我的 姓名 是 对于花瓶 从 四、 和 I 将要 一起 和 我的 同事 路易 迈耶
代表 如何 你 能 使用 跳转 在 制药 过程 验证，
和 实际上 领导 进入 那 你 能 做
连续的 过程 确认 然后。
我们 两个都 来 从 a 公司 称为 四、 和 我们 做 咨询
为了 这 制药 行业 和 我们 工作 和 数据 科学。
所以 我们 实际上 尝试 到 创造 价值 从 数据 在 我们的 顾客。
的 课程， 我们 是 极其 快乐的 那 我们 能 使用 JMP 为了 那
和 这 是 什么 我们 是 去 到 证明 今天。
所以 这 背景 为了 这 推介会 是 过程 验证。
这 是 a 非常 重要的 问题 在 这 制药 行业，
那 前 你 发射 a 新的 产品，
你 有 到 证明 那 你 是 有能力的 的 生产 它。
经典地 这 有 到过 完毕 经过 只是 制作 三 批次。
如果 这些 三 批次 是 好的， 我们 有 已证明 那 我们 能 生产
始终如一 和 然后 你是 准备好 到 发射 产品。
但 的 课程 每个人，
包括 这 [听不清 00:01:06] 有 成立 出去，
那 你 可以 制作 三 批次 是 不是 这 相同的，
作为 全部 未来 批次 是 去 到 是 好的。
什么 是 预期的 今天 从 a 验证 是 那 不是 仅有的 展示 那 你 能 制作
三 或者 可以 制作 三 批次，
你应该 到 制作 a 放 的 批次。
基于 在 这 放 的 批次， 你 应该 是 有能力的 到 证明
和 信心 那 全部 未来 批次 将要 是 好的。
所以 反而 的 预测 这 过去的， 我们 现在 有 到 预测 这 未来。
这 真的 某物 那 是 a 具有挑战性的 事物 在 这 制药 行业
因为 他们 有 到过 用过的 为了 许多 年 只是 到 制作 这些 三 批次。
所以 如何 到 做 它 现在？
我们 是 真的 帮助 许多 顾客 和 这，
和 什么 我们 强烈 推荐 是 简单地 预测 这 未来。
如何 能 你 预测 这 未来？
出色地， 你 能 做 那 在 跳转 和 预言 间隔。
那是 什么 他们 是 为了。
所以 你 收集 一些 数据， 在 这 天 你 分析，
你 能 预测 如何 这 休息 会 看 喜欢。
如果 你 能 只是 建造 a 模型 那 能 描述 你的 验证 数据 放，
和 如果 你 放 你的 批次 在 这 模型 作为 a 随机的 因素，
这些 预言 限制 实际上 覆盖 不是 仅有的 这 批次 你 制作，
但 还 这 批次 你 没有 制成 然而，
和 从而 你 能 预测 这 未来。
什么 你是 看到 在 这 底部 的 这 图形 你 有 阶段 一。
这 是 在哪里 你 设计 这 新的 过程 为了 制作 这 新的 产品。
第 2 阶段 是 考试 那是 这 古典 老的 时髦的 验证。
我们在哪里 之前 制成 三 批次， 现在 我们 是 制作 a 放 的 批次。
现在 基于 在 那 我们将 预测 这 未来 批次 将要 是 好的。
如果 你 有 a 很多 的 批 到 批 变化，
它 能 是 难的 到 预测 和 只是 a 很少 批次，
到期的 到 这 宽度 的 T 分配 哪个 看法 这 使用 的 自由，
所以 它 可能 拿 更多的 比 三。
但 我们 强烈 推荐 仍然 到 制作 树木 阶段 2 因为 否则，
患者 有 到 等待 也 长的 为了 这 新的 产品 和 然后 如果 它是 不是 足够的。
你 能 制作 这 浪费 在 什么 我们 称呼 阶段 3a.
肯定 治疗方 希望 如何 你的 预言 限制
将要 是 里面 规格 限制 和 然后 你 有 已证实
那 全部 未来 路径 将要 是 好的， 和 你 能 去 进入 什么 我们 称呼 阶段 3b，
意义 那 现在 你 不 有 到 措施 在 产品 测试 任何 更长。
你 可以 或许 措施 在 这 过程 反而 的 测量 在 这 产品
因为 你 有 已证明 全部 未来 药品 将要 是 好的。
你 仅有的 有 到 证明 那 你 能 维持 这 已验证 状态。
那 能 给 你 a 重的 减少 在 你的 未来 成本。
一些 顾客， 他们 得到 你 向上 到 70% 减少， 在 这 未来 成本，
后 他们 有 已证明 那 全部 未来 批次 是 去 到 是 好的。
今天 我们 将要 尝试 到 证明， 如何 这 能 容易地 是 完毕 在 跳转。
所以 什么 是 这 验证 全部 关于？
出色地， 它是 这 预言 的 未来 批次。
现在， 之前 我们 只是 制成 三 批次，
但 现在 我们 有 到 预测 这 未来 批次。
如何 能 你 预测 那 和 信心？
因为 什么时候 你 做 验证 你 有 到 证明 信心， 事物 是 美好的。
出色地， 你 能 只是 使用 预言 间隔。
他们是 还 称为 个人 信心 间隔 和 跳转 为了 这 相同的 原因。
或者 你 能 还 去 为了 公差， 如果 你 想。
如何 许多 批次 在 阶段 2？
我们 实际上 推荐 到 去 在 和 什么 他们 用过的 到， 哪个 是 三。
但 你 能 仅有的 经过 和 这 三 批次 如果 你 控制 限制。
控制 限制 是 实际上 只是 预测 限制 没有 信心。
I 将要 展示 你 如何 到 计算 他们， 如果 他们 是 里面。
实际上 这 最好的 猜测 它是 美好的。
如果 你的 预测 是 外部， 你 可能 需要 更多的 批次。
但 你 能 制作 这些 后 有 走了 到 这 市场 和 你的 产品。
如何 许多 批次 他们应该 制作 在 3a 中？
非常 简单的。
直到 你的 预言 限制 是 里面 规格 间隔。
或者 如果 你 想， 这 相应的 磷酸肌酸激酶 是 高的 足够的。
I 将要 展示 如何 你 能 转变 这些 限制 到 a PPK。
什么时候 它是 已通过 你 能 实际上 去 到 阶段 3b 因为 现在 我们 有 已证明
全部 这 未来 批次 将要 是 好的。
你 只是 有 到 证明 那 你 能 维持 这 已验证 状态。
通常 那 能 是 完毕 经过 测量 在 这 过程，
哪个 是 更轻松 在 真实的- 时间， 比较的 到 正在做 在 产品 测试。
所以 那是 实际上 a 巨大的 益处。
A 很多 的 人们 收成 如果 你是 正在做 它 这 方式。
那是 a 小的 流动 图表 为了 如何 做 它 工作。
所以 你 开始 出去 寻找 在 你的 验证 一次，
你 计算 你的 预言 限制，
只是 是 意识到的 那 直到 版本 15 他们 是 不是 正确的。
他们 同意 到 自由 二 低的 预言 限制。
它 曾是 已解决 在 版本 16， 所以 请 跳转 使用 版本 16 为了 这。
然后 如果 这些 预言 限制 是 里面 规格 限制，
你已经通过了这两个阶段 2 和 3a，
和 你是 等待 为了 连续过程 确认，
测量 在 这 过程 反而 的 测量 在 这 产品。
如果 它 转弯 出去 那 这 预言 限制 是 也 宽的，
然后 看 在 你的 控制 限制。
如果 他们 是 之内 规格 限制， 和 预测 限制 外部，
这 最多 常见的 典型的 课程 是 只是 收集 数据，
你 只是 收集 更多的 数据。
但 你 做 那 反而 3a 后 去 在 到 这 市场。
所以 只是 重新计算 这 预言 限制， 每一个 时间 你 有 a 新的 批，
和 然后 希望 后 或许 三 或者 四 额外的 批次，
他们 是 里面 你的 规格 限制 和 然后 你是 准备好 到 去。
如果 它 发生 那 还 你的 控制 限制 是 外部 规格，
然后 实际上 你是 不是 准备好 为了 验证 因为 然后 实际上
最好的 猜测 是 那 这 过程 是 不是 有能力的，
和 的 课程 你 有 失败的 你的 验证 和 你 需要 到 提升
这 过程 和 我们 做 一切 再次。
希望 我们 不 结尾 那里。
但 的 课程 它 能 发生。
只是 短的 关于 这 特别的 方法
我们 有 用过的 到 计算 这些 控制 限制，
预言 限制 和 宽容 限制。
为了 控制 限制，
你需要 JMP 的 课程， 你 能 得到 控制 限制。
但 它是 实际上 只是 为了 一 已知 意思是 和 一 已知 标准 原因。
经常 你 有 更多的 复杂的 系统 那 你 可能 有 许多 方法，
不同的 蛀牙 和 体面的 移动 过程 为了 例子，
你 可能 有 一些 乐队 成分 之间 采样 點。
通常 你 有 更多的 比 一 意思是 和 一 标准 原因。
但 然后 你 能 只是 建造 a 模型， 和 描述 你的 数据 放 和 这 模型。
然后 你 能 只是 拿 这 预言 公式，
你 能 发送 这 标准 错误 或预测 公式
和 你 能 拿 你的标准 错误 在 残差，
和 然后 反而 的 乘法 和 这 G 分位数，
只是 使用 这 普通的 分位数。
然后 它 对应 到 有回 信心。
这 是 如何 我们 计算 控制 限制 基于 在 a 模型。
简单地 基于 在 这 预言 公式 和 这 标准 的 这 预言，
这 残差标准 哪个 我们 能 全部 得到 从 跳转，
然后 它是 漂亮的 简单的 到 计算 如何 做 控制 限制 工作。
它是 甚至 更轻松 到 预测 这 限制， 因为 他们 是 准备好 到 去 和 跳转。
他们是 已经 那里，
和 的 课程 他们 会 只是 使用 这 限制 计算 经过 跳转。
I 说 前 是 小心 和 跳转。
前 版本 16， 限制 简单地 获取 也 宽的。
所以 请 使用 版本 16 和 较新的 为了 这。
为了 宽容 限制，
我们 有 a 小的 少量 的 这 相同的 问题 作为 和 这 控制 限制。
你 有 宽容 限制 在 跳转， 但 仅有的 为了 一 意思是，
和 一个标准差。
我们 不 有 它 为了 a 模型。
但 它是 实际上 漂亮的 简单的 到 转变 这 古典 公式，
为了 a 宽容 间隔 进入 服用 a 模型。
只是 代替 这 意思是 和 这 预言 公式。
只是 代替 N 减 一 和 这 度 的 地区 为了 这 全部的 变化，
哪个 我们 实际上 计算 从 这 宽度 的 这 预言 间隔。
然后 你 能 只是 进入 这 在 这 古典 公式 和 突然，
我们 实际上 还 有 a 宽容 间隔 和 跳转，
那 能 发生 之内 和 之间 批 变化。
然后 我们 准备好 到 去 和 这 数学 这里。
一些 顾客 更喜欢 不是 只是 到 看 在 如果 限制 是 里面 规格，
他们 需要 到 是 深的 里面 规格，
实际上 相应的 到 那 磷酸肌酸激酶 是 大 比 一。
但 它是 非常 简单的 到 拿 这 限制 和 这 预言 公式，
和 转变 他们 进入 a 磷酸肌酸激酶 经过 这 古典 公式 为了 PPK。
如果 你 预测 这 限制， 你 得到 它 和 信心，
因为 这 平均的 信心 这 相同的 退休 限制，
和 如果 你 放 它 在 这 控制 限制， 你 只是 得到 磷酸肌酸激酶 没有 信心。
我们会 没有 信心 和 和 信心。
没有 信心 是 这 一 我们 假定 到 推荐 到 使用 在 阶段 2、
和 这 其他 一 是 清楚地 为了 阶段 3a，
在哪里 我们 有 到 证明 它与 信心。
所以 生活 是 简单的 什么时候 你 有 跳转，
和 如果 你 有 a 模型 那 能 描述 你的 验证 数据集。
但 我们 有 到 是 意识到的 那 在后面 全部 模型，
那里 是 一些 假设 那 需要 到 是 满足，
在 至少 到 是 合理的 前 你 能 依靠 在 你的 模型。
你 需要 到 做 a 标准 查看 的 你的 数据，
前 你 能 使用 这 模型 到 计算 限制。
A s 你 知道， 跳转 有 非常 好的 可能性 为了 这，
和 I 将要 只是 现在 去 进入 跳转， 和 看 如何 这 作品。
这里 是 a 非常 知名 数据 放 在 这 制药 行业，
已发布 经过 工业的 社会 的 制药 工程，
在哪里 他们 放 出去 a 数据 放 从 这 真实的 世界 和 说，
“这 是 a 典型的 验证 放， 请 尝试 到 计算 在 这 和 看
如何 会 你 评价 这 作为 a 过程 验证 数据 放。”
如果 你 开始 寻找 在 这 数据 图表， 你 能 看 这里 我们 有 三 批次。
这 古典 三 批次， 老式的 方法，
和 我们 是 制作 平板电脑 这里 和 我们 是 混合 这 粉末。
什么时候 我们 是 混合 这 粉末， 我们 拿 出去 样品 在 15 不同的
系统性 职位 在 这 混合器 在 全部 三 批次。
什么时候 我们 拿 样品， 我们 拿 更多的 比 一。
我们 实际上 拿 四。
所以 我们 有 三 批次， 15 适应症， 和 每一个 时间 我们 拿 四。
这 是 a 数据 放 从 真实的 生活 那 曾是 用过的 为了 验证。
如果 你 看 在 数据，
它是 实际上 相当 简单的 到 看 那 为了 批 B 之内 a 地点，
这 批次间 地点 评估 是 很多 大 比 为了 批次 A 和 C,
和 如果 你 放 a 控制 限制 在 你的 标准 偏差，
那是 清楚地 C 是 更高。
你 能 还 做异质性 方差 测试。
它 将要 还 是 相当 明显的 那 B 有 重要的 大 方差 比 A 和 C.
所以 我们 不能 只是 拉 这 因为 你是 仅有的 假定 到 拉 差异，
那 能 是 假定 这 相同的。
所以 什么 到 做 这里？
出色地， 这 伟大的 事物 关于 跳转，
你 能 只是 做 a 平衡 模型， 所以 你 能 去 在 和 放 在 这 批次
作为 a 平衡 因素 在 顶部 的 拥有 因素 到 预测 这 意思是。
A 获得 你 能 清楚地 看 那 修补 B,
有 大 方差 比 A 和 B 和 我们 需要 到 正确的 为了 那。
所以 如何 做 你 正确的 为了 那 在 a 模型？
因为 I 会 喜欢 现在 到 放 在 随机的 因素
但 不是 其所在 模仿 在 跳转 做 不是 支持 随机的 因素。
什么 I 做 反而， I 只是 去 向上 这里 和 I 节省 我的 方差 公式。
所以 实际上 I 得到 a 柱子 这里， 在哪里 I 有 我的 数据 差异。
然后 I 能 只是 做 加权 问题 和 逆 方差。
古典 方式 的 称重 什么时候 你是 正在做 线性 回归。
所以 它是 非常 简单的 到 正确的 为了 那 修补 B 有 更高 方差
比 A 和 C, 只是 经过 正在做 加权 回归
存在 意识到的 的 那， 然后 I 能 开始 寻找 做 I 需要 到 转换 a 数据？
你 知道 你 有 后退 滴 和 信息 和 跳转。
所以 它是 非常 简单的，
只是 制作 一个 ID 那 描述 这 组合 的 批次 和 地点。
然后 你 能 看 在 这 程序 变化 之内 每个 团体，
和 拉 这 穿过， 和 你 将要 得到 a 模型 喜欢 这。
你 能 看 I 加权 它 因为 I 有 到 重量 它。
到 正确的 对于批量 B 作为 I 有 在 A 和 C.
你 能 然后 看 你 有 不 异常值 您还可以 盒子 —考克斯。
有 不 需要 为了 转型。
所以 那是 还 容易地 合理的 在职的 这 方式。
然后 我是 准备好 到 制作 我的 模型。
但 什么时候 I 制作 我的 模型， I 将要 放 在 我的 批 作为 a 随机的 因素。
I 可能 还 放 在 地点 次 批 作为 a 随机的 因素，
因为 它 应该 是 随机的 因为 I 会 喜欢 到 预测 未来 批次。
然后 有 实际上 其他 假设，
因为 什么时候 你 放 在 随机的 因素 你 是 假设 这 影响
在 至少 在 平均的 零 和 它是 通常情况下 分布式。
如何 到 核实 这 或者 证明合法 这？
出色地 只是 去 和 看 在 BLUP， 那是 只是 a 随机的 因素。
你 能 只是 制作 他们 进入 a 数据 桌子， 和 你 能 做 a BLUP 测试 在 他们。
那是 什么 I 有 这里。
这里 你 能 看 I 有 已保存 我的批次 BLUP 和 我的 相互作用 BLUP，
和 I 只是 关于 -建模 他们 对这些。
I 能 看 这些 批 效果 能 容易地 是 假定 通常情况下 分布式
和 实际上 这 相同的 和 这 相互作用 效果。
现在 在 a 非常 短的 时间， 全部 这 敏感的 查看 你 需要，
到 是 有能力的 到 证明合法 那 你 是 准备好 为了 分析。
所以 现在 I 有 我的 模型， 哪个 我是 准备好 到 去 为了，
在哪里 I 有 放 在 我的 地点 在 这 随机因素，
和 我的 经过 作为我的 其他因素。
现在 I 将要 给 我的 工作 到 路易，
WHO 现在将显示 如何 到 去 在 和 这 脚本 在 这 数据 文件。
作为 佩尔的 已经 显示，
跳转 已经 优惠 a 很多 的 机会 到 交易 和 许多 的 这 问题
你是 面对 和 验证， 为了 例子， TPQ 批次。
一些 的 这 事物 他 有 显示 这里 是 那，
在 事实 最多 流程 不能 是 描述 经过 只是 一
意思是 和 一 标准 偏差。
为了 这 我们 真的 喜欢 这 状态 模型 平台，
哪个 允许 我们 到 做 确切地 这 经过 包括 系统 制造商 为了 许多
方法 和 或者 随机的 因素 为了 许多 差异。
然后 经常 我们 看 这 数据 需要 转型。
这里 我们 已经 这 合身 模型 平台 有 这 盒子- 考克斯 转型 允许 这。
此外， 数据 套 几乎 总是 包含 一些 种类 的 异常值。
为了 这 我们 是 已经 在 这 中端市场 平台，
还 有 这 学生 类型 残差 加，
哪个 是 a 伟大的 方式 的 处理 存在异常值。
然后 在 案例 在哪里 我们 看 a 缺少 的 方差 从 初学者，
跳转 有 还 这 日志 方差 造型， 哪个 我们 使用 到 寻找 这 方差，
和 转变 它 进入 a 重量 在 a 递归 模型。
然后 出去- 的- 这- 盒子 跳转 的 课程 还 有 这 预言 间隔，
个人 信心 间隔 直接地 从 这 合身 模型。
那里 是 还 一些 的 这 问题 我们 面临 在哪里 跳转 没有 拿 我们 全部
这 方式 但 做过 这 基础工作 这里。
I 思考 这 是 什么 是 实际上 尝试
到 地址 和 我们的 脚本 作为 出色地， 制作 它 很多 更轻松，
和 I 思考 一 的 这 基本的 原因 我们
有 发达 这 脚本 是 那 通常 这 顾客 我们 看 那 这些
计算 和 可视化 是 正在做 经常 是 完毕 经过 人类 雇员。
所以 每当 人类 是 涉及，
那里 是 a 高的 风险 的 人类 错误 作为 出色地。
这 是 什么 我们 是 尝试 到 战斗 经过 自动化 全部 的 这些 步骤 之后
在 未来 从 这 分析 和 还 这 可视化。
然后 的 课程， 这里 是 这 控制 间隔 在 跳转，
在哪里 跳转 能 仅有的 处理 一 意思是 和 一 方差 成分。
这 将要 还 解决 在 这 脚本
从 这 合身 和 模型 平台 使用 这 预言 文件夹 反而 的 这 意思是。
然后 我们 使用 这 全部的 方差
从 这 模型 计算 从 这 标准 错误 和 这 预言
公式 和 这 标准 错误 在 这 残差。
然后 我们 还 经常 脸 顾客 WHO 更喜欢 宽容 间隔 问题，
和 这 是 到期的 到 他们的 分离 设置 的 两个都 信心 和 勇气。
然而 简要地 描述，
跳转 能 仅有的 处理 一 意思是 和 一 方差 成分 宽容 间隔。
所以 在 这 脚本 我们 还 计算
宽容 间隔 从 这 合身 模型 平台 使用 这 相同的 数字
的 有效的 度 的 自由 作为 用过的 在 我们的 预言 本身。
和 然后 最后，
这 脚本 有 还 包括 这 计算 的 能力 价值观，
更多的 具体来说 这 库尔德民主党 价值观， 作为 许多 顾客 还 要求 这些。
这里 我们 计算 他们 两个都
和 信心 使用 这 预言 限制 作为 一个 输入 到 这 计算。
然后 我们 还 计算 我们的 信心 使用 这 控制器 输入 计算。
所以 只是 到 去 到 这 脚本。
我们的 脚本 这里，
作为 我们 有 发达 包裹 最多 的 这些 随后的 步骤， 后 正在做 这 句子
查看 进入 a 单身的 包裹， 这 脚本 本身 需要 三 输入。
我们 有 这 原来的 数据 文件，
和 然后 我们 有 这 模型 窗户 和 然后 我们 有 a 模板 文档。
所以 什么 我们的 脚本 做 是 那 它 实际上 提要 信息 从 这 数据
文件 和 这 现代的 窗户， 进入 这 模板 文件。
从 这 数据 文件 我们 拿 这 元数据 和 数据 本身， 和 从 这 模型 窗户
我们 拿 模型 参数 和 模型 结果 和 字段 作为 出色地。
这 是 还 为什么 它是 重要的 到 压力 这里 那 这 模型
那 是 用过的 这里 作为 一个 输入 应该 是 a 完全的 完毕 模型。
这 方法 那 你 有 完毕 已经
全部 这 理智 检查 SPI 只是 介绍 我们 到。
还 你 有 完毕 你的 模型 扣除 和 这 理智 查看 包括 某物
喜欢 异常值 排除 和 数据 转型 作为 出色地。
一 可以 争论 那 我们 可以 做 这 在 这 脚本 作为 出色地，
服从 一些 硬核 统计 规则。
但 我们 还 思考 那 这 是 a 非常 有用 经验。
在职的 和 这 模型 这里。
你 得到 a 很多 更好的 洞察力 进入 这 数据，
和 你 还 有 到 申请 一些 过程 知识 这里 到 得到 a 更好的 模型。
所以 这 模板 文档 在 本身，
我们 实际上 使用 这 受到启发 经过 这 应用程序 功能 和 跳转。
我们 真的 喜欢 一些 脚本 在哪里 这 用户
或者 每个用户 能 实际上 相互影响 和 这 脚本 本身。
所以 这 模板 文档 是 本质上
a 数据 桌子 在 跳转 在哪里 我们 有 不 数据 在 它。
然而， 我们 有 定义 a 很多 的 列
和 预定义 公式 引用 每个 其他。
这 允许 这 用户 到 实际上 去 在，
和 回溯 全部 我们的 计算 通过 这 列 在 这 模板 文件，
利用 这 为了 例子， 公式 编辑 和 跳转，
和 潜在 添加 新的 列 如果 他们 想 到 看 新的 计算。
或者 他们 能 编辑 一些 的 这 计算 我们 是 正在做 在 那里 作为 出色地。
此外， 全部 可视化 描述符 提供 这 用户
是 还 实际上 存储 作为 a 桌子 脚本 在 这 模板 文档。
所以 用户 能 只是 去 在 这里 和 编辑， 为了 例子， 这 布局 的 具体的 图表
如果 他们 想 新的 颜色 或者 某物 喜欢 这。
I 思考 我们 应该 拿 a 看 在 如何 它 实际上 看起来 在 现实。
我们 将要 跳 进入 跳转 这里 和 I 将要 只是 寻找 这 相同的 模型
作为 每 只是 完成的 为了 我们。
我们 是 再次 寻找 在 这 国际声学工程学会 案件 作为 皮埃尔 显示，
和 I 将要 只是 寻找 这 相同的 模型 他 结束 向上 和 这里。
现在 那 我们 有 我们的 模型， 我们 有 完毕 这 理智 查看 和 一切，
我们 有 我们的 原来的 数据 文件 在后面， 我们 简单地 跑步 这 脚本。
和 我们 将要 需要 到 发送 它 到 三 事物 这里。
第一的 的 全部， 我们 有 模板 文件 现在 已填满 和 全部 这 数据 我们 需要。
我们 看 这 二 图表 是 显示 正确的 这里。
然后 我们 有 这 磷酸肌酸激酶 批 给予 我们 a 磷酸肌酸激酶 为了 每个 地点 在 这 混合器。
我们 有 a 全部的 的 15 向上 这里，
和 我们 有 这 普通的 磷酸肌酸激酶 基于 在 控制 限制 在 蓝色的，
基于 在 预言 限制 在 红色的 和 基于 在 宽容 限制 在 绿色的。
最后 我们 有 这 图形 这里。
这 图形 节目 我们 部分 我们的 数据，
沿着 和 全部 这 限制 我们 有 计算 在 这 脚本。
是的， 和 什么 我们 看 这里 是 在 事实 那 批 A 和 批 C
是 表演 出色地 为了 全部 位置。
意义 它 有 它是 预言 限制， 和 宽容 限制， 和 控制 限制
为了 那 事情 里面 这 规格 为了 全部 位置。
然而，
如果 我们 看 在 批 B,
在哪里 他们 还 成立 这 方差 到 是 很多 更大 比
这 二 其他 批次， 我们 看 那 这 是 在 事实 去 外部
规格 在 全部 地点 什么时候 我们 看 在 这 预言 限制，
不是 一定 两个都 规格， 但 任何一个 在下面 降低 和 上。
所以 我们 看 许多 顾客 这里 实际上 只是 计算 一些 平均的 限制，
穿过 一个， B 和 C.
但 我们 不 看 那 作为 一个 机会 这里 因为 为了 我们 这 告诉 我们 那，
如果 未来 批次 表现 喜欢 批 A 或者 C, 我们 是 好的。
我们 能 考虑 和 说 那 未来 或者 观察 的 未来 批次，
将要 落下 里面 规格。
然而， 这 未来 批次 表现 喜欢 批 B,
和 我们 不能 保证 那 我们 将要 有
全部 观察 的 未来 批次 坠落 里面 这 规格 限制 这里。
I 思考 I 会 只是 还 使用 这 时间 到 去 通过 一个 例子 在哪里 我们 实际上
还 拿 进入 考虑 这 所有的 方法 和 那 显示 这 流程图，
和 如何 我们 会 实际上 做 a PPQ 验证 使用 这 脚本。
我们 带来 a 顾客 例子 这里， 只是 寻找 它 这里，
和 这 是 影响 顾客 WHO 有 到过 通过 PPQ 和 这 验证
和 他们 有 现在 制作 全部 这 批次。
所以 我们 将要 只是 迅速地 使用 a 当地的 数据
筛选 到 只是 看 在 这 三 第一的 批次 他们 制作 在 阶段 2.
这里 我们 有 我们的 模型， 和 我们 跑步 这 脚本。
什么 我们 看 这里 是 那 我们 寻找 我们自己 在 a 情况 在哪里 我们 有
两个都 预言 限制 和 容忍 限制 外部 大的。
在 事实 他们 是 相当 远的 外部。
但 这 最好的 猜测 决定 经过 这 控制 限制 是 在 事实，
那 我们 是 里面 规格。
所以 什么 这 告诉 我们 是 那 我们 实际上 感觉 安全的 足够的，
结论 那 我们 有 已通过 阶段 2、 和 能 现在 去 进入 阶段 3a.
实际上 使能够 我们 经过 这 顾客 到 放 他们的 产品 在 这 市场。
它是 重要的 到 压力 这里 那 甚至 尽管 我们 去 从 第二阶段 到 阶段 3a，
我们 做 不是 减少 这 [听不清 00:23:22]， 和生产 你 看 我们 有。
我们 是 仍然 相当 肯定 或者 真的 肯定 实际上 那，
不 坏的 产品 应该 进入 这 市场。
所以 什么 这 顾客 会 做 下一个 然后， 是 简单地 到 生产 这 下一个 批，
哪个 会 是 批 四 这里 包括 在 这 模型， 和 然后 我们 跑步 它 再次。
的 课程 你 将要 有 到 做 这 理智 查看 的 这 模型 再次，
包括 这 新的 数据。
什么 我们 看 这里 现在 包括 这 第四 徽章，
是 那 我们 是 实际上 在 这 相同的 情况 作为 前。
然而， 两个都 这 宽容 限制， 和 这 预言 限制，
是 移动 很多 更近 到 这 控制 限制，
和 甚至 更多的 重要的， 他们 是 移动 向 这 规格，
哪个 是 什么 我们 真的 想 到 看 在 这 情况。
这 原因 这 是 那 我们 实际上 著名的 之内 批 变化 非常 出色地。
然而， 到期的 到 拥有 仅有的 三 或者 四 批次，
我们 不 知道 这 双 批 变化 那 将要...
这 是 什么 实际上 给出 我们 这些 四 限制。
这 会 是 一个 迭代 方法， 生产 一 批， 分析 这 结果
和 继续 去 在 直到 你 实际上 寻找 这 限制 里面。
现在 只是 包括 这 二 最后的 批次， 跑步 它 再次。
什么 我们 看 现在 实际上 是 那 我们 有 全部 我们的 限制 里面 规格。
这 告诉 我们 那 我们 现在 有 已通过 阶段 3a，
和 我们 能 现在 工作 向 减少 我们的 重的 在 生产率，
经过 实施 采样 反而 的 100% 检查，
和 连续的 过程 确认 和 所以 向前。
这 是 仍然 拥有 有 我们的 产品 在 这 市场，
自从 这 第一的 三 批次 我们 生產。
在 一个 图像 喜欢 这 图形 显示 这里，
你 可以 是 担心的 那 你的 预言 限制 是 这 广阔 仍然。
这 宪章 限制 是 非常 关闭 到 规格
所以 如果 你 只是 去 后退 到 这 情况 在哪里 我们 有 三 批次，
一 问题 这里 可以 是， “是 我们 实际上 安全的，
什么时候 我们 有 这 广阔 预言 “限制？”
可以 我们 结尾 向上 发送 坏的 产品 到 这 市场？
这里 那里 是 二 非常 重要的 點。
第一的 的 全部， 在 这 阶段， 我们 仍然 有 a 非常 重的 单元 在 产品 质量控制。
他们 将要 确保 坏的 产品 做 不是 去 到 这 市场。
此外， 我们 有 到 记住 这里 那 我们 是 实际上 不是 尝试 到 说
某物 关于 这 具体的 批次 我们 生產。
我们 是 尝试 到 说 某物 关于 未来 批次。
如果 我们 想 到 评估 这 表现 的 这些 个人 批次 每 批，
什么 我们 实际上 有 到 做 是 那 我们 有 到 去 后退 到 我们的 模型。
我们 去 到 这 模型 对话 这里， 和 我们 做 不是 包括 批 作为 a 随机的 和 合身。
我们 使用 这 作为 a 固定的 空缺 环境 反而。
患病的 只是 申请 这 当地的 数据 筛选，
和 然后 如果 我们 跑步 这 脚本 喜欢 这，
我们 将要 实际上 看 如何 出色地 我们 知道 这 个人 批次 这里。
这里 我们 看， 比较的 到 这 其他 图形， 哪个 I 将要 只是 尝试 到 放 向上 这里，
我们 现在 有 很多， 很多 更窄 限制 为了 每个 坏的 批，
告诉 我们 那 我们 不 有 到 害怕 那 任何 观察 之内 任何一个
的 这些 批次 是 实际上 外部 规格。
所以 它是 这 组合 的 这， 和 这 重的 在 产品 质量控制，
哪个 实际上 使 我们 自信的 那 我们 能 有 这 三 批次，
去 到 这 市场 和 这 产品，
作为 长的 作为 我们的 控制 限制 是 仍然 之内 规格。
是的。
所以 只是 到 结论 在 这， I 将要 去 这里。
所以， 什么 我们 有 到过 寻找 在 这里 是 如何 能 我们 证实，
如何 能 这 内 验证 使用 跳转 到 预测 这 未来 批次 将要 是 好的？
所以 我们 有 见过 这里 那，
如果 你 能 描述 你的 验证 数据 放 和 a 模型，
你 能 实际上 预测 这 未来 和 信心。
这 能 是 完毕 任何一个 经过 使用 这 预言 间隔，
或者 这 宽容 间隔。
所以 什么 我们 有 制成 这里 和 超过 这里， 是 a 脚本，
那 实际上 自动化 可视化 的 预言 间隔
和 还 这 库尔德民主党 值。
它 计算 和 可视化 宽容 间隔 使用 这 相同的 数字
的 有效的 度 的 自由 作为 见过 什么时候 计算 这 预言 间隔。
然后 它 还 计算 和 可视化 这 控制 限制。
但 它 是 重要的 到 记住 前 使用 这 脚本，
你 有 到 去 通过 这 句子 这 查看 是 代表。
但 这里 跳转 已经 优惠 a 很多
的 独特的 可能性 到 证明合法 我们的 假设 在后面 这 模型。
这 包括 方差 异质性。
所以 如果 差异 是 不是 平等的 之间 这 批次 作为 我们 锯 这里，
我们 能 使用 这 日志 方差 模型 到 寻找 a 重量 因素，
并通过 这 重量 因素，我 制成 a 加权 进展 模型 反而。
我们 能 确保 那 我们的 残差 是 通常情况下 分布式，
和 如果 他们' 关于 不是， 我们 能 使用 这 博克斯-考克斯 转型 到 转换 我们的 数据。
我们 能， 通过 这 合身 模型 平台 还 评价 潜在 异常值
通过 这 学生 插头。
如果 那里 是 任何 异常值，
我们 总是 排除 这 从 这 模型 本身。
然后 在 最后的 我们 能 实际上 证明合法 无论 或者 不是 我们的 随机的 因素
是 通常情况下 分布式 通过 BLUP 测试。
A 获得， 如果 我们 寻找 a 等级 这里 哪个 做 不是 匹配，
我们 将要 问 为了 这 异常值 和 这 学生化 残差，
排除 这些 从 这 模型 作为 出色地。
你。
