Mi nombre es Para Jarrón de CUATRO, y I voluntad juntos con mi colega Luis Meyer
representar cómo tú poder usar JMP en farmacéutica proceso validación,
y de hecho principal en eso tú poder hacer
continuo proceso verificación después.
Nosotros ambos venir de a compañía llamado CUATRO, y nosotros hacer consultoría
para el farmacéutico industria y nosotros trabajar con datos ciencia.
Entonces nosotros de hecho intentando a crear valor de datos en nuestro clientes.
De curso, nosotros son extremadamente feliz eso nosotros poder utilizar JMP para eso
y este es qué nosotros son yendo a demostrar hoy.
Entonces el fondo para el presentación es proceso validación.
Este es a muy importante asunto en el farmacéutico industria,
eso antes tú lanzamiento a nuevo producto,
tú tener a probar eso tú son capaz de productor él.
Clásicamente este tiene estado hecho por justo haciendo tres lotes.
Si estos tres lotes eran bueno, nosotros tener probado eso nosotros poder fabricar
consecuentemente y entonces estás listo a lanzamiento productos.
Pero de curso todos,
incluido el [inaudible 00:01:06] tener encontró afuera,
eso tú podría hacer tres lotes es no el mismo,
como todo futuro lotes son yendo a ser bien.
Qué es esperado hoy de a validación es eso no solo espectáculo eso tú poder hacer
tres o podría hacer tres lotes,
Se supone que a hacer a colocar de lotes.
Basado en este colocar de lotes, tú debería ser capaz a probar
con confianza eso todo futuro lotes voluntad ser bien.
Entonces en cambio de predecir el pasado, nosotros ahora tener a predecir el futuro.
Este en realidad algo eso es a desafiante cosa en el farmacéutica industria
porque ellos tener estado usado para muchos años justo a hacer estos tres lotes.
Entonces cómo a hacer él ¿ahora?
Nosotros son en realidad ración muchos clientes con este,
y qué nosotros fuertemente recomendar es simplemente predecir el futuro.
Cómo poder tú predecir el ¿futuro?
Bien, tú poder hacer eso en JMP con predicción intervalos.
Eso es qué ellos son para.
Entonces tú recolectar alguno datos, en el días tú analizar,
tú poder predecir cómo el descansar quería mirar como.
Si tú poder justo construir a modelo eso poder describir su validación datos colocar,
y si tú poner su sin lotes en este modelo como a aleatorio factor,
estos predicción límites de hecho cubrir no solo el lotes tú hacer,
pero también el lotes tú no lo han hecho hecho todavía,
y así tú poder predecir el futuro.
Qué estás vidente en el abajo de el gráfico tú tener escenario uno.
Este es dónde tú diseñado el nuevo proceso para haciendo el nuevo producto.
Etapa 2 es examen eso es el clásico viejo formado validación.
Donde estamos previamente hecho tres lotes, ahora nosotros son haciendo a colocar de lotes.
Ahora basado en eso Lo haremos predecir el futuro lotes voluntad ser bien.
Si tú tener a lote de lote a lote variación,
él poder ser duro a predecir con justo a pocos lotes,
pendiente a el ancho de la T distribución cual vista el usar de libertad,
entonces él podría llevar más que tres.
Pero nosotros fuertemente recomendar aún a hacer árboles escenario 2 porque de lo contrario,
pacientes tener a esperar también largo para el nuevo producto y entonces si es no suficiente.
Tú poder hacer el desperdiciar en qué nosotros llamar escenario 3a.
Cierto partes que tratan Ojalá que así sea cómo su predicción límites
voluntad ser adentro especificación límites y entonces tú tener probado
eso todo futuro caminos voluntad ser bien, y tú poder ir en qué nosotros llamar escenario 3b,
significado eso ahora tú no tener a medida en producto pruebas cualquier más extenso.
Tú podría tal vez medida en el proceso en cambio de medición en el producto
porque tú tener probado todo futuro medicamento voluntad ser bien.
Tú solo tener a probar eso tú poder mantener el validado estado.
Eso poder dar tú a pesado reducción en su futuro costos.
Alguno clientes, ellos conseguir tú arriba a 70% reducciones, en el futuro costos,
después ellos tener probado eso todo futuro lotes son yendo a ser bien.
Hoy nosotros voluntad intentar a demostrar, cómo este poder fácilmente ser hecho en JMP.
Entonces qué es el validación todo ¿acerca de?
Bien, es el predicción de futuro lotes.
Ahora, previamente nosotros justo hecho tres lotes,
pero ahora nosotros tener a predecir el futuro lotes.
Cómo poder tú predecir eso con ¿confianza?
Porque cuando tú hacer validación tú tener a probar confianza, cosas son bien.
Bien, tú poder justo usar predicción intervalos.
Ellos son también llamado individual confianza intervalos y JMP para el mismo razón.
O tú poder también ir para tolerancias, si tú desear.
Cómo muchos lotes en escenario 2?
Nosotros de hecho recomendar a ir en con qué ellos usado a, cual es tres.
Pero tú poder solo aprobar con el tres lotes si tú control límites.
Control límites son de hecho justo predecir límites sin confianza.
I voluntad espectáculo tú cómo a calcular a ellos, y si ellos son adentro.
De hecho el mejor adivinar es bien.
Si su predicciones son afuera, tú podría necesidad más lotes.
Pero tú poder hacer estos después tener desaparecido a el mercado con su producto.
Cómo muchos lotes ¿deberían? hacer ¿en 3a?
Muy simple.
Hasta su predicción límites son adentro especificación intervalos.
O si tú desear, el correspondiente PPK es alto suficiente.
I voluntad espectáculo cómo tú poder convertir estos límites a a PPK.
Cuando es aprobado tú poder de hecho ir a escenario 3b porque ahora nosotros tener probado
todo el futuro lotes voluntad ser bien.
Tú justo tener a probar eso tú poder mantener el validado estado.
Típicamente eso poder ser hecho por medición en el proceso,
cual es más fácil en real- tiempo, comparado a haciendo en producto pruebas.
Entonces eso es de hecho a enorme beneficio.
A lote de gente cosecha si estás haciendo él este forma.
Eso es a pequeño fluir cuadro para cómo hace él trabajar.
Entonces tú comenzar afuera mirando en su validación una vez,
tú calcular su predicción límites,
justo ser consciente eso hasta versión 15 ellos eran no bien.
Ellos acordado a libertad dos bajo predicción límites.
Él era establecido en versión 16, entonces por favor JMP usar versión 16 para este.
Entonces si estos predicción límites son adentro especulación límite,
Has pasado ambas etapas 2 y 3a,
y estás espera para proceso continuo verificación,
medición en el proceso en cambio de medición en el producto.
Si él vueltas afuera eso el predicción límites son también ancho,
entonces mirar en su control límites.
Si ellos son dentro especulación límites, y previsto límites afuera,
el mayoría común típico curso es para justo recolectar datos,
tú justo recolectar más datos.
Pero tú hacer eso en cambio 3a después yendo en a el mercado.
Entonces justo recalcular este predicción límite, cada tiempo tú tener a nuevo lote,
y entonces con un poco de suerte después tal vez tres o cuatro extra lotes,
ellos son adentro su especulación límite y entonces estás listo a ir.
Si él sucede eso también su control límites son afuera especificación,
entonces de hecho estás no listo para validación porque entonces de hecho
mejor adivinar es eso el proceso es no capaz,
y de curso tú tener fallido su validación y tú necesidad a mejorar
el proceso y nosotros hacer todo de nuevo.
Con un poco de suerte nosotros no fin allá.
Pero de curso él poder suceder.
Justo corto acerca de este particular métodos
nosotros tener usado a calcular estos control límites,
predicción límites y tolerancia límites.
Para control límites,
Necesitas el JMP de curso, tú poder conseguir control límites.
Pero es de hecho justo para uno conocido significar y uno conocido estándar razón.
A menudo tú tener más complejo sistemas eso tú podría tener muchos medio,
diferente caries y decente emocionante proceso para ejemplo,
tú podría tener varios alzacuello componentes entre muestreo agujas.
Típicamente tú tener más que uno significar y uno estándar razón.
Pero entonces tú poder justo construir a modelo, y describir su datos colocar con el modelo.
Entonces tú poder justo llevar el predicción fórmula,
tú poder enviar el estándar error o predicción fórmula
y tú poder llevar tu estándar error en derechos residuales de autor,
y entonces en cambio de multiplicando con el G cuantil,
justo usar el normal cuantil.
Entonces él corresponde a teniendo espalda confianza.
Este es cómo nosotros calcular control límites basado en a modelo.
Simplemente basado en el predicción fórmula y el estándar de el predicción,
el estándar de residuos cual nosotros poder todo conseguir de JMP,
entonces es bonito fácil a calcular cómo hace control límites trabajar.
Es incluso más fácil a predecir el límites, porque ellos son listo a ir y JMP.
Ellos son ya allá,
y de curso ellos quería justo usar el límites calculado por JMP.
I dicho antes ser cuidadoso con JMP.
Antes versión 16, límites simplemente obtiene también ancho.
Entonces por favor usar versión 16 y más nuevo para este.
Para tolerancia límites,
nosotros tener a pequeño poco de el mismo asunto como con el control límites.
Tú tener tolerancia límites en JMP, pero solo para uno significar,
y una desviación estándar.
Nosotros no tener él para a modelo.
Pero es de hecho bonito fácil a convertir el clásico fórmula,
para a tolerancia intervalo en tomando a modelo.
Justo reemplazar el significar con el predicción fórmula.
Justo reemplazar N menos uno con el grados de región para el total variación,
cual nosotros de hecho calcular de el ancho de el predicción intervalo.
Entonces tú poder justo ingresar este en el clásico fórmula y de repente,
nosotros de hecho también tener a tolerancia intervalo y JMP,
eso poder suceder dentro y entre lote variación.
Entonces nosotros listo a ir con el matemáticas aquí.
Alguno clientes preferir no justo a mirar en si límites son adentro especificación,
ellos necesidad a ser profundo adentro especificación,
de hecho correspondiente a eso PPK es más grande que uno.
Pero es muy fácil a llevar el límites y el predicción fórmula,
y convertir a ellos en a PPK por este clásico fórmula para PPK.
Si tú predecir el límites, tú conseguir él con confianza,
porque el promedio confianza el mismo jubilación límite,
y si tú poner él en el control límite, tú justo conseguir PPK sin confianza.
Lo haremos sin confianza y con confianza.
Sin confianza es el uno nosotros supuesto a recomendar a usar en escenario 2,
y el otro unos son claramente para escenario 3a,
dónde nosotros tener a probar con eso confianza.
Entonces vida es fácil cuando tú tener JMP,
y si tú tener a modelo eso poder describir su validación conjunto de datos.
Pero nosotros tener a ser consciente eso detrás todo modelos,
allá son alguno suposiciones eso necesidad a ser cumplido,
en el menos a ser justificado antes tú poder confiar en su modelo.
Tú necesidad a hacer a estándar controlar de su datos,
antes tú poder usar el modelo a calcular límites.
A s tú saber, JMP tiene muy bien posibilidades para este,
y I voluntad justo ahora ir en JMP, y ver cómo este obras.
Aquí es a muy bien conocido datos colocar en el farmacéutica industria,
publicado por Industrial Sociedad de Farmacéutico Ingeniería,
dónde ellos poner afuera a datos colocar de el real mundo y decir,
"Este es a típico validación colocar, por favor intentar a calcular en este y ver
cómo quería tú evaluar este como a proceso validación datos colocar."
Si tú comenzar mirando en el datos cuadro, tú poder ver aquí nosotros tener tres lotes.
El clásico tres lotes, pasado de moda maneras,
y nosotros son haciendo tabletas aquí y nosotros son mezcla el polvo.
Cuando nosotros son mezcla el polvo, nosotros llevar afuera muestras en 15 diferente
sistemático posiciones en el licuadora en todo tres lotes.
Cuando nosotros llevar muestras, nosotros llevar más que uno.
Nosotros de hecho llevar cuatro.
Entonces nosotros tener tres lotes, 15 indicaciones, y cada tiempo nosotros llevar cuatro.
Este es a datos colocar de real vida eso era usado para validación.
Si tú mirar en datos,
es de hecho equitativamente fácil a ver eso para lote B dentro a ubicación,
el entre lotes ubicación evaluación es mucho más grande que para lotes A y DO,
y si tú poner a control límite en su estándar desviación,
eso es claramente C es más alto.
Tú poder también ¿La heterogeneidad de diferencia prueba.
Él voluntad también ser equitativamente obvio eso B tiene significativo más grande diferencia que A y DO.
Entonces nosotros no puedo justo jalar este porque estás solo supuesto a jalar variaciones,
eso poder ser ficticio el mismo.
Entonces qué a hacer ¿aquí?
Bien, el excelente cosa acerca de JMP,
tú poder justo hacer a balance modelo, entonces tú poder ir en y poner en el lotes
como a balance factor en arriba de teniendo factores a predecir el significar.
A ganar tú poder claramente ver eso parche B,
tiene más grande diferencia que A y B y nosotros necesidad a correcto para eso.
Entonces cómo hacer tú correcto para eso en a ¿modelo?
Porque I quería como ahora a poner en aleatorio factores
pero no donde esta modelado en JMP hacer no apoyo aleatorio factores.
Qué I hacer en cambio, I justo ir arriba aquí y I ahorrar mi diferencia fórmula.
Entonces de hecho I conseguir a columna aquí, dónde I tener mi datos variaciones.
Entonces I poder justo hacer ponderado preguntas con inverso diferencia.
Clásico forma de peso cuando estás haciendo lineal regresión.
Entonces es muy fácil a correcto para eso parche B tiene más alto diferencia
que A y DO, justo por haciendo ponderado regresión
Ser consciente de eso, entonces I poder comenzar mirando hacer I necesidad a transformar a ¿datos?
Tú saber tú tener atrás gotas y información y JMP.
Entonces es muy fácil,
justo hacer un IDENTIFICACIÓN eso describe el combinación de lotes y ubicación.
Entonces tú poder mirar en el procedimiento variación dentro cada grupo,
y jalar este al otro lado de, y tú voluntad conseguir a modelo como este.
Tú poder ver I ponderado él porque I tenía a peso él.
A correcto para lote B como I tener en A y DO.
Tú poder entonces ver tú tener No valores atípicos y tu también puedes caja -timonel.
Hay No necesidad para transformación.
Entonces eso es también fácilmente justificado laboral este forma.
Entonces Soy listo a hacer mi modelo.
Pero cuando I hacer mi modelo, I voluntad poner en mi lote como a aleatorio factor.
I podría también poner en ubicación veces lote como a aleatorio factor,
porque él debería ser aleatorio porque I quería como a predecir futuro lotes.
Entonces Hay de hecho otro suposición,
porque cuando tú poner en aleatorio factores tú son arrogante el influencia
en el menos en promedio cero y es normalmente repartido.
Cómo a verificar este o justificar ¿este?
Bien justo ir y mirar en BLUPs, eso es justo a aleatorio factor.
Tú poder justo hacer a ellos en a datos mesa, y tú poder hacer a BLUP prueba en a ellos.
Eso es qué I tener aquí.
Aquí tú poder ver I tener salvado mis lotes BLUPs y mi interacción BLUPs,
y I justo re -modelado a ellos A estos.
I poder ver estos lote efectos poder fácilmente ser ficticio normalmente repartido
y de hecho el mismo con el interacción efectos.
Ahora en a muy corto tiempo, todo el sensible controlar tú necesidad,
a ser capaz a justificar eso tú son listo para análisis.
Entonces ahora I tener mi modelo, cual Soy listo a ir para,
dónde I tener poner en mi ubicaciones en el factores aleatorios,
y mi aprobar como mi Otros factores.
Ahora I voluntad dar mi trabajar a Luis,
OMS ahora se mostrará cómo a ir en con el guion en este datos archivo.
Como Per's ya mostrado,
JMP ya ofertas a lote de oportunidades a trato con muchos de el problemas
estás frente a y validando, para ejemplo, TPQ lotes.
Alguno de el cosas él tiene mostrado aquí es eso,
en hecho mayoría procesos no puedo ser descrito por justo uno
significar y uno estándar desviación.
Para este nosotros en realidad como el estado modelo plataforma,
cual permite a nosotros a hacer exactamente este por incluido sistema fabricantes para muchos
medio y o aleatorio factores para muchos variaciones.
Entonces a menudo nosotros ver el datos requiere transformación.
Aquí nosotros ya el adaptar modelo plataforma tiene el caja- timonel transformación permitiendo este.
Además, datos conjuntos casi siempre contener alguno amable de valores atípicos.
Para este nosotros son ya en el mercado medio plataforma,
también tener el alumno tipo residual más,
cual es a excelente forma de relación comercial con valores atípicos.
Entonces en casos dónde nosotros ver a falta de diferencia de principiantes,
JMP tiene también el registro diferencia modelado, cual nosotros usar a encontrar el diferencia,
y convertir él en a peso en a recursión modelo.
Entonces afuera- de- el- caja JMP de curso también tener el predicción intervalos,
individual confianza intervalos directamente de el Adaptar modelo.
Allá son también alguno de el problemas nosotros enfrentado dónde JMP no llevar a nosotros todo
el forma pero hizo el trabajo preparatorio aquí.
I pensar este es qué eran de hecho intentando
a DIRECCIÓN con nuestro guion como Bueno, haciendo él mucho más fácil,
y I pensar uno de el primario razones nosotros
tener desarrollado este guion es eso generalmente el clientes nosotros ver eso estos
cálculos y visualizaciones eran haciendo a menudo son hecho por humano empleados.
Entonces cuando sea humanos son involucrado,
allá es a alto riesgo de humano errores como Bueno.
Este es qué nosotros son intentando a batalla por automatizando todo de estos pasos más tarde
en próximo de el análisis y también el visualizaciones.
Entonces de curso, aquí es el control intervalos en JMP,
dónde JMP poder solo manejar uno significar y uno diferencia componente.
Este voluntad también resolver en el guion
de el adaptar y modelo plataforma usando el predicción carpeta en cambio de el significar.
Entonces nosotros usar el total diferencia
de el modelo calculado de el estándar error y el predicción
fórmula y el estándar error en el derechos residuales de autor.
Entonces nosotros también a menudo rostro clientes OMS preferir tolerancia intervalo asuntos,
y este es pendiente a su separado ajustes de ambos confianza y coraje.
Sin embargo brevemente descrito,
JMP poder solo manejar uno significar y uno diferencia componente tolerancia intervalos.
Entonces en el guion nosotros también calcular
tolerancia intervalos de el Adaptar modelo plataforma usando el mismo número
de eficaz grados de libertad como usado en nuestro predicción sí mismo.
Y entonces por último,
el guion tiene también incluido el cálculo de capacidad valores,
más específicamente el KDP valores, como muchos clientes también requerir estos.
Aquí nosotros calcular a ellos ambos
con confianza usando el predicción límites como un aporte a el cálculo.
Entonces nosotros también calculado nuestro confianza usando el controlador aporte cálculos.
Entonces justo a ir a el guion.
Nuestro guion aquí,
como nosotros tener desarrollado paquete mayoría de estos posterior pasos, después haciendo el oración
controlar en a soltero paquete, el guion sí mismo acepta tres entradas.
Nosotros tener el original datos archivo,
y entonces nosotros tener el modelo ventana y entonces nosotros tener a plantilla documento.
Entonces qué nuestro guion hace es eso él de hecho alimenta información de el datos
archivo y el moderno ventana, en el plantilla documentos.
De el datos archivo nosotros llevar el metadatos y datos sí mismo, y de el modelo ventana
nosotros llevar modelo parámetros y modelo resultados y campos como Bueno.
Este es también por qué es importante a estrés aquí eso el modelo
eso son usado aquí como un aporte debería ser a completo hecho modelo.
Este medio eso tú tener hecho ya
todo el cordura cheques SPI justo introducido a nosotros a.
También tú tener hecho su modelo deducción y el cordura controlar incluye algo
como parte aislada exclusión y datos transformaciones como Bueno.
Uno podría argumentar eso nosotros podría hacer este en el guion como Bueno,
obedeciendo alguno duro estadístico normas.
Pero nosotros también pensar eso este es a muy útil experiencia.
Laboral con el modelo aquí.
Tú conseguir a mucho mejor conocimiento en el datos,
y tú también tener a aplicar alguno proceso conocimiento aquí a conseguir a mejor modelo.
Entonces el plantilla documento en sí mismo,
nosotros de hecho usar este inspirado por el aplicación funcionalidad y JMP.
Nosotros en realidad como alguno guion dónde el usuarios
o cada usuario poder de hecho interactuar con el guion sí mismo.
Entonces el plantilla documento es esencialmente
a datos mesa en JMP dónde nosotros tener No datos en él.
Sin embargo, nosotros tener definido a lote de columnas
con predefinido fórmulas referencia cada otro.
Este permite el usuario a de hecho ir en,
y volver hacia atrás todo nuestro cálculos a través de el columnas en este plantilla archivo,
apalancamiento el para ejemplo, fórmula editor y JMP,
y potencialmente agregar nuevo columnas si ellos desear a ver nuevo cálculos.
O ellos poder editar alguno de el cálculos nosotros son haciendo en allá como Bueno.
Además, todo visualizaciones descriptores siempre que el usuario
son también de hecho almacenado como a mesa guion en el plantilla documento.
Entonces usuarios poder justo ir en aquí y editar, para ejemplo, el disposición de específico gráficos
si ellos desear nuevo bandera o algo como este.
I pensar nosotros debería llevar a mirar en cómo él de hecho aspecto en realidad.
Nosotros voluntad saltar en JMP aquí y I voluntad justo encontrar el mismo modelo
como Por justo finalizado para a nosotros.
Nosotros son de nuevo mirando en el ISPE caso como Pedro presentado,
y I voluntad justo encontrar el mismo modelo él terminó arriba con aquí.
Ahora eso nosotros tener nuestro modelo, nosotros tener hecho el cordura controlar y todo,
nosotros tener nuestro original datos archivo detrás, nosotros simplemente correr el guiones.
Y nosotros voluntad necesidad a enviar él a tres cosas aquí.
Primero de todo, nosotros tener plantilla archivos ahora completado con todo el datos nosotros necesidad.
Nosotros ver el dos gráficos eran demostración bien aquí.
Entonces nosotros tener el PPK lote donación a nosotros a PPK para cada ubicación en el licuadora.
Nosotros tener a total de 15 arriba aquí,
y nosotros tener el normal PPK basado en control límites en azul,
basado en predicción límites en rojo y basado en tolerancia límites en verde.
Por último nosotros tenía el gráfico aquí.
Este gráfico espectáculos a nosotros en parte nuestro datos,
a lo largo de con todo el límites nosotros tener calculado en el guion.
Sí, y qué nosotros ver aquí es en hecho eso lote A y lote C
son amaestrado Bueno para todo Ubicaciones.
Significado él tiene es predicción límites, y tolerancia límites, y control límites
para eso asunto adentro el especificación para todo Ubicaciones.
Sin embargo,
si nosotros mirar en lote B,
dónde ellos también encontró el diferencia a ser mucho más grande que
el dos otro lotes, nosotros ver eso este es en hecho yendo afuera
presupuesto en todo ubicaciones cuando nosotros mirar en el predicción límites,
no necesariamente ambos presupuesto, pero cualquiera bajo más bajo y superior.
Entonces nosotros ver muchos clientes aquí de hecho justo computación alguno promedio límites,
al otro lado de A, B y DO.
Pero nosotros no ver eso como un oportunidad aquí porque para a nosotros este dice a nosotros eso,
si futuro lotes comportarse como lote A o DO, nosotros son bueno.
Nosotros poder considerar y decir eso futuro o observaciones de futuro lotes,
voluntad caer adentro presupuesto.
Sin embargo, el futuro lotes comportarse como lote B,
y nosotros no puedo garantizar eso nosotros voluntad tener
todo observaciones de futuro lotes descendente adentro el especificación límites aquí.
I pensar I quería justo también usar este tiempo a ir a través de un ejemplo dónde nosotros de hecho
también llevar en consideración el entero acercarse y eso presentado el diagrama de flujo,
y cómo nosotros quería de hecho hacer a PPQ validación usando el guion.
Nosotros tenemos trajo a cliente ejemplo aquí, justo encontrar él aquí,
y este es conmovedor clientes OMS tener estado a través de PPQ con el validación
y ellos tener ahora producido todo el lotes.
Entonces nosotros voluntad justo rápidamente usar a local datos
filtrar a justo mirar en el tres primero lotes ellos producido en escenario 2.
Aquí nosotros tener nuestro modelo, y nosotros correr el guion.
Qué nosotros ver aquí es eso nosotros encontrar nosotros mismos en a situación dónde nosotros tener
ambos predicción límites y tolerar límites afuera grande.
En hecho ellos son bastante lejos afuera.
Pero el mejor adivinar determinado por el control límite es en hecho,
eso nosotros son adentro especificación.
Entonces qué este dice a nosotros es eso nosotros de hecho sentir seguro suficiente,
concluyendo eso nosotros tener aprobado escenario 2, y poder ahora ir en escenario 3a.
De hecho permitir a nosotros por el cliente a poner su productos en el mercado.
Es importante a estrés aquí eso incluso aunque nosotros ir de Etapa 2 a escenario 3a,
nosotros hacer no reducir el [inaudible 00:23:22], y la producción tú ver nosotros tener.
Nosotros son aún equitativamente cierto o en realidad cierto de hecho eso,
No malo productos debería ingresar el mercado.
Entonces qué el cliente quería hacer próximo entonces, es simplemente a producir el próximo lote,
cual quería ser lote cuatro aquí incluido en el modelo, y entonces nosotros correr él de nuevo.
De curso tú voluntad tener a hacer el cordura controlar de el modelo de nuevo,
incluido el nuevo datos.
Qué nosotros ver aquí ahora incluido el cuarto insignia,
es eso nosotros son En realidad en el mismo situación como antes.
Sin embargo, ambos el tolerancia límites, y el predicción límites,
son emocionante mucho íntimamente a el control límite,
y incluso más importante, ellos son emocionante hacia el especulación,
cual es qué nosotros en realidad desear a ver en este situación.
El razón este es eso nosotros de hecho anotado dentro lote variación muy Bueno.
Sin embargo, pendiente a teniendo solo tres o cuatro lotes,
nosotros no saber el mellizo lote variación eso voluntad...
Este es qué de hecho da a nosotros estos cuatro límites.
Este quería ser un iterativo acercarse, productor uno lote, analizando el resultados
y continúa yendo en hasta tú de hecho encontrar el límites adentro.
Ahora justo incluir el dos último lotes, correr él de nuevo.
Qué nosotros ver ahora de hecho es eso nosotros tener todo nuestro límites adentro especificación.
Este dice a nosotros eso nosotros ahora tener aprobado escenario 3a,
y nosotros poder ahora trabajar hacia reduciendo nuestro pesado en productividad,
por Implementando muestreo en cambio de 100% inspección,
y continuo proceso verificación y entonces adelante.
Este eran aún teniendo tenía nuestro productos en el mercado,
desde el primero tres lotes nosotros producido.
En un imagen como el gráfico mostrado aquí,
tú podría ser preocupado eso su predicción límites son este amplio aún.
El fletamento límites son muy cerca a especulación.
Entonces si tú justo ir atrás a el situación dónde nosotros tener tres lotes,
uno pregunta aquí podría ser, "Son nosotros de hecho seguro,
cuando nosotros tener este amplio predicción ¿límites?"
Podría nosotros fin arriba envío malo productos a el ¿mercado?
Aquí allá son dos muy importante agujas.
Primero de todo, en este escenario, nosotros aún tener a muy pesado unidad en producto Control de calidad.
Ellos voluntad asegurar malo productos hace no ir a el mercado.
Además, nosotros tener a recordar aquí eso nosotros son de hecho no intentando a decir
algo acerca de el específico lotes nosotros producido.
Nosotros son intentando a decir algo acerca de futuro lotes.
Si nosotros desear a evaluar el actuación de estos individual lotes por lote,
qué nosotros de hecho tener a hacer es eso nosotros tener a ir atrás a nuestro modelo.
Nosotros ir a el modelo diálogo aquí, y nosotros hacer no incluir lote como a aleatorio y adaptar.
Nosotros usar este como a fijado vacante ambiente en cambio.
Enfermo justo aplicar el local datos filtrar,
y entonces si nosotros correr el guion como este,
nosotros voluntad de hecho ver cómo Bueno nosotros saber el individual lotes aquí.
Aquí nosotros ver, comparado a el otro gráfico, cual I voluntad justo intentar a poner arriba aquí,
nosotros ahora tener mucho, mucho más estrecho límites para cada malo lote,
narración a nosotros eso nosotros no tener a miedo eso cualquier observaciones dentro cualquiera
de estos lotes son de hecho afuera presupuesto.
Entonces es el combinación de este, y el pesado en producto Control de calidad,
cual de hecho marcas a nosotros seguro eso nosotros poder tener el tres lotes,
ir a el mercado con el productos,
como largo como nuestro control límites son aún dentro presupuesto.
Sí.
Entonces justo a concluir en este, I voluntad ir aquí.
Entonces, qué nosotros tener estado mirando en aquí es cómo poder nosotros validar,
cómo poder el interno validación usar JMP a predecir el futuro lotes voluntad ser ¿bueno?
Entonces nosotros tener visto aquí eso,
si tú poder describir su validación datos colocar con a modelo,
tú poder de hecho predecir el futuro con confianza.
Este poder ser hecho cualquiera por usando el predicción intervalos,
o el tolerancia intervalos.
Entonces qué nosotros tener hecho aquí y encima aquí, es a guion,
eso de hecho automatiza visualizaciones de predicción intervalos
y también el KDP valores.
Él calcula y visualizar tolerancia intervalos usando el mismo número
de eficaz grados de libertad como visto cuando calculador el predicción intervalos.
Entonces él también calcula y visualizar el control límites.
Pero él es importante a recordar antes usando el guion,
tú tener a ir a través de el oración el controlar es representado.
Pero aquí JMP ya ofertas a lote
de único posibilidades a justificar nuestro suposiciones detrás el modelo.
Este incluye diferencia heterogeneidad.
Entonces si variaciones son no igual entre el lotes como nosotros sierra aquí,
nosotros poder usar el registro diferencia modelo a encontrar a peso factor,
y a través de este peso factor, yo hecho a ponderado progresión modelo en cambio.
Nosotros poder asegurar eso nuestro derechos residuales de autor son normalmente repartido,
y si ellos' re no, nosotros poder usar el Box-Cox transformación a transformar nuestro datos.
Nosotros poder, a través de el Adaptar modelo plataforma también evaluar potencialmente valores atípicos
a través de el alumno enchufar.
Si allá son cualquier valores atípicos,
nosotros siempre excluir este de el modelo sí mismo.
Entonces en último nosotros poder de hecho justificar si o no nuestro aleatorio factores
son normalmente repartido a través de El BLUP prueba.
A ganar, si nosotros encontrar a nivel aquí cual hace no fósforo,
nosotros voluntad preguntar para el valores atípicos y el estudentizado residual,
excluir estos de el modelo como Bueno.
Tú.
