Altoparlante | Trascrizione |
| Il nostro discorso di oggi mostra come farlo |
| usa JMP per fare bayesiano |
| stima. Ecco una panoramica |
| del mio discorso. Io comincerò |
| con una breve introduzione a |
| Metodi statistici bayesiani. |
| Allora vado attraverso |
| quattro diversi esempi che |
| capita di venire dall'affidabilità, |
| ma i metodi che stiamo presentando |
| sono davvero molto più generali e |
| può essere applicato in altre aree di |
| applicazione. Allora vado a |
| consegnalo a Peng e lui |
| ti mostrerò quanto è facile |
| per fare effettivamente queste cose in |
| JMP. Tecnicamente, affidabilità |
| è una probabilità. Il |
| probabilità di un sistema, |
| veicolo, macchina o qualsiasi altra cosa |
| è questo che interessa, will |
| svolgere la sua funzione prevista |
| sotto riscontrato funzionamento |
| condizioni per un periodo determinato |
| di tempo. Sottolineo incontrato |
| qui per sottolinearlo |
| l'affidabilità dipende in modo importante |
| sull'ambiente in cui a |
| il prodotto è in uso. Condra |
| ha definito l'affidabilità come qualità |
| col tempo. E molti ingegneri |
| pensare all'affidabilità è essere |
| evitare il fallimento, cioè a |
| progettare e realizzare un prodotto |
| quello non fallirà. Affidabilità |
| è un valore altamente quantitativo |
| disciplina ingegneristica, ma |
| spesso richiede sofisticato |
| statistica e probabilistica |
| idee. Negli ultimi 30 anni, |
| c'è stato un virtuale |
| rivoluzione in cui i metodi di Bayes |
| sono ora comunemente usati e in |
| molte aree diverse di |
| applicazione. Questa rivoluzione |
| iniziato dalla riscoperta di |
| Metodi Monte Carlo della catena di Markov |
| ed è stato accelerato da |
| miglioramenti spettacolari in |
| potenza di calcolo che abbiamo |
| oggi, così come il |
| sviluppo di relativamente facile |
| utilizzare il software da implementare |
| Metodi di Bayes. Negli anni '90 noi |
| aveva BUG. Oggi Stan e altri |
| pacchetti simili hanno in gran parte |
| sostituito BUGS, ma l'altro |
| quello che sta succedendo è che siamo |
| cominciando a vedere più bayesiano |
| metodi implementati in |
| software commerciale. Quindi per |
| Ad esempio, SAS ha PROC MCMC. |
| E ora JMP ne ha molto |
| potenti strumenti che erano |
| sviluppato per l'affidabilità, ma |
| come ho detto, possono essere applicati |
| anche in altre aree, e |
| c'è una forte motivazione per |
| l'uso di metodi bayesiani. |
| Per prima cosa, fornisce un file |
| mezzi per combinare prima |
| informazioni con dati limitati a |
| essere in grado di rendere utile |
| inferenze. Inoltre, ce ne sono molti |
| situazioni, in particolare con |
| complicazioni di effetti casuali |
| come i dati della censura, dove al massimo |
| la probabilità è difficile |
| implementare, ma dove Bayes |
| i metodi sono relativamente facili |
| strumento. Ce n'è uno piccolo |
| svantaggio nell'uso di Bayes |
| metodi. Devi pensare un po ' |
| più duro su certe cose, |
| in particolare su |
| parametrizzazione e come |
| specificare le distribuzioni precedenti. |
| Il mio primo esempio riguarda un file |
| gabbia portante per motori aeronautici. |
| Questi sono dati di guasto sul campo |
| dove c'erano 1.703 aerei |
| motori che lo contenevano |
| gabbia portante. I più vecchi |
| aveva 2.220 ore di funzionamento. Il |
| specifica di vita di progetto per |
| questa gabbia portante era quella no |
| più del 10% delle unità lo farebbe |
| fallire entro 8.000 ore di funzionamento. |
| Tuttavia, 6 unità avevano fallito e |
| questo ha sollevato la domanda | lo facciamo |
| hai un problema serio qui? Fare |
| dobbiamo ridisegnare questo cuscinetto |
| gabbia per soddisfare tale affidabilità |
| condizione? Questa è la trama di un evento |
| dei dati. La trama dell'evento |
| illustra la struttura |
| dei dati, e in particolare, |
| possiamo vedere i sei fallimenti |
| Qui. In aggiunta a ciò, noi |
| hanno diritto censurato |
| osservazioni, qui indicate da |
| le frecce. Quindi queste sono unità |
| che sono ancora in servizio e |
| non hanno ancora fallito, e |
| la freccia destra lo indica |
| tutto quello che sappiamo è se aspettiamo a lungo |
| abbastanza a destra, le unità |
| alla fine fallirà. Ecco un |
| analisi di massima verosimiglianza di |
| quei dati, quindi la probabilità |
| la trama qui suggerisce che il file |
| La distribuzione di Weibull fornisce un file |
| buona descrizione di questi dati. |
| Tuttavia, quando usiamo l'estensione |
| profiler di distribuzione a |
| stima della frazione che fallisce a |
| 8.000 ore, possiamo vedere che il file |
| l'intervallo di confidenza è enorme, |
| compreso tra circa il 3% tutto il |
| fino al 100%. Non è molto |
| utile. Quindi metodi di verosimiglianza |
| funziona in questo modo. Specifichiamo il |
| modello e dati. |
| Questo definisce la probabilità e |
| quindi usiamo la probabilità di |
| fare inferenze. Bayesiano |
| i metodi sono simili, tranne noi |
| avere anche informazioni preventive |
| specificato. Teorema di Bayes |
| combina la probabilità con il |
| informazione preventiva, fornendo a |
| distribuzione posteriore, e poi |
| usiamo il posteriore |
| distribuzione per fare inferenze. |
| Ecco l'analisi di Bayes del |
| gabbia portante. I priori sono |
| specificato qui per il B10 |
| o il momento in cui il 10% fallirebbe. |
| Abbiamo un intervallo molto ampio |
| Qui. La gamma, effettivamente 1.000 |
| ore fino a 50.000 ore. |
| Tutti sarebbero d'accordo sul fatto che B10 |
| è da qualche parte in quella gamma. Per |
| il parametro di forma Weibull, |
| tuttavia, utilizzeremo un file |
| previa distribuzione informativa |
| basato sugli ingegneri |
| conoscenza del fallimento |
| meccanismo e il loro vasto |
| precedente esperienza con quello |
| meccanismo. Possono dire con |
| pochi dubbi che il Weibull |
| il parametro di forma dovrebbe essere |
| tra 1,5 e 3 e |
| ecco dove lo specifichiamo |
| informazione. Quindi invece di |
| specificando le informazioni per il |
| parametri Weibull tradizionali, |
| abbiamo riparametrizzato, dove ora |
| il B10 è uno dei |
| parametri, ed ecco il file |
| intervallo specificato. E poi noi |
| avere l'informativa prima per |
| il parametro di forma Weibull |
| specificato qui. E poi JMP |
| genererà campioni dal file |
| articolazione posteriore, che porta a |
| queste stime dei parametri e |
| intervalli di confidenza mostrati qui. |
| Ecco una rappresentazione grafica di |
| l'analisi di Bayes. Il nero |
| i punti qui sono un campione da |
| la distribuzione precedente, quindi di nuovo |
| molto ampio per il quantile .1 |
| e un po 'vincolato per il |
| Parametro di forma Weibull beta. Su |
| proprio qui, abbiamo il file |
| articolazione posteriore, che in effetti |
| è dove la probabilità si contorna |
| e il campione precedente |
| sovrapposizione. E poi quei pareggi |
| dall'articolazione posteriore sono |
| utilizzato per calcolare le stime e |
| Intervalli credibili bayesiani. Così |
| ecco lo stesso profiler che abbiamo |
| visto in precedenza dove il |
| l'intervallo di confidenza non lo era |
| utile. Dopo aver portato in |
| informazioni sul Weibull |
| parametro di forma, ora possiamo vedere |
| che l'intervallo di confidenza |
| varia tra il 12% e l'83%, |
| illustrando chiaramente che noi |
| hanno mancato l'obiettivo del 10%. |
| Allora cosa abbiamo imparato qui? |
| Con un piccolo numero di fallimenti, |
| non ci sono molte informazioni |
| sull'affidabilità. Ma ingegneri |
| spesso hanno informazioni che possono |
| essere utilizzato e utilizzando quello precedente |
| informazioni, possiamo migliorare |
| precisione e più utile |
| inferenze. E metodi bayesiani |
| fornire un metodo formale per |
| combinando queste informazioni preliminari |
| con i nostri dati limitati. Ecco |
| un altro esempio. Il motore a razzo è |
| uno dei cinque componenti critici |
| in un missile. In questo particolare |
| applicazione, c'erano |
| circa 20.000 missili |
| nell'inventario. Nel tempo, 1.940 |
| di questi missili erano stati lanciati |
| e hanno funzionato tutti, tranne in |
| tre casi, dove c'era |
| fallimento catastrofico. E questi |
| erano missili più vecchi, e così via |
| c'era qualche preoccupazione che |
| potrebbe esserci un errore di esaurimento |
| meccanismo che metterebbe in |
| mettere a repentaglio i circa 20.000 |
| missili rimanenti nell'inventario. |
| Si pensava che i fallimenti fossero |
| a causa del ciclo termico, ma |
| non c'erano informazioni in merito |
| il numero di cicli termici. Noi |
| hanno solo l'età di |
| missile quando è stato sparato. |
| Questo è un utile surrogato, ma |
| l'effetto dell'utilizzo di un surrogato |
| così hai di più |
| variabilità nei dati. Adesso |
| in questo caso non c'erano |
| tempi di guasto osservati direttamente. |
| Quando viene chiamato un razzo |
| operare e funziona |
| con successo, tutto ciò che sappiamo è |
| che non avevano fallito al |
| età di quelle unità quando |
| è stato chiesto di operare. E per |
| le unità che hanno fallito |
| catastroficamente, ancora una volta, noi |
| non so l'ora che quelli |
| unità fallite. Ad un certo punto |
| prima che fossero chiamati a farlo |
| operare. Avevano fallito, quindi tutti |
| sappiamo è che il fallimento è stato |
| prima dell'età in cui era |
| licenziato. Quindi, come ho detto, c'era |
| preoccupazione che ci sia un logorio |
| meccanismo di guasto che entra in azione |
| qui che metterebbe in |
| mettere a repentaglio la quantità di rimanenti |
| vita per le unità in |
| scorta. Quindi ecco il tavolo |
| dei dati. Qui abbiamo il file |
| unità che hanno funzionato |
| con successo, e così sono |
| giuste osservazioni censurate, ma |
| queste osservazioni qui |
| sono quelli che hanno fallito e come |
| Ho detto, relativamente più alto |
| età. Questa è la trama dell'evento |
| i dati e di nuovo, possiamo vedere |
| le giuste osservazioni censurate |
| qui con la freccia che punta a |
| a destra, e possiamo vedere il file |
| ha lasciato osservazioni censurate con |
| la freccia che punta a sinistra |
| indicando la regione di |
| incertezza. Ma anche con quelli |
| dati possiamo ancora montare un Weibull |
| distribuzione. Ed ecco il file |
| grafico di probabilità che mostra il |
| stima di massima verosimiglianza e |
| bande di fiducia. Ecco di più |
| informazioni dal massimo |
| analisi di verosimiglianza. Ed eccoci qui |
| avere la stima della frazione |
| fallendo a 20 anni, che era |
| la vita di progettazione di questi razzi |
| motori, e ancora l'intervallo |
| è enorme, compreso tra il 3% e il |
| 100%. Ancora una volta, non molto utile. |
| Ma gli ingegneri, |
| sapendo qual è il fallimento |
| il meccanismo era, di nuovo, avuto |
| informazioni sul Weibull |
| parametro di forma. Il massimo |
| stima di probabilità era |
| estremamente grande e il |
| gli ingegneri ne erano abbastanza sicuri |
| era sbagliato, soprattutto con |
| la variabilità extra in |
| dati che tenderebbero a guidare |
| il parametro di forma Weibull su a |
| valore inferiore. Come ti ho mostrato |
| la diapositiva precedente, la fiducia |
| intervallo per la frazione che fallisce a |
| 20 anni sono stati enormi. Quindi ancora una volta |
| stiamo per specificare un precedente |
| distribuzione e poi usatela |
| in un'analisi di Bayes. Ancora una volta, il file |
| precedente per B10, l'ora in cui |
| Il 10% fallirà, si sceglie di essere |
| estremamente ampio. Non lo facciamo davvero |
| voglio dare per scontato qualcosa lì, |
| e tutti sarebbero d'accordo |
| quella quantità è da qualche parte |
| tra cinque anni e 400 |
| anni. Ma per la forma Weibull |
| parametro, assumeremo |
| che è tra uno e cinque. |
| Di nuovo, sappiamo che è maggiore di |
| uno perché è logoro |
| meccanismo di guasto e il |
| gli ingegneri ne erano sicuri |
| non era niente come il numero |
| 8 che avevamo visto nel |
| stima massima probabile. |
| E in effetti, cinque è anche molto |
| grande parametro di forma Weibull. |
| Ancora una volta, viene richiesto JMP |
| per generare disegni dal file |
| distribuzione posteriore. E qui ci sono |
| trama simile a quelle che noi |
| visto nell'esempio della gabbia del cuscinetto. |
| I punti neri qui, di nuovo, lo sono |
| un campione del priore |
| distribuzione. Ancora una volta molto ampia |
| termini del B10, ma un po ' |
| vincolato per la beta, quindi il |
| beta è un precedente informativo |
| distribuzione. E ancora il |
| i grafici di contorno rappresentano il file |
| informazioni nei dati limitati. |
| Nel nostro posteriore, ancora una volta, è |
| dove otteniamo la sovrapposizione tra i file |
| prima e la probabilità e noi |
| puoi vederlo qui. Quindi ancora una volta |
| abbiamo un confronto tra i file |
| intervallo di massima verosimiglianza, |
| che è estremamente ampio e il |
| intervallo che otteniamo per il file |
| stessa quantità utilizzando i Bayes |
| inferenza, che ha incorporato il |
| informazioni preliminari sul Weibull |
| parametro di forma. E ora il file |
| l'intervallo è compreso tra .002 e |
| .98 o circa .1, circa il 10% |
| fallendo, quindi potrebbe essere |
| accettabile. Alcune delle cose |
| che abbiamo imparato qui, anche |
| sebbene non ci fossero reali |
| tempi di fallimento, possiamo ancora ottenere |
| informazioni sull'affidabilità da |
| dati, ma con pochissimi errori |
| non ci sono molte informazioni |
| Là. Ma possiamo usare il file |
| conoscenza dell'ingegnere sul |
| Parametro di forma Weibull su |
| integrare i dati per ottenere |
| inferenze utili e JMP fa |
| questo è davvero facile da fare. La mia ultima |
| due esempi riguardano |
| test accelerati. Accelerato |
| il test è ampiamente utilizzato |
| tecnica per ottenere informazioni |
| sull'affidabilità dei componenti |
| rapidamente durante la progettazione di un file |
| Prodotto. L'idea di base è quella di |
| unità di prova ad alti livelli di |
| variabili come temperatura o |
| tensione per far fallire le cose |
| rapidamente e quindi utilizzare un modello |
| per estrapolare di nuovo fino al file |
| condizioni d'uso. L'estrapolazione lo è |
| sempre pericoloso e dobbiamo |
| tienilo a mente. Quello è il |
| motivo per cui vorremmo avere il nostro |
| modello essere fisicamente motivato. |
| Quindi ecco un esempio di un file |
| test di vita accelerato |
| su un laser. Le unità sono state testate a |
| 40, 60 e 80 gradi C, ma il |
| la condizione d'uso era di 10 gradi C. |
| Questa è la temperatura nominale |
| in fondo all'Atlantico |
| Oceano, dove c'erano questi laser |
| verrà utilizzato in un nuovo |
| sistema di telecomunicazioni. Il |
| il test è durato 5.000 ore, poco |
| poco più di sei mesi. Il |
| gli ingegneri volevano stimare |
| frazione che fallisce a circa 30.000 |
| ore. Sono circa 3,5 anni |
| e ancora, a 10 gradi C. |
| Ecco i risultati del |
| analysi. In modo da |
| testare e costruire in modo appropriato il file |
| modello, JMP utilizza questi tre |
| analisi diverse. Il primo |
| si adatta distribuzioni separate |
| ad ogni livello di temperatura. |
| Il prossimo modello fa lo stesso |
| cosa, tranne che vincola |
| il parametro di forma Sigma da essere |
| lo stesso ad ogni livello di |
| temperatura. Questo è analogo |
| all'assunzione costante di Sigma |
| che tipicamente realizziamo |
| analisi di regressione. Poi |
| infine, adattiamo la regressione |
| modello, che in effetti è un |
| regressione lineare semplice |
| collegare la vita a |
| temperatura. E per completare |
| questa visualizzazione di questi |
| tre modelli, JMP fa |
| test del rapporto di verosimiglianza da testare |
| se ci sono prove che |
| il Sigma potrebbe dipendere |
| temperatura e poi per testare |
| se ci sono prove di mancanza |
| di adattamento nel modello di regressione. |
| E dai grandi valori P. |
| qui, possiamo vedere che non c'è |
| prove contro questo modello. |
| Un altro modo per tracciare i risultati |
| di adattarsi a questo modello |
| è tracciare la vita contro |
| temperatura su scale speciali. UN |
| scala ritmica log per ore di |
| operazione in quello che è noto come un file |
| Scala di Arrhenius per la temperatura. |
| Corrispondente all'Arrhenius |
| modello, che descrive come |
| la temperatura influisce sulla reazione |
| tariffe, e quindi la durata. E |
| questo è il risultato di |
| stima di massima verosimiglianza |
| per il nostro modello. Il JMP |
| ci fornisce il profiler di distribuzione |
| una stima della frazione |
| fallendo a 30.000 ore. |
| E possiamo vedere che varia tra |
| 0,002 e circa 0,12, o il 12% |
| fallendo. Gli ingegneri in |
| applicazioni come questa, tuttavia, |
| spesso hanno informazioni su |
| ciò che è noto come efficace |
| energia di attivazione del guasto |
| meccanismo, e questo corrisponde |
| alla pendenza della regressione |
| linea nel modello Arrhenius. Così |
| abbiamo fatto un'analisi di Bayes e in |
| quell'analisi, abbiamo fatto un file |
| ipotesi circa l'effettiva |
| energia di attivazione. E questo è |
| andando a fornire più precisione |
| per noi. Quindi quello che abbiamo qui è |
| un grafico a dispersione a matrice di |
| distribuzione posteriore articolare |
| dopo aver specificato prima |
| distribuzioni per |
| parametri, debolmente informativi |
| per il quantile .1 a 40 |
| gradi C. Di nuovo, tutti |
| sarei d'accordo che quel numero è |
| da qualche parte tra 100 e |
| 32.000. Anche debolmente informativo |
| per la forma lognormale |
| parametro. Di nuovo, tutti |
| sarei d'accordo che quel numero è |
| da qualche parte tra 0,05 |
| e 20. Ma per la pendenza del |
| linea di regressione, abbiamo un file |
| preventivo informativo |
| tra .6 e .8, basato su |
| precedente esperienza con il |
| meccanismo di guasto. E questo porta |
| a questo confronto, dove ora |
| sul lato destro qui, il |
| intervallo per la frazione che fallisce a |
| 30.000 ore sono molto più strette |
| di quanto non fosse con il massimo |
| stima di verosimiglianza. Nel |
| particolare, il limite superiore ora |
| è solo del 4% circa rispetto a |
| 12% per la massima verosimiglianza |
| stime. Quindi lezioni apprese. |
| Forniscono test accelerati |
| rapidamente le informazioni sull'affidabilità, |
| e spesso gli ingegneri |
| informazioni sull'effetto di |
| energia di attivazione. E quello può |
| essere utilizzato per migliorare |
| precisione o per ridurre i costi di |
| non aver bisogno di testarne così tanti |
| unità. E ancora una volta bayesiano |
| metodi forniscono un appropriato |
| metodo per combinare gli ingegneri |
| conoscenza con i dati limitati. |
| Il mio ultimo esempio riguarda un file |
| test di vita accelerato di |
| un dispositivo a circuito integrato. Unità |
| sono stati testati ad alta temperatura |
| e i dati risultanti erano |
| intervallo censurato. Quello è |
| perché sono stati scoperti errori |
| solo durante le ispezioni che |
| periodicamente. Nel |
| questa prova però ci furono |
| solo fallimenti ai due massimi |
| livelli di temperatura. L'obiettivo. il gol |
| del test è stato quello di stimare il |
| .01 quantile a 100 gradi C. |
| Questa è una tabella dei dati |
| dove possiamo vedere i fallimenti |
| 250 e 300 gradi C. |
| E niente fallimenti, va bene |
| censurato ai tre inferiori |
| livelli di temperatura. Adesso quando |
| abbiamo fatto la massima probabilità |
| stima, in questo caso, abbiamo visto |
| forte evidenza che il Weibull |
| il parametro di forma dipendeva |
| temperatura. Quindi il valore P è |
| circa 0,03. Quello si scopre |
| per essere una prova contro il |
| Modello di Arrhenius, e questo |
| perché il modello Arrhenius dovrebbe |
| solo tempo di scala. Ma se tu |
| modificare il parametro di forma di |
| aumento della temperatura, sei |
| fare di più che ridimensionare il tempo. |
| E quindi questo è un problema, e questo |
| suggerito che a 300 gradi C, |
| c'è stato un altro fallimento |
| meccanismo. E infatti, quando il file |
| gli ingegneri hanno seguito e |
| determinato la causa del fallimento |
| delle unità a 250 e 300, |
| hanno visto che c'era un file |
| meccanismo diverso a 300. Che cosa |
| ciò significava che dovevamo farlo |
| buttare via quei dati. E allora |
| lo facciamo allora? Ora abbiamo solo |
| ha avuto guasti a 250 gradi C |
| e JMP non funziona molto bene |
| con quello. È sorprendentemente |
| effettivamente corre e dà |
| risponde, ma la fiducia |
| gli intervalli sono enormemente ampi |
| qui, come ci si aspetterebbe. Ma |
| gli ingegneri sapevano cosa fosse |
| meccanismo di fallimento era e loro |
| aveva avuto precedenti esperienze e |
| così possono portarlo |
| informazioni sulla pendenza in |
| l'analisi utilizzando Bayes |
| metodi. Quindi di nuovo, ecco il file |
| articolazione posteriore e la larghezza di |
| la distribuzione in |
| posteriore per beta 1 è |
| effettivamente quello che pensavamo |
| quando inseriamo un priore |
| distribuzione per quel parametro. |
| Quindi di nuovo, ecco il file |
| specifica del priore |
| distribuzioni, dove abbiamo usato |
| debolmente informativo per il |
| quantile e per Sigma, ma |
| previa distribuzione informativa |
| per la pendenza beta 1. E posso |
| ottenere una stima del tempo alle |
| quale 1% fallisce. Quindi l'estremità inferiore |
| punto dell'intervallo di confidenza |
| per il momento in cui l'1% fallirà |
| è più di 140.000 ore. |
| Quindi sono circa 20 anni, molto |
| più lungo del tecnologico |
| vita di questi prodotti in cui |
| questo circuito integrato sarà |
| Usato. Allora cosa abbiamo imparato qui? |
| Bene, in alcune applicazioni noi |
| hanno censura a intervalli perché |
| solo gli errori vengono rilevati |
| quando c'è un'ispezione. Noi |
| necessitano di statistiche adeguate |
| metodi per il trattamento di tali dati, |
| e JMP ha questi metodi. Se |
| usi livelli eccessivi di un |
| accelerazione variabile come |
| temperatura, è possibile generare |
| nuove modalità di guasto che rendono il |
| informazioni fuorvianti. Quindi noi |
| ha dovuto buttare via quelle unità. |
| Ma anche con solo fallimenti |
| un livello di temperatura, se noi |
| avere informazioni preventive |
| sull'effettiva attivazione |
| energia, possiamo combinarla |
| informazioni con il limitato |
| dati per trarre conclusioni utili. |
| Infine, alcune conclusioni |
| osservazioni, miglioramenti in |
| hardware e software informatici |
| hanno notevolmente migliorato la nostra capacità |
| per analizzare l'affidabilità e altro |
| dati. Ora possiamo anche usare Bayes |
| metodi, fornendo un altro set di |
| strumenti per combinare le informazioni |
| con dati limitati e JMP ha |
| potenti strumenti per farlo. |
| Quindi, sebbene questi file bayesiani |
| capacità sono state sviluppate per |
| la parte dell'affidabilità di JMP, |
| possono certamente essere utilizzati in |
| altre aree di applicazione. E |
| ecco alcuni riferimenti, |
| compresa la 2a edizione di |
| Affidabilità dei metodi statistici, |
| che dovrebbe essere probabilmente uscito in |
| Giugno del 2021. OK, quindi ora lo sono |
| andando a consegnarlo a Peng |
| e ti mostrerà come |
| facile è fare queste analisi. |
| Grazie, professore. |
| Prima di iniziare il mio |
| dimostrazione, vorrei |
| per mostrare questa diapositiva |
| Flusso di lavoro dell'analisi bayesiana |
| nella distribuzione della vita e |
| Fit Life di X. |
| Innanzitutto, devi inserire un file |
| modello parametrico utilizzando il massimo |
| probabilità. Ti presumo già |
| sapere come farlo in questi due |
| piattaforme. Allora devi |
| rivedi o trova il modello |
| utente grafico delle specifiche |
| interfaccia per bayesiano |
| stima all'interno del report |
| dal passaggio precedente. Per |
| esempio, questo è lo screenshot di |
| Modello Weibull in Life |
| Distribuzione. Devi andare al |
| menu triangolo rosso |
| e scegli stime bayesiane |
| per rivelare la grafica |
| interfaccia utente per il |
| Analisi bayesiana. |
| In Fit Life di X, vedere |
| lo screenshot di un lognormale |
| risultato. E l'utente grafico |
| interfaccia per il bayesiano |
| l'inferenza è nell'ultimo passaggio. |
| Dopo aver trovato l'utente grafico |
| interfaccia per analisi bayesiana, |
| dovrai fornire il file |
| informazioni sui priori. |
| Devi decidere i priori |
| dispersione per individuo |
| parametri. Hai bisogno di fornire |
| le informazioni per il |
| iperparametri e ulteriori |
| informazioni come il |
| probabilità per il quantile. |
| In aggiunta a ciò, noi |
| è necessario fornire il numero |
| di campioni posteriori. |
| Inoltre è necessario fornire un casuale |
| seme nel caso lo desideri |
| replica il tuo risultato nel file |
| futuro. Quindi puoi fare clic su Adatta |
| Modello. Questo genererà un file |
| relazione del modello. |
| Puoi montare più modelli |
| nel caso tu voglia studiare il |
| sensibilità di diverso |
| Modelli bayesiani dati |
| diversa distribuzione precedente. |
| Il risultato di un modello bayesiano, |
| comprese le seguenti cose, |
| il primo è un metodo di campionamento. |
| E poi c'è una copia dei priori. |
| Poi ha avuto una stima a posteriori |
| dei parametri. |
| E poi ci sono alcuni grafici a dispersione, |
| o per il priore o |
| i posteriori. |
| Alla fine, ne abbiamo due |
| profiler. Uno per la distribuzione |
| e quello per il quantile. |
| Usando questi risultati, tu |
| può fare ulteriori deduzioni |
| come la previsione del guasto. |
| Ora guarda la dimostrazione. |
| Dimostreremo con il |
| ultimo esempio che il professore |
| ha detto che ??? presentazione. |
| È il dispositivo IC lì. |
| Abbiamo due colonne per l'ora |
| all'evento | HoursL e HoursU to |
| rappresentano la situazione di censura. |
| Abbiamo un conteggio |
| per l'osservazione individuale e |
| temperatura per individuo |
| osservazione. Escludiamo l'ultimo |
| quattro osservazioni perché |
| sono associati a un diverso |
| Modalità di fallimento. Vogliamo escludere |
| queste osservazioni dal |
| analisi. Ora inizia a specificare. |
| ???. |
| Mettiamo ore in Y |
| Mettiamo Count in frequenza. |
| Mettiamo i gradi C in X. |
| Usiamo Arrhenius Celsius |
| per la nostra relazione. |
| Usiamo lognormal per il nostro |
| distribuzione. |
| Quindi fare clic su OK. |
| Il risultato è il massimo |
| influenza di probabilità |
| per il lognormale. Andiamo al |
| Stime bayesiane e |
| iniziare a specificare i nostri priori come |
| Il professore ha fatto nel suo |
| presentazione. Scegliamo un file |
| lognormale per il quantile. |
| Ci sono 250 gradi C. |
| E la sua vita B10. Così |
| la probabilità è 0,1. |
| Le due estremità del file |
| la distribuzione lognormale è 100 |
| e 10.000. |
| Ora specifica la pendenza. |
| La distribuzione è normale. |
| E due estremità del file |
| la distribuzione è .65 |
| e .85 perché è informativo |
| per richiedere l'intervallo è ristretto. |
| Ora specifichiamo il priore |
| distribuzione per Sigma, |
| che è un lognormale |
| e aveva una vasta gamma; |
| sono .05 e 5. |
| Abbiamo deciso di pescarne 5.000 |
| campioni posteriori. E assegna un file |
| seme casuale arbitrario. Poi |
| clicchiamo ... clicchiamo su Fit Model. |
| E cosa genera il rapporto per questo |
| specifica. Il metodo è |
| semplice rifiuto. Ed ecco un file |
| copia della nostra specifica proir. |
| Le stime posteriori |
| riassumere i nostri campioni posteriori. |
| È possibile esportare i campioni posteriori |
| facendo clic su questo Esporta |
| Campioni Monte Carlo |
| oppure sceglilo dal menu, |
| che è qui | Export Monte |
| Carlo Campioni. |
| Sono illustrati campioni posteriori |
| in questi grafici a dispersione. |
| Abbiamo due grafici a dispersione qui. |
| Il primo da usare |
| la stessa paramaterizzazione del priore |
| specifica, che è ... quale |
| usa quantile, pendenza e segnale. |
| L'altro grafico a dispersione ... il file |
| il secondo grafico a dispersione usa a |
| parametrizzazione tradizionale, |
| che include l'intercettazione di |
| regressione, una pendenza del |
| regressione e Sigma. |
| Alla fine per fare ???, noi |
| puoi guardare il file |
| profiler. Qui diamo un'occhiata |
| al secondo profiler, |
| profilo quantile, così possiamo |
| trova lo stesso risultato |
| come quello che il professore aveva mostrato |
| una delle diapositive precedenti. |
| Immettere 0,1 ... |
| 0,01 per probabilità. Quindi questo è |
| 1%. Entriamo a 100 gradi C |
| per gradi C. |
| E ci adattiamo |
| gli assi. |
| Quindi ora vediamo un simile |
| profiler. |
| Ha quello che era già dentro |
| la diapositiva precedente. |
| E possiamo leggere l'asse Y. |
| per ottenere il risultato che vogliamo, quale |
| è il tempo in cui l'1% del |
| il dispositivo non funzionerà a 100 gradi |
| C. Quindi questo conclude il mio |
| dimostrazione. E lascia |
| io vado avanti. |
| Questa diapositiva spiega |
| about ... spiega l'implementazione di JMP |
| dell'algoritmo di campionamento. |
| Abbiamo visto che il semplice |
| il rifiuto si è manifestato nel file |
| esempio precedente e questo è il file |
| prima tappa del ns |
| implementazione. Il semplice |
| l'algoritmo di rigetto viene provato e |
| vero metodo per i tuoi campioni, |
| ma può essere poco pratico |
| se il tasso di rigetto è alto. |
| Quindi se il rifiuto |
| tasso è alto, noi ... il nostro |
| le implementazioni passano a |
| secondo stadio, che è casuale |
| Cammina Metropolis-Hastings |
| algoritmo. Il secondo algoritmo |
| è efficiente, ma nel caso ... in |
| situazioni può fallire |
| non rilevabile se la probabilità |
| è irregolare. Ad esempio, il file |
| la probabilità è piuttosto piatta. Noi |
| progettato questa implementazione |
| perché abbiamo una situazione, |
| ci sono pochissimi errori o |
| anche senza fallimenti. In ciò |
| situazione la probabilità è |
| relativamente alto, ma ??? |
| situazione, usiamo semplice |
| algoritmo di rigetto e il |
| il tasso di rifiuto non è poi così male |
| e questo metodo sarà sufficiente. |
| Quando ne abbiamo sempre di più |
| fallimenti, la probabilità che |
| diventa più regolare. Così è stato |
| un picco nel mezzo. In ciò |
| situazione, il semplice |
| tasso di rejecction ... il semplice |
| metodo di rigetto diventa |
| poco pratico a causa dell'alto |
| tasso di rifiuto. Ma il casuale |
| L'algoritmo di Walk diventa più e |
| più promettente di avere successo |
| senza fallire. Quindi questo è il nostro |
| implementazione e spiegazione di |
| perché lo facciamo. |
| Questa diapositiva spiega come facciamo |
| specificare il normale troncato precedente |
| in queste due piattaforme. Perché |
| normale troncato non è un file |
| costruzione della distribuzione preliminare in |
| queste due piattaforme. |
| Per prima cosa, guarda cosa è |
| normale troncato. Qui noi |
| dare un esempio di normale troncato |
| con due estremità a 5 e 400. Il |
| due estremità sono illustrate da |
| questa L e questa R. |
| Ma il normale troncato non è niente |
| ma un normale scartando |
| tutti i valori che sono |
| negativo, che è rappresentato |
| da questo attraverso la curva come il |
| distribuzione normale equivalente |
| per questo particolare troncato |
| distribuzione normale. |
| Se vogliamo specificare questo |
| troncato normale o dobbiamo |
| definire è equivalente ... equivalente |
| distribuzione normale con due estremità |
| che aveva che aveva la stessa novità |
| e parametri Sigma come quelli di |
| questi normali troncati |
| distribuzioni. Quindi forniamo un file |
| script per farlo. |
| In questo script, il file |
| il calcolo è il |
| a seguire. Troviamo il nuovo |
| e Sigma dal troncato |
| normale. |
| Quindi possiamo ottenere il file |
| normale equivalente |
| distribuzione. |
| E noi quello ??? Sigma di questo |
| distribuzione normale che possiamo trovare |
| fuori le due estremità di questo normale |
| distribuzione. |
| Quindi, per specificare il file truncated |
| normale con queste due estremità |
| valore per specificare l'equivalente |
| distribuzione normale con due |
| fine ... questi due valori finali. |
| Questo è il modo in cui specifichiamo |
| normale troncato in questi |
| due piattaforme utilizzando |
| normale equivalente |
| distribuzione. Ed ecco il file |
| contenuto della sceneggiatura. |
| Tutto quello che devi fare è chiamare |
| una funzione, che qui è il file |
| inverte il parametro tnorm a |
| valore normale. Di che cosa hai bisogno |
| fornire sono le due estremità di |
| il normale troncato |
| distribuzione e darà |
| le due estremità dell'equivalente |
| distribuzione normale e puoi |
| usa questi due numeri per specificare |
| la distribuzione preventiva. |
| Quindi questo conclude il mio |
| dimostrazione. Nel mio |
| dimostrazione che ho mostrato come farlo |
| avviare l'analisi bayesiana in Life |
| distribuzione e Fix Life di |
| X, come entrare prima |
| informazione, |
| e qual è il contenuto di |
| Risultato bayesiano. Inoltre ho spiegato |
| qual è la nostra implementazione di |
| campionamento e perché lo fai |
| quello. E alla fine spiego |
| come si specifica un file |
| normale prima di utilizzare un file |
| equivalente normale prima di |
| questi due ... in questi due |
| piattaforme. Grazie. |
