我的 姓名 是 對於花瓶 從 四、 和 I 將要 一起 和 我的 同事 路易 邁耶
代表 如何 你 能 使用 跳轉 在 製藥 過程 驗證，
和 實際上 領導 進入 那 你 能 做
連續的 過程 確認 然後。
我們 兩個都 來 從 a 公司 稱為 四、 和 我們 做 諮詢
為了 這 製藥 產業 和 我們 工作 和 數據 科學。
所以 我們 實際上 嘗試 到 創造 價值 從 數據 在 我們的 顧客。
的 課程， 我們 是 極為 快樂的 那 我們 能 使用 JMP 為了 那
和 這 是 什麼 我們 是 去 到 證明 今天。
所以 這 背景 為了 這 推介會 是 過程 驗證。
這 是 a 非常 重要的 問題 在 這 製藥 行業，
那 前 你 發射 a 新的 產品，
你 有 到 證明 那 你 是 有能力的 的 生產 它。
經典地 這 有 到過 完畢 經過 只是 製作 三 批次。
如果 這些 三 批次 是 好的， 我們 有 已證明 那 我們 能 生產
始終如一 和 然後 你是 準備好 到 發射 產品。
但 的 課程 每個人，
包括 這 [聽不清楚 00:01:06] 有 成立 出去，
那 你 可以 製作 三 批次 是 不是 這 相同的，
作為 全部 未來 批次 是 去 到 是 好的。
什麼 是 預期的 今天 從 a 驗證 是 那 不是 僅有的 展示 那 你 能 製作
三 或者 可以 製作 三 批次，
你應該 到 製作 a 放 的 批次。
基於 在 這 放 的 批次， 你 應該 是 有能力的 到 證明
和 信心 那 全部 未來 批次 將要 是 好的。
所以 反而 的 預測 這 過去的， 我們 現在 有 到 預測 這 未來。
這 真的 某物 那 是 a 具有挑戰性的 事物 在 這 製藥 產業
因為 他們 有 到過 用過的 為了 許多 年 只是 到 製作 這些 三 批次。
所以 如何 到 做 它 現在？
我們 是 真的 幫助 許多 顧客 和 這，
和 什麼 我們 強烈 推薦 是 簡單地 預測 這 未來。
如何 能 你 預測 這 未來？
出色地， 你 能 做 那 在 跳轉 和 預言 間隔。
那是 什麼 他們 是 為了。
所以 你 收集 一些 數據， 在 這 天 你 分析，
你 能 預測 如何 這 休息 會 看 喜歡。
如果 你 能 只是 建造 a 模型 那 能 描述 你的 驗證 數據 放，
和 如果 你 放 你的 批次 在 這 模型 作為 a 隨機的 因素，
這些 預言 限制 實際上 覆蓋 不是 僅有的 這 批次 你 製作，
但 也 這 批次 你 沒有 製成 然而，
和 從而 你 能 預測 這 未來。
什麼 你是 看到 在 這 底部 的 這 圖形 你 有 階段 一。
這 是 在哪裡 你 設計 這 新的 過程 為了 製作 這 新的 產品。
第 2 階段 是 考試 那是 這 古典 老的 時髦的 驗證。
我們在哪裡 之前 製成 三 批次， 現在 我們 是 製作 a 放 的 批次。
現在 基於 在 那 我們將 預測 這 未來 批次 將要 是 好的。
如果 你 有 a 很多 的 批次 到 批次 變化，
它 能 是 難的 到 預測 和 只是 a 很少 批次，
到期的 到 這 寬度 的 T 分配 哪個 看法 這 使用 的 自由，
所以 它 可能 拿 更多的 比 三。
但 我們 強烈 推薦 仍然 到 製作 樹木 階段 2 因為 否則，
患者 有 到 等待 也 長的 為了 這 新的 產品 和 然後 如果 它是 不是 足夠的。
你 能 製作 這 浪費 在 什麼 我們 稱呼 階段 3a.
肯定 治療方 希望 如何 你的 預言 限制
將要 是 裡面 規格 限制 和 然後 你 有 已證實
那 全部 未來 路徑 將要 是 好的， 和 你 能 去 進入 什麼 我們 稱呼 階段 3b，
意義 那 現在 你 不 有 到 措施 在 產品 測試 任何 更長。
你 可以 或許 措施 在 這 過程 反而 的 測量 在 這 產品
因為 你 有 已證明 全部 未來 藥物 將要 是 好的。
你 僅有的 有 到 證明 那 你 能 維持 這 已驗證 狀態。
那 能 給 你 a 重的 減少 在 你的 未來 成本。
一些 顧客， 他們 得到 你 向上 到 70% 減少， 在 這 未來 成本，
後 他們 有 已證明 那 全部 未來 批次 是 去 到 是 好的。
今天 我們 將要 嘗試 到 證明， 如何 這 能 容易地 是 完畢 在 跳轉。
所以 什麼 是 這 驗證 全部 關於？
出色地， 它是 這 預言 的 未來 批次。
現在， 之前 我們 只是 製成 三 批次，
但 現在 我們 有 到 預測 這 未來 批次。
如何 能 你 預測 那 和 信心？
因為 什麼時候 你 做 驗證 你 有 到 證明 信心， 事物 是 美好的。
出色地， 你 能 只是 使用 預言 間隔。
他們是 也 稱為 個人 信心 間隔 和 跳轉 為了 這 相同的 原因。
或者 你 能 也 去 為了 公差， 如果 你 想。
如何 許多 批次 在 階段 2？
我們 實際上 推薦 到 去 在 和 什麼 他們 用過的 到， 哪個 是 三。
但 你 能 僅有的 經過 和 這 三 批次 如果 你 控制 限制。
控制 限制 是 實際上 只是 預測 限制 沒有 信心。
I 將要 展示 你 如何 到 計算 他們， 如果 他們 是 裡面。
實際上 這 最好的 猜測 它是 美好的。
如果 你的 預測 是 外部， 你 可能 需要 更多的 批次。
但 你 能 製作 這些 後 有 走了 到 這 市場 和 你的 產品。
如何 許多 批次 他們應該 製作 在 3a 中？
非常 簡單的。
直到 你的 預言 限制 是 裡面 規格 間隔。
或者 如果 你 想， 這 相應的 磷酸肌酸激酶 是 高的 足夠的。
I 將要 展示 如何 你 能 轉變 這些 限制 到 a PPK。
什麼時候 它是 已通過 你 能 實際上 去 到 階段 3b 因為 現在 我們 有 已證明
全部 這 未來 批次 將要 是 好的。
你 只是 有 到 證明 那 你 能 維持 這 已驗證 狀態。
通常 那 能 是 完畢 經過 測量 在 這 過程，
哪個 是 更輕鬆 在 真實的- 時間， 比較的 到 正在做 在 產品 測試。
所以 那是 實際上 a 巨大的 益處。
A 很多 的 人們 收成 如果 你是 正在做 它 這 方式。
那是 a 小的 流動 圖表 為了 如何 做 它 工作。
所以 你 開始 出去 尋找 在 你的 驗證 一次，
你 計算 你的 預言 限制，
只是 是 意識到的 那 直到 版本 15 他們 是 不是 正確的。
他們 同意 到 自由 二 低的 預言 限制。
它 曾是 已解決 在 版本 16， 所以 請 跳轉 使用 版本 16 為了 這。
然後 如果 這些 預言 限制 是 裡面 規格 限制，
你已經通過了這兩個階段 2 和 3a，
和 你是 等待 為了 連續製程 確認，
測量 在 這 過程 反而 的 測量 在 這 產品。
如果 它 轉彎 出去 那 這 預言 限制 是 也 寬的，
然後 看 在 你的 控制 限制。
如果 他們 是 之內 規格 限制， 和 預測 限制 外部，
這 最多 常見的 典型的 課程 是 只是 收集 數據，
你 只是 收集 更多的 數據。
但 你 做 那 反而 3a 後 去 在 到 這 市場。
所以 只是 重新計算 這 預言 限制， 每一個 時間 你 有 a 新的 批，
和 然後 希望 後 或許 三 或者 四 額外的 批次，
他們 是 裡面 你的 規格 限制 和 然後 你是 準備好 到 去。
如果 它 發生 那 也 你的 控制 限制 是 外部 規格，
然後 實際上 你是 不是 準備好 為了 驗證 因為 然後 實際上
最好的 猜測 是 那 這 過程 是 不是 有能力的，
和 的 課程 你 有 失敗的 你的 驗證 和 你 需要 到 提升
這 過程 和 我們 做 一切 再次。
希望 我們 不 結尾 那裡。
但 的 課程 它 能 發生。
只是 短的 關於 這 特別的 方法
我們 有 用過的 到 計算 這些 控制 限制，
預言 限制 和 寬容 限制。
為了 控制 限制，
你需要 JMP 的 課程， 你 能 得到 控制 限制。
但 它是 實際上 只是 為了 一 已知 意思是 和 一 已知 標準 原因。
常 你 有 更多的 複雜的 系統 那 你 可能 有 許多 方法，
不同的 蛀牙 和 體面的 移動 過程 為了 例子，
你 可能 有 一些 樂團 成分 之間 取樣 點。
通常 你 有 更多的 比 一 意思是 和 一 標準 原因。
但 然後 你 能 只是 建造 a 模型， 和 描述 你的 數據 放 和 這 模型。
然後 你 能 只是 拿 這 預言 公式，
你 能 傳送 這 標準 錯誤 或預測 公式
和 你 能 拿 你的標準 錯誤 在 殘差，
和 然後 反而 的 乘法 和 這 G 分位數，
只是 使用 這 普通的 分位數。
然後 它 對應 到 有回 信心。
這 是 如何 我們 計算 控制 限制 基於 在 a 模型。
簡單地 基於 在 這 預言 公式 和 這 標準 的 這 預言，
這 殘差標準 哪個 我們 能 全部 得到 從 跳轉，
然後 它是 漂亮的 簡單的 到 計算 如何 做 控制 限制 工作。
它是 甚至 更輕鬆 到 預測 這 限制， 因為 他們 是 準備好 到 去 和 跳轉。
他們是 已經 那裡，
和 的 課程 他們 會 只是 使用 這 限制 計算 經過 跳轉。
I 說 前 是 小心 和 跳轉。
前 版本 16， 限制 簡單地 獲取 也 寬的。
所以 請 使用 版本 16 和 較新的 為了 這。
為了 寬容 限制，
我們 有 a 小的 位元 的 這 相同的 問題 作為 和 這 控制 限制。
你 有 寬容 限制 在 跳轉， 但 僅有的 為了 一 意思是，
和 一個標準差。
我們 不 有 它 為了 a 模型。
但 它是 實際上 漂亮的 簡單的 到 轉變 這 古典 公式，
為了 a 寬容 間隔 進入 服用 a 模型。
只是 代替 這 意思是 和 這 預言 公式。
只是 代替 N 減 一 和 這 度 的 地區 為了 這 全部的 變化，
哪個 我們 實際上 計算 從 這 寬度 的 這 預言 間隔。
然後 你 能 只是 進入 這 在 這 古典 公式 和 突然，
我們 實際上 也 有 a 寬容 間隔 和 跳轉，
那 能 發生 之內 和 之間 批次 變化。
然後 我們 準備好 到 去 和 這 數學 這裡。
一些 顧客 更喜歡 不是 只是 到 看 在 如果 限制 是 裡面 規格，
他們 需要 到 是 深的 裡面 規格，
實際上 相應的 到 那 磷酸肌酸激酶 是 大 比 一。
但 它是 非常 簡單的 到 拿 這 限制 和 這 預言 公式，
和 轉變 他們 進入 a 磷酸肌酸激酶 經過 這 古典 公式 為了 PPK。
如果 你 預測 這 限制， 你 得到 它 和 信心，
因為 這 平均的 信心 這 相同的 退休 限制，
和 如果 你 放 它 在 這 控制 限制， 你 只是 得到 磷酸肌酸激酶 沒有 信心。
我們會 沒有 信心 和 和 信心。
沒有 信心 是 這 一 我們 假定 到 推薦 到 使用 在 階段 2、
和 這 其他 一 是 清楚地 為了 階段 3a，
在哪裡 我們 有 到 證明 它與 信心。
所以 生活 是 簡單的 什麼時候 你 有 跳轉，
和 如果 你 有 a 模型 那 能 描述 你的 驗證 數據集。
但 我們 有 到 是 意識到的 那 在後面 全部 模型，
那裡 是 一些 假設 那 需要 到 是 滿足，
在 至少 到 是 合理的 前 你 能 依靠 在 你的 模型。
你 需要 到 做 a 標準 查看 的 你的 數據，
前 你 能 使用 這 模型 到 計算 限制。
A s 你 知道， 跳轉 有 非常 好的 可能性 為了 這，
和 I 將要 只是 現在 去 進入 跳轉， 和 看 如何 這 作品。
這裡 是 a 非常 知名 數據 放 在 這 製藥 行業，
已發布 經過 工業的 社會 的 製藥 工程，
在哪裡 他們 放 出去 a 數據 放 從 這 真實的 世界 和 說，
「這 是 a 典型的 驗證 放， 請 嘗試 到 計算 在 這 和 看
如何 會 你 評價 這 作為 a 過程 驗證 數據 放。 」
如果 你 開始 尋找 在 這 數據 圖表， 你 能 看 這裡 我們 有 三 批次。
這 古典 三 批次， 老式的 方法，
和 我們 是 製作 平板電腦 這裡 和 我們 是 混合 這 粉末。
什麼時候 我們 是 混合 這 粉末， 我們 拿 出去 樣品 在 15 不同的
系統性 職位 在 這 混合器 在 全部 三 批次。
什麼時候 我們 拿 樣品， 我們 拿 更多的 比 一。
我們 實際上 拿 四。
所以 我們 有 三 批次， 15 適應症， 和 每一個 時間 我們 拿 四。
這 是 a 數據 放 從 真實的 生活 那 曾是 用過的 為了 驗證。
如果 你 看 在 數據，
它是 實際上 相當 簡單的 到 看 那 為了 批次 B 之內 a 地點，
這 批次間 地點 評估 是 很多 大 比 為了 批次 A 和 C,
和 如果 你 放 a 控制 限制 在 你的 標準 偏差，
那是 清楚地 C 是 更高。
你 能 也 做異質性 變異數 測試。
它 將要 也 是 相當 明顯的 那 B 有 重要的 大 變異數 比 A 和 C.
所以 我們 不能 只是 拉 這 因為 你是 僅有的 假定 到 拉 差異，
那 能 是 假定 這 相同的。
所以 什麼 到 做 這裡？
出色地， 這 偉大的 事物 關於 跳轉，
你 能 只是 做 a 平衡 模型， 所以 你 能 去 在 和 放 在 這 批次
作為 a 平衡 因素 在 頂部 的 擁有 因素 到 預測 這 意思是。
A 獲得 你 能 清楚地 看 那 修補 B,
有 大 變異數 比 A 和 B 和 我們 需要 到 正確的 為了 那。
所以 如何 做 你 正確的 為了 那 在 a 模型？
因為 I 會 喜歡 現在 到 放 在 隨機的 因素
但 不是 其所在 模仿 在 跳轉 做 不是 支援 隨機的 因素。
什麼 I 做 反而， I 只是 去 向上 這裡 和 I 節省 我的 變異數 公式。
所以 實際上 I 得到 a 柱子 這裡， 在哪裡 I 有 我的 數據 差異。
然後 I 能 只是 做 加權 問題 和 逆 方差。
古典 方式 的 稱重 什麼時候 你是 正在做 線性 回歸。
所以 它是 非常 簡單的 到 正確的 為了 那 修補 B 有 更高 變異數
比 A 和 C, 只是 經過 正在做 加權 回歸
存在 意識到的 的 那， 然後 I 能 開始 尋找 做 I 需要 到 轉換 a 數據？
你 知道 你 有 後退 滴 和 資訊 和 跳轉。
所以 它是 非常 簡單的，
只是 製作 一個 ID 那 描述 這 組合 的 批次 和 地點。
然後 你 能 看 在 這 程式 變化 之內 每個 團體，
和 拉 這 穿過， 和 你 將要 得到 a 模型 喜歡 這。
你 能 看 I 加權 它 因為 I 有 到 重量 它。
到 正確的 對於批量 B 作為 I 有 在 A 和 C.
你 能 然後 看 你 有 不 異常值 您還可以 盒子 —考克斯。
有 不 需要 為了 轉型。
所以 那是 也 容易地 合理的 在職的 這 方式。
然後 我是 準備好 到 製作 我的 模型。
但 什麼時候 I 製作 我的 模型， I 將要 放 在 我的 批次 作為 a 隨機的 因素。
I 可能 也 放 在 地點 次 批次 作為 a 隨機的 因素，
因為 它 應該 是 隨機的 因為 I 會 喜歡 到 預測 未來 批次。
然後 有 實際上 其他 假設，
因為 什麼時候 你 放 在 隨機的 因素 你 是 假設 這 影響
在 至少 在 平均的 零 和 它是 通常情況下 分佈式。
如何 到 核實 這 或者 證明合法 這？
出色地 只是 去 和 看 在 BLUP， 那是 只是 a 隨機的 因素。
你 能 只是 製作 他們 進入 a 數據 桌子， 和 你 能 做 a BLUP 測試 在 他們。
那是 什麼 I 有 這裡。
這裡 你 能 看 I 有 已儲存 我的批次 BLUP 和 我的 交互作用 BLUP，
和 I 只是 關於 -建模 他們 對這些。
I 能 看 這些 批次 效果 能 容易地 是 假定 通常情況下 分散式
和 實際上 這 相同的 和 這 交互作用 效果。
現在 在 a 非常 短的 時間， 全部 這 敏感的 查看 你 需要，
到 是 有能力的 到 證明合法 那 你 是 準備好 為了 分析。
所以 現在 I 有 我的 模型， 哪個 我是 準備好 到 去 為了，
在哪裡 I 有 放 在 我的 地點 在 這 隨機因素，
和 我的 經過 作為我的 其他因素。
現在 I 將要 給 我的 工作 到 路易，
世界衛生組織 現在將顯示 如何 到 去 在 和 這 腳本 在 這 數據 文件。
作為 佩爾的 已經 顯示，
跳轉 已經 優惠 a 很多 的 機會 到 交易 和 許多 的 這 問題
你是 面對 和 驗證， 為了 例子， TPQ 批次。
一些 的 這 事物 他 有 顯示 這裡 是 那，
在 事實 最多 流程 不能 是 描述 經過 只是 一
意思是 和 一 標準 偏差。
為了 這 我們 真的 喜歡 這 狀態 模型 平台，
哪個 允許 我們 到 做 確切地 這 經過 包括 系統 製造商 為了 許多
方法 和 或者 隨機的 因素 為了 許多 差異。
然後 常 我們 看 這 數據 需要 轉型。
這裡 我們 已經 這 合身 模型 平台 有 這 盒子- 考克斯 轉型 允許 這。
此外， 數據 套 幾乎 總是 包含 一些 種類 的 異常值。
為了 這 我們 是 已經 在 這 中端市場 平台，
也 有 這 學生 類型 殘差 加，
哪個 是 a 偉大的 方式 的 處理 存在異常值。
然後 在 案例 在哪裡 我們 看 a 缺少 的 變異數 從 初學者，
跳轉 有 也 這 紀錄 變異數 造型， 哪個 我們 使用 到 尋找 這 方差，
和 轉變 它 進入 a 重量 在 a 遞迴 模型。
然後 出去- 的- 這- 盒子 跳轉 的 課程 也 有 這 預言 間隔，
個人 信心 間隔 直接地 從 這 合身 模型。
那裡 是 也 一些 的 這 問題 我們 面臨 在哪裡 跳轉 沒有 拿 我們 全部
這 方式 但 做過 這 基礎工作 這裡。
I 思考 這 是 什麼 是 實際上 嘗試
到 地址 和 我們的 腳本 作為 出色地， 製作 它 很多 更輕鬆，
和 I 思考 一 的 這 基本的 原因 我們
有 發達 這 腳本 是 那 通常 這 顧客 我們 看 那 這些
計算 和 視覺化 是 正在做 常 是 完畢 經過 人類 僱員。
所以 每當 人類 是 涉及，
那裡 是 a 高的 風險 的 人類 錯誤 作為 出色地。
這 是 什麼 我們 是 嘗試 到 戰鬥 經過 自動化 全部 的 這些 步驟 之後
在 未來 從 這 分析 和 也 這 可視化。
然後 的 課程， 這裡 是 這 控制 間隔 在 跳轉，
在哪裡 跳轉 能 僅有的 處理 一 意思是 和 一 變異數 成分。
這 將要 也 解決 在 這 腳本
從 這 合身 和 模型 平台 使用 這 預言 資料夾 反而 的 這 意思是。
然後 我們 使用 這 全部的 變異數
從 這 模型 計算 從 這 標準 錯誤 和 這 預言
公式 和 這 標準 錯誤 在 這 殘差。
然後 我們 也 常 臉 顧客 世界衛生組織 更喜歡 寬容 間隔 問題，
和 這 是 到期的 到 他們的 分離 設定 的 兩個都 信心 和 勇氣。
然而 簡要地 描述，
跳轉 能 僅有的 處理 一 意思是 和 一 變異數 成分 寬容 間隔。
所以 在 這 腳本 我們 也 計算
寬容 間隔 從 這 合身 模型 平台 使用 這 相同的 數位
的 有效的 度 的 自由 作為 用過的 在 我們的 預言 本身。
和 然後 最後，
這 腳本 有 也 包括 這 計算 的 能力 價值觀，
更多的 具體來說 這 庫德民主黨 價值觀， 作為 許多 顧客 也 要求 這些。
這裡 我們 計算 他們 兩個都
和 信心 使用 這 預言 限制 作為 一個 輸入 到 這 計算。
然後 我們 也 計算 我們的 信心 使用 這 控制器 輸入 計算。
所以 只是 到 去 到 這 腳本。
我們的 腳本 這裡，
作為 我們 有 發達 包裹 最多 的 這些 隨後的 步驟， 後 正在做 這 句子
查看 進入 a 單身的 包裹， 這 腳本 本身 需要 三 輸入。
我們 有 這 原來的 數據 文件，
和 然後 我們 有 這 模型 窗戶 和 然後 我們 有 a 範本 文件.
所以 什麼 我們的 腳本 做 是 那 它 實際上 動態 資訊 從 這 數據
文件 和 這 現代的 窗戶， 進入 這 範本 文件。
從 這 數據 文件 我們 拿 這 元數據 和 數據 本身， 和 從 這 模型 窗戶
我們 拿 模型 參數 和 模型 結果 和 欄位 作為 出色地。
這 是 也 為什麼 它是 重要的 到 壓力 這裡 那 這 模型
那 是 用過的 這裡 作為 一個 輸入 應該 是 a 完全的 完畢 模型。
這 方法 那 你 有 完畢 已經
全部 這 理智 檢查 SPI 只是 介紹 我們 到。
也 你 有 完畢 你的 模型 扣除 和 這 理智 查看 包括 某物
喜歡 異常值 排除 和 數據 轉型 作為 出色地。
一 可以 爭論 那 我們 可以 做 這 在 這 腳本 作為 出色地，
服從 一些 硬核 統計 規則。
但 我們 也 思考 那 這 是 a 非常 有用 經驗。
在職的 和 這 模型 這裡。
你 得到 a 很多 更好的 洞察力 進入 這 數據，
和 你 也 有 到 申請 一些 過程 知識 這裡 到 得到 a 更好的 模型。
所以 這 範本 文件 在 本身，
我們 實際上 使用 這 受到啟發 經過 這 應用程式 功能 和 跳轉。
我們 真的 喜歡 一些 腳本 在哪裡 這 使用者
或者 每個用戶 能 實際上 相互影響 和 這 腳本 本身。
所以 這 範本 文件 是 本質上
a 數據 桌子 在 跳轉 在哪裡 我們 有 不 數據 在 它。
然而， 我們 有 定義 a 很多 的 列
和 預定義 公式 引用 每個 其他。
這 允許 這 使用者 到 實際上 去 在，
和 回溯 全部 我們的 計算 透過 這 列 在 這 範本 文件，
利用 這 為了 例子， 公式 編輯 和 跳轉，
和 潛在 添加 新的 列 如果 他們 想 到 看 新的 計算。
或者 他們 能 編輯 一些 的 這 計算 我們 是 正在做 在 那裡 作為 出色地。
此外， 全部 視覺化 描述符 提供 這 使用者
是 也 實際上 儲存 作為 a 桌子 腳本 在 這 範本 文件.
所以 使用者 能 只是 去 在 這裡 和 編輯， 為了 例子， 這 佈局 的 具體的 圖表
如果 他們 想 新的 顏色 或者 某物 喜歡 這。
I 思考 我們 應該 拿 a 看 在 如何 它 實際上 看起來 在 現實。
我們 將要 跳 進入 跳轉 這裡 和 I 將要 只是 尋找 這 相同的 模型
作為 每 只是 完成的 為了 我們。
我們 是 再次 尋找 在 這 國際聲學工程學會 案件 作為 皮埃爾 顯示，
和 I 將要 只是 尋找 這 相同的 模型 他 結束 向上 和 這裡。
現在 那 我們 有 我們的 模型， 我們 有 完畢 這 理智 查看 和 一切，
我們 有 我們的 原來的 數據 文件 在後面， 我們 簡單地 跑步 這 腳本。
和 我們 將要 需要 到 傳送 它 到 三 事物 這裡。
第一的 的 全部， 我們 有 範本 文件 現在 已填滿 和 全部 這 數據 我們 需要。
我們 看 這 二 圖表 是 顯示 正確的 這裡。
然後 我們 有 這 磷酸肌酸激酶 批次 給予 我們 a 磷酸肌酸激酶 為了 每個 地點 在 這 混合器。
我們 有 a 全部的 的 15 向上 這裡，
和 我們 有 這 普通的 磷酸肌酸激酶 基於 在 控制 限制 在 藍色的，
基於 在 預言 限制 在 紅色的 和 基於 在 寬容 限制 在 綠色的。
最後 我們 有 這 圖形 這裡。
這 圖形 節目 我們 部分 我們的 數據，
沿著 和 全部 這 限制 我們 有 計算 在 這 腳本。
是的， 和 什麼 我們 看 這裡 是 在 事實 那 批次 A 和 批次 C
是 表演 出色地 為了 全部 位置。
意義 它 有 它是 預言 限制， 和 寬容 限制， 和 控制 限制
為了 那 事 裡面 這 規格 為了 全部 位置。
然而，
如果 我們 看 在 批次 B,
在哪裡 他們 也 成立 這 變異數 到 是 很多 更大 比
這 二 其他 批次， 我們 看 那 這 是 在 事實 去 外部
規格 在 全部 地點 什麼時候 我們 看 在 這 預言 限制，
不是 一定 兩個都 規格， 但 任何一個 在下面 降低 和 上。
所以 我們 看 許多 顧客 這裡 實際上 只是 計算 一些 平均的 限制，
穿過 一個， B 和 C.
但 我們 不 看 那 作為 一個 機會 這裡 因為 為了 我們 這 告訴 我們 那，
如果 未來 批次 表現 喜歡 批次 A 或者 C, 我們 是 好的。
我們 能 考慮 和 說 那 未來 或者 觀察 的 未來 批次，
將要 落下 裡面 規格。
然而， 這 未來 批次 表現 喜歡 批次 B,
和 我們 不能 保證 那 我們 將要 有
全部 觀察 的 未來 批次 墜落 裡面 這 規格 限制 這裡。
I 思考 I 會 只是 也 使用 這 時間 到 去 透過 一個 例子 在哪裡 我們 實際上
也 拿 進入 考慮 這 所有的 方法 和 那 顯示 這 流程圖，
和 如何 我們 會 實際上 做 a PPQ 驗證 使用 這 腳本。
我們 帶來 a 顧客 例子 這裡， 只是 尋找 它 這裡，
和 這 是 影響 顧客 世界衛生組織 有 到過 透過 PPQ 和 這 驗證
和 他們 有 現在 製作 全部 這 批次。
所以 我們 將要 只是 迅速地 使用 a 當地的 數據
篩選 到 只是 看 在 這 三 第一的 批次 他們 製作 在 階段 2.
這裡 我們 有 我們的 模型， 和 我們 跑步 這 腳本。
什麼 我們 看 這裡 是 那 我們 尋找 我們自己 在 a 情況 在哪裡 我們 有
兩個都 預言 限制 和 容忍 限制 外部 大的。
在 事實 他們 是 相當 遠的 外部。
但 這 最好的 猜測 決定 經過 這 控制 限制 是 在 事實，
那 我們 是 裡面 規格。
所以 什麼 這 告訴 我們 是 那 我們 實際上 感覺 安全的 足夠的，
結論 那 我們 有 已通過 階段 2、 和 能 現在 去 進入 階段 3a.
實際上 使能夠 我們 經過 這 顧客 到 放 他們的 產品 在 這 市場。
它是 重要的 到 壓力 這裡 那 甚至 儘管 我們 去 從 第二階段 到 階段 3a，
我們 做 不是 減少 這 [聽不清楚 00:23:22]， 和生產 你 看 我們 有。
我們 是 仍然 相當 肯定 或者 真的 肯定 實際上 那，
不 壞的 產品 應該 進入 這 市場。
所以 什麼 這 顧客 會 做 下一個 然後， 是 簡單地 到 生產 這 下一個 批，
哪個 會 是 批次 四 這裡 包括 在 這 模型， 和 然後 我們 跑步 它 再次。
的 課程 你 將要 有 到 做 這 理智 查看 的 這 模型 再次，
包括 這 新的 數據。
什麼 我們 看 這裡 現在 包括 這 第四 徽章，
是 那 我們 是 實際上 在 這 相同的 情況 作為 前。
然而， 兩個都 這 寬容 限制， 和 這 預言 限制，
是 移動 很多 更近 到 這 控制 限制，
和 甚至 更多的 重要的， 他們 是 移動 向 這 規格，
哪個 是 什麼 我們 真的 想 到 看 在 這 情況。
這 原因 這 是 那 我們 實際上 著名的 之內 批次 變化 非常 出色地。
然而， 到期的 到 擁有 僅有的 三 或者 四 批次，
我們 不 知道 這 雙 批次 變化 那 將要...
這 是 什麼 實際上 給出 我們 這些 四 限制。
這 會 是 一個 迭代 方法， 生產 一 批， 分析 這 結果
和 繼續 去 在 直到 你 實際上 尋找 這 限制 裡面。
現在 只是 包括 這 二 最後的 批次， 跑步 它 再次。
什麼 我們 看 現在 實際上 是 那 我們 有 全部 我們的 限制 裡面 規格。
這 告訴 我們 那 我們 現在 有 已通過 階段 3a，
和 我們 能 現在 工作 向 減少 我們的 重的 在 生產力，
經過 實施 取樣 反而 的 100% 檢查，
和 連續的 過程 確認 和 所以 向前。
這 是 仍然 擁有 有 我們的 產品 在 這 市場，
自從 這 第一的 三 批次 我們 生產。
在 一個 影像 喜歡 這 圖形 顯示 這裡，
你 可以 是 擔心的 那 你的 預言 限制 是 這 廣闊 仍然。
這 憲章 限制 是 非常 關閉 到 規格
所以 如果 你 只是 去 後退 到 這 情況 在哪裡 我們 有 三 批次，
一 問題 這裡 可以 是， 「是 我們 實際上 安全的，
什麼時候 我們 有 這 廣闊 預言 “限制？”
可以 我們 結尾 向上 傳送 壞的 產品 到 這 市場？
這裡 那裡 是 二 非常 重要的 點。
第一的 的 全部， 在 這 階段， 我們 仍然 有 a 非常 重的 單元 在 產品 品質控制。
他們 將要 確保 壞的 產品 做 不是 去 到 這 市場。
此外， 我們 有 到 記住 這裡 那 我們 是 實際上 不是 嘗試 到 說
某物 關於 這 具體的 批次 我們 生產。
我們 是 嘗試 到 說 某物 關於 未來 批次。
如果 我們 想 到 評估 這 表現 的 這些 個人 批次 每 批，
什麼 我們 實際上 有 到 做 是 那 我們 有 到 去 後退 到 我們的 模型。
我們 去 到 這 模型 對話 這裡， 和 我們 做 不是 包括 批次 作為 a 隨機的 和 合身。
我們 使用 這 作為 a 固定的 空缺 環境 反而。
患病的 只是 申請 這 當地的 數據 篩選，
和 然後 如果 我們 跑步 這 腳本 喜歡 這，
我們 將要 實際上 看 如何 出色地 我們 知道 這 個人 批次 這裡。
這裡 我們 看， 比較的 到 這 其他 圖形， 哪個 I 將要 只是 嘗試 到 放 向上 這裡，
我們 現在 有 很多， 很多 更窄 限制 為了 每個 壞的 批，
告訴 我們 那 我們 不 有 到 害怕 那 任何 觀察 之內 任何一個
的 這些 批次 是 實際上 外部 規格。
所以 它是 這 組合 的 這， 和 這 重的 在 產品 品質控制，
哪個 實際上 使 我們 自信的 那 我們 能 有 這 三 批次，
去 到 這 市場 和 這 產品，
作為 長的 作為 我們的 控制 限制 是 仍然 之內 規格。
是的。
所以 只是 到 結論 在 這， I 將要 去 這裡。
所以， 什麼 我們 有 到過 尋找 在 這裡 是 如何 能 我們 證實，
如何 能 這 內 驗證 使用 跳轉 到 預測 這 未來 批次 將要 是 好的？
所以 我們 有 見過 這裡 那，
如果 你 能 描述 你的 驗證 數據 放 和 a 模型，
你 能 實際上 預測 這 未來 和 信心。
這 能 是 完畢 任何一個 經過 使用 這 預言 間隔，
或者 這 寬容 間隔。
所以 什麼 我們 有 製成 這裡 和 超過 這裡， 是 a 腳本，
那 實際上 自動化 視覺化 的 預言 間隔
和 也 這 庫德民主黨 值。
它 計算 和 視覺化 寬容 間隔 使用 這 相同的 數位
的 有效的 度 的 自由 作為 見過 什麼時候 計算 這 預言 間隔。
然後 它 也 計算 和 視覺化 這 控制 限制。
但 它 是 重要的 到 記住 前 使用 這 腳本，
你 有 到 去 透過 這 句子 這 查看 是 代表。
但 這裡 跳轉 已經 優惠 a 很多
的 獨特的 可能性 到 證明合法 我們的 假設 在後面 這 模型。
這 包括 變異數 異質性。
所以 如果 差異 是 不是 平等的 之間 這 批次 作為 我們 鋸 這裡，
我們 能 使用 這 紀錄 變異數 模型 到 尋找 a 重量 因素，
並透過 這 重量 因素，我 製成 a 加權 進展 模型 反而。
我們 能 確保 那 我們的 殘差 是 通常情況下 分散式，
和 如果 他們' 關於 不是， 我們 能 使用 這 博克斯-考克斯 轉型 到 轉換 我們的 數據。
我們 能， 透過 這 合身 模型 平台 也 評價 潛在 異常值
透過 這 學生 插頭。
如果 那裡 是 任何 異常值，
我們 總是 排除 這 從 這 模型 本身。
然後 在 最後的 我們 能 實際上 證明合法 無論 或者 不是 我們的 隨機的 因素
是 通常情況下 分散式 透過 BLUP 測試。
A 獲得， 如果 我們 尋找 a 等級 這裡 哪個 做 不是 匹配，
我們 將要 問 為了 這 異常值 和 這 學生化 殘差，
排除 這些 從 這 模型 作為 出色地。
你。
