Gracias para donación a nosotros este oportunidad a hablar acerca de cómo nosotros usar JMP en farmacéutica proceso validación y continuo proceso verificación. Mi colega, Luis y I voluntad dar tú a guía a el fondo de él, cómo nosotros hacer él, y qué es el resultado.
El orden del día es eso primero nosotros voluntad describir el fondo y el conceptos. Desde es validación, nosotros debe justificar el suposiciones nosotros tener detrás nuestro modelos, entonces cordura controlar es importante. Entonces I voluntad ir en a hablar acerca de el particular métodos nosotros son usando y cual fórmulas nosotros tener a hacer para cosas eso son no allá en JMP Por adelantado.
Entonces Luis voluntad llevar encima y espectáculo cómo el JMP guion es haciendo él a automatizar el cálculos y implementar qué es desaparecido en JMP. Finalmente, nosotros voluntad hacer alguno conclusiones y con un poco de suerte allá voluntad también ser tiempo para preguntas.
Ahora a el fondo y el concepto nosotros son laboral con. Luis y I venir de a compañía llamado CUATRO, y nosotros hacer consultoría dentro el farmacéutico industria, y nosotros son JMP fogonadura, entonces nosotros ayuda nuestro clientela conseguir valor afuera de el datos, de curso, usando JMP.
Un grande asunto dentro el farmacéutico industria es proceso validación cuando ellos son yendo a lanzamiento a nuevo producto. T tradicional para muchos, muchos años, él tiene estado hecho por haciendo tres lotes. I f ellos eran bien, el validación era aprobado.
Pero este es no en realidad predecir el futuro, este es predecir el pasado. Así que, oh f curso, tú poder hacer tres lotes eso eran bien, y entonces el problema poder aparecer más tarde en. A compensar para eso, eso, el industria tiene tradicionalmente tenía un extenso y así costoso Control de calidad inspección en cada lote a asegurar él era bueno.
Sin embargo, si nosotros podría probar eso todo futuro lotes quería ser bien, entonces nosotros podría reducir el Control de calidad costo fuertemente. Pero cómo hacer nosotros predecir eso el futuro lotes voluntad ser bien con ¿confianza? Sí, nosotros podría usar predicción intervalos o individual confianza niveles, como I llamar en JMP, en el menos en alguno menús.
Si nosotros poner lote como a aleatorio factor, entonces el validación lotes nosotros son mirando en voluntad ser visto como a aleatorio muestreo de todo futuro lotes. T por la presente, nosotros poder predecir cómo futuro lotes son yendo a ser. Si este predicción es adentro especificación, nosotros tener de hecho probado eso todo futuro lotes voluntad ser bien dado eso nosotros poder mantener el validador estado fuerza.
Sin embargo, este podría llevar más que tres lotes, pero hacer ellos todo tener a ser en estado dos, como nosotros espectáculo en este ¿gráfico? Tal vez no. Nosotros de hecho debería justo aún hacer tres lotes en su primero proceso de validación. Si es no suficiente, entonces hacer el descansar en cual nosotros llamar derecho tres A, cual es después comercialización, porque entonces tú poder justo vender a ellos uno por uno. Es no a grande problema eso tú tener a hacer más.
Sin embargo, este requiere dos cosas a ser cumplido. El primero es eso nosotros aún tener este extenso Control de calidad prueba eso nosotros poder encontrar afuera si su lote es malo porque nosotros son no todavía fileteado, él voluntad no suceder. A También, de curso, él requiere eso el estimado actuación es bueno. Cómo poder nosotros ver si el estimado actuación es ¿bueno? Nosotros poder hacer eso por vidente si control límites son adentro el especificación.
Entonces nosotros poder ir en el mercado y más tarde en, cuando también predicción límites son en semejante especificación, entonces nosotros poder de hecho eliminar o en el menos reducir el Control de calidad inspección. Nosotros podría ser yendo de escucha el producto hasta escucha el proceso.
Qué es él todo ¿acerca de? Validación es acerca de predecir el formularios de futuro lotes con confianza, no justo predecir el pasado. Cómo poder nosotros hacer ¿eso? Nosotros poder hacer eso por usando predicción o 12 intervalos en JMP. Cómo muchos lotes voluntad nosotros sugerir a hacer en escenario ¿dos? Nosotros aún sugerir tres, pero tú podría no ser hecho.
Cómo poder tú entonces aprobar escenario dos con pocos lotes entonces nosotros poder ir en a el ¿mercado? Eso es, como I dicho antes, mirar en control intervalos porque ellos son sin confianza. Estás no castigado por solo teniendo tres lotes. T gallina más tarde en, mirar en predicción o 12 intervalos.
Si control intervalos son adentro especificación, predicción intervalos son no. El la mayoría de los problemas de el razón para eso es falta de datos. Este no debería ser limitante tú a ir sobre el mercado.
Entonces cómo muchos lotes a hacer en escenario 3A? Eso es equitativamente simple. Simplemente hasta su predicción límites son adentro especificación, entonces tú tener aprobado su escenario 3 A. Estos límites tú poder también usar como predicción límite después escenario 3 A cuando tú ir en escenario 3B.
Nosotros poder también ver él en este fluir cuadro dónde tú en superior izquierda esquina, comenzar con analizando su validación unos, típicamente árbol. Entonces tú calcular su predicción límites en JMP como a aleatorio factor. Si ellos son adentro especulación límites, todo es bien. Tú tener aprobado ambos escenario 2 y 3 A y todo es bien.
Si él vueltas afuera eso predicción límites son también ancho comparado a el especulación límite, I quería, como a próximo cosa l también en mi control límites cual son sin confianza. Si ellos son adentro, entonces nosotros justo necesidad más datos y nosotros voluntad recolectar más datos y nosotros calcular y a punto de tiempo nosotros voluntad ir afuera aquí y tener aprobado también estricto FRENTE A.
De curso, si él sucede eso incluso control límites son afuera especificación, entonces de hecho el estimado valor es malo y tú son no en realidad listo para validación y tú tener fallido. Con un poco de suerte, este es no yendo a suceder.
Vamos ir en a el cordura controlar. Ahora I voluntad ir en en JMP. I voluntad intentar a demostrar cómo él obras. Aquí tú ver a JMP mesa cual nosotros tener hecho, o no nosotros tener hecho, él de hecho llega de ISPE, Internacional Sociedad de Farmacoepidemiología, OMS poner a nosotros este datos colocar como a bien ejemplo en cómo a validación colocar debería mirar como. Muchos empresas o consultoría tiene intentó a calcular en eso y ver cómo quería ellos concluir.
Es básicamente a datos colocar de tableta fabricación, y clásicamente él contiene estos tres lotes A, B y DO. Entonces nosotros son tomando afuera polvos en 15 ubicaciones en el licuadora, y entonces nosotros son medición el API contenido, eso es el fortaleza de el actual [inaudible 00:06:52] ingrediente, cual quería ser entre 85 y 115 a ser adentro especificación.
Si tú mirar en el variabilidad cuadro de el datos, tú poder ver aquí nosotros tener el tres lotes A, B y DO, y nosotros también tener el 15 ubicaciones en cada lote. Entonces dentro cada lote ubicación combinación, nosotros tener cuatro mediciones.
El primero tú poder ver es eso el dentro ubicación variación en lote B es un poco más grande que en lote A y DO. Nosotros hacer no tener no heterogeneidad del tch. A hacer eso más objetivo, tú poder poner S control límite en su estándar desviación cuadro y tú poder ver eso tú son afuera de control en Lote B.
Otro forma de vidente él quería ser a hacer a heterogeneidad de diferencia prueba como estás vidente abajo aquí. Entonces es también muy claro eso Hay más dentro o en ubicación variación en lote B que en el otro unos.
Estrictamente, tú no puedo piscina estos variaciones sin embargo tú poder, pero nosotros necesidad entonces a hacer ponderado regresión dónde nosotros pesar con inverso diferencia. Eso es el próximo paso nosotros voluntad hacer, ir en registro diferencia modelado, cual tú poder hacer en JMP.
Nosotros tener simplemente aquí justo hecho a registro diferencia modelo dónde tú poder ver eso el ubicación, el lote, el interacción todo tener a significativo influencia en el nivel, pero solo el lote tiene a significativo influencia en el diferencia. Como tú poder ver eso el diferencia para lote B es un poco más grande que dentro diferencia en lote A y DO.
Cuando tú tener construido este modelo, tú poder de arriba aquí justo ahorrar el columnas y tú poder ahorrar su diferencia fórmula. Yo tengo ya hecho eso. Es ya en mi datos colocar. Si I no oculto aquí, aquí tú poder ver mi diferencia columna de mi registro diferencia modelo. Tú tener a fórmula aquí dicho, qué es él en grupo A y C para lote A y DO, y qué es él para lote ¿B? Basado en eso, I poder ahora hacer ponderado regresión dónde I simplemente justo hacer a peso columna dónde I peso mi regresión clásicamente con inverso diferencia.
Entonces Soy listo para haciendo a cordura controlar en mi datos porque ahora I poder piscina el variaciones después ponderado regresión, entonces I poder comenzar haciendo cordura controlar en mi datos. El primero cosa I quería hacer es a mirar en a sistemático modelo dónde I tener mi ubicación, lotes, y el interacción. T gallina I poder ver en mi [inaudible 00:09:28] tipo residual trama, I tener No valores atípicos y forajidos , pero él es adentro.
I poder también ver en mi caja trama transformación, Hay No necesidad a transformar mi datos. Aquí es razonable a asumir eso I tener estos normal repartido derechos residuales de autor, cual es el suposición detrás a fijado el menos cuadrícula modelo.
Entonces próximo paso es a poner lotes como a aleatorio factor, no justo a sistemático factor, porque I quería como a predecir futuro lotes. Este es qué I tener hecho aquí. T gallina de repente tú conseguir estos diferencia componentes. Qué es el entre lote ¿variación? Qué es el lote ubicación ¿variación? W tiene es el residual significar dentro lote dentro ubicación ¿variación?
Desde, de curso, I tener ponderado él con inverso diferencia, este número, de curso, obtiene cerca a uno. Sin embargo, en este modelo, allá son también alguno adicional suposiciones, a saber eso el lote efecto y el lote ubicación efecto es al azar repartido, significado eso estos aleatorio efecto predicciones arriba aquí debería seguir a normal distribución.
A prueba eso, tú poder justo poner a ellos en a mesa, cual Yo tengo hecho aquí, y nosotros poder prueba el bucles justo haciendo un vacío modelo dónde tú poner a ellos como a respuesta. Tú poder ver ambos el lote señales o el lote variaciones y el interacción variaciones todo son adentro el residual límites. También aquí nosotros poder justificar el suposición eso estos son justo aleatorio factores. Este es el cordura controlar de el modelo.
Ahora a hacer modelos para lote A y lote DO, nosotros necesidad a escala a ellos diferentemente. Eso es qué I tener hecho en estos columnas encima aquí. Si I no oculto mi columnas aquí, tú poder ver I hecho un C.A. escala peso dónde I simplemente justo multiplicado mi peso factor con el escalada. Entonces I conseguir el variación I tener visto para lotes A y DO, y el mismo cosa para mi lote B. I poder escala el peso con el diferencia I quería como a tener como a residual diferencia, cual es justo próximo de mi bloquear diferencia modelado. Eso es también bonito directo a hacer.
N Ay I poder de hecho tener mi dos modelos de dónde I poder predecir. Uno dónde I escala con mi C.A. escala peso y uno dónde I escala con mi B escala peso. Así I poder ver, si I justo correr uno de a ellos, uno escala con el C.A. escala peso, entonces tú poder ver eso tú tener este modelo, tú tener estos derechos residuales de autor, tú tener estos balance componentes.
Qué es muy fácil en JMP es justo a ir arriba aquí y tú poder ir y tú poder ahorrar su columnas. F memoria de sólo lectura arriba aquí, tú poder de hecho ahorrar el predicción fórmula eso quería ser su centro línea. Pero tú poder también ahorrar su predicción intervalo eso aquí son llamado individual confianza intervalo.
I tener hecho eso ambos para este modelo y también para el otro modelo. I también desear el otro modelo con el diferente escalada para lote B. T gallina I ahorrar estos columnas como individual confianza intervalos. Entonces ellos son justo salvado abajo aquí como estos predicción fórmulas. Entonces I poder hacer a conjunto uno por justo combinatorio estos dependiente en cual lote grupo cosas son próximo de. Ahora I tener límites para ambos lote A, B y DO, cual I poder trama en el mismo gráfico.
Este es derecho encima a hacer. Hasta ahora, I justo usado ¿Qué soy yo? dentro JMP. Pero a conseguir el control límites y a conseguir el tolerancia límite, I necesidad a calcular a ellos mí mismo, porque en JMP, tú no tener tolerancia límites, tú no tener control límites en Modelo de ajuste.
De curso, tú tener control límites cuando tú hacer control cuadro, pero eso es también solo para uno significar y uno estándar desviación. De curso, tú también tener tolerancia límites en analizado distribución. Pero de nuevo, eso es solo para uno significar y uno estándar desviación.
Aquí nosotros tener a calcular a ellos nosotros mismos. El primero cosa nosotros entonces hacer es justo conseguir el diferencia componentes. Este es qué nosotros tener aquí. W e justo salvado el diferencia componentes de el dos modelos, uno dónde nosotros escamoso a lote A y DO, y uno dónde nosotros escala a lote B.
Porque cuando nosotros tener el diferencia componentes, es bonito directo a calcular el control límite porque es básicamente justo el predicción fórmula menos a normal cuantil, y entonces el cuadrado raíz de el total diferencia, y entonces cualquiera diferencia A y C o B, dependiente en Lo que somos mirando en. I es de hecho bonito directo a calcular el control límites eso forma.
El mismo nosotros poder hacer para el tolerancia límites. Si tú preferir tolerancia límites en cambio de predicción límites, muchos empresas hacer. De nuevo, desafortunadamente, ellos son no en JMP modelo, pero nosotros poder calcular a ellos. Allá nosotros simplemente justo poner en el clásico fórmula para a tolerancia límite. Dónde uno de un lado, nosotros poner en el T cuantil, nosotros poner en el grados de libertad, nosotros poner en el normal cuantil, y como antes, de el proporción, y entonces nosotros multiplicar por el total saldos de el diferencia componente.
El solo pequeño poco engaños cosa aquí es eso nosotros necesidad el grados de libertad bajo total diferencia. JMP es no en realidad donación tú eso. Es solo donación tú grados de libertad en sistemático modelos. Pero nosotros poder ver basado en el ancho de el predicción intervalo, eso es qué nosotros tener aquí. Entonces nosotros poder de hecho calcular basado en el ancho de el predicción intervalos, cómo muchos grados de libertad hacer nosotros tener allá, y entonces nosotros justo aplicar el mismo grados de libertad en el tolerancia límites y entonces nosotros son listo a ir y nosotros poder ahorrar todo de estos límites abajo aquí. Si nosotros desear, nosotros poder trama a ellos. Este es qué nosotros tener hecho aquí.
Aquí tú poder ver de hecho el predicción límites y el tolerancia límites y el control límites. El control límites son el punteado línea, el predicción límites son el lleno línea, y el bruto punteado línea son el tolerancia límites. Tú ver eso para el 15 diferente ubicaciones y para el tres lotes A, B y C y de curso, límites son más amplio para lote B porque él tiene más dentro ubicación variaciones.
Tú poder de hecho ver eso incluso el control límites en el punteado línea son afuera para ubicación 1 y 2 y de hecho también cuatro. Incluso aunque este proceso, este es a bien ejemplo de a validación, I quería decir, Bueno, si lote B es representante, tú tener de hecho fallido el validación.
Si tú mirar en A y DO, entonces todo el punteado pauta son adentro, significado eso nosotros tener aprobado escenario dos porque el estimar valor es bien. Pero en a pocos de a ellos, tú poder ver eso el predicción límites son justo afuera. Pero cuando tú tener este grande brecha entre control límites y predicción límite, justo uno lote más quería probablemente hacer a ellos adentro. Este es cómo él obras.
Alguno empresas ellos hacer no pensar es suficiente a mirar en si el límites son adentro especificación. Ellos quería de hecho como a conseguir a ppk capacidad índice en a ellos. Nosotros también poner eso uno en nuestro método aquí. Si tú mirar en el fórmulas aquí, tú poder ver dónde nosotros tener el predicción límites, eso es también poner en a ppk fórmula.
Básicamente qué nosotros hacer, nosotros justo llevar el predicción fórmulas, este en el especulación límite, y y dividido por el medio ancho de el predicción límites. Este es este ppk eso corresponde a el predicción límites. Porque ellos son con confianza, este es de hecho ppk con confianza.
Tú poder hacer exactamente el mismo con su control límites. Justo llevar el clásico ppk fórmula y justo poner en control límites en cambio de predicción límites. B porque control límites son justo estimado valores, este es ppk sin confianza. De curso, tú poder hacer exactamente el mismo cosa también para el tolerancia límites, cual nosotros tener abajo aquí, a ppk basado en el tolerancia límites. Tú poder también calcular todo de estos. Si tú desear, de curso, tú poder trama a ellos en a gráfico como tú ver aquí.
Arriba aquí, nosotros tener estimado ppk sin confianza, eso es el rojo uno. T gallina nosotros tener el azul uno eso es basado en tolerancia límites y el verde uno eso es basado en predicción límites. Arriba aquí, es para el bien grupo A y C con indicación variación. Abajo aquí cómo él es con lote B, es a más grande uno.
Tú poder de hecho ver, como nosotros sierra con el límites para lote B variación, incluso el estimado valor tiene a ppk abajo uno para uno, dos, y cuatro posiciones. Mientras todo el estimado valor es bien acerca de uno para A y C.A también el ppk basado en predicción, el verde uno, mayoría de a ellos son acerca de uno, y ellos son muy cerca a uno en ubicación uno y dos. Este quería justo requerir uno adicional lote probablemente, y entonces ellos quería ser adentro.
Sin embargo, como tú lo harás probablemente ver es a poco tedioso a hacer todo estos cálculos por mano. Este es por qué nosotros tener hecho a guion para él, cual Luis es ahora yendo a demostrar. I debería justo Luis llevar encima ahora y espectáculos cómo el guion obras. Soy seguro él voluntad también hacer a pocos más ejemplos.
Sí, Pedro, agradecer tú muy mucho. I voluntad justo intentar a compartir mi pantalla aquí entonces. Sí. Primero cosa primero, como Pedro tiene mostrado a nosotros, nosotros rostro a lote de asuntos durante el especial validación. Afortunadamente para a nosotros, JMP tiene a lote de derecho arriba caja funcionalidades a ayuda a nosotros trato con estos asuntos. Nosotros en realidad como a usar el funcionalidades próximo afuera de el caja con JMP porque este en realidad disminuye nuestro validación carga cuando yendo adelante.
Alguno de el cosas JMP tiene resuelto para a nosotros es, para ejemplo, el asunto eso nosotros son laboral con complejo procesos y estos no puedo ser descrito por justo uno significar y uno estándar desviación. Aquí a trato con este, eran apalancamiento el Modelo de ajuste plataforma en JMP dónde nosotros poder tener múltiple sistemático factores a manejar el muchos medio, y nosotros poder también tener múltiple aleatorio factores a trato con muchos diferencia componentes.
Entonces Hay el asunto con datos a menudo necesitando alguno datos transformación. De nuevo, JMP tiene el Box-Cox transformación ventana nosotros usar a trato con este directamente en el Modelo de ajuste plataforma. Entonces nosotros generalmente ver a lote de valores atípicos nosotros tener a manejar en más grande datos conjuntos. H también nosotros de nuevo aprovechar el Modelo de ajuste plataforma, más específicamente el alumno dimensionado derechos residuales de autor trama dónde nosotros excluir valores atípicos basado en el Bonferroni límites.
Aquí es justo importante a nota eso en el menos nuestro concepto es eso nosotros como a excluir el actual modelo, pero nosotros siempre informe a ellos por separado. Él tiene a ser visual eso estos son no incluido en el análisis.
Entonces allá es el falta de homogeneidad de diferencia, cual Pedro también presentado cómo a trato con usando el registro diferencia modelado a conseguir afuera el variación y entonces usar este diferencia a calcular a peso fórmula.
Entonces de nuevo, allá es el predicción intervalos cual nosotros usar bastante a lote aquí. Aquí como Bueno JMP es listo a ir con individual confianza intervalos directamente en el Modelo de ajuste plataforma.
Pero entonces como Pedro también mencionado, nosotros sintió como allá eran alguno regiones dónde JMP podría no traer a nosotros todo el forma hogar. Este incluye, para ejemplo, revisado intervalos en JMP, cual poder solo manejar el uno significar y uno diferencia componente.
Cómo nosotros superar este es eso nosotros calcular revisado intervalos de el Modelo de ajuste usando el predicción fórmula y estándar error en predicción fórmula y derechos residuales de autor a calcular el total diferencia, y de aquí, el control intervalos.
Entonces allá es el hecho eso tolerancia intervalos es privilegiado por muchos de nuestro clientes porque este permite tú a por separado colocar el confianza y cobertura. Sin embargo, nosotros solo encontró eso JMP poder hacer tolerancia intervalos en el distribución plataforma, y él poder solo manejar uno significar y uno diferencia componente de nuevo.
De curso, en el guion construido- ins eso él poder calcular el tolerancia intervalos similar a el control intervalos. W gallina nosotros hacer el cálculo de el tolerancia intervalos, nosotros usar el mismo grados de libertad como usado cuando JMP calcula es predicción intervalos.
Entonces tal vez el primario razón para haciendo este guion, o el inicial razón en el menos, es eso cálculo y visualización de todo estos intervalos es muy tiempo consumidor y muy propenso a humano errores. De hecho, nosotros decidido a hacer este guion a automatizar cálculos y visualizaciones.
Entonces por último, muchos de nuestro clientes requerir capacidad y diálisis semejante como Ppk. Nosotros tener, de curso, también incluido este en nuestro guion semejante eso él calcula ppk correspondiente a ambos predicción límites, qué nosotros llamar ppk con confianza, y también control límites, qué nosotros llamar ppk sin confianza.
A hablar acerca de el guion a pequeño poco, el guion nosotros tener diseñado aquí consiste de dos regiones. Nosotros ante todo tener el JMP guion tú ver aquí en el medio, y entonces nosotros también tener a plantilla documento, como tú ver arriba aquí en el superior izquierda esquina.
Cuando haciendo este guion, allá eran a pocos cosas nosotros en realidad buscado a lograr. Nosotros buscado a hacer él en realidad transparente, significado eso nuestro clientes podría ir en y mirar bajo el capucha, entonces a decir, y seguir el cálculos de estos diferente límites y potencialmente incluso editar a ellos ellos mismos, cual acepta a nosotros a el próximo cosa.
Nosotros buscado este a ser, en el menos a alguno medida, personalizable por nuestro clientes. Si ellos no como el forma nosotros calcular Ppk, nosotros quería como a dar a ellos el opción a ir en y editar el ecuaciones.
El plantilla documento en sí mismo es En realidad, por así decirlo, un vacío datos mesa. Él tiene a lote de definido columnas con columna fórmulas, pero él tiene No filas en allá todavía. Qué nuestro guion hace, esencialmente, es eso él obras de este plantilla documento como un aporte. Él también acepta el original datos archivo en cual tú base su análisis como un aporte, y entonces él acepta el modelo ventana.
Aquí él es a ser dicho eso el modelo ventana es ficticio a ser a completo modelo. Entonces tú tener hecho todo el todo su datos manipulaciones, asegurado eso este es a adecuado respuesta tú conseguir de el modelo. A también tú tener hecho estos cordura cheques y justificado el suposiciones detrás el modelo asegurando es válido.
Qué el guion hace sí mismo es eso él acepta el plantilla documento, él acepta el original datos archivo, y entonces él copias el datos de el original datos archivo a el plantilla documento. Nosotros tenemos hecho este semejante eso nosotros no interferir con nuestro clientes original datos cualquiera.
Él entonces también acepta todo el importante parámetros de el modelo ventana y insertar él en este plantilla documento. F memoria de sólo lectura allá en, más o menos, este plantilla documento voluntad llenar afuera sí mismo a través de el ya definido fórmulas en el columnas.
Este plantilla documento voluntad entonces en el fin ser convertido a un producción mesa dónde el primero muchos columnas quería mirar muy mucho como el original datos archivo, y entonces tú voluntad tener el restante cálculo y aporte valores como adicional columnas más en.
I pensar nosotros debería ir a un ejemplo y ver cómo este aspecto en real vida. I voluntad justo intentar a detener intercambio este pantalla y compartir este uno. Qué nosotros tener aquí es en hecho, el mismo ESBIC caso como [inaudible 00:25:20] aquí. Qué tú quería hacer es tú quería tener su datos, tú voluntad correr a modelo. En este caso, I correr el modelo dónde par escala él a corresponder a el variación en lote A y DO, el lotes con el más bajo variación.
Qué tú simplemente hacer es eso tú tener su modelo, asegurar es hecho en sentido de cordura cheques y entonces adelante. Entonces nosotros correr este guion en este modelo, cual es aquí. Nosotros tener el modelo y nosotros correr el guion.
Bien ver a pocos cosas estallido arriba aquí. Primero, nosotros tener la plantilla documento, producción documento cual tiene ahora estado poblado con a lote de diferente filas, alguno mesa variables, y entonces adelante. Nosotros tener nuestro ppk gráfico aquí visualizante el ppk basado en diferente límites. El azul ser basado en control límites, el rojo ser basado en predicción límites, y el verde uno ser basado en tolerancia límites. Entonces por último, nosotros tener nuestro gráfico aquí conspirando todo el datos, especificación pauta, y como Bueno nuestro predicción límite, control límites, y tolerancia límites aquí.
Nosotros conseguir el imagen eso Pedro también presentado más temprano. Qué nosotros ver aquí es, en hecho, eso si nosotros mirar en nuestro datos y asumir todo lotes varía como mucho como lote A y DO, nosotros son de hecho en un bueno posición aquí. En el menos nosotros quería tener aprobado nuestro escenario dos porque control límites son para todo lotes, todo ubicaciones dentro especificación.
Nosotros hacer, sin embargo, tener a pequeño problema afuera aquí en el ubicación 1 y 2, dónde nosotros ver en el menos el predicción de tolerancia límites extensión a poco encima el superior especificación límite. Sin embargo, nosotros creer este podría ser fijado por justo añadiendo a pocos más lotes a saber el variación mejor.
Pero qué nosotros también ver aquí es, de curso, nosotros tener un observación afuera nuestro límites, y este es porque qué eran mirando en aquí es en hecho lote B, cual como nosotros recordar, tenía a más alto diferencia. I quería justo intentar a correr este modelo aquí, escala de acuerdo a a lote B, entonces tú poder ver el diferencia.
Ahora qué nosotros ver aquí es eso todo nuestro límites tiene emocionado afuera de el significar. Ahora ellos son de hecho yendo más allá de especificación, no solo en el primero dos ubicaciones, pero en múltiple ubicaciones aquí, cual quería, en esencia, para a nosotros, especialmente porque tú tener el control a ellos como afuera especificación, significar eso tú tener fallido su validación aquí. Tal vez no el mejor ejemplo para este datos colocar a escaparate a bien validación.
Ahora I pensamiento I quería justo intentar a ir a través de cómo nosotros imaginado el completo proceso relativo más a el diagrama de flujo, Pedro, presentado tú en el comienzo de este presentación. I tener trajo a cliente ejemplo de un actual PPQ validación correr. Ellos terminó arriba productor a total de seis lotes aquí.
Qué nosotros tener hecho aquí es eso nosotros tener hecho a modelo. I voluntad justo desplegar local datos filtrar a simular dónde él comenzó, teniendo solo estos tres lotes. Entonces qué nosotros tener aquí es justo, entonces a decir, nuestro finalizado modelo. Qué nosotros hacer ahora, después teniendo producido el primero lotes, analizado el datos, nosotros justo correr el guion. Nosotros conseguir a resultado mirando como este.
El guión nosotros ver aquí es eso ambos nuestro control límites y predicción límites, el predicción límites arriba aquí, tolerancia límites aquí, son ambos muy mucho afuera el especificación. Sin embargo, afortunado suficiente para a nosotros, nuestro control límites son de hecho adentro especificación.
Este medio en el sentido de el diagrama de flujo eso nosotros ahora tener aprobado escenario 2 y nosotros poder de hecho comenzar de ahora en a cuando nosotros hacer nuestro continuado validación, conseguir nuestro control predicción límite y tolerancia límites adentro especificación, eso nosotros de hecho poder comenzar envío lotes a mercado simultáneamente.
Pero oso en mente aquí, nosotros aún tener a bonito alto Control de calidad esfuerzo en el fin. El razón nosotros creer eso, porque muchos clientes también preguntar, cómo poder nosotros hacer este si nosotros son entonces incierto acerca de el lotes nosotros ¿producir? Pero si tú desear a saber el calidad de su ya producido lotes, nosotros de hecho tener a mirar en este en a diferente forma.
Aquí en este modelo, nosotros tener lote como a aleatorio efecto porque como nosotros considerar él como a parte de a más grande población. Pero si nosotros desear a mirar en el lote individualmente, nosotros de hecho tener a poner él como a sistemático efecto en aquí. Si I correr el guion en este uno, nosotros voluntad ver el límites estrechamiento de modo significativo en aquí. I olvidó a desplegar datos filtrar, pero I pensar este marcas sentido de todos modos.
Qué nosotros ver aquí es eso el límites ahora son mucho íntimamente a el centro pauta de cada lote aquí, y ellos son forma dentro nuestro especificación porque nosotros son ahora mirando en el lotes nosotros tener ya producido y no intentando a predecir el actuación de futuro lotes. Cual es también por qué nosotros creer eso este es un aceptable punto a ir a mercado mientras aún teniendo el alto Control de calidad esfuerzo en el fin.
Si I justo continuar con nuestro ejemplo, qué nosotros sierra en este ejemplo era nosotros tener aprobado escenario dos porque control límites están dentro especificación, pero predicción límites están afuera. El próximo paso aquí quería ser a simplemente producir otro lote, crear su modelo, es hecho aquí, y entonces correr el guion de nuevo.
Qué nosotros ver ahora aquí comparado a el primero vista es eso nuestro predicción y tolerancia límites son emocionante hacia especulación y también hacia nuestro control límites, cual es el comportamiento nosotros voluntad asumir como nosotros comenzar a conseguir el entre lote v aristas o s inicio a saber el entre lote variantes mejor y mejor.
Sin embargo, aún, predicción límites son no adentro especificación, entonces el rutina quería simplemente ser a hacer todo de nuevo. Ahora porque I saber cómo este voluntad fin, I voluntad simplemente incluir el dos último lote y nosotros voluntad en el modelo de nuevo.
Finalmente, después incluido el sexto lote, el resultados nosotros conseguir aquí son eso todo nuestro límites son ahora dentro nuestro especificación, cual medio nosotros tener aprobado ambos escenario 2 después 3 lotes, y ahora nosotros tener también aprobado escenario 3 A. Cual medio nosotros ahora ir en escenario 3B, dónde nosotros voluntad comenzar a poner nuestro atención en reduciendo el alto cantidad de Control de calidad esfuerzo en el fin y reemplazando este con continuado proceso verificación y Televisión central.
Justo a suma arriba, I voluntad ir atrás a el presentación. El objetivo de a validación es, en el menos en nuestro opinión, a predecir el futuro de lotes voluntad ser bueno. Nosotros firmemente creer eso si tú poder describir su validación colocar con a modelo, tú poder también predecir el futuro con confianza. Este poder ser hecho de cualquiera predicción intervalos o tolerancia intervalos.
Nosotros creer eso JMP tiene único posibilidades a modelo su datos y también a justificar suposiciones detrás su modelo. yo t ofertas el oportunidad a mirar en diferencia heterogeneidad. Si nosotros hacer no tener este, nosotros tener el opción a hacer a registro diferencia modelo a encontrar a peso factor como Pedro presentado tú, y incluir eso en nuestro normal regresión modelos.
Entonces nosotros poder mirar en si o no el derechos residuales de autor son normalmente repartido. Si ellos son no, nosotros poder hacer a Box-Cox transformación, también directamente de el Modelo de ajuste plataforma. Entonces nosotros tener el problema de valores atípicos, cual nosotros poder manejar a través de el alumno tarea residual trama, a excepción de observaciones afuera el 95 % Límites de Bonferroni. De nuevo, a ventana directamente accesible a través de el Modelo de ajuste plataforma.
Entonces por último, allá es también eso nosotros pedido nuestro aleatorio factores a ser normalmente repartido, en el menos efecto de frente. Este nosotros hizo por el azul prueba, y aquí nosotros poder también excluir parte aislada nivel.
Entonces a hacer el proceso más fácil para a nosotros, nuestro clientes, y también añadiendo a poco en arriba de este a de hecho lograr el funcionalidades nosotros deseo, nosotros tener decidido a hacer a guion eso poder automatizar visualización de predicción intervalos. Él calcula y visualiza tolerancia intervalos usando el mismo número de grados de libertad como cuando JMP calcula predicción intervalo. Él también calcula control límites para más complejo procesos dónde tú tener muchos medio y muchos diferencia componentes. Por último, él calcula también capacidad valores para dónde estos podría ser necesario.
