Mon nom est Pour vase depuis QUATRE, et I volonté ensemble avec mon collègue Louie Meyer
représenter comment toi peut utiliser JMP dans pharmaceutique processus validation,
et en fait menant dans que toi peut faire
continu processus vérification après.
Nous les deux viens depuis a entreprise appelé QUATRE, et nous faire conseil
pour le pharmaceutique industrie et nous travail avec données science.
Donc nous en fait en essayant à créer valeur depuis données à notre clients.
De cours, nous sont extrêmement heureux que nous peut utiliser JMP pour que
et ce est quoi nous sont en allant à démontrer aujourd'hui.
Donc le arrière-plan pour le présentation est processus validation.
Ce est a très important problème dans le pharmaceutique industrie,
que avant toi lancement a nouveau produit,
toi avoir à prouver que toi sont capable de produire il.
Classiquement ce a a été fait par juste fabrication trois lots.
Si ces trois lots étaient d'accord, nous avoir prouvé que nous peut fabrication
systématiquement et alors tu es prêt à lancement produits.
Mais de cours tout le monde,
y compris le [inaudible 00:01:06] avoir trouvé dehors,
que toi pourrait faire trois lots est pas le même,
comme tous avenir lots sont en allant à être bien.
Quoi est attendu aujourd'hui depuis a validation est que pas seulement montrer que toi peut faire
trois ou pourrait faire trois lots,
tu es censé à faire a ensemble de lots.
Basé sur ce ensemble de lots, toi devrait être capable à prouver
avec confiance que tous avenir lots volonté être bien.
Donc plutôt de prédire le passé, nous maintenant avoir à prédire le avenir.
Ce vraiment quelque chose que est a stimulant chose dans le pharmaceutique industrie
parce que ils avoir a été utilisé pour beaucoup années juste à faire ces trois lots.
Donc comment à faire il maintenant?
Nous sont vraiment portion beaucoup clients avec ce,
et quoi nous fortement recommander est simplement prédire le avenir.
Comment peut toi prédire le avenir?
Bien, toi peut faire que dans JMP avec prédiction intervalles.
C'est quoi ils sont pour.
Donc toi collecter quelques données, sur le jours toi analyser,
toi peut prédire comment le repos serait regarder comme.
Si toi peut juste construire a modèle que peut décrire ton validation données ensemble,
et si toi mettre ton lots dans ce modèle comme a aléatoire facteur,
ces prédiction limites en fait couverture pas seulement le lots toi faire,
mais aussi le lots toi n'ont pas fait encore,
et ainsi toi peut prédire le avenir.
Quoi tu es vision dans le bas de le graphique toi avoir scène un.
Ce est où toi conçu le nouveau processus pour fabrication le nouveau produit.
Étape 2 est examen c'est le classique vieux façonné validation.
Où nous précédemment fait trois lots, maintenant nous sont fabrication a ensemble de lots.
Maintenant basé sur que nous allons prédire le avenir lots volonté être bien.
Si toi avoir a parcelle de lot à lot variation,
il peut être dur à prédire avec juste a peu lots,
exigible à le largeur de le T distribution lequel voir le utiliser de liberté,
donc il pourrait prendre plus que trois.
Mais nous fortement recommander toujours à faire arbres scène 2 parce que sinon,
patients avoir à attendez aussi long pour le nouveau produit et alors si c'est pas assez.
Toi peut faire le déchets dans quoi nous appel scène 3a.
Certain parties qui traitent j'espère que sur comment ton prédiction limites
volonté être à l'intérieur spécification limites et alors toi avoir éprouvé
que tous avenir chemins volonté être bien, et toi peut aller dans quoi nous appel scène 3b,
signification que maintenant toi ne le faites pas avoir à mesure dans produit essai n'importe lequel plus long.
Toi pourrait peut être mesure sur le processus plutôt de mesure sur le produit
parce que toi avoir prouvé tous avenir médecine volonté être bien.
Toi seulement avoir à prouver que toi peut maintenir le validé État.
Que peut donner toi a lourd réduction dans ton avenir frais.
Quelques clients, ils obtenir toi en haut à 70% réductions, dans le avenir frais,
après ils avoir prouvé que tous avenir lots sont en allant à être bien.
Aujourd'hui nous volonté essayer à démontrer, comment ce peut facilement être fait dans JMP.
Donc quoi est le validation tous à propos de?
Bien, c'est le prédiction de avenir lots.
Maintenant, précédemment nous juste fait trois lots,
mais maintenant nous avoir à prédire le avenir lots.
Comment peut toi prédire que avec confiance?
Parce que quand toi faire validation toi avoir à prouver confiance, des choses sont bien.
Bien, toi peut juste utiliser prédiction intervalles.
Ils sont aussi appelé individuel confiance intervalles et JMP pour le même raison.
Ou toi peut aussi aller pour tolérances, si toi vouloir.
Comment beaucoup lots dans scène 2?
Nous en fait recommander à aller sur avec quoi ils utilisé à, lequel est trois.
Mais toi peut seulement passer avec le trois lots si toi contrôle limites.
Contrôle limites sont en fait juste prédire limites sans confiance.
I volonté montrer toi comment à calculer eux, et si ils sont à l'intérieur.
En fait le meilleur deviner c'est bien.
Si ton prédictions sont dehors, toi pourrait besoin plus lots.
Mais toi peut faire ces après avoir disparu à le marché avec ton produit.
Comment beaucoup lots devraient-ils faire en 3a ?
Très simple.
Jusqu'à ton prédiction limites sont à l'intérieur spécification intervalles.
Ou si toi vouloir, le correspondant PPK est haut assez.
I volonté montrer comment toi peut convertir ces limites à a PPK.
Quand c'est passé toi peut en fait aller à scène 3b parce que maintenant nous avoir prouvé
tous le avenir lots volonté être bien.
Toi juste avoir à prouver que toi peut maintenir le validé État.
Typiquement que peut être fait par mesure dans le processus,
lequel est Plus facile dans réel- temps, comparé à faire dans produit essai.
Donc c'est en fait a énorme avantage.
A parcelle de personnes récolte si tu es faire il ce chemin.
C'est a petit couler graphique pour comment fait il travail.
Donc toi commencer dehors regarder à ton validation une fois,
toi calculer ton prédiction limites,
juste être conscient que jusqu'à version 15 ils étaient pas droite.
Ils convenu à liberté deux faible prédiction limites.
Il était réglé dans version 16, donc s'il te plaît JMP utiliser version 16 pour ce.
Alors si ces prédiction limites sont à l'intérieur spécifications limite,
vous avez passé les deux étapes 2 et 3a,
et tu es en attendant pour processus continu vérification,
mesure sur le processus plutôt de mesure sur le produit.
Si il tours dehors que le prédiction limites sont aussi large,
alors regarder à ton contrôle limites.
Si ils sont dans spécifications limites, et prédit limites dehors,
le la plupart commun typique cours est de juste collecter données,
toi juste collecter plus données.
Mais toi faire que plutôt 3a après en allant sur à le marché.
Donc juste recalculer ce prédiction limite, chaque temps toi avoir a nouveau lot,
et alors avec un peu de chance après peut être trois ou quatre supplémentaire lots,
ils sont à l'intérieur ton spécifications limite et alors tu es prêt à aller.
Si il ça arrive que aussi ton contrôle limites sont dehors spécification,
alors en fait tu es pas prêt pour validation parce que alors en fait
meilleur deviner est que le processus est pas capable,
et de cours toi avoir échoué ton validation et toi besoin à améliorer
le processus et nous faire tout encore.
Avec un peu de chance nous ne le faites pas fin là.
Mais de cours il peut arriver.
Juste court à propos ce particulier méthodes
nous avoir utilisé à calculer ces contrôle limites,
prédiction limites et tolérance limites.
Pour contrôle limites,
vous avez besoin du JMP de cours, toi peut obtenir contrôle limites.
Mais c'est en fait juste pour un connu signifier et un connu standard raison.
Souvent toi avoir plus complexe systèmes que toi pourrait avoir beaucoup moyens,
différent caries et décent mobile processus pour exemple,
toi pourrait avoir plusieurs bandes composants entre échantillonnage points.
Typiquement toi avoir plus que un signifier et un standard raison.
Mais alors toi peut juste construire a modèle, et décrire ton données ensemble avec le modèle.
Alors toi peut juste prendre le prédiction formule,
toi peut envoyer le standard erreur ou prédiction formule
et toi peut prendre votre norme erreur sur résidus,
et alors plutôt de multiplication avec le G quantile,
juste utiliser le normale quantile.
Alors il correspond à avoir du dos confiance.
Ce est comment nous calculer contrôle limites basé sur a modèle.
Simplement basé sur le prédiction formule et le standard de le prédiction,
le norme des résidus lequel nous peut tous obtenir depuis JMP,
alors c'est joli facile à calculer comment fait contrôle limites travail.
C'est même Plus facile à prédire le limites, parce que ils sont prêt à aller et JMP.
Ils sont déjà là,
et de cours ils serait juste utiliser le limites calculé par JMP.
I dit avant être prudent avec JMP.
Avant version 16, limites simplement obtient aussi large.
Donc s'il te plaît utiliser version 16 et plus récent pour ce.
Pour tolérance limites,
nous avoir a petit peu de le même problème comme avec le contrôle limites.
Toi avoir tolérance limites dans JMP, mais seulement pour un signifier,
et un écart type.
Nous ne le faites pas avoir il pour a modèle.
Mais c'est en fait joli facile à convertir le classique formule,
pour a tolérance intervalle dans prise a modèle.
Juste remplacer le signifier avec le prédiction formule.
Juste remplacer N moins un avec le degrés de région pour le total variation,
lequel nous en fait calculer depuis le largeur de le prédiction intervalle.
Alors toi peut juste entrer ce dans le classique formule et soudainement,
nous en fait aussi avoir a tolérance intervalle et JMP,
que peut arriver dans et entre lot variation.
Alors nous prêt à aller avec le mathématiques ici.
Quelques clients préférer pas juste à regarder à si limites sont à l'intérieur spécification,
ils besoin à être profond à l'intérieur spécification,
en fait correspondant à que PPK est plus gros que un.
Mais c'est très facile à prendre le limites et le prédiction formule,
et convertir eux dans a PPK par ce classique formule pour PPK.
Si toi prédire le limites, toi obtenir il avec confiance,
parce que le moyenne confiance le même retraite limite,
et si toi mettre il dans le contrôle limite, toi juste obtenir PPK sans confiance.
Nous le ferons sans confiance et avec confiance.
Sans confiance est le un nous censé à recommander à utiliser dans scène 2,
et le autre ceux sont clairement pour scène 3a,
où nous avoir à prouver avec ça confiance.
Donc vie est facile quand toi avoir JMP,
et si toi avoir a modèle que peut décrire ton validation ensemble de données.
Mais nous avoir à être conscient que derrière tous modèles,
là sont quelques hypothèses que besoin à être accompli,
à moins à être justifié avant toi peut compter sur sur ton modèle.
Toi besoin à faire a standard vérifier de ton données,
avant toi peut utiliser le modèle à calculer limites.
A s toi savoir, JMP a très bien possibilités pour ce,
et I volonté juste maintenant aller dans JMP, et voir comment ce travaux.
Ici est a très bien connu données ensemble dans le pharmaceutique industrie,
publié par Industriel Société de Pharmaceutique Ingénierie,
où ils mettre dehors a données ensemble depuis le réel monde et dire,
"Ce est a typique validation ensemble, s'il te plaît essayer à calculer sur ce et voir
comment serait toi évaluer ce comme a processus validation données ensemble."
Si toi commencer regarder à le données graphique, toi peut voir ici nous avoir trois lots.
Le classique trois lots, désuet manières,
et nous sont fabrication comprimés ici et nous sont mélange le poudre.
Quand nous sont mélange le poudre, nous prendre dehors échantillons dans 15 différent
systématique postes dans le mixer dans tous trois lots.
Quand nous prendre échantillons, nous prendre plus que un.
Nous en fait prendre quatre.
Donc nous avoir trois lots, 15 indications, et chaque temps nous prendre quatre.
Ce est a données ensemble depuis réel vie que était utilisé pour validation.
Si toi regarder à données,
c'est en fait assez facile à voir que pour lot B dans a emplacement,
le inter-lots emplacement évaluation est beaucoup plus gros que pour lots A et C,
et si toi mettre a contrôle limite sur ton standard déviation,
c'est clairement C est plus haut.
Toi peut aussi l'hétérogénéité de variance test.
Il volonté aussi être assez évident que B a significatif plus gros variance que A et C.
Donc nous ne peut pas juste tirer ce parce que tu es seulement censé à tirer écarts,
que peut être supposé le même.
Donc quoi à faire ici?
Bien, le super chose à propos JMP,
toi peut juste faire a équilibre modèle, donc toi peut aller dans et mettre dans le lots
comme a équilibre facteur sur haut de ayant facteurs à prédire le signifier.
A gagner toi peut clairement voir que correctif B,
a plus gros variance que A et B et nous besoin à correct pour que.
Donc comment faire toi correct pour que dans a modèle?
Parce que I serait comme maintenant à mettre dans aléatoire facteurs
mais pas où est-il modélisé dans JMP faire pas soutien aléatoire facteurs.
Quoi I faire plutôt, I juste aller en haut ici et I sauvegarder mon variance formule.
Donc en fait I obtenir a colonne ici, où I avoir mon données écarts.
Alors I peut juste faire pondéré questions avec inverse variance.
Classique chemin de pesée quand tu es faire linéaire régression.
Donc c'est très facile à correct pour que correctif B a plus haut variance
que A et C, juste par faire pondéré régression
Être conscient de que, alors I peut commencer regarder faire I besoin à transformer a données?
Toi savoir toi avoir dos gouttes et information et JMP.
Donc c'est très facile,
juste faire un IDENTIFIANT que décrit le combinaison de lots et emplacement.
Alors toi peut regarder à le procédure variation dans chaque groupe,
et tirer ce à travers, et toi volonté obtenir a modèle comme ce.
Toi peut voir I pondéré il parce que I avait à poids il.
À correct pour le lot B comme I avoir dans A et C.
Toi peut alors voir toi avoir Non valeurs aberrantes et vous pouvez aussi boîte -barreur.
Il y a Non besoin pour transformation.
Donc c'est aussi facilement justifié fonctionnement ce chemin.
Alors Je suis prêt à faire mon modèle.
Mais quand I faire mon modèle, I volonté mettre dans mon lot comme a aléatoire facteur.
I pourrait aussi mettre dans emplacement fois lot comme a aléatoire facteur,
parce que il devrait être aléatoire parce que I serait comme à prédire avenir lots.
Alors il y a en fait un autre hypothèse,
parce que quand toi mettre dans aléatoire facteurs toi sont supposant le influence
à moins sur moyenne zéro et c'est normalement distribué.
Comment à vérifier ce ou justifier ce?
Bien juste aller et regarder à BLUP, c'est juste a aléatoire facteur.
Toi peut juste faire eux dans a données tableau, et toi peut faire a BLUP test sur eux.
C'est quoi I avoir ici.
Ici toi peut voir I avoir enregistré mes lots BLUP et mon interaction BLUP,
et I juste concernant -modélisé eux à ceux-ci.
I peut voir ces lot effets peut facilement être supposé normalement distribué
et en fait le même avec le interaction effets.
Maintenant dans a très court temps, tous le sensible vérifier toi besoin,
à être capable à justifier que toi sont prêt pour analyse.
Donc maintenant I avoir mon modèle, lequel Je suis prêt à aller pour,
où I avoir mettre dans mon emplacements dans le facteurs aléatoires,
et mon passer comme mon d'autres facteurs.
Maintenant I volonté donner mon travail à Louie,
OMS va maintenant montrer comment à aller sur avec le scénario sur ce données déposer.
Comme Per's déjà montré,
JMP déjà offres a parcelle de opportunités à accord avec beaucoup de le problèmes
tu es parement et valider, pour exemple, TPQ lots.
Quelques de le des choses il a montré ici est que,
dans fait la plupart processus ne peut pas être décrit par juste un
signifier et un standard déviation.
Pour ce nous vraiment comme le État modèle plate-forme,
lequel permet nous à faire exactement ce par y compris système fabricants pour beaucoup
moyens et ou aléatoire facteurs pour beaucoup écarts.
Alors souvent nous voir le données nécessite transformation.
Ici nous déjà le ajuster modèle plate-forme a le boîte- barreur transformation permettant ce.
En outre, données ensembles presque toujours contenir quelques gentil de valeurs aberrantes.
Pour ce nous sont déjà dans le marché intermédiaire plate-forme,
aussi avoir le étudiant taper résiduel plus,
lequel est a super chemin de transaction avec des valeurs aberrantes.
Alors dans cas où nous voir a manque de variance depuis débutants,
JMP a aussi le enregistrer variance modélisation, lequel nous utiliser à trouver le variance,
et convertir il dans a poids dans a récursivité modèle.
Alors dehors- de- le- boîte JMP de cours aussi avoir le prédiction intervalles,
individuel confiance intervalles directement depuis le Ajuster modèle.
Là sont aussi quelques de le problèmes nous face à où JMP n'a pas prendre nous tous
le chemin mais a fait le travail préparatoire ici.
I pense ce est quoi étaient en fait en essayant
à adresse avec notre scénario comme Bien, fabrication il beaucoup Plus facile,
et I pense un de le primaire raisons nous
avoir développé ce scénario est que généralement le clients nous voir que ces
calculs et visualisations étaient faire souvent sont fait par humain employés.
Donc chaque fois que humains sont impliqué,
là est a haut risque de humain erreurs comme Bien.
Ce est quoi nous sont en essayant à bataille par automatiser tous de ces mesures plus tard
sur à venir depuis le analyse et aussi le visualisations.
Alors de cours, ici est le contrôle intervalles dans JMP,
où JMP peut seulement poignée un signifier et un variance composant.
Ce volonté aussi résoudre dans le scénario
depuis le ajuster et modèle plate-forme en utilisant le prédiction dossier plutôt de le signifier.
Alors nous utiliser le total variance
depuis le modèle calculé depuis le standard erreur et le prédiction
formule et le standard erreur sur le résidus.
Alors nous aussi souvent affronter clients OMS préférer tolérance intervalle problèmes,
et ce est exigible à leur séparé paramètres de les deux confiance et courage.
Cependant brièvement décrit,
JMP peut seulement poignée un signifier et un variance composant tolérance intervalles.
Donc dans le scénario nous aussi calculer
tolérance intervalles depuis le Ajuster modèle plate-forme en utilisant le même nombre
de efficace degrés de liberté comme utilisé dans notre prédiction elle-même.
Et alors dernièrement,
le scénario a aussi compris le calcul de capacité valeurs,
plus spécifiquement le KDP valeurs, comme beaucoup clients aussi exiger ces.
Ici nous calculer eux les deux
avec confiance en utilisant le prédiction limites comme un saisir à le calcul.
Alors nous aussi calculé notre confiance en utilisant le contrôleur saisir calculs.
Donc juste à aller à le scénario.
Notre scénario ici,
comme nous avoir développé emballer la plupart de ces ultérieur mesures, après faire le phrase
vérifier dans a célibataire emballer, le scénario lui-même prend trois entrées.
Nous avoir le original données déposer,
et alors nous avoir le modèle fenêtre et alors nous avoir a modèle document.
Donc quoi notre scénario fait est que il en fait flux information depuis le données
déposer et le moderne fenêtre, dans le modèle documents.
Depuis le données déposer nous prendre le métadonnées et données elle-même, et depuis le modèle fenêtre
nous prendre modèle paramètres et modèle résultats et champs comme Bien.
Ce est aussi pourquoi c'est important à stresser ici que le modèle
que sont utilisé ici comme un saisir devrait être a complet fait modèle.
Ce moyens que toi avoir fait déjà
tous le santé mentale chèques SPI juste introduit nous à.
Aussi toi avoir fait ton modèle déduction et le santé mentale vérifier comprend quelque chose
comme valeur aberrante exclusion et données transformations comme Bien.
Un pourrait argumenter que nous pourrait faire ce dans le scénario comme Bien,
obéissant quelques hardcore statistique règles.
Mais nous aussi pense que ce est a très utile expérience.
Fonctionnement avec le modèle ici.
Toi obtenir a beaucoup mieux aperçu dans le données,
et toi aussi avoir à appliquer quelques processus connaissance ici à obtenir a mieux modèle.
Donc le modèle document dans elle-même,
nous en fait utiliser ce inspiré par le application fonctionnalité et JMP.
Nous vraiment comme quelques scénario où le utilisateurs
ou chaque utilisateur peut en fait interagir avec le scénario elle-même.
Donc le modèle document est essentiellement
a données tableau dans JMP où nous avoir Non données dans il.
Cependant, nous avoir défini a parcelle de colonnes
avec prédéfini formules référencement chaque autre.
Ce permet le utilisateur à en fait aller dans,
et revenir en arrière tous notre calculs à travers le colonnes dans ce modèle déposer,
effet de levier le pour exemple, formule éditeur et JMP,
et potentiellement ajouter nouveau colonnes si ils vouloir à voir nouveau calculs.
Ou ils peut modifier quelques de le calculs nous sont faire dans là comme Bien.
En outre, tous visualisations descripteurs fournir le utilisateur
sont aussi en fait stocké comme a tableau scénario dans le modèle document.
Donc utilisateurs peut juste aller dans ici et modifier, pour exemple, le mise en page de spécifique graphiques
si ils vouloir nouveau couleurs ou quelque chose comme ce.
I pense nous devrait prendre a regarder à comment il en fait apparence dans réalité.
Nous volonté saut dans JMP ici et I volonté juste trouver le même modèle
comme Par juste fini pour nous.
Nous sont encore regarder à le ISPE cas comme Pierre montré,
et I volonté juste trouver le même modèle il terminé en haut avec ici.
Maintenant que nous avoir notre modèle, nous avoir fait le santé mentale vérifier et tout,
nous avoir notre original données déposer derrière, nous simplement courir le scénarios.
Et nous volonté besoin à envoyer il à trois des choses ici.
D'abord de tous, nous avoir modèle fichiers maintenant rempli avec tous le données nous besoin.
Nous voir le deux graphiques étaient montrant droite ici.
Alors nous avoir le PPK lot donner nous a PPK pour chaque emplacement dans le mixer.
Nous avoir a total de 15 en haut ici,
et nous avoir le normale PPK basé sur contrôle limites dans bleu,
basé sur prédiction limites dans rouge et basé sur tolérance limites dans vert.
Dernièrement nous avait le graphique ici.
Ce graphique spectacles nous en partie notre données,
le long de avec tous le limites nous avoir calculé dans le scénario.
Oui, et quoi nous voir ici est dans fait que lot A et lot C
sont en train de jouer Bien pour tous emplacements.
Signification il a c'est prédiction limites, et tolérance limites, et contrôle limites
pour que matière à l'intérieur le spécification pour tous emplacements.
Cependant,
si nous regarder à lot B,
où ils aussi trouvé le variance à être beaucoup plus grand que
le deux autre lots, nous voir que ce est dans fait en allant dehors
caractéristiques sur tous emplacements quand nous regarder à le prédiction limites,
pas nécessairement les deux caractéristiques, mais soit sous inférieur et supérieur.
Donc nous voir beaucoup clients ici en fait juste informatique quelques moyenne limites,
à travers UN, B et C.
Mais nous ne le faites pas voir que comme un opportunité ici parce que pour nous ce raconte nous que,
si avenir lots se comporter comme lot A ou C, nous sont d'accord.
Nous peut considérer et dire que avenir ou observations de avenir lots,
volonté automne à l'intérieur caractéristiques.
Cependant, le avenir lots se comporter comme lot B,
et nous ne peut pas garantie que nous volonté avoir
tous observations de avenir lots chute à l'intérieur le spécification limites ici.
I pense I serait juste aussi utiliser ce temps à aller à travers un exemple où nous en fait
aussi prendre dans considération le entier approche et que a montré le organigramme,
et comment nous serait en fait faire a PPQ validation en utilisant le scénario.
Nous avons apporté a client exemple ici, juste trouver il ici,
et ce est affectant clients OMS avoir a été à travers PPQ avec le validation
et ils avoir maintenant produit tous le lots.
Donc nous volonté juste rapidement utiliser a locale données
filtre à juste regarder à le trois d'abord lots ils produit dans scène 2.
Ici nous avoir notre modèle, et nous courir le scénario.
Quoi nous voir ici est que nous trouver nous-mêmes dans a situation où nous avoir
les deux prédiction limites et tolérer limites dehors grand.
Dans fait ils sont assez loin dehors.
Mais le meilleur deviner déterminé par le contrôle limite est dans fait,
que nous sont à l'intérieur spécification.
Donc quoi ce raconte nous est que nous en fait sentir sûr assez,
final que nous avoir passé scène 2, et peut maintenant aller dans scène 3a.
En fait activer nous par le client à mettre leur produits sur le marché.
C'est important à stresser ici que même cependant nous aller depuis étape 2 à scène 3a,
nous faire pas réduire le [inaudible 00:23:22], et la production toi voir nous avoir.
Nous sont toujours assez certain ou vraiment certain en fait que,
Non mauvais produits devrait entrer le marché.
Donc quoi le client serait faire suivant alors, est simplement à produire le suivant lot,
lequel serait être lot quatre ici compris dans le modèle, et alors nous courir il encore.
De cours toi volonté avoir à faire le santé mentale vérifier de le modèle encore,
y compris le nouveau données.
Quoi nous voir ici maintenant y compris le quatrième badge,
est que nous sont En fait dans le même situation comme avant.
Cependant, les deux le tolérance limites, et le prédiction limites,
sont mobile beaucoup plus proche à le contrôle limite,
et même plus important, ils sont mobile vers le spécification,
lequel est quoi nous vraiment vouloir à voir dans ce situation.
Le raison ce est que nous en fait noté dans lot variation très Bien.
Cependant, exigible à ayant seulement trois ou quatre lots,
nous ne le faites pas savoir le double lot variation que volonté...
Ce est quoi en fait donne nous ces quatre limites.
Ce serait être un itératif approche, produire un lot, analyser le résultats
et continue en allant sur jusqu'à toi en fait trouver le limites à l'intérieur.
Maintenant juste inclure le deux dernier lots, courir il encore.
Quoi nous voir maintenant en fait est que nous avoir tous notre limites à l'intérieur spécification.
Ce raconte nous que nous maintenant avoir passé scène 3a,
et nous peut maintenant travail vers réduire notre lourd dans productivité,
par exécution échantillonnage plutôt de 100% inspection,
et continu processus vérification et donc en avant.
Ce étaient toujours ayant avait notre produits sur le marché,
depuis le d'abord trois lots nous produit.
Dans un image comme le graphique montré ici,
toi pourrait être concerné que ton prédiction limites sont ce large toujours.
Le affrètement limites sont très fermer à spéc.
Donc si toi juste aller dos à le situation où nous avoir trois lots,
un question ici pourrait être, "Sont nous en fait sûr,
quand nous avoir ce large prédiction "des limites ?"
Pourrait nous fin en haut envoi mauvais produits à le marché?
Ici là sont deux très important points.
D'abord de tous, à ce scène, nous toujours avoir a très lourd unité dans produit QC.
Ils volonté assurer mauvais produits fait pas aller à le marché.
En outre, nous avoir à souviens-toi ici que nous sont en fait pas en essayant à dire
quelque chose à propos le spécifique lots nous produit.
Nous sont en essayant à dire quelque chose à propos avenir lots.
Si nous vouloir à évaluer le performance de ces individuel lots par lot,
quoi nous en fait avoir à faire est que nous avoir à aller dos à notre modèle.
Nous aller à le modèle dialogue ici, et nous faire pas inclure lot comme a aléatoire et ajuster.
Nous utiliser ce comme a fixé vacant environnement plutôt.
Je vais juste appliquer le locale données filtre,
et alors si nous courir le scénario comme ce,
nous volonté en fait voir comment Bien nous savoir le individuel lots ici.
Ici nous voir, comparé à le autre graphique, lequel I volonté juste essayer à mettre en haut ici,
nous maintenant avoir beaucoup, beaucoup plus étroit limites pour chaque mauvais lot,
révélateur nous que nous ne le faites pas avoir à peur que n'importe lequel observations dans soit
de ces lots sont en fait dehors caractéristiques.
Donc c'est le combinaison de ce, et le lourd dans produit QC,
lequel en fait fait nous confiant que nous peut avoir le trois lots,
aller à le marché avec le produits,
comme long comme notre contrôle limites sont toujours dans caractéristiques.
Oui.
Donc juste à conclure sur ce, I volonté aller ici.
Donc, quoi nous avoir a été regarder à ici est comment peut nous valider,
comment peut le intérieur validation utiliser JMP à prédire le avenir lots volonté être d'accord?
Donc nous avoir vu ici que,
si toi peut décrire ton validation données ensemble avec a modèle,
toi peut en fait prédire le avenir avec confiance.
Ce peut être fait soit par en utilisant le prédiction intervalles,
ou le tolérance intervalles.
Donc quoi nous avoir fait ici et sur ici, est a scénario,
que en fait automatise visualisations de prédiction intervalles
et aussi le KDP valeurs.
Il calcule et visualiser tolérance intervalles en utilisant le même nombre
de efficace degrés de liberté comme vu quand calculateur le prédiction intervalles.
Alors il aussi calcule et visualiser le contrôle limites.
Mais il est important à souviens-toi avant en utilisant le scénario,
toi avoir à aller à travers le phrase le vérifier est représenté.
Mais ici JMP déjà offres a parcelle
de unique possibilités à justifier notre hypothèses derrière le modèle.
Ce comprend variance hétérogénéité.
Donc si écarts sont pas égal entre le lots comme nous scie ici,
nous peut utiliser le enregistrer variance modèle à trouver a poids facteur,
et à travers ce poids facteur, je fait a pondéré progression modèle plutôt.
Nous peut assurer que notre résidus sont normalement distribué,
et si ils' concernant pas, nous peut utiliser le boîte-cox transformation à transformer notre données.
Nous peut, à travers le Ajuster modèle plate-forme aussi évaluer potentiellement valeurs aberrantes
à travers le étudiant prise.
Si là sont n'importe lequel valeurs aberrantes,
nous toujours exclure ce depuis le modèle elle-même.
Alors à dernier nous peut en fait justifier si ou pas notre aléatoire facteurs
sont normalement distribué à travers le BLUP test.
A gagner, si nous trouver a niveau ici lequel fait pas correspondre,
nous volonté demander pour le valeurs aberrantes et le étudiant résiduel,
exclure ces depuis le modèle comme Bien.
Toi.
