可靠性-概率信息的擬合數據<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />大家好，
潛在的JMP用戶（Aledia）想在可靠性平台上進行一些過濾。他有以下數據
適合度不是很好。他想根據Y軸進行過濾，這意味著過濾將與概率信息相關聯（因此，請刪除小於0.05且大於0.99的值
這樣做的好方法是什麼？（看來他能夠在其他軟件中做到這一點？）
如果需要腳本，就可以了。
非常感謝您的建議，並祝您聖誕快樂！
佛羅倫斯
回复：可靠性-有關概率信息的更合適的數據由於它使用排除方法，因此具有相同的行為;概率改變：
[cid：image004.jpg@01D13D78.C9B04F80]
De：malcolm.moore1
特使：mercredi 23décembre2015 11:44
À：弗洛倫斯·庫森納
對象：關於：-可靠性-關於概率信息的更合適的數據
JMP用戶社區<>
可靠性-概率信息的擬合數據
來自JMP SE社區中malcolm.moore1 <>的回复-查看完整討論<>
回复：可靠性-有關概率信息的更合適的數據選項2（基於混合比例）對您的用戶有用嗎？此解決方案需要按照故障時間的升序對數據進行排序，我忘記提及了。否則，可能是從概率圖（或事件圖）中選擇點，然後排除並重新運行分析的情況。
馬爾科姆
回复：可靠性-有關概率信息的更合適的數據非常感謝Malcolm繼續探討我的問題…
實際上，所有使用過濾的方法都不好，因為它們會改變數據的分佈和概率。
對於第一種情況，您可以在下面進行觀察。
左側為帶過濾器，右側為不帶過濾器。您會看到所選點的概率與排除某些點的概率不同（它也排除了沒有估計值的點（審查數據））。
佛羅倫斯
De：malcolm.moore1
特使：mercredi 23décembre2015 10:57
À：弗洛倫斯·庫森納
對象：關於：-可靠性-關於概率信息的更合適的數據
JMP用戶社區<>
可靠性-概率信息的擬合數據
來自JMP SE社區中malcolm.moore1 <>的回复-查看完整討論<>
回复：可靠性-有關概率信息的更合適的數據以下是佛羅倫薩的一些建議：
1）在非參數估算報告中，右鍵單擊並複制Kaplan-Meier估算並將其粘貼到數據表中的新列，然後過濾低概率估算（和高概率估算）以排除那些不屬於感興趣的故障分佈。
2）不太主觀的方法是使用混合壽命分佈估計中的混合部分估計來定義不屬於感興趣分佈的部分，然後排除相應的行數。例如，在文件“ Mixture Demo.jmp”中的兩個混合分佈的情況下，存在兩個分佈，並且行的前24.7％屬於第一個分佈，其餘的行屬於第二個分佈。乘以總行數（在這種情況下為400）得出屬於第一分佈的前99行，因此應將前99行排除在外，以將生命週期分析的重點放在第二分佈上。
馬爾科姆
回复：可靠性-有關概率信息的更合適的數據我與對該解決方案不滿意的客戶進行討論。
他想保持一個簡單的模型（僅對數正態/威布爾/正態），而不會混合.....
還有其他建議嗎？
De：malcolm.moore1
特使：狂歡22décembre2015 16:16
À：弗洛倫斯·庫森納
對象：關於：-可靠性-關於概率信息的更合適的數據
JMP用戶社區<>
可靠性-概率信息的擬合數據
來自JMP SE社區中malcolm.moore1 <>的回复-查看完整討論<>
回复：可靠性-有關概率信息的更合適的數據這看起來像是佛羅倫薩的混合失效分佈擬合問題，而不是需要降低與主要失效分佈不對應的點的權重。嘗試與您的用戶共享所附的示例，以查看混合的故障分佈如何符合他們的需求。或者，如果用戶具有不同故障原因的標識，則可以嘗試競爭原因故障分配。
馬爾科姆
回复：可靠性-有關概率信息的更合適的數據不，問題不是要檢測離群值，問題不是擬合將它們使用（但不對它們進行過濾，因為在這種情況下，分佈和概率將發生變化。）像X擬合Y中那樣的穩健擬合將很大或重量可變。要么？？？
De：malcolm.moore1
特使：狂歡22décembre2015 15:24
À：弗洛倫斯·庫森納
對象：關於：-可靠性-關於概率信息的更合適的數據
JMP用戶社區<>
可靠性-概率信息的擬合數據
來自JMP SE社區中malcolm.moore1 <>的回复-查看完整討論<>
回复：可靠性-有關概率信息的更合適的數據佛羅倫薩
“ Cols”>“實用程序建模”中的“探索異常值”選項是否可行？
馬爾科姆
回复：可靠性-有關概率信息的更合適的數據這種方法不好，好像我應用了過濾器一樣，我改變了點的分佈和概率。這不是我想要的東西。我只想在局部範圍內應用擬合，但不更改分佈。
佛羅倫斯
回复：可靠性-有關概率信息的更合適的數據我的第一個方法是創建一個具有行比例的列，並對其應用過濾器。
但是也許有些更簡單的我不知道。
佛羅倫斯
