谢谢 为了 给予 我们 这 机会 到 讲话 关于 如何 我们 使用 跳转 在 制药 过程 验证 和 连续的 过程 确认。 我的 同事， 路易斯 和 I 将要 给 你 a 指导 到 这 背景 的 它， 如何 我们 做 它， 和 什么 是 这 结果。
这 议程 是 那 第一的 我们 将要 描述 这 背景 和 这 概念。 自从 它是 验证， 我们 必须 证明合法 这 假设 我们 有 在后面 我们的 模型， 所以 理智 查看 是 重要的。 然后 I 将要 去 在 到 讲话 关于 这 特别的 方法 我们 是 使用 和 哪个 公式 我们 有 到 制作 为了 事物 那 是 不是 那里 在 跳转 预付。
然后 路易斯 将要 拿 超过 和 展示 如何 这 跳转 脚本 是 正在做 它 到 自动化 这 计算 和 实施 什么 是 丢失的 在 跳转。 最后， 我们 将要 制作 一些 结论 和 希望 那里 将要 还 是 时间 为了 问题。
现在 到 这 背景 和 这 概念 我们 是 在职的 和。 路易斯 和 I 来 从 a 公司 称为 四、 和 我们 做 咨询 之内 这 制药 行业， 和 我们 是 跳转 合作伙伴， 所以 我们 帮助 我们的 客户 得到 价值 出去 的 这 数据， 的 课程， 使用 跳转。
一个大 问题 之内 这 制药 行业 是 过程 验证 什么时候 他们是 去 到 发射 a 新的 产品。T 传统上 为了 许多， 许多 年， 它 有 到过 完毕 经过 制作 三 批次。 I f 他们 是 好的， 这 验证 曾是 已通过。
但 这 是 不是 真的 预测 这 未来， 这 是 预测 这 过去的。 所以，哦 f 课程， 你 能 制作 三 批次 那 是 好的， 和 然后 这 问题 能 出现 之后 在。 到 补偿 为了 那， 那， 这 行业 有 传统上 有 一个 广泛的 和 从而 昂贵 质量控制 检查 在 每一个 批 到 确保 它 曾是 好的。
然而， 如果 我们 可以 证明 那 全部 未来 批次 会 是 好的， 然后 我们 可以 减少 这 质量控制 成本 沉重地。 但 如何 做 我们 预测 那 这 未来 批次 将要 是 好的 和 信心？ 是的， 我们 可以 使用 预言 间隔 或者 个人 信心 级别， 作为 I 称呼 在 跳转， 在 至少 在 一些 菜单。
如果 我们 放 批 作为 a 随机的 因素， 然后 这 验证 批次 我们 是 寻找 在 将要 是 见过 作为 a 随机的 采样 的 全部 未来 批次。 T 特此， 我们 能 预测 如何 未来 批次 是 去 到 是。 如果 这 预言 是 里面 规格， 我们 有 实际上 已证实 那 全部 未来 批次 将要 是 好的 给定 那 我们 能 维持 这 验证器 状态 力量。
然而， 这 可能 拿 更多的 比 三 批次， 但 做 他们 全部 有 到 是 在 状态 二， 作为 我们 展示 在 这 图形？ 或许 不是。 我们 实际上 应该 只是 仍然 制作 三 批次 在 你的 第一的 过程 的 验证。 如果 它是 不是 足够的， 然后 制作 这 休息 在 哪个 我们 称呼 直的 三 一个， 哪个 是 后 商业化， 因为 然后 你 能 只是 卖 他们 一 经过 一。 它是 不是 a 大的 问题 那 你 有 到 制作 更多的。
然而， 这 需要 二 事物 到 是 已实现。 这 第一的 是 那 我们 仍然 有 这 广泛的 质量控制 测试 那 我们 能 寻找 出去 如果 你的 批 是 坏的 因为 我们 是 不是 然而 工具化， 它 将要 不是 发生。 A 另外， 的 课程， 它 需要 那 这 估计的 表现 是 好的。 如何 能 我们 看 如果 这 估计的 表现 是 好的？ 我们 能 做 那 经过 看到 如果 控制 限制 是 里面 这 规格。
然后 我们 能 去 在 这 市场 和 之后 在， 什么时候 还 预言 限制 是 在 这样的 规格， 然后 我们 能 实际上 消除 或者 在 至少 减少 这 质量控制 检查。 我们 可能 是 去 从 监控 这 产品 直到 监控 这 过程。
什么 是 它 全部 关于？ 验证 是 关于 预测 这 表格 的 未来 批次 和 信心， 不是 只是 预测 这 过去的。 如何 能 我们 做 那？ 我们 能 做 那 经过 使用 预言 或者 12 个间隔 在 跳转。 如何 许多 批次 将要 我们 建议 到 制作 在 阶段 二？ 我们 仍然 建议 三， 但 你 可能 不是 是 完毕。
如何 能 你 然后 经过 阶段 二 和 很少 批次 所以 我们 能 去 在 到 这 市场？ 也就是说， 作为 I 说 前， 看 在 控制 间隔 因为 他们 是 没有 信心。 你是 不是 受到惩罚 经过 仅有的 拥有 三 批次。 T 母鸡 之后 在， 看 在 预言 或者 12 间隔。
如果 控制 间隔 是 里面 规格， 预言 间隔 是 不是。 这 最问题 的 这 原因 为了 那 是 缺少 的 数据。 这 不应该 是 限制 你 到 去 到 这 市场。
然后 如何 许多 批次 到 制作 在 阶段 3A？ 那是 相当 简单的。 简单地 直到 你的 预言 限制 是 里面 规格， 然后 你 有 已通过 你的 阶段 3 一个。 这些 限制 你 能 还 使用 作为 预言 限制 后 阶段 3 A 什么时候 你 去 进入 阶段 3B.
我们 能 还 看 它 在 这 流动 图表 在哪里 你 在 上 左边 角落， 开始 和 分析 你的 验证 个， 通常 树。 然后 你 计算 你的 预言 限制 在 跳转 作为 a 随机的 因素。 如果 他们 是 里面 规格 限制， 一切 是 美好的。 你 有 已通过 两个都 阶段 2 和 3 A 和 一切 是 美好的。
如果 它 转弯 出去 那 预言 限制 是 也 宽的 比较的 到 这 规格 限制， I 会， 作为 a 下一个 事物 l 还 在 我的 控制 限制 哪个 是 没有 信心。 如果 他们 是 里面， 然后 我们 只是 需要 更多的 数据 和 我们 将要 收集 更多的 数据 和 我们 计算 和 a 观点 的 时间 我们 将要 去 出去 这里 和 有 已通过 还 严格的 面對。
的 课程， 如果 它 发生 那 甚至 控制 限制 是 外部 规格， 然后 实际上 这 估计的 价值 是 坏的 和 你 是 不是 真的 准备好 为了 验证 和 你 有 失败的。 希望如此， 这 是 不是 去 到 发生。
让我们 去 在 到 这 理智 查看。 现在 I 将要 去 进入 进入 跳转。 I 将要 尝试 到 证明 如何 它 作品。 这里 你 看 a 跳转 桌子 哪个 我们 有 制成， 或者 不是 我们 有 制成， 它 实际上 来 从 ISPE， 国际的 社会 的 药物流行病学， WHO 放 我们 这 数据 放 作为 a 好的 例子 在 如何 a 验证 放 应该 看 喜欢。 许多 公司 或者 咨询 有 尝试过 到 计算 在 那 和 看 如何 会 他们 总结。
它是 基本上 a 数据 放 从 药片 制造业， 和 经典地 它 包含 这些 三 批次 一个， B 和 C. 然后 我们 是 服用 出去 粉末 在 15 地点 在 这 混合器， 和 然后 我们 是 测量 这 API 内容， 那是 这 力量 的 这 实际的 [听不清 00:06:52] 成分， 哪个 会 是 之间 85 和 115 到 是 里面 规格。
如果 你 看 在 这 变异性 图表 的 这 数据， 你 能 看 这里 我们 有 这 三 批次 一个， B 和 C, 和 我们 还 有 这 15 地点 在 每个 批。 然后 之内 每个 批 地点 组合， 我们 有 四 测量。
这 第一的 你 能 看 是 那 这 之内 地点 变化 在 批 B 是 有些 大 比 在 批 A 和 C. 我们 做 不是 有 不是 tch异质性。 到 制作 那 更多的 客观的， 你 能 放 S 控制 限制 在 你的 标准 偏差 图表 和 你 能 看 那 你 是 出去 的 控制 在 批 B.
其他 方式 的 看到 它 会 是 到 制作 a 异质性 的 方差 测试 作为 你是 看到 向下 这里。 然后 它是 还 非常 清除 那 有 更多的 之内 或者 在 地点 变化 在 批 B 比 在 这 其他 个。
严格来说， 你 不能 水池 这些 差异 然而 你 能， 但 我们 需要 然后 到 做 加权 回归 在哪里 我们 称重 和 逆 方差。 那是 这 下一个 步 我们 将要 做， 去 进入 日志 方差 造型， 哪个 你 能 做 在 跳转。
我们 有 简单地 这里 只是 制成 a 日志 方差 模型 在哪里 你 能 看 那 这 地点， 这 批， 这 相互作用 全部 有 a 重要的 影响 在 这 等级， 但 仅有的 这 批 有 a 重要的 影响 在 这 方差。 作为 你 能 看 那 这 方差 为了 批 B 是 有些 大 比 之内 方差 在 批 A 和 C.
什么时候 你 有 建造 这 模型， 你 能 从 向上 这里 只是 节省 这 列 和 你 能 节省 你的 方差 公式。 我已经 已经 完毕 那。 它是 已经 在 我的 数据 放。 如果 I 取消隐藏 这里， 这里 你 能 看 我的 方差 柱子 从 我的 日志 方差 模型。 你 有 a 公式 这里 说， 什么 是 它 在 团体 A 和 C 为了 批 A 和 C, 和 什么 是 它 为了 批 B？ 基于 在 那， I 能 现在 制作 加权 回归 在哪里 I 简单地 只是 制作 a 重量 柱子 在哪里 I 重量 我的 回归 经典地 和 逆 方差。
然后 我是 准备好 为了 制作 a 理智 查看 在 我的 数据 因为 现在 I 能 水池 这 差异 后 加权 回归， 所以 I 能 开始 正在做 理智 查看 在 我的 数据。 这 第一的 事物 I 会 做 是 到 看 在 a 系统性 模型 在哪里 I 有 我的 地点， 批次， 和 这 相互作用。 母鸡 I 能 看 在 我的 [听不清 00:09:28] 类型 残差 阴谋， I 有 不 异常值 和 不法之徒 , 但 它 是 里面。
I 能 还 看 在 我的 盒子 阴谋 转型， 有 不 需要 到 转换 我的 数据。 这里 它是 合理的 到 认为 那 I 有 这些 普通的 分布式 残差， 哪个 是 这 假设 在后面 a 固定的 至少 正方形 模型。
然后 下一个 步 是 到 放 批次 作为 a 随机的 因素， 不是 只是 a 系统性 因素， 因为 I 会 喜欢 到 预测 未来 批次。 这 是 什么 I 有 完毕 这里。 T 母鸡 突然 你 得到 这些 方差 成分。 什么 是 这 之间 批 变化？ 什么 是 这 批 地点 变化？ W 有 是 这 残差 意思是 之内 批 之内 地点 变化？
自从， 的 课程， I 有 加权 它 和 逆 方差， 这 数字， 的 课程， 获取 关闭 到 一。 然而， 在 这 模型， 那里 是 还 一些 额外的 假设， 即 那 这 批 影响 和 这 批 地点 影响 是 随机 分布式， 意义 那 这些 随机的 影响 预测 向上 这里 应该 跟随 a 普通的 分配。
到 测试 那， 你 能 只是 放 他们 进入 a 桌子， 哪个 我已经 完毕 这里， 和 我们 能 测试 这 循环 只是 制作 一个 空的 模型 在哪里 你 放 他们 作为 a 回复。 你 能 看 两个都 这 批 信号 或者 这 批 差异 和 这 相互作用 差异 全部 是 里面 这 残差 限制。 还 这里 我们 能 证明合法 这 假设 那 这些 是 只是 随机的 因素。 这 是 这 理智 查看 的 这 模型。
现在 到 制作 模型 为了 批 A 和 批 C, 我们 需要 到 规模 他们 不同。 那是 什么 I 有 完毕 在 这些 列 超过 这里。 如果 I 取消隐藏 我的 列 这里， 你 能 看 I 制成 一个 交流电 规模 重量 在哪里 I 简单地 只是 乘以 我的 重量 因素 和 这 缩放。 所以 I 得到 这 变化 I 有 见过 为了 批次 A 和 C, 和 这 相同的 事物 为了 我的批次 B. I 能 规模 这 重量 和 这 方差 I 会 喜欢 到 有 作为 a 残差 方差， 哪个 是 只是 未来 从 我的 堵塞 方差 造型。 那是 还 漂亮的 直截了当 到 做。
N 哎哟 I 能 实际上 有 我的 二 模型 从 在哪里 I 能 预测。 一 在哪里 I 规模 和 我的 交流电 规模 重量 和 一 在哪里 I 规模 和 我的 B 规模 重量。 从而 I 能 看， 如果 I 只是 跑步 一 的 他们， 一 规模 和 这 交流电 规模 重量， 然后 你 能 看 那 你 有 这 模型， 你 有 这些 残差， 你 有 这些 平衡 成分。
什么 是 非常 简单的 在 跳转 是 只是 到 去 向上 这里 和 你 能 去 和 你 能 节省 你的 列。 F 只读存储器 向上 这里， 你 能 实际上 节省 这 预言 公式 那 会 是 你的 中心 线。 但 你 能 还 节省 你的 预言 间隔 那 这里 是 称为 个人 信心 间隔。
I 有 完毕 那 两个都 为了 这 模型 和 还 为了 这 其他 模型。 I 还 想 这 其他 模型 和 这 不同的 缩放 为了 批 B. T 母鸡 I 节省 这些 列 作为 个人 信心 间隔。 然后 他们 是 只是 已保存 向下 这里 作为 这些 预言 公式。 然后 I 能 制作 a 合并 一 经过 只是 结合 这些 取决于 在 哪个 批 团体 事物 是 未来 从。 现在 I 有 限制 为了 两个都 批 一个， B 和 C, 哪个 I 能 阴谋 在 这 相同的 图形。
这 是 直的 超过 到 做。 直到 现在， I 只是 用过的 我是什么 内部 跳转。 但 到 得到 这 控制 限制 和 到 得到 这 宽容 限制， I 需要 到 计算 他们 我， 因为在 跳转， 你 不 有 宽容 限制， 你 不 有 控制 限制 在 拟合模型。
的 课程， 你 有 控制 限制 什么时候 你 做 控制 图表， 但 那是 还 仅有的 为了 一 意思是 和 一 标准 偏差。 的 课程， 你 还 有 宽容 限制 在 分析 分配。 但 再次， 那是 仅有的 为了 一 意思是 和 一 标准 偏差。
这里 我们 有 到 计算 他们 我们自己。 这 第一的 事物 我们 然后 做 是 只是 得到 这 方差 成分。 这 是 什么 我们 有 这里。 W e 只是 已保存 这 方差 成分 从 这 二 模型， 一 在哪里 我们 缩放 到 批 A 和 C, 和 一 在哪里 我们 规模 到 批 B.
因为 什么时候 我们 有 这 方差 成分， 它是 漂亮的 直截了当 到 计算 这 控制 限制 因为 它是 基本上 只是 这 预言 公式 减 a 普通的 分位数， 和 然后 这 正方形 根 的 这 全部的 方差， 和 然后 任何一个 方差 A 和 C 或者 B, 取决于 在 我们是什么 寻找 在。 I 的 实际上 漂亮的 直截了当 到 计算 这 控制 限制 那 方式。
这 相同的 我们 能 做 为了 这 宽容 限制。 如果 你 更喜欢 宽容 限制 反而 的 预言 限制， 许多 公司 做。 再次， 很遗憾， 他们 是 不是 在 跳转 模型， 但 我们 能 计算 他们。 那里 我们 简单地 只是 放 在 这 古典 公式 为了 a 宽容 限制。 在哪里 一 双面， 我们 放 在 这 T 分位数， 我们 放 在 这 度 的 自由， 我们 放 在 这 普通的 分位数， 和 作为 前， 的 这 部分， 和 然后 我们 乘 经过 这 全部的 余额 从 这 方差 成分。
这 仅有的 小的 少量 技巧 事物 这里 是 那 我们 需要 这 度 的 自由 在下面 全部的 方差。 跳转 是 不是 真的 给予 你 那。 它是 仅有的 给予 你 度 的 自由 在 系统性 模型。 但 我们 能 看 基于 在 这 宽度 的 这 预言 间隔， 那是 什么 我们 有 这里。 然后 我们 能 实际上 计算 基于 在 这 宽度 的 这 预言 间隔， 如何 许多 度 的 自由 做 我们 有 那里， 和 然后 我们 只是 申请 这 相同的 度 的 自由 在 这 宽容 限制 和 然后 我们 是 准备好 到 去 和 我们 能 节省 全部 的 这些 限制 向下 这里。 如果 我们 想， 我们 能 阴谋 他们。 这 是 什么 我们 有 完毕 这里。
这里 你 能 看 实际上 这 预言 限制 和 这 宽容 限制 和 这 控制 限制。 这 控制 限制 是 这 虚线 线， 这 预言 限制 是 这 满的 线， 和 这 粗糙的 虚线 线 是 这 宽容 限制。 你 看 那 为了 这 15 不同的 地点 和 为了 这 三 批次 一个， B 和 C和 的 课程， 限制 是 更宽 为了 批 B 因为 它 有 更多的 之内 地点 差异。
你 能 实际上 看 那 甚至 这 控制 限制 在 这 虚线 线 是 外部 为了 地点 1 和 2 和 实际上 还 四。 甚至 尽管 这 过程， 这 是 a 好的 例子 的 a 验证， I 会 说， 出色地， 如果 批 B 是 代表， 你 有 实际上 失败的 这 验证。
如果 你 看 在 A 和 C, 然后 全部 这 虚线 线 是 里面， 意义 那 我们 有 已通过 阶段 二 因为 这 估计 价值 是 美好的。 但 在 a 很少 的 他们， 你 能 看 那 这 预言 限制 是 只是 外部。 但 什么时候 你 有 这 大的 差距 之间 控制 限制 和 预言 限制， 只是 一 批 更多的 会 大概 制作 他们 里面。 这 是 如何 它 作品。
一些 公司 他们 做 不是 思考 它是 足够的 到 看 在 如果 这 限制 是 里面 规格。 他们 会 实际上 喜欢 到 得到 a ppk 能力 指数 在 他们。 我们 还 放 那 一 进入 我们的 方法 这里。 如果 你 看 在 这 公式 这里， 你 能 看 在哪里 我们 有 这 预言 限制， 那是 还 放 在 a ppk 公式。
基本上 什么 我们 做， 我们 只是 拿 这 预言 公式， 这 进入 这 规格 限制， 和 和 分裂 经过 这 一半 宽度 的 这 预言 限制。 这 是 这 ppk 那 对应 到 这 预言 限制。 因为 他们 是 和 信心， 这 是 实际上 ppk 和 信心。
你 能 做 确切地 这 相同的 和 你的 控制 限制。 只是 拿 这 古典 ppk 公式 和 只是 放 在 控制 限制 反而 的 预言 限制。 B 因为 控制 限制 是 只是 估计的 价值观， 这 是 ppk 没有 信心。 的 课程， 你 能 做 确切地 这 相同的 事物 还 为了 这 宽容 限制， 哪个 我们 有 向下 这里， a ppk 基于 在 这 宽容 限制。 你 能 还 计算 全部 的 这些。 如果 你 想， 的 课程， 你 能 阴谋 他们 在 a 图形 作为 你 看 这里。
向上 这里， 我们 有 估计的 ppk 没有 信心， 那是 这 红色的 一。 T 母鸡 我们 有 这 蓝色的 一 那 是 基于 在 宽容 限制 和 这 绿色的 一 那 是 基于 在 预言 限制。 向上 这里， 它是 为了 这 好的 团体 A 和 C 和 指示 变化。 向下 这里 如何 它 是 与批次 B，是 a 大 一。
你 能 实际上 看， 作为 我们 锯 和 这 限制 为了 批 B 变化， 甚至 这 估计的 价值 有 a ppk 以下 一 为了 一， 二， 和 四 职位。 尽管 全部 这 估计的 价值 是 很好 关于 一 为了 A 和 C. A 伊索 这 ppk 基于 在 预言， 这 绿色的 一， 最多 的 他们 是 关于 一， 和 他们是 非常 关闭 到 一 在 地点 一 和 二。 这 会 只是 要求 一 额外的 批 大概， 和 然后 他们 会 是 里面。
然而， 作为 你会 大概 看 它是 a 少量 乏味 到 做 全部 这些 计算 经过 手。 这 是 为什么 我们 有 制成 a 脚本 为了 它， 哪个 路易斯 是 现在 去 到 证明。 I 应该 只是 路易斯 拿 超过 现在 和 节目 如何 这 脚本 作品。 我是 当然 他 将要 还 制作 a 很少 更多的 例子。
是的， 皮埃尔， 感谢 你 非常 很多。 I 将要 只是 尝试 到 分享 我的 屏幕 这里 然后。 是的。 第一的 事物 第一的， 作为 皮埃尔 有 显示 我们， 我们 脸 a 很多 的 问题 期间 这 特别的 验证。 幸运的是 为了 我们， 跳转 有 a 很多 的 直的 向上 盒子 功能 到 帮助 我们 交易 和 这些 问题。 我们 真的 喜欢 到 使用 这 功能 未来 出去 的 这 盒子 和 跳转 因为 这 真的 减少 我们的 验证 负担 什么时候 去 向前。
一些 的 这 事物 跳转 有 已解决 为了 我们 是， 为了 例子， 这 问题 那 我们 是 在职的 和 复杂的 流程 和 这些 不能 是 描述 经过 只是 一 意思是 和 一 标准 偏差。 这里 到 交易 和 这， 是 利用 这 拟合模型 平台 在 跳转 在哪里 我们 能 有 多种的 系统性 因素 到 处理 这 许多 方法， 和 我们 能 还 有 多种的 随机的 因素 到 交易 和 许多 方差 成分。
然后 有 这 问题 和 数据 经常 需要 一些 数据 转型。 再次， 跳转 有 这 博克斯-考克斯 转型 窗户 我们 使用 到 交易 和 这 直接地 在 这 拟合模型 平台。 然后 我们 通常 看 a 很多 的 异常值 我们 有 到 处理 在 大 数据 套。 H 还 我们 再次 杠杆作用 这 拟合模型 平台， 更多的 具体来说 这 学生 尺寸 残差 阴谋 在哪里 我们 排除 异常值 基于 在 这 邦费罗尼 限制。
这里 它是 只是 重要的 到 笔记 那 在 至少 我们的 概念 是 那 我们 喜欢 到 排除 这 实际的 模型， 但 我们 总是 报告 他们 分别地。 它 有 到 是 视觉的 那 这些 是 不是 包括 在 这 分析。
然后 那里 是 这 缺少 的 同质性 的 方差， 哪个 皮埃尔 还 显示 如何 到 交易 和 使用 这 日志 方差 造型 到 得到 出去 这 变化 和 然后 使用 这 方差 到 计算 a 重量 公式。
然后 再次， 那里 是 这 预言 间隔 哪个 我们 使用 相当 a 很多 这里。 这里 作为 出色地 跳转 是 准备好 到 去 和 个人 信心 间隔 直接地 在 这 拟合模型 平台。
但 然后 作为 皮埃尔 还 提及， 我们 毛毡 喜欢 那里 是 一些 部分 在哪里 跳转 可以 不是 带来 我们 全部 这 方式 家。 这 包括， 为了 例子， 受控 间隔 在 跳转， 哪个 能 仅有的 处理 这 一 意思是 和 一 方差 成分。
如何 我们 克服 这 是 那 我们 计算 受控 间隔 从 这 拟合模型 使用 这 预言 公式 和 标准 错误 在 预言 公式 和 残差 到 计算 这 全部的 方差， 和 从 这里， 这 控制 间隔。
然后 那里 是 这 事实 那 宽容 间隔 是 首选 经过 许多 的 我们的 顾客 因为 这 允许 你 到 分别地 放 这 信心 和 覆盖范围。 然而， 我们 仅有的 成立 那 跳转 能 做 宽容 间隔 在 这 分配 平台， 和 它 能 仅有的 处理 一 意思是 和 一 方差 成分 再次。
的 课程， 在 这 脚本 内置 插件 那 它 能 计算 这 宽容 间隔 相似的 到 这 控制 间隔。 W 母鸡 我们 做 这 计算 的 这 宽容 间隔， 我们 使用 这 相同的 度 的 自由 作为 用过的 什么时候 跳转 计算 它是 预言 间隔。
然后 或许 这 基本的 原因 为了 正在做 这 脚本， 或者 这 最初的 原因 在 至少， 是 那 计算 和 可视化 的 全部 这些 间隔 是 非常 时间 消费 和 非常 易于 到 人类 错误。 实际上， 我们 决定 到 制作 这 脚本 到 自动化 计算 和 可视化。
然后 最后， 许多 的 我们的 顾客 要求 能力 和 透析 这样的 作为 人均。 我们 有， 的 课程， 还 包括 这 在 我们的 脚本 这样的 那 它 计算 ppk 相应的 到 两个都 预言 限制， 什么 我们 称呼 ppk 和 信心， 和 还 控制 限制， 什么 我们 称呼 ppk 没有 信心。
到 讲话 关于 这 脚本 a 小的 少量， 这 脚本 我们 有 设计 这里 包括 的 二 部分。 我们 主要 有 这 跳转 脚本 你 看 这里 在 这 中间， 和 然后 我们 还 有 a 模板 文档， 作为 你 看 向上 这里 在 这 上 左边 角落。
什么时候 制作 这 脚本， 那里 是 a 很少 事物 我们 真的 通缉 到 达到。 我们 通缉 到 制作 它 真的 透明的， 意义 那 我们的 顾客 可以 去 在 和 看 在下面 这 兜帽， 所以 到 说， 和 跟随 这 计算 的 这些 不同的 限制 和 潜在 甚至 编辑 他们 他们自己， 哪个 需要 我们 到 这 下一个 事物。
我们 通缉 这 到 是， 在 至少 到 一些 程度， 可定制 经过 我们的 顾客。 如果 他们 不 喜欢 这 方式 我们 计算 峰峰值， 我们 会 喜欢 到 给 他们 这 选项 到 去 在 和 编辑 这 方程式。
这 模板 文档 在 本身 是 事实上，可以这么说， 一个 空的 数据 桌子。 它 有 a 很多 的 定义 列 和 柱子 公式， 但 它 有 不 行 在 那里 然而。 什么 我们的 脚本 做， 本质上， 是 那 它 作品 从 这 模板 文档 作为 一个 输入。 它 还 需要 这 原来的 数据 文件 在 哪个 你 根据 你的 分析 作为 一个 输入， 和 然后 它 需要 这 模型 窗户。
这里 它 是 到 是 说 那 这 模型 窗户 是 假定 到 是 a 完全的 模型。 所以 你 有 完毕 全部 这 全部 你的 数据 操纵， 确保 那 这 是 a 恰当的 回复 你 得到 从 这 模型。A 伊索 你 有 制成 这些 理智 检查 和 合理的 这 假设 在后面 这 模型 确保 它是 有效的。
什么 这 脚本 做 本身 是 那 它 需要 这 模板 文档， 它 需要 这 原来的 数据 文件， 和 然后 它 副本 这 数据 从 这 原来的 数据 文件 到 这 模板 文档。 我们 完毕 这 这样的 那 我们 不 干扰 和 我们的 顾客 原来的 数据 任何一个。
它 然后 还 需要 全部 这 相关的 参数 从 这 模型 窗户 和 插入 它 进入 这 模板 文档。 F 只读存储器 那里 在， 更多的 或者 较少的， 这 模板 文档 将要 充满 出去 本身 通过 这 已经 定义 公式 在 这 列。
这 模板 文档 将要 然后 在 这 结尾 是 已转换 到 一个 输出 桌子 在哪里 这 第一的 许多 列 会 看 非常 很多 喜欢 这 原来的 数据 文件， 和 然后 你 将要 有 这 其余的 计算 和 输入 价值观 作为 额外的 列 更远 在。
I 思考 我们 应该 去 到 一个 例子 和 看 如何 这 看起来 在 真实的 生活。 I 将要 只是 尝试 到 停止 分享 这 屏幕 和 分享 这 一。 什么 我们 有 这里 是 在 事实， 这 相同的 内酯类 案件 作为 [听不清 00:25:20] 这里。 什么 你 会 做 是 你 会 有 你的 数据， 你 将要 跑步 a 模型。 在 这 案件， I 跑步 这 模型 在哪里 同行 规模 它 到 对应 到 这 变化 在 批 A 和 C, 这 批次 和 这 降低 变化。
什么 你 简单地 做 是 那 你 有 你的 模型， 确保 它是 完毕 在 感觉 的 理智 检查 和 所以 向前。 然后 我们 跑步 这 脚本 在 这 模型， 哪个 是 这里。 我们 有 这 模型 和 我们 跑步 这 脚本。
出色地 看 a 很少 事物 流行音乐 向上 这里。 第一的， 我们 有 模板 文档， 输出 文档 哪个 有 现在 到过 人口稠密 和 a 很多 的 不同的 行， 一些 桌子 变量， 和 所以 向前。 我们 有 我们的 ppk 图形 这里 可视化 这 ppk 基于 在 不同的 限制。 这 蓝色的 存在 基于 在 控制 限制， 这 红色的 存在 基于 在 预言 限制， 和 这 绿色的 一 存在 基于 在 宽容 限制。 然后 最后， 我们 有 我们的 图形 这里 密谋 全部 这 数据， 规格 线条， 和 作为 出色地 我们的 预言 限制， 控制 限制， 和 宽容 限制 这里。
我们 得到 这 图像 那 皮埃尔 还 显示 更早。 什么 我们 看 这里 是， 在 事实， 那 如果 我们 看 在 我们的 数据 和 认为 全部 批次 各不相同 作为 很多 作为 批 A 和 C, 我们 是 实际上 在 一个 好的 位置 这里。 在 至少 我们 会 有 已通过 我们的 阶段 二 因为 控制 限制 是 为了 全部 批次， 全部 地点 之内 规格。
我们 做， 然而， 有 a 小的 问题 出去 这里 在 这 地点 1 和 2、 在哪里 我们 看 在 至少 这 预言 的 宽容 限制 延伸 a 少量 超过 这 上 规格 限制。 然而， 我们 相信 这 可以 是 固定的 经过 只是 添加 a 很少 更多的 批次 到 知道 这 变化 更好的。
但 什么 我们 还 看 这里 是， 的 课程， 我们 有 一个 观察 外部 我们的 限制， 和 这 是 因为 什么 是 寻找 在 这里 是 在 事实 批 B, 哪个 作为 我们 记住， 有 a 更高 方差。 I 会 只是 尝试 到 跑步 这 模型 这里， 规模 根据 到 批 B, 所以 你 能 看 这 不同之处。
现在 什么 我们 看 这里 是 那 全部 我们的 限制 有 已移动 出去 从 这 意思是。 现在 他们是 实际上 去 超过 规格， 不是 仅有的 在 这 第一的 二 地点， 但 在 多种的 地点 这里， 哪个 会， 在 本质， 为了 我们， 尤其 因为 你 有 这 控制 他们 作为 外部 规格， 意思是 那 你 有 失败的 你的 验证 这里。 或许 不是 这 最好的 例子 为了 这 数据 放 到 展示 a 好的 验证。
现在 I 想法 I 会 只是 尝试 到 去 通过 如何 我们 设想 这 全部的 过程 相关 更多的 到 这 流程图， 皮埃尔， 显示 你 在 这 开始 的 这 推介会。 I 有 带来 a 顾客 例子 从 一个 实际的 PPQ 验证 跑步。 他们 结束 向上 生产 a 全部的 的 六 批次 这里。
什么 我们 有 完毕 这里 是 那 我们 有 制成 a 模型。 I 将要 只是 部署 当地的 数据 筛选 到 模拟 在哪里 它 开始， 拥有 仅有的 这些 三 批次。 然后 什么 我们 有 这里 是 只是， 所以 到 说， 我们的 完成的 模型。 什么 我们 做 现在， 后 拥有 制作 这 第一的 批次， 分析 这 数据， 我们 只是 跑步 这 脚本。 我们 得到 a 结果 寻找 喜欢 这。
这 设想 我们 看 这里 是 那 两个都 我们的 控制 限制 和 预言 限制， 这 预言 限制 向上 这里， 宽容 限制 这里， 是 两个都 非常 很多 外部 这 规格。 然而， 幸运的 足够的 为了 我们， 我们的 控制 限制 是 实际上 里面 规格。
这 方法 在 这 感觉 的 这 流程图 那 我们 现在 有 已通过 阶段 2 和 我们 能 实际上 开始 从 现在 在 到 什么时候 我们 做 我们的 持续 验证， 得到 我们的 控制 预言 限制 和 宽容 限制 里面 规格， 那 我们 实际上 能 开始 发送 批次 到 市场 同时地。
但 熊 在 头脑 这里， 我们 仍然 有 a 漂亮的 高的 质量控制 努力 在 这 结尾。 这 原因 我们 相信 那， 因为 许多 顾客 还 问， 如何 能 我们 做 这 如果 我们 是 所以 不确定 关于 这 批次 我们 生产？ 但 如果 你 想 到 知道 这 质量 的 你的 已经 制作 批次， 我们 实际上 有 到 看 在 这 在 a 不同的 方式。
这里 在 这 模型， 我们 有 批 作为 a 随机的 影响 因为 作为 我们 考虑 它 作为 a 部分 的 a 更大 人口。 但 如果 我们 想 到 看 在 这 批 个别地， 我们 实际上 有 到 放 它 作为 a 系统性 影响 在 这里。 如果 I 跑步 这 脚本 在 这 一， 我们 将要 看 这 限制 缩小 显著地 在 这里。 I 忘记了 到 部署 数据 筛选， 但 I 思考 这 使 感觉 反正。
什么 我们 看 这里 是 那 这 限制 现在 是 很多 更近 到 这 中心 线 的 每个 批 这里， 和 他们 是 方式 之内 我们的 规格 因为 我们 是 现在 寻找 在 这 批次 我们 有 已经 制作 和 不是 尝试 到 预测 这 表现 的 未来 批次。 哪个 是 还 为什么 我们 相信 那 这 是 一个 可接受 观点 到 去 到 市场 尽管 仍然 拥有 这 高的 质量控制 努力 在 这 结尾。
如果 I 只是 继续 和 我们的 例子， 什么 我们 锯 在 这 例子 曾是 我们 有 已通过 阶段 二 因为 控制 限制 在里面 规格， 但 预言 限制 在外面。 这 下一个 步 这里 会 是 到 简单地 生产 其他 批， 创造 你的 模型， 它是 完毕 这里， 和 然后 跑步 这 脚本 再次。
什么 我们 看 现在 这里 比较的 到 这 第一的 看法 是 那 我们的 预言 和 宽容 限制 是 移动 向 规格 和 还 朝向 我们的 控制 限制， 哪个 是 这 行为 我们 将要 认为 作为 我们 开始 到 得到 这 之间 批次v 反义词或 开始 到 知道 这 之间 批 变体 更好的 和 更好的。
然而， 仍然， 预言 限制 是 不是 里面 规格， 所以 这 常规 会 简单地 是 到 做 一切 再次。 现在 因为 I 知道 如何 这 将要 结尾， I 将要 简单地 包括 这 二 最后一批 和 我们 将要 在 这 模型 再次。
最后， 后 包括 这 第六 批， 这 结果 我们 得到 这里 是 那 全部 我们的 限制 是 现在 之内 我们的 规格， 哪个 方法 我们 有 已通过 两个都 阶段 2 后 3 批次， 和 现在 我们 有 还 已通过 阶段 3 一个。 哪个 方法 我们 现在 去 进入 阶段 3B， 在哪里 我们 将要 开始 到 放 我们的 注意力 在 减少 这 高的 数量 的 质量控制 努力 在 这 结尾 和 替换 这 和 持续 过程 确认 和 中央电视台。
只是 到 和 向上， I 将要 去 后退 到 这 推介会。 这 目的 的 a 验证 是， 在 至少 在 我们的 观点， 到 预测 这 未来 的 批次 将要 是 好的。 我们 牢牢 相信 那 如果 你 能 描述 你的 验证 放 和 a 模型， 你 能 还 预测 这 未来 和 信心。 这 能 是 完毕 从 任何一个 预言 间隔 或者 宽容 间隔。
我们 相信 那 跳转 有 独特的 可能性 到 模型 你的 数据 和 还 到 证明合法 假设 在后面 你的 模型。我 t 优惠 这 机会 到 看 在 方差 异质性。 如果 我们 做 不是 有 这， 我们 有 这 选项 到 做 a 日志 方差 模型 到 寻找 a 重量 因素 作为 皮埃尔 显示 你， 和 包括 那 在 我们的 普通的 回归 模型。
然后 我们 能 看 在 无论 或者 不是 这 残差 是 通常情况下 分布式。 如果 他们 是 不是， 我们 能 做 a 博克斯-考克斯 转型， 还 直接地 从 这 拟合模型 平台。 然后 我们 有 这 问题 的 异常值， 哪个 我们 能 处理 通过 这 学生 任务 残差 阴谋， 排除 观察 外部 这 95 % 邦费罗尼极限。 再次， a 窗户 直接地 无障碍 通过 这 拟合模型 平台。
然后 最后， 那里 是 还 那 我们 要求 我们的 随机的 因素 到 是 通常情况下 分布式， 在 至少 影响 前面。 这 我们 做过 经过 这 蓝色的 测试， 和 这里 我们 能 还 排除 异常值 等级。
然后 到 制作 这 过程 更轻松 为了 我们， 我们的 顾客， 和 还 添加 a 少量 在 顶部 的 这 到 实际上 达到 这 功能 我们 欲望， 我们 有 决定 到 制作 a 脚本 那 能 自动化 可视化 的 预言 间隔。 它 计算 和 可视化 宽容 间隔 使用 这 相同的 数字 的 度 的 自由 作为 什么时候 跳转 计算 预言 间隔。 它 还 计算 控制 限制 为了 更多的 复杂的 流程 在哪里 你 有 许多 方法 和 许多 方差 成分。 最后， 它 计算 还 能力 价值观 为了 在哪里 这些 可能 是 需要。
