Hola, todos, y bienvenido a JMP Descubrimiento.
Andrés Carlos y Brezo Apresurarse.
I tener a presentación hoy eso es yendo a destacar
alguno de el características en JMP 17 Pro que voluntad ayuda tú afuera
en el mundo de mezcla modelos.
Muchos de tú son involucrado en formulaciones,
y a ser honesto, eso es qué nosotros tenemos estado haciendo a lote últimamente.
Eran a lote como ambulancia cazadores, dónde Bueno justo ir después
el el último cosa que los clientes son interesado en.
Pero eso es qué eran vidente a lote últimamente, es amigos eso son haciendo mezcla modelos
eso son de hecho bastante complejo y más entonces que casarse alguna vez saber.
Nosotros justo decidido nosotros quería hacer alguno Más adentro investigación
con alguno de el nuevo técnicas que están fuera,
y eso JMP 17 realiza para a nosotros.
Andrés, quería tú como a conseguir comenzó y tal vez dar a pequeño poco de fondo
en el entero idea de qué a mezcla modelo es,
y alguno de el otro ¿Técnicas?
Bueno, Así que vamos comenzar afuera con a lindo, fácil gráfico.
Vamos llevar a mirar encima aquí en el trama en el izquierda.
Eran en un experimental configuración,
Así que ahora I suponer nosotros tenemos consiguió dos factores,
Ingrediente A y Ingrediente B, y ellos rango de 0-1.
Si Hay No mezcla restricciones, entonces todo en el negro cuadrado
es a factible punto en este factor espacio,
y entonces nuestro diseño rutina es yendo a dar a nosotros agujas en algún lugar en este espacio.
Sin embargo, si Hay a mezcla restricción
dónde estos tener a agregar arriba a uno, entonces solo el rojo línea es factible.
Nosotros desear a conseguir a condicional óptimo
dado eso restricción, y nosotros desear a fin arriba
en algún lugar en eso línea para ambos nuestro diseño y nuestro análisis.
Si nosotros mover arriba a tres mezcla ingredientes,
A, B y DO, todo capaz a variar de 0-1,
entonces nosotros conseguir a cubo para eso 0-1 restricción para cada de a ellos.
Pero con el mezcla restricciones, eso acepta el forma de a avión
intersecando a cubo, y eso da a nosotros este triángulo,
entonces solo este rojo triángulo es importante afuera de eso completo espacio.
Si nosotros tener cuatro dimensiones, si nosotros tener cuatro mezcla factores,
entonces eso admisible factor espacio es de hecho a tres- dimensional subconjunto,
a pirámide dentro allá.
Mirando atrás a el tres- mezcla configuración.
Ver este ¿triángulo? Eso es el permitido región.
Bien, eso es por qué JMP da a nosotros estos ternario parcelas.
Para estas parcelas ternarias,
qué JMP voluntad hacer es, si tú tener más que tres mezcla factores,
es tú lo harás tener dos factores mostrado en a tiempo,
y el tercero eje voluntad ser el suma de todo el otro mezcla factores.
Nosotros poder mirar en estos parcelas ternarias, bastante que teniendo a tener a pirámide
eso eran mirando a lo largo de.
Nosotros tener a decidir, ¿Lo hacemos? desear a Diseño que llena el espacio
o un óptimo ¿diseño?
Ahora, normalmente en a no mezcla configuración, casarse normalmente usar un óptimo diseño,
y para el mayoría parte, nosotros no lo haría considerar a Diseño que llena el espacio.
Hay a pocos razones eso nosotros desear a considerar
a Diseño que llena el espacio en mezcla ajustes.
A menudo en el formulaciones mundo, si tú ir también lejos,
Hay a pequeño poco más sensibilidad a yendo también lejos en su factor espacio,
haciendo él también ancho, entonces su completo proceso falla.
S Supongamos eso sucede encima aquí dónde X2 es.
Suponer él falla todo abajo 0.1.
Estás yendo a perder a bien pedazo de tus carreras porque el óptimo diseño
tiende a poner mayoría de su corre en el límite de el factor espacio,
entonces estás yendo a perder estos.
Estás no yendo a ser capaz de correr su lleno modelo
con el restante agujas, y estás no yendo a tener
cualquier bien información acerca de dónde eso falla límite es.
Para el Diseño que llena el espacio, si tú tener alguno amable de falla
por debajo de 0,1, estás vencido a menor número de agujas.
Su restante agujas aún dar tú a Diseño que llena el espacio
en el existente espacio eso tú poder usar a adaptar el modelo efectos,
Y ahora eran yendo a ser capaz a modelo eso falla límite.
También en el mezcla mundo, nosotros a menudo ver más alto orden efectos activo:
interacciones o curvaturas, polinomios,
que nosotros podría ver en el no- mezcla configuración.
Si nosotros no especificar aquellos, porque cualquier de estos modelos son óptimo,
condicional en el objetivo modelo nosotros dar, entonces si nosotros no especificar un efecto operador
para el óptimo modelo, nosotros podría no ser capaz a adaptar él
después el hecho, porque ellos podría ser alias
con otro efectos eso nosotros tener.
Estos relleno de espacio corre acto como algo de a atrapar- todo de posible corre,
entonces Hay a pareja de razones
eso nosotros podría desear a considerar espacio relleno corre,
pero nosotros desear a llevar a mirar analíticamente.
Qué el diferencia en actuación entre estos,
después nosotros correr a través de modelo reducción, no justo en el lleno modelo,
porque eran no Sólo voy a ser usando el lleno modelo.
Eso es el diseño fase pregunta.
Cuando nosotros llegar a el análisis,
cuando sea estás mirando en estos mezcla experimentos en JMP,
JMP automáticamente vueltas apagado el interceptar para tú,
porque si tú desear Para adaptarse a la lleno modelo
con todo de su mezclado permanecer efectos, tú no poder incluir el interceptar.
Tú lo harás conseguir este advertencia
porque el mezcla- hecho efectos son constreñido a uno,
y ellos agregar arriba A qué el interceptar es, entonces ellos son alias.
También, si nosotros desear a mirar en más alto orden efectos,
nosotros no poder ser como a respuesta superficie dónde nosotros tener puro cuadrático términos.
Nosotros tener a mirar en estos Cocinero Cúbico términos
porque si nosotros intentar a mirar en el interacciones
más el puro cuadrático términos, entonces nosotros conseguir otro singularidades.
Aquellos son a pareja de arrugas en el análisis.
Sin embargo, yendo adelante con el modelo selección métodos,
Adelante Selección o Lazo, cual son el base métodos
de el TODO métodos que eran yendo a ser mirando en,
nosotros desear a considerar a veces torneado apagado este por defecto 'No interceptar' opción.
Qué nosotros encontrar es para el Método del lazo nosotros de hecho tener a Haz eso
en orden a conseguir razonable resultados.
Después nosotros adaptar nuestro modelo, ahora nosotros desear a hacer modelo reducción
a patada afuera irrelevante factores.
Nosotros tenemos consiguió a pareja de diferente maneras de haciendo eso en base JMP .
Probablemente qué gente hacer mayoría frecuentemente es ellos usar el efecto resumen
a ir hacia atrás en el pag- valores, y patada afuera el pequeño pag- valores.
Pero este es bonito inestable porque de el multicolinealidad
de el mezcla restricción, dónde pateando afuera uno efecto
poder drásticamente cambiar el valores p de el restante efectos en el diseño.
Qué este trama espectáculos es si nosotros ir hacia atrás en pag- valores,
qué es el más grande valor p eso es golpeado afuera
y nosotros ver Algunos saltando por ahí aquí y eso es de eso efecto.
Dado eso amable de volatilidad en el adecuado proceso,
tú poder imaginar si tú tener pequeño cambios
en su observado respuestas, tal vez incluso de ensayo variabilidad,
o cualquier otro variabilidad, justo pequeño cambios poder dirigir
a grande cambios en el reducido modelo
eso es presentado como a resultado de este proceso.
Eso alto modelo variabilidad es algo Eso sería ser lindo
si nosotros podría promedio encima en alguno forma, en el mismo forma eso tal vez
con Oreja para Este nosotros promedio encima el variabilidad
de el CARRO métodos o el dividir métodos
y eso es qué el TODO métodos quería ser mirando en haciendo.
En el perder sentido, ellos son amable de el análogo para eso,
para el lineal métodos eran mirando en.
También nosotros poder ir a Paso inteligente y mirar en mín. AICc,
cual es tal vez el privilegiado método.
En nuestro último deslizar del espectáculo hoy Bueno ser tomando a mirar en,
para el base JMP usuarios, AICc versus B CI versus valor p selección
con nuestro simulación diagnósticos.
Dar crédito a a lote de el existente trabajar y principal arriba a el TODO acercarse.
Estos son alguno excelente referencias eso nosotros tenemos usado encima el años.
También desear a agradecer Chris Gottwalt para su paciencia y respondiendo preguntas
y intercambio información como ellos tienen descubierto cosas a lo largo de el forma.
Eso es realmente ayudó colocar a nosotros arriba a ser capaz a poner este a bien efecto en práctica.
Discurso de en práctica, dónde tener nosotros estado usando este bastante a poco
encima el años es el configuración de líquido nanopartícula formulación mejoramiento.
Qué es lípido nanopartícula ¿formulación? Bueno, una nanopartícula lipídica,
si Tú tienes conseguido cualquier ARNm COVID-19 vacunas Pfizer, Moderno, entonces Tú tienes conseguido estos.
Qué estos hacer es tú llevar a mezcla de cuatro diferente lípidos, resumido aquí,
y ellos forma estos pequeño fragmentario burbujas.
Entonces aquellos son eléctricamente cargado,
entonces ellos llevar a lo largo de con a ellos a genético carga útil,
ARNm, ADN, o otro cargas útiles eso cualquiera actuar de vacunas
o poder objetivo cáncer células.
El eléctrico cargar entre el genético carga útil,
y luego el opuesto cargar en el nanopartícula es qué se une.
Entonces nosotros lo quiero a conseguir a través de el celúla y entonces liberar el carga útil adentro.
El formulación cambios dependiente en qué el carga útil es.
A también a veces nosotros podría cambiar el tipo de ionizable lípidos,
o el tipo de él lper lípido a ver cual uno hace mejor,
entonces nosotros tener a rehacer este proceso encima y encima.
Para el mayoría parte, el científicos tener encontró eso estos
rangos de tal vez 10-60% para el lípido ajustes
y luego a más estrecho rango de 1-5%.
Eso es para el mayoría parte el factible rango para este proceso.
Eso es estado explorado afuera, y eso es qué el geometría
nosotros desear a fósforo aquí en nuestro solicitud es.
Nosotros desear a digamos, dado que estructura que eran haciendo una y otra vez,
¿Lo hacemos? tener un ideal análisis y diseño método para ¿eso?
A también nosotros desear a colocar arriba a simulación eso si eran mirando en otro estructuras,
otro geometrías para el factor espacio, tal vez nosotros poder generalizar a eso,
pero eso es yendo a ser nuestro enfocar para bien ahora.
Dado eso fondo,
Soy yendo a dejar Jim ahora resumir el TODO acercarse y hablar acerca de eso.
Sí, agradecer tú.
Este particular descubrimiento presentación,
qué eran yendo a hacer es a pequeño un poco más centrado en PowerPoint,
desafortunadamente, porque el resultados son en realidad qué este es todo acerca de
para el simulaciones eso nosotros tenemos hecho.
Pero este particular sesión, I voluntad espectáculo tú alguno de el JMP 17
eso nosotros tener nuevo capacidad.
Si I ir y I desear a colocar arriba a Diseño que llena el espacio...
Ahora, previamente nosotros no eran capaz de hacer mezcla modelos con Diseños que llenan el espacio
Desde el principio afuera de el caja, si tú voluntad.
Nosotros ciertamente podría poner restricciones en allá,
pero ahora qué nosotros desear a hacer es espectáculo tú cómo tú poder hacer
a Espacio F enfermo Diseño con estos mezcla factores.
Este es nuevo eso I ahora tener estos venir en como mezcla,
cual es bien porque él ahora lleva
todo de aquellos columna propiedades con él como Bueno.
Uno cosa valer mencionando bien ahora es
el por defecto es estás yendo a conseguir 10 corre por factor,
entonces 40 corre en a Gama típicamente es bien
y nosotros son feliz porque nuestro el poder es Bueno arriba 90%
o lo que nuestro criterios es.
Pero eso es no el caso [inaudible 00:09:54] estos mezcla modelos
porque Hay entonces muchos restricciones inherente en él.
Qué eso es narración a mí, desafortunadamente, es incluso si I eran a tener 40 corre,
Identificación aún solo tener 5% fuerza de haciendo Cocinero Cúbico
y incluso si es efectos principales solo, Hay solo 20% fuerza.
Fuerza ahora es no en realidad a diseño criterios eso eran yendo a mirar a
cuando nosotros hacer estos mezcla modelos.
Ahora, típicamente en nuestro aplicaciones,
desafortunadamente, nosotros no tener el lujo de teniendo 40 corre.
En este caso Bueno hacer 12 corre y ver cómo eso llega afuera.
Bien ir adelante y hacer Ese espacio Relleno Diseño,
y Puedes ver que es tal vez igualmente desparramar a lo largo de el superficie.
De curso, nosotros hacer saber que eran encerrado con alguno de estos tipo aquí
eso nosotros Sólo puedo ir de 1 -5% en el polietileno glicol.
Qué I desear a Hazlo ahora es justo ir a rápido adelante.
Ahora Vamos decir Yo tengo correr este diseño y Soy listo a hacer el análisis.
Este es dónde TODO es en realidad hecho enorme progreso
y si tú escuchar a alguno de Chris y Phil De Ramsey trabajar
afuera allá en JMP comunidad, tú lo harás ver este es a paso cambiar.
Este es a juego cambiar en términos de su analítico capacidad.
Cómo quería nosotros hacer este en 16?
En JMP 16 qué casarse tener a hacer es casarse tener a venir a través de,
y en realidad es valer yendo A través de la paso justo porque él da tú
a pequeño poco de conocimiento, aunque el primario misión
de este instrucciones o este hablar es no TODO,
él voluntad dar a nosotros un idea de qué yendo en.
Qué nosotros poder hacer aquí es nosotros poder ir adelante y Bueno hacer el Auto validación Mesa.
Este es el JMP 16 metodología.
Qué tú lo harás nota aquí es nosotros tenemos desaparecido de 12 corre a 24.
Nosotros justo duplicado a ellos y tú ver el Validación Colocar.
El capacitación puede ser los primeros 12, validación el próximo 12.
Eso es qué agregado y entonces nosotros tener este peso.
Este es el Oreja peso y es fraccionadamente ponderado.
Qué sucede es nosotros voluntad ir adelante y correr este modelo
y venir arriba con a previsto valor,
pero entonces nosotros necesidad a cambiar estos pesas y entonces mantener haciendo este encima y encima
para Nuestro Bootstrap, al igual que a aleatorio bosque, idea para el TODO.
Ahora qué es útil es a amable de llevar a rápido mirar.
Qué es el geometría de estos ¿pesos?
Nosotros poder ver ellos son anti- correlacionado,
significado si en el capacitación colocar que yo soy bajo,
Soy probablemente yendo a ser alto en el validación colocar.
Este es amable de a rápido pequeño visual de eso relación.
Ahora Soy listo a ir hacer mi análisis en JMP dieciséis.
Él quería ser analizado y casarse justo hacer nuestro adaptar modelo.
De curso, nosotros desear a generalizado regresión
y Bueno ir a través de y hacer a Cocinero Cúbico aquí,
porque es a mezcla.
Pero Aquí está dónde nosotros tener a agregar en el paso,
nosotros poner el conjunto de validación como su validación columna
y entonces este validación peso es yendo a ser eso frecuencia.
Ahora I poder correr este.
Por el forma nosotros podría,
en muchos de nuestro instancias eran no normal, eran registro normal,
nosotros podría poner eso en bien allá.
Aquí nosotros tener nuestro generalizado regresión capacidad
a ir adelante y correr este modelo y listo, allá son el Estimaciones.
Qué nosotros quería hacer Entonces venimos aquí bajo el Ahorrar el Predicción Fórmula.
Entonces aquí es uno correr.
Bueno, entonces nosotros consiguió uno correr.
Tú poder ver eso el arriba es 15.17, y nosotros de hecho sierra 15.23,
entonces no malo en este modelo,
pero nosotros quería hacer este encima y encima.
Nosotros usado a hacer él acerca de 50 veces o entonces.
Pero con JMP 17, ahora este entero proceso es automatizado a a nosotros.
Nosotros no tener a hacer este 50 veces y entonces llevar el promedio
de estos predicción fórmulas.
Eran capaz a ir directamente en él.
Si I venir atrás a mi original diseño aquí con el respuesta,
I poder conseguir bien en él.
Por el forma, este es demostrando que I tener otro restricción poner en aquí.
A lote de veces nosotros tener el farmacia y bioquímicos como a ver eso
a hacer seguro eso el proporciones basadas en molecular pesas son dentro razón.
No solo hacer nosotros tener el mezcla restricciones,
nosotros también tener a lote de otro restricciones.
Soy laboral con a grupo donde nosotros tener tal vez 15 diferente ingredientes
y probablemente 30 restricciones en suma a el mezcla restricciones,
entonces estos métodos trabajar y ampliar,
probablemente es el mejor forma a decir él, bonito Bueno.
Ahora este es 17, entonces 17 I poder conseguir bien en él.
Soy yendo a ir adelante en Adaptar Modelo, y Enfermo ir adelante y hacer a Scheffé cúbico.
De aquí, qué eran capaz a hacer ha venido en a generalizado regresión.
En este caso, nosotros no necesidad a preocuparse acerca de estos tipo en aquí.
Nosotros poder cambiar él a logaritmo normal si nosotros entonces deseo.
Uno de mi opciones en el estimación
en cambio de Adelante es en hecho TODO Adelante,
entonces I hacer TODO Adelante y Soy yendo a ir hacer 200.
Tú lo harás Mira qué rápido ellos tener este sintonizado.
En serio el solo cosa tú poder hacer en avanzado controles
es controlar si o no tú desear a fuerza a término en.
I golpear Ir y instantáneamente Yo tengo hecho 200 Oreja muestras para este problema.
De curso, I ahora poder mirar en el perfilador
y eso es el promedio de el 200 corre.
Eso es amable de mi fin modelo, si tú voluntad.
De curso, con Predicción Perfilador,
allá son cientos de cosas tú poder hacer desde aquí
y Andrés tocará en a pareja más de aquellos.
Pero dos otro cosas valer tomando nota aquí,
Enfermo ahorrar el Predicción Fórmula como Bueno y llevar a mirar en eso chico.
Cuando I mirar en el Predicción Fórmula,
Enfermo nota eso él es en hecho ya promediado afuera para a mí aquí.
Este es el promedio de los 200 diferente muestras eso son afuera allá.
Con eso, eso es el manifestación,
y Bueno ir atrás a mirando en el gráficos allá a decir,
"Bueno, ¿qué? es él eso eran vidente en términos de el resultados de ¿TODO?"
Andrés, si tú desear a jalar arriba eso deslizar.
Este es tal vez a rápido visual.
Tú poder ver eso si I mirar en aquellos primero tres,
en este caso, rojo es malo.
Qué eran mirando en aquí es el nominal cobertura.
Este es a mezcla modelo
en el óptimo previsto lugar de actuación.
Nosotros poder ver eso el estándar Paso inteligente tipo son no haciendo también Bueno.
Eso es el hacia atrás y adelante AIC.
Este es el cobertura tarifas.
Casarse como él a ser a nominal 5% error eso nosotros no de hecho ver
el verdadero respuesta en el predicción o de hecho el confianza intervalo.
En otro palabras, cuando nosotros miró en el perfil
eso nosotros justo vio, nos da a predicción o confianza intervalo
era el verdadero valor,
cual nosotros saber porque eran jugando el simulación juego, ¿bien?
Nosotros saber qué el verdadero valor es, qué porcentaje de tiempo era eso en ¿allá?
Nosotros poder ver eso nosotros no hacer como Bueno con nuestro clásico métodos.
El lleno modelo, puesta todo el términos en,
Lazo hace bonito Bueno en a 10% tasa o entonces,
pero es no hasta nosotros conseguir los métodos SVEM aquí eso nosotros comenzar vidente
eso eran realmente capturando y conseguir bien cobertura.
A bien tal vez imagen a mantener en su mente,
eso nosotros son forma superando alguno de el otro métodos afuera allá
cuando él llega a el capacidad.
Ahora, en términos de cómo este simulación,
qué eran enfoque en aquí es a pequeño poco diferente que qué tú puede Piensa en,
en términos de a simulación dónde estamos buscando en a modelo y dicho,
"Cómo Bueno hizo nosotros hacer con este particular ¿método?"
Nosotros podría medida eso por cómo el actual versus el previsto es
y entonces casarse conseguir Algún tipo de a significar al cuadrado error.
Nosotros hacer pista eso valor,
pero nosotros encontrar en nuestro trabajar, eran mucho más preocupado acerca de descubrimiento
eso óptimo mezcla, si tú voluntad, con el óptimo ajustes eso lograr a nosotros
a máximo potencia o minimiza algunos efectos secundarios
o ayuda a nosotros con este [inaudible 00:18:58]
Eso es yendo a ser llamado el "por ciento de máximo" eso eran mirando para.
Eran yendo a usar eso como nuestro primario respuesta aquí
en términos de ser capaz a evaluar cual métodos superar otros.
Es no en realidad yendo a ser,
cómo lejos lejos soy I de el ubicación de el óptimo ¿valor?
Es cómo lejos es eso respuesta que I previsto como óptimo
cómo lejos es eso de el actual ¿óptimo?
Eso es yendo a ser nuestro medida de éxito.
El forma este voluntad trabajar es Enfermo ser preguntando Andrés a pocos ideas aquí
en términos de qué típicamente llega arriba en práctica.
I sierra el geometría Él demostró a mí temprano en
y el óptimo diseño era siempre golpear el límites.
Qué si I como cosas eso nosotros llamar más mezcla, ¿bien?
Tú tener más mezclado cosa en el medio,
relleno de espacio, cual es mejor.
Si I hacer usar un óptimo diseño,
él valores predeterminados a D tal vez, pero qué acerca de I y ¿A?
Entonces cómo acerca de el edad- viejo GAMA añadiendo ¿puntos centrales?
Es eso ¿elegante? O es uno ¿punto central?
O cómo acerca de ¿se replica?
Nosotros tenemos ya discutido cómo eran no ser útil,
entonces qué es a útil medida de a bien ¿diseño?
Eso es el diseño pedazo, pero también el análisis La pieza es,
es allá a particular método eso supera todos,
o son allá cierto áreas eso nosotros debería enfocar en
usando Lazo y otros,
eso nosotros debería justo usar SVEM para ¿selección?
Estos son práctico preguntas eso venir arriba de todo de nuestro clientes,
y casarse como a compartir con tú
alguno de el resultados eso nosotros conseguir de el simulación.
Andrés, tú desear a dar a nosotros
a pequeño poco más conocimiento en nuestro simulación ¿proceso?
Sí, gracias, Jim.
Antes I hacer eso,
I justo desear a punto afuera uno herramienta
eso nosotros tenemos hecho pesado usar de en el análisis de nuestro resultados,
y desafortunadamente, nosotros no tener tiempo a ahondar en el manifestación,
pero él tiene estado entonces útil es, dentro el perfilador
a mirar en el producción aleatorio mesa para estos mezcla diseños
y a mirar en el respuestas especialmente,
nosotros frecuentemente tener potencias por lado efectos.
Nosotros tener múltiple respuestas,
que queremos balance eso afuera con el atractivo función,
y entonces eran yendo a mirar en el individual respuestas ellos mismos.
Cuando nosotros producción a aleatorio mesa, nosotros conseguir a Espacio Relleno Diseño,
básicamente no a diseño, pero nosotros llenar arriba el completo factor espacio,
y eran capaz a mirar en el marginal impacto
de cada de el factores encima el completo factor espacio.
Para ejemplo, para el ionizado lípido tipo,
qué Bueno frecuentemente ver es, nosotros poder ver eso tal vez uno tiene
a más bajo marginal comportamiento encima el completo espacio.
Pero desde eran falto a optimizar,
nosotros cuidado acerca de qué el máximo de cada de estos es,
y uno de estos voluntad claramente ser mejor o peor.
Eran mirando en el reducido modelo.
Después él encaja a ellos, Bueno ir a el perfilador y hacer este.
Nosotros poder aún conseguir el analítico óptimo de perfilador,
pero en suma a eso,
este da a nosotros más información afuera de justo eso óptimo.
Qué nosotros podría hacer aquí es para candidato corre,
porque nosotros siempre correr nuestro confirmación corre
después estos formulación y mejoramiento problemas
es nosotros podría correr el global óptimo aquí para H 102,
nosotros podría elegir afuera el condicional óptimo para H 101
y ver cual uno hace mejor en práctica.
También, mirando en el ternario parcelas,
si nosotros color aquellos por atractivo o por el respuesta,
nosotros poder ver el más o menos deseable regiones
de eso mezcla espacio,
entonces eso poder ayuda a nosotros como nosotros cualquiera aumentar el diseño
o cualquiera incluir adicional áreas en el factor espacio,
o a excluir áreas.
I no poder hacer mucho más con eso bien ahora,
pero I buscado a punto eso afuera
porque eso es a muy importante parte de nuestro análisis proceso.
Cómo hacer nosotros evaluar alguno de estos opciones
dentro este tipo de geometría de a factor ¿espacio?
Nosotros construido a simulación guion eso nosotros tener compartido en el JMP sitio web,
y él permite a nosotros a enchufar y jugar para diferente muestra tamaños en total,
cómo muchos las carreras son en el ¿diseño?
Nosotros tener a verdadero forma elección
eso da a nosotros el verdadero generando función detrás el proceso,
a diseño tipo, cualquiera espacio relleno o óptimo.
El óptimo diseño ahora es yendo a ser de a cierto mínimo tamaño
basado en el número de efectos eso eran segmentación.
Hacer nosotros tener a segundo -orden modelo, a tercero -orden modelo,
a Scheffé cúbico ¿modelo?
Qué hacer nosotros ¿tener?
Normalmente, cuando sea tú construir a modelo y costumbre diseño en JMP,
él escribe a modelo guion afuera a su mesa y entonces tú usar eso a analizar él.
Bien, algo nosotros tenemos explorado es permitiendo a más rico modelo
que qué nosotros conseguir, qué nosotros objetivo,
y son nosotros capaz a usar estos métodos con TODO
y conseguir adicional mejorado resultados,
incluso aunque nosotros no originalmente objetivo aquellos efectos en el ¿diseño?
El corto respuesta allá es Sí.
Eso es algo demás nosotros desear a considerar,
entonces nosotros permitir nosotros mismos con el eficaz elección
a incluir adicional efectos.
Nosotros poder mirar en el impacto de añadiendo réplicas o puntos centrales
y eso costumbre Conducir en estado de ebriedad diálogo a hacer cumplir aquellos.
Cómo hace eso afectar nuestro ¿respuesta?
Porque cualquier de el resúmenes eso tú conseguir afuera de el diseño
y afuera el diseño diagnósticos son comienzo segmentación el lleno modelo,
cualquiera con respeto a predicción variantes,
D-óptimo, estás mirando estándar errores para el parámetros.
Pero qué nosotros en realidad cuidado acerca de es cómo bien es el óptimo
eso eran conseguir afuera de este,
entonces eso es qué eran yendo a llevar a mirar en con estos simulaciones.
Para el mayoría parte en estos FUM mejoramiento escenarios,
a lote de veces, Bueno venir al otro lado de dos situaciones.
El científicos voluntad decir, "He consiguió acerca de 12 corre disponible,
y tal vez es no eso importante de a proceso,
o el material es muy caro,
y I justo necesidad a hacer el mejor I poder con 12 corre. Eso es qué Yo tengo consiguió."
O él podría ser algo dónde ellos tienen consiguió a presupuesto para 40 corre,
y ellos poder adaptar a lleno segundo -orden modelo
más tercero orden mezcla efectos,
y nosotros desear a intentar a caracterizar este completo factor espacio
y ver qué el respuesta superficie aspecto como encima el entero cosa.
Aquellos son el dos escenarios eran yendo a ser segmentación en nuestro simulación.
Jim, I pensar tú tenía alguno preguntas
acerca de actuación bajo diferente escenarios.
Qué era su primero pregunta ¿allá?
I hizo.
I adivinar cuando I pensar acerca de a 12- correr guión aquí,
y si I justo ir con el por defecto, Identificación conseguir a D -óptimo
y él quería ser principal efectos solo.
I reconocer I podría hacer el espacio relleno como I justo hizo,
pero mi pregunta es, si I hacer el por defecto,
cual uno de el análisis métodos quería ser ¿privilegiado?
O es allá ¿uno?
Bueno, entonces tomando a mirar en eso.
Para el D- óptimo diseño, como a general regla,
es yendo a poner casi todo de es corre a lo largo de el límite de el factor espacio
y es no yendo a tener cualquier interior corre
a menos que tú tener cuadrático términos o algo eso requiere eso.
Con a 12 -correr diseño,
Hay 90 grados de libertad requerido a adaptar todo el principal efectos aquí.
Nosotros tenemos consiguió a pocos grados de libertad para error,
pero principalmente eran solo segmentación el principal efectos aquí.
Cómo hacer el análisis métodos ¿hacer?
Es allá cualquier diferencia en el análisis ¿métodos?
Qué nosotros hacer, y todo de estos eran yendo a resumir,
nosotros espectáculo el por ciento de máximo para todo de nuestro simulaciones eso nosotros hacer,
y entonces nosotros poder ver eso distribución para cada de el análisis métodos,
todo para este 12- correr, D-óptimo diseño objetivo efectos.
Entonces nosotros también espectáculo cualquier significativo diferencias entre estos,
y eran justo usando T de estudiantes
Eran no haciendo una dos llaves ajustes, entonces mantener eso en mente
cuando sea estás mirando en estos significativo valores.
El ganador aquí es nuestro casero TODO neural acercarse
porque es no restringido a solo mirando en el principal efectos,
ellos poder permitir alguno adicional complejidad en el modelo,
y entonces él victorias aquí.
Ahora, no conseguir también entusiasmado acerca de eso porque este es acerca de el mejor
eso nosotros tenemos visto Mi red neuronal hacer está en estos pequeño ajustes.
Pero si nosotros son correr más que uno candidato óptimo yendo adelante,
entonces tal vez nosotros poder incluir a TODO neural, pero en general,
nosotros no lo haría recomendar solo pega con un TODO neural
justo porque él tiende a ser más variable, tener más pesado bajo cruz.
Qué son el otro ¿resultados?
Nosotros ver el perdedores en este solicitud
o cualquier cosa eso es haciendo el soltero disparo modelo reducción
porque todo estos efectos son significativo en el modelo,
y cualquier tiempo nosotros jalar uno de a ellos afuera, nosotros son yendo a conseguir
a subóptimo representación de nuestro proceso.
Eso es por qué en este caso el lleno modelo hace mejor que aquellos.
Pero qué interesante es el TODO lineal aproches
son capaz a en el menos fósforo eso lleno modelo actuación.
Eran no vencido cualquier cosa por usando TODO en este solicitud,
entonces eso es a lindo aspecto dónde nosotros no tener a preocuparse
acerca de el menor configuración.
Son nosotros doliendo nosotros mismos en todo por usando ¿AICC?
Ahora, algo demás nosotros intentó aquí es dado el mismo,
Tú tienes solo consiguió 12 corre.
Estás solo segmentación el fabricar
y el D-óptimo criterios en el costumbre GAMA.
Qué si nosotros permitir el adaptar modelo a considerar segundo -orden efectos
más hay mezcla efectos,
entonces cual nuestro modelo entonces era dirigido a ¿hacer?
Qué sucede, y nosotros ver este JMP aquí,
este TODO lineal métodos son capaz a utilizar eso información
y dar a nosotros mejor por ciento de máximo, conseguir óptimo candidatos,
y aquellos son nuestro ganadores aquí ahora es estos TODO lineal métodos.
Qué nosotros ver es eso Curiosamente,
el base métodos para estos TODO aproches, Vado método,
o Vado selección o el Lazo son no capaz a hacer usar de eso,
solo el TODO es, entonces eso es a lindo propiedad.
Ellos de hecho derrotar afuera Neural,
cual es lindo porque ahora estos son nativo a JMP 17
y ellos no requerir como mucho cálculo tiempo
o manual colocar arriba como en su propio.
Qué nosotros comenzar a ver aquí es el tema eso eran yendo a ver
a lo largo de el descansar de el día es eso cualquier de estos Lazo aproches
con No interceptar son yendo a dar a nosotros sub -óptimo resultados
porque sin el interceptar
y el castigo no trabajar bien en Lazo,
Así que tú de hecho desear a doblar apagado el por defecto opción de No interceptar
si estás yendo a intentar a usar TODO Lazo
o incluso justo Lazo sin un interceptar.
Bueno, entonces I adivinar él aspecto como TODO Neural hizo Bueno allá.
Pero de nuevo, eso es no nativo.
Nosotros no poder hacer eso con JMP 17 Pro, eso es no ahí dentro .
Nosotros poder, nosotros tener a tener a manual [inaudible 00:29:01] con guión.
Sí, lo es. no a manual opción.
Bueno, este es bien,
pero Soy también a admirador de el Espacio Relleno Diseño,
entonces cómo hace eso jugar afuera en términos de el análisis ¿métodos?
Para el Relleno de espacio Diseño, tú poder ver bastante que teniendo
todo el agujas a lo largo de el exterior, a lo largo de el límite,
ahora nosotros llenar arriba el interior espacio
para ambos el mezcla factores y el proceso factores,
cual a veces en práctica qué Bueno hacer es,
Bueno llevar el proceso factores
y redondo estos a el más cercano 0,25 o 0.5
o lo que granularidad obras mejor para a nosotros, pero este es qué él aspecto como.
En términos de el resultados, cómo hacer ellos ¿llevar a cabo?
Ahora qué eran yendo a hacer es comparar
el concatenación de el diseño acercarse
a lo largo de con el análisis método y ver cual estos hacer mejor.
Mirando en ahora aún permitiendo el más rico segundo y tercero -orden modelo
para el selección métodos y ver cual uno hace mejor.
Cuando nosotros mirar en el comparación,
el ganadores son el TODO Lineal aproches,
Lazo solo con el interceptar, no sin el interceptar,
y el D- óptimo.
De nuevo, detrás el escenas, tú tener a recordar,
ahora estás arrogante para este D-óptimo acercarse
eso su positivo modelo es verdadero encima el completo factor espacio
y Tú tienes consiguió constante varios encima eso factor espacio.
Si estás preocupado acerca de fracasos a lo largo de el límite,
entonces eso es algo demás a llevar en cuenta, y es no construido en este.
Tú tener a considerar eso.
Pero si tú son seguro,
tal vez Tú tienes correr este antes y estás solo haciendo menor cambios,
entonces el forma a ir es el D- óptimo con el TODO aproches.
Abajo aquí, el perdedores son el Lazo, con No interceptar.
Nosotros vamos a evitar aquellos,
y tú poder ver aquellos pesado cruz abajo aquí.
No el TODO Lazo, justo el Lazo.
De hecho Aquí está el TODO Lazo con No interceptar Aquí abajo.
Sí.
Ellos todo conseguir estos Fs, entonces ellos todo fallar.
-Convenientemente, [diálogo cruzado 00:30:48] . -Sí
Bueno.
Qué a menudo voluntad venir arriba,
si es diseñado arriba frente dónde nosotros tenemos hecho nuestro 12 corre,
y el jefe,
ella tiene alguno más preguntas y nosotros tener más corre.
Si eran yendo a hacer cinco más corre,
cómo hace eso impacto alguno de estos ¿resultados?
Cuando tú decir cinco corre, no a seguir -arriba estudiar,
pero su construir es estudiar cualquiera 12 o 17 corre
en a soltero disparo bien ahora es qué estás en vista de, ¿bien?
Sí, exactamente.
Bueno, entonces sí, nosotros poder mirar en el marginal impacto
porque Hay a costo a tú para aquellos extra cinco corre.
Qué el beneficio de aquellos cinco extra ¿corre?
Usando el diseño análisis tú podría usar,
mirar al FDS trama y su FDS más medio más bajo,
reflejando menor predicción variantes.
Fuerza es no eso útil para estos mezcla efectos diseños.
Nosotros no cuidado acerca de el parámetros.
Nosotros desear a saber, cómo Bueno quería nosotros hacer con ¿mejoramiento?
Eso es dónde el simulaciones práctico, nosotros poder llevar a mirar en eso.
Cómo hace su distribución de su por ciento de máximo cambiar
como tú ir de 12 a 17 ¿corre?
Curiosamente, Hay No beneficio para el soltero disparo 40 CPI
a teniendo 17 versus 12 corre.
Ahora, de nuevo, bien ahora eran mirando en el porcentaje de máx.
Si tú mirar en su varianza del error,
su varianza de predicción es yendo a ser menor,
y allá podría ser alguno otro [inaudible 00:32:09] ,
pero principalmente su predicción diferencia
es yendo a ser menor si tú mirar en eso.
Pero en realidad, nosotros no cuidado eso mucho acerca de predicción diferencia.
Nosotros desear a saber, dónde es eso óptimo ¿punto?
Porque después este, eran yendo a ser correr confirmación corre
y tal vez en réplicas en eso punto
a conseguir un idea de el proceso y ensayo diferencia entonces.
Pero bien ahora,
nosotros son justo intentando a explorar afuera el respuesta superficie
a encontrar nuestro óptimo formulación,
entonces con eso meta en mente, Hay No beneficio para un viaje de cuatro días CPI.
Ahora para el TODO métodos,
nosotros hacer ver allá es a significativo diferencia
y nosotros hacer conseguir a significativo mejora
en términos de nuestro promedio por ciento de máximo nosotros obtener,
y tal vez no como pesado cruz abajo aquí.
Pero ahora tú necesidad a saber es eso tú necesidad a decidir,
es eso prácticamente ¿significativo?
Tú desear a mover de 90% a 92% significar por ciento de máximo
en este primero disparo con cinco extra ¿corre?
Tú tener a hacer su marginal costo
original beneficio análisis allá como a científico
y decidir si eso es valer él.
Justo mirando en él aquí, qué I pensar podría ser útil
porque tú tener a correr confirmación corre de todos modos
es si nosotros correr el 12 -correr diseño,
tú poder entonces correr a candidato óptimos o dos
basado en el resultados nosotros conseguir,
y entonces más a pareja de adicional corre tal vez
en a alto -densidad región para qué eso aspecto bien,
o incluso aumentar afuera su factor espacio a pequeño poco,
y entonces estás aún correr a total de 17 corre,
pero ahora eran yendo a tener incluso a mejor sentido de el bien región aquí,
entonces eso es algo a considerar.
Algo demás nosotros poder ver
de correr el simulación con 17 corre es,
Vamos mirar en el actuación
de cada de el adecuado métodos dentro cada iteración,
y Hay de hecho a asombrosamente bajo correlación
entre el actuación
de estos diferente métodos dentro cada iteración.
Nosotros poder usar eso a nuestro beneficio
porque eran yendo a ser correr confirmación corre después este,
entonces bastante que justo teniendo a llevar uno método y uno confirmación punto,
uno candidato óptimo punto,
si nosotros eran a, para ejemplo, mirar en estos cuatro métodos
y entonces llevar el candidato óptimo de cada de a ellos,
entonces eran yendo a ser capaz a ir adelante con cual uno todos hace mejor.
Eran mirando en el máximo de estos.
Bastante que mirando en a significar de 92% a 94%,
ahora eran mirando en a significar de acerca de 97% con a menor cola
si nosotros considerar múltiple de estos métodos en una vez.
Bueno, muy útil.
Vamos ahora poner nuestro ojos hacia el 40 -correr diseños.
Muy bien información en términos de mi menor correr diseños.
Ahora con 40, cómo hace él jugar afuera en términos de estos análisis ¿métodos?
Son nosotros yendo a ver coherente comportamiento con qué nosotros sierra en el 12 -correr ¿diseño?
Entonces cómo acerca de el Espacio Relleno versus el óptimo diseño, ¿D-óptimo?
-Identificación ser interesado en eso. -Bueno.
Bien, primero llevar a mirar en el D-óptimo diseño, 40 corre,
y ahora eran segmentación todo de el segundo -orden efectos,
el tercero -orden efectos, mezcla efectos,
y eran segmentación todo el efectos
eso son realmente presente en nuestro generando función,
y nosotros aún ver eso eran cargado arriba en el límite de el factor espacio
con el óptimo diseño,
y entonces si nosotros eran yendo a ver ahora con el espacio relleno diseño,
eran yendo a ver ahora eran relleno arriba el interior
de el factor espacio para el mezclas
y para el otro continuo proceso factores.
Vamos ver qué el actuación diferencia es.
Primero de todo, enfocar en el relleno de espacio diseño,
cual análisis métodos hacer ¿mejor?
Y mismo como nosotros sierra en el 12 -correr ejemplo de el TODO lineal,
Vado selección con eso interceptar, Lazo con el interceptar hace el mejor.
El el peor caso tú poder hacer es acuerdo el lleno modelo,
o entonces intentando TODO o soltero disparo Lazo con No interceptar
y el D-óptimo configuración, mismo ganadores, cual es tranquilizador
porque ahora nosotros no tener a ser preocupado acerca de,
"Bien, estamos cambiando nuestro diseño tipo. Ahora nosotros consiguió a cambiar nuestro análisis tipo."
Es bien a ver este consistencia al otro lado de el ganadores de el análisis tipo.
El lleno modelo no hacer como mal aquí con el óptimo diseño, I pensar,
porque el óptimo diseño es segmentación eso modelo
y el perdedores aquí son aún el Lazo con No interceptar.
Entonces Neural es en realidad descendente detrás aquí, detrás el otro métodos.
Ahora Vamos comparar el espacio relleno a el D-óptimo diseños,
y nosotros poder en realidad ver
el más grande diferencia aquí es dentro el lleno modelo,
el espacio relleno diseños son mucho peor que el D-óptimo diseño.
En cualquier momento estás haciendo diseño diagnósticos,
eso es todo dentro el contexto de el lleno modelo.
Para su D -optimalidad criterios,
su promedio predicción diferencia, eso es todo allá.
A lote de veces cuando tú correr aquellos comparaciones,
estás yendo a ver a rígido diferencia entre aquellos
y eso es qué estás vidente aquí.
Sin embargo, en real vida,
eran yendo a ser correr a modelo reducción técnica.
Con TODO, incluso el soltero disparo métodos mejorar él.
Pero especialmente con TODO aquí,
él en realidad cierra el diferencia entre el espacio relleno y el óptimo diseño,
y nosotros ver bonito cerca a medio, y levemente más pesado cola aquí.
Pero ahora tú poder mirar en este y decir.
"Bueno. I perder a pequeño poco con espacio f enfermo diseño.
Pero si I tener cualquier preocupaciones en absoluto acerca de el límite de el factor espacio,
o si Soy un poco limitado en cómo muchos confirmación agujas I poder correr
y I desear a tener algo eso es yendo a ser no también lejos lejos
de el candidato óptimo eso Soy yendo a llevar adelante,
entonces aquellos son el beneficios de el espacio relleno diseño."
Ahora nosotros poder pesar aquellos afuera. Eran no atascado
con este drástico diferencia entre el dos.
De nuevo, eso es basado solo versus el D-óptimo diseño .
I adivinar a lote de veces en nuestro GAMA trabajar,
nosotros como a tal vez mirar en el I-optimalidad criterios
y incluso el A tiene hecho en realidad Bueno para a nosotros.
En En particular, es se extiende él. Es c medio no espacio relleno,
pero en el menos él se extiende él afuera a poco más que el D -óptimo.
Hacer nosotros tener cualquier ideas cómo aquellos I y A óptimo ¿trabajar?
Sí, nosotros poder intercambio aquellos afuera en simulaciones.
Uno cosa nosotros tenemos siempre observó,
I amar el A -óptimo diseños en el no- mezcla configuración.
Es casi mi por defecto ahora.
I en realidad como a ellos.
Pero en el mezcla configuración, cuando sea nosotros intentar a ellos,
incluso antes el simulaciones, si nosotros mirar en el diseño diagnósticos,
el A -óptimo nunca hace como Bueno como el D o el I -óptimo,
y eso osos afuera aquí en el simulaciones,
eso es el azul aquí para el óptimo, da a nosotros inferior resultados.
Regla de pulgar aquí es,
no molestar con el A-óptimo diseños para mezcla diseños.
Ahora para D versus I -óptimo, nosotros no ver cualquier...
En este solicitud para este generando función,
nosotros no ver cualquier diferencia entre a ellos.
Sin embargo, a razón a levemente preferir el D-óptimo es,
allá tiende a ser alguno convergencia asuntos para estos LNP ajustes
dónde Tú tienes consiguió a clavija encima el uno 5%
y estás intentando a objetivo a Scheffé cúbico modelo en JMP,
Así que tenemos observó a veces alguno convergencia problemas
para el I-óptimo diseños y él acepta más extenso.
El D -óptimo, si Hay no mucho de a beneficio,
entonces él parece a ser el más seguro pero a palo con el D-óptimo.
Ahora nosotros no eran capaz a prueba eso con el simulaciones
porque bien ahora en JMP,
tú no poder guion en Scheffé cúbico términos en el GAMA
a construir un óptimo diseño.
Tú tener a hacer eso a través de el Interfaz gráfica de usuario.
Nosotros no eran capaz a prueba eso, ver cómo a menudo eso sucede,
pero eso es por qué nosotros tenemos transportado adelante
D-óptimo en estos simulaciones y nosotros palo con aquellos.
Si tú desear a en su aplicaciones, tú poder intentar ambos D y I
y ver qué ellos mirar como
ambos gráficamente y con el diagnósticos,
pero el D-óptimo parece a ser amaestrado Bueno.
Bueno, I adivinar justo mantener tracción el hilo a pequeño poco más es,
a lote de veces Bueno intentar alguno tipo de a híbrido diseño .
Por qué no nosotros comenzar afuera con, decir, 25 espacio relleno corre,
y entonces aumentar eso con alguno D-óptimo criterio
a hacer seguro eso nosotros poder objetivo el específico parámetros ¿de interés?
Hace eso trabajar afuera bonito ¿Bueno?
Sí, nosotros poder simular eso y nosotros llevar a mirar.
Cualquiera nosotros tenemos consiguió...
Este es el mismo simulado función,
generando función nosotros tenemos estado mirando en para tú correr el D-óptimo,
Para que usted pueda ejecutar el espacio relleno,
o a híbrido, dónde nosotros comenzar afuera con 25 espacio relleno corre
y entonces nosotros ir a aumentar y carga en edificio 15 adicional corre segmentación
el tercero orden modelo, y qué nosotros ver es eso ahora,
nosotros tener No significativo diferencia en términos de el mejoramiento
entre el D-óptimo de 40 carreras y el híbrido diseño,
Pero en el híbrido diseño,
nosotros conseguir el beneficio de aquellos 25 carreras de llenado de espacio.
Nosotros conseguir alguno interior corre protección a adaptar adicional efectos
y protección contra fracasos a lo largo de el límite.
Es a pequeño poco más trabajar a colocar este arriba.
Bien hacer este para alto prioridad proyectos
porque solo para aquellos porque de ese extra costo y tiempo.
Pero él hace aparecer a ser a prometedor método.
Bien.
Prácticamente tú pensar acerca de dónde su óptimo es yendo a ser,
Hay a bien oportunidad él podría ser en eso interior espacio
eso es no completado en el D-óptimo a lo largo de el límites.
I adivinar justo tal vez yendo atrás,
revisando el ideas de qué si I tenía a centro punto,
qué si I tenía a punto eso I podría ¿reproducir exactamente?
De nuevo, tal vez en el 40- correr diseño,
si I tenía cinco más cosas, entonces justo cualquier otro pequeño pepitas
eso nosotros aprendió a lo largo de el forma con ¿estos?
Bien, este llega arriba a lote porque ahora libro de texto voluntad decir tú
a agregar cinco a Siete reproducir exactamente corre.
El científicos son yendo a patada tú afuera si tú intentar a hacer eso.
A lote de veces nosotros tener a hacer el argumento
a agregar incluso a soltero reproducir exactamente correr
porque él tiene ventajas afuera de el adecuado
porque ahora tú conseguir a modelo [inaudible 00:41:09]
y justo gráficamente nosotros poder usar eso como a diagnóstico,
nosotros poder mirar en eso aire diferencia relativo a el completo diferencia
de el completo experimento.
Es muy útil a tener,
y entonces es yendo a ser lindo a tener un argumento para tú a decir eso,
"Bueno, eran no doliendo su mejoramiento rutina
por incluido incluso a soltero reproducir exactamente correr."
Eso es qué nosotros ver aquí para el 40 carreras ejemplo
por forzando uno de estos a ser un reproducir exactamente dentro costumbre diseño.
Nosotros son no conseguir a significativo diferencia en todo
en términos de mejoramiento.
Es ni ración o doliendo.
Vamos ir adelante y hacer eso,
entonces eso cuando nosotros tener eso extra pedazo de información yendo adelante.
I no tener el gráficos aquí porque es aburrido.
Es el mismo cosa en este particular solicitud,
forzando uno de a ellos a ser a punto central.
Hay No diferencia.
Parte de eso podría ser en este caso, el D-óptimo diseño era donación a nosotros
a punto central o algo cerca a a punto central.
Eso podría no tener estado cambio el diseño eso mucho.
Tú podría ver a más grande diferencia
si tú ir atrás a el 12 carreras diseño hacer cumplir el punto central.
Pero eso es el ventaja de teniendo a simulación estructura construido arriba
dónde tú poder llevar a mirar en eso
y ver qué es el práctico impacto yendo a ser para incluido eso.
Bueno, ahora cómo acerca de...
I mencionado I tener este grande proyecto con lotes de restricciones.
Quería a restricción tal vez cambiar alguno de el ¿resultados?
Bien, nosotros podría probablemente incluir el restricciones
y es yendo a cambiar el permitido región dentro el...
Gráficamente, Tú eres quien yendo a ver a cambiar en su permitido región,
y nosotros poder simular eso.
De hecho, Yo tengo hecho eso.
I no tener el gráfico arriba con a mí bien ahora,
pero qué él hace es Hay no eso mucho un impacto, TODO aún lo hace bien
Uno diferencia nosotros hizo nota es eso correr este simulación
y entonces restrictivo el región un poco es eso el espacio relleno mejorado
porque es consiguió a menor espacio a llenar y no como mucho ruido espacio,
pero el D-óptimo voluntad llevar a cabo
justo como Bueno entre el dos con o sin restricción.
Eso era bonito interesante a ver.
Pero todo de este se aplica justo como Bueno con restricciones
y nada de nota en términos de diferencia para análisis métodos con el restricción,
en al menos el relativamente simple unos eso nosotros aplicado.
Bien, bueno, eran casi correr corto en tiempo aquí, Andrés,
pero I hacer tener a inquietud.
Nosotros tener a mal especificado diseño
y nosotros quería como a envoltura arriba
y dejar el amigos con a pocos llave Comida para llevar.
Aquí está un ejemplo dónde ahora este funcional forma
hace no fósforo cualquier de el efectos eran en vista de
y eran relativamente departamento en este perímetro
dónde a lote de aquellos Los diseños óptimos serán
Así que voy a ver cómo eso obras afuera.
También nota el [inaudible 00:43:52] Colesterol colocar a a coeficiente cero
y un verdadero generando función.
Ahora tomando eso verdadero función yendo a perfil es producción justo en el mesa
y tú poder ver cómo lindo él es a ser capaz a trama estos cosas
a ver el respuesta superficie usando eso producción bien en el mesa.
Aquí está en realidad su verdadero respuesta superficie, y este es su respuesta superficie,
pero qué interesante es él aspecto como Hay un espejismo aquí.
Él aspecto como Colesterol es impactante para su respuesta.
Él aspecto como él afecta su respuesta, pero en realidad el coeficiente es cero.
Pero el razón él aspecto como eso es porque de el mezcla restricción.
Eso es por qué es duro a analizar gramaticalmente afuera,
cual el individual mezcla efectos en realidad afectar su respuesta.
Eran no como preocupado acerca de eso
tal como somos de dicho, qué a bien formulación yendo ¿adelante?
En este configuración, nosotros agregar a pequeño poco de ruido, 4% CV,
cual es usado frecuentemente en el farmacéutica mundo.
En este caso, el significar eran usando es el significar en el máximo,
cual en este caso es uno,
y entonces también a mucho más extremo 40% Currículum vitae.
Este aspecto más como a sonar
y ellos son intentando a encontrar Titánico o algo.
Con un poco de suerte ninguno de su farmacéutica aplicaciones mirar como este,
pero nosotros justo desear a ver en este extremo caso cómo cosas trabajar afuera.
Qué nosotros ver es en el pequeño 12 carreras ejemplo
con relativamente pequeño proceso variación es proceso más ensayo variación
es estos base diseños fue afuera y TODO, todo lo mismo métodos,
y entonces si nosotros ir arriba a 40 carreras,
el relleno de espacio no es capaz a mantener arriba como Bueno,
pero D-óptimo voluntad en realidad hacer mejor ahora,
incluso aunque es relativamente departamento afuera allá y el tamaño dónde mayoría de el corre son,
es capaz a elegir arriba el firma de el superficie aquí.
Ahora, Aquí está el diferencia entre el lleno modelo
y entonces el relleno de espacio y El D- óptimo.
No como grande de a diferencia para el TODO métodos,
pero tú hacer aún tener a pocos cola agujas abajo aquí.
Entonces ellos son todo no amaestrado como Bueno como el TODO lineal,
incluso aunque el TODO lineal
es solo aproximando eso curvatura para eso respuesta superficie.
Si nosotros ir arriba a el súper ruidoso vista, No uno hace a en realidad bien trabajo,
pero aún su solo oportunidad esta con el espacio relleno aproches.
Pero entonces cuando nosotros ir arriba a el más grande muestra tamaño,
incluso en el rostro de todo el proceso variación, proceso ruido,
es ahora el opción era capaz a rebotar afuera encima eso ruido mejor
y es capaz a hacer mejor usar de aquellos corre que el espacio relleno.
A pareja de Consideraciones allá.
Qué su correr ¿tamaño? Cómo saturado es tu ¿modelo?
Cómo mucho proceso variación hacer tú tener relativo a su proceso significa,
va en el balance de el espacio relleno versus óptimo.
Si nosotros llevar a mirar en qué son el sincero óptimo agujas
eran conseguir afuera de el espacio relleno versus óptimo.
Soy Lo siento, para el espacio relleno,
entonces qué nosotros ver es eran en objetivo para este es ionizable y ayudante.
Eran en objetivo para todo de nuestro aproches excepto para estos último con No interceptar.
Ellos son nunca en objetivo,
ellos son siempre emprendedor tú apagado en algún lugar demás.
Tú poder ver gráficamente cómo eso falta de interceptar.
Ahora, si nosotros permitir el interceptar, Entonces estamos en objetivo.
Eso en realidad es importante a desmarcar eso No interceptar opción para lazo.
Para todo el gente eso son no usando JMP Pro
y no tener TODO,
tú podría decir, Bueno, bueno, qué su ¿simulación?
Aquí, qué es ¿mejor? AICc, versus BIC, versus Valor p.
Desafortunadamente, justo usando el número de simulaciones nosotros tenemos correr,
Hay no como coherente acercarse como allá es con TODO.
Si Tú tienes consiguió a grande número de corre, donde hay ya sea especificado
o correctamente especificado o mal especificado, el adelante o hacia atrás AICc hacer Bueno.
Lleno modelo hace peor, mientras en el menor configuración,
el lleno modelo hace mejor porque todo aquellos términos son importante.
También el Valores p aquí, también.
Ahora, tú ver, 0.01 hace el el peor, 0.01 hace el mejor en grande configuración.
No consistencia, ¿Qué valor P utilizas?
0,01, 0,05, 0,1 .
El Valor p de este vista es un sin afinar mejoramiento parámetro,
entonces tal vez mejor a evitar eso y palo con el AICc
si estás en base JMP.
Sin embargo, nosotros tener visto ahora eso
el SVE aproches para estos mejoramiento problemas
hacer dar tú casi universalmente mejor soluciones
que el soltero disparo métodos.
Tú poder conseguir mejor soluciones con JMP P ro, con TODO.
Excelente.
I adivinar nosotros desear a justo envoltura arriba.
Alguno de el llave recomendaciones aquí, Andrés.
Sí, y también, Jim, cualquier otro ¿comentarios?
Hacer tú tener cualquier otro comentarios también acerca de estos mejoramiento problemas o ¿cualquier cosa?
Interesante cosas nosotros tenemos visto ¿recientemente?
Nosotros tener, eran arriba contra tiempo para seguro, pero nosotros tenemos hecho alguno bonito asombroso cosas
eso nosotros tenemos venir arriba con nuevo diseñado maderas
eso es mejor que es alguna vez estado
y propulsores eso son teniendo físico propiedades
y actuación eso nosotros no lo han hecho visto antes.
Nosotros tener tomado a paso,
a salto en términos de alguno de el capacidades
eso nosotros tenemos visto en nuestro mezcla modelo.
Poder nosotros resumir con el destacado bala abajo allá,
eso TODO parece a ser nuestro forma a ir,
y si tú solo tenía uno tal vez TODO adelante selección,
tú lo harás ser cubierto bonito Bueno.
Sí, eso es bien, porque Soy siempre asustado.
Incluso aunque el último lazo a veces él aspecto menos con interceptar,
a veces él aspecto levemente mejor.
I no saber si es tal vez uno o dos casos eran de modo significativo mejor,
pero siempre cuello y cuello con adelante selección,
pero Soy siempre asustado eso Soy yendo a olvidar a doblar apagado No interceptar
y entonces dar mí mismo algo eso es peor que haciendo
o como malo como haciendo el lleno modelo.
Soy siempre asustado de haciendo eso.
TODO adelante selección con de falla configuración parece como a bien seguro forma a ir.
Perfecto.
Bien, con eso, nosotros pararse listo a llevar su preguntas.
