si ils ne le faites pas comme le chemin nous calculer Ppk, nous serait comme à donner eux le option à aller dans et modifier le équations.
Le modèle document dans lui-même est en fait, pour ainsi dire, un vide données tableau. Il a un parcelle de défini Colonnes avec colonne des formules, mais il a Non Lignes dans là encore. Quoi notre scénario fait, essentiellement, est que il travaux depuis ce modèle document comme un saisir. Il aussi prend le original données déposer sur lequel toi base ton analyse comme un saisir, et alors il prend le modèle fenêtre.
Ici il est à être dit que le modèle fenêtre est assumé à être un complet modèle. Donc toi avoir fait tous le tous ton données manipulations, assuré que ce est un approprié réponse toi obtenir depuis le modèle.UN aussi toi avoir fait ces santé mentale chèques et justifié le hypothèses derrière le modèle assurer c'est valide.
Quoi le scénario fait lui-même est que il prend le modèle document, il prend le original données déposer, et alors il copies le données depuis le original données déposer à le modèle document. Nous avons fait ce tel que nous ne le faites pas interférer avec notre clients original données soit.
Il alors aussi prend tous le pertinent paramètres depuis le modèle fenêtre et insérer il dans ce modèle document. F ROM là sur, plus ou moins, ce modèle document volonté remplir dehors lui-même à travers le déjà défini formules dans le Colonnes.
Ce modèle document volonté alors dans le fin être converti à un sortir tableau où le d'abord beaucoup Colonnes serait regarder très beaucoup comme le original données déposer, et alors toi volonté avoir le restant calcul et saisir valeurs comme supplémentaire Colonnes plus loin sur.
je pense nous devrait aller à un exemple et voir comment ce regards dans réel vie. je volonté juste essayer à arrêt partage ce écran et partager ce un.Quoi nous avoir ici est dans fait, le même ESBIC cas comme [inaudible 00:25:20] ici. Quoi toi serait faire est toi serait avoir ton données, toi volonté courir un modèle.Dans ce cas, je courir le modèle où pair échelle il à correspondre à le variation dans lot UN et C, le lots avec le inférieur variation.
Quoi toi simplement faire est que toi avoir ton modèle, assurer c'est fait dans sens de santé mentale chèques et donc en avant. Alors nous courir ce scénario sur ce modèle, lequel est ici. Nous avoir le modèle et nous courir le scénario.
Bien voir un peu des choses populaire en haut ici. D'abord, nous avoir le gabarit document, sortir document lequel a maintenant a été peuplé avec un parcelle de différent Lignes, quelques tableau variables, et donc en avant. Nous avoir notre Ppk graphique ici visualisation le Ppk basé sur différent limites. Le bleu être basé sur contrôle limites, le rouge être basé sur prédiction limites, et le vert un être basé sur tolérance limites.Alors dernièrement, nous avoir notre graphique ici traçage tous le données, spécification lignes, et comme Bien notre prédiction limite, contrôle limites, et tolérance limites ici.
Nous obtenir le image que Pierre aussi montré plus tôt. Quoi nous voir ici est, dans fait, que si nous regarder à notre données et supposer tous lots varie comme beaucoup comme lot UN et C, nous sont en fait dans un d'accord position ici.À moins nous serait avoir passé notre scène deux parce que contrôle limites sont pour tous des lots, tous Emplacements dans spécification.
Nous faire, cependant, avoir un petit problème dehors ici sur le emplacement 1 et 2, où nous voir à moins le prédiction de tolérance limites extension un peu sur le supérieur spécification limite. Cependant, nous croire ce pourrait être fixé par juste ajouter un peu plus lots à savoir le variation mieux.
Mais quoi nous aussi voir ici est, de cours, nous avoir un observation dehors notre limites, et ce est parce que quoi étaient regarder à ici est dans fait lot B, lequel comme nous souviens-toi, avait un plus haut variance. je serait juste essayer à courir ce modèle ici, échelle selon à lot B, donc toi peut voir le différence.
Maintenant quoi nous voir ici est que tous notre limites a déplacé dehors depuis le signifier. Maintenant ils sont en fait en allant au-delà spécification, pas seulement sur le d'abord deux Emplacements, mais sur plusieurs Emplacements ici, lequel serait, dans essence, pour nous, en particulier parce que toi avoir le contrôle eux comme dehors spécification, signifier que toi avoir échoué ton validation ici.Peut être pas le meilleur exemple pour ce données ensemble à vitrine un bien validation.
Maintenant je pensée je serait juste essayer à aller à travers comment nous envisagé le entier processus relatif plus à le organigramme, Pierre, montré toi dans le début de ce présentation. je avoir apporté un client exemple depuis un réel PPQ validation courir. Ils terminé en haut produire un total de six lots ici.
Quoi nous avoir fait ici est que nous avoir fait un modèle. je volonté juste déployer locale données filtre à simuler où il commencé, ayant seulement ces trois lots. Alors quoi nous avoir ici est juste, donc à dire, notre fini modèle. Quoi nous faire maintenant, après ayant produit le d'abord des lots, analysé le données, nous juste courir le scénario.Nous obtenir un résultat regarder comme ce.
Le scénario nous voir ici est que les deux notre contrôle limites et prédiction limites, le prédiction limites en haut ici, tolérance limites ici, sont les deux très beaucoup dehors le spécification. Cependant, chanceux assez pour nous, notre contrôle limites sont en fait à l'intérieur spécification.
Ce moyens dans le sens de le organigramme que nous maintenant avoir passé scène 2 et nous peut en fait commencer depuis maintenant sur à quand nous faire notre a continué validation, obtenir notre contrôle prédiction limite et tolérance limites à l'intérieur spécification, que nous en fait peut commencer Envoi en cours lots à marché simultanément.
Mais ours dans esprit ici, nous toujours avoir un joli haut QC effort dans le fin. Le raison nous croire que, parce que beaucoup clients aussi demander, comment peut nous faire ce si nous sont donc incertain à propos le lots nous produire? Mais si toi vouloir à savoir le qualité de ton déjà produit des lots, nous en fait avoir à regarder à ce dans un différent chemin.
Ici dans ce modèle, nous avoir lot comme un aléatoire effet parce que comme nous considérer il comme un partie de un plus grand population. Mais si nous vouloir à regarder à le lot individuellement, nous en fait avoir à mettre il comme un systématique effet dans ici. Si je courir le scénario sur ce un, nous volonté voir le limites rétrécissement significativement dans ici. je oublié à déployer données filtre, mais je pense ce fait du sens de toute façon.
Quoi nous voir ici est que le limites maintenant sont beaucoup plus proche à le centre lignes de chaque lot ici, et ils sont chemin dans notre spécification parce que nous sont maintenant regarder à le lots nous avoir déjà produit et pas en essayant à prédire le performance de avenir lots. Lequel est aussi pourquoi nous croire que ce est un acceptable indiquer à aller à marché alors que toujours ayant le haut QC effort à le fin.
Si je juste continuer avec notre exemple, quoi nous scie dans ce exemple était nous avoir passé scène deux parce que contrôle limites sont à l'intérieur spécification, mais prédiction limites sont dehors. Le suivant étape ici serait être à simplement produire un autre lot, créer ton modèle, c'est fait ici, et alors courir le scénario encore.
Quoi nous voir maintenant ici par rapport à le d'abord voir est que notre prédiction et tolérance limites sont en mouvement vers spécification et aussi vers notre contrôle limites, lequel est le comportement nous volonté supposer comme nous commencer à obtenir le entre lot v ariants ou s tarte à savoir le entre lot variantes mieux et mieux.
Cependant, toujours, prédiction limites sont pas à l'intérieur spécification, donc le routine serait simplement être à faire tout encore. Maintenant parce que je savoir comment ce volonté fin, je volonté simplement inclure le deux dernier lot et nous volonté sur le modèle encore.
Enfin, après y compris le sixième lot, le résultats nous obtenir ici sont que tous notre limites sont maintenant dans notre spécification, lequel moyens nous avoir passé les deux scène 2 après 3 des lots, et maintenant nous avoir aussi passé scène 3 UN. Lequel moyens nous maintenant aller dans scène 3B, où nous volonté commencer à mettre notre attention sur réduire le haut montant de QC effort dans le fin et remplacer ce avec a continué processus vérification et CTV.
Juste à somme en haut, je volonté aller dos à le présentation. Le but de un validation est, à moins dans notre avis, à prédire le avenir de lots volonté être d'accord. Nous fermement croire que si toi peut décrire ton validation ensemble avec un modèle, toi peut aussi prédire le avenir avec confiance.Ce peut être fait depuis soit prédiction intervalles ou tolérance intervalles.
Nous croire que JMP a unique possibilités à modèle ton données et aussi à justifier hypothèses derrière ton modèle.je t des offres le opportunité à regarder à variance hétérogénéité. Si nous faire pas avoir ce, nous avoir le option à faire un enregistrer variance modèle à trouver un poids facteur comme Pierre montré toi, et inclure que dans notre normale régression des modèles.
Alors nous peut regarder à si ou pas le résidus sont normalement distribué. Si ils sont pas, nous peut faire un Boîte-Cox transformation, aussi directement depuis le Modèle adapté plate-forme. Alors nous avoir le problème de les valeurs aberrantes, lequel nous peut poignée à travers le étudiant tâche résiduel parcelle, à l'exclusion observations dehors le 95 % Limites de Bonferroni.Encore, un fenêtre directement accessible à travers le Modèle adapté plate-forme.
Alors dernièrement, là est aussi que nous demande notre aléatoire facteurs à être normalement distribué, à moins effet devant. Ce nous a fait par le bleu test, et ici nous peut aussi exclure valeur aberrante niveau.
Alors à faire le processus Plus facile pour nous, notre clients, et aussi ajouter un peu sur haut de ce à en fait atteindre le fonctionnalités nous désir, nous avoir décidé à faire un scénario que peut automatiser visualisation de prédiction intervalles. Il calcule et visualise tolérance intervalles en utilisant le même nombre de degrés de liberté comme quand JMP calcule prédiction intervalle.Il aussi calcule contrôle limites pour plus complexe processus où toi avoir beaucoup moyens et beaucoup variance Composants. Dernièrement, il calcule aussi aptitude valeurs pour où ces pourrait être nécessaire.
