Altoparlante | Trascrizione |
| Il nostro discorso di oggi mostra come |
| usa JMP per fare bayesiano |
| stima. Ecco una panoramica |
| del mio discorso. sto per iniziare |
| con una breve introduzione a |
| Metodi statistici bayesiani. |
| Allora vado avanti |
| quattro diversi esempi che |
| capita di provenire dall'affidabilità, |
| ma i metodi che stiamo presentando |
| sono davvero molto più generali e |
| può essere applicato in altre aree di |
| applicazione. Allora lo farò |
| consegnalo a Peng e lo è |
| ti mostrerò quanto è facile |
| per fare davvero queste cose |
| 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 incontrato operativo |
| condizioni per un determinato periodo |
| di tempo. Sottolineo incontrato |
| qui per sottolinearlo |
| l'affidabilità dipende in modo importante |
| sull'ambiente in cui a |
| prodotto viene utilizzato. Condra |
| affidabilità definita come qualità |
| col tempo. E molti ingegneri |
| pensare all'affidabilità è essere |
| evitare il fallimento, cioè a |
| progettare e realizzare un prodotto |
| che non fallirà. Affidabilità |
| è altamente quantitativo |
| disciplina ingegneristica, ma |
| spesso richiede sofisticati |
| statistico e probabilistico |
| 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 Montecarlo della catena di Markov |
| ed è stato accelerato da |
| miglioramenti spettacolari in |
| potenza di calcolo di cui disponiamo |
| oggi, così come il |
| sviluppo di relativamente facile |
| utilizzare software da implementare |
| Metodi di Bayes. Negli anni '90 noi |
| aveva BUG. Oggi Stan e altri |
| pacchetti simili hanno in gran parte |
| sostituito bug, ma l'altro |
| quello che sta succedendo è che lo siamo |
| cominciando a vedere più bayesiano |
| metodi implementati in |
| software commerciale. Così per |
| esempio, SAS ha PROC MCMC. |
| E ora JMP ne ha alcuni molto |
| strumenti potenti che erano |
| sviluppato per affidabilità, ma |
| come ho detto, possono essere applicati |
| anche in altri settori e |
| c'è una forte motivazione per |
| l'uso di metodi bayesiani. |
| Per prima cosa, fornisce a |
| 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 |
| complicanze da effetti casuali |
| come i dati del censore, dove massimo |
| la probabilità è difficile |
| implementare, ma dove Bayes |
| metodi sono relativamente facili da |
| strumento. C'è un piccolo |
| svantaggio nell'uso di Bayes |
| metodi. Devi pensare un po' |
| più duro su certe cose, |
| in particolare circa |
| parametrizzazione e come |
| specificare le distribuzioni precedenti. |
| Il mio primo esempio riguarda un file |
| gabbia del cuscinetto del motore dell'aeromobile. |
| Questi sono dati sui guasti sul campo |
| dove c'erano 1.703 aerei |
| motori che lo contenevano |
| gabbia portante. I più antichi |
| aveva 2.220 ore di funzionamento. IL |
| specifica di vita di progetto per |
| questa gabbia portante era quella n |
| più del 10% delle unità lo farebbe |
| fallire entro 8.000 ore di funzionamento. |
| Tuttavia, 6 unità avevano fallito e |
| questo ha sollevato la questione | noi |
| hai un problema serio qui? Fare |
| dobbiamo riprogettare questo cuscinetto |
| gabbia per soddisfare tale affidabilità |
| condizione? Questa è una trama di eventi |
| dei dati. La trama dell'evento |
| illustra la struttura |
| dei dati, ed in particolare, |
| possiamo vedere i sei fallimenti |
| Qui. Oltre a ciò, noi |
| hanno diritto censurato |
| osservazioni, qui indicate con |
| le frecce. Quindi queste sono unità |
| che sono ancora in servizio e |
| non hanno ancora fallito, e |
| la freccia destra lo indica |
| tutto ciò che sappiamo è se aspettiamo a lungo |
| abbastanza a destra, le unità |
| alla fine fallirà. Ecco un |
| analisi di massima verosimiglianza |
| quei dati, quindi la probabilità |
| trama qui suggerisce che il |
| La distribuzione di Weibull fornisce a |
| buona descrizione di questi dati. |
| Tuttavia, quando usiamo il |
| profiler di distribuzione a |
| frazione stimata che fallisce in |
| 8.000 ore, possiamo vedere che il |
| l'intervallo di confidenza è enorme, |
| compresa tra circa il 3% tutti i |
| fino al 100%. Non è molto |
| utile. Quindi metodi di verosimiglianza |
| lavorare così. Precisiamo il |
| modello e i dati. |
| Questo definisce la probabilità e |
| quindi usiamo la verosimiglianza di |
| fare inferenze. Bayesiano |
| i metodi sono simili, tranne noi |
| avere anche informazioni preliminari |
| specificato. Teorema di Bayes |
| combina la verosimiglianza con la |
| informazioni preventive, fornendo a |
| distribuzione posteriore, e poi |
| usiamo il posteriore |
| distribuzione per fare inferenze. |
| Ecco l'analisi di Bayes del |
| gabbia portante. I priori lo sono |
| specificato qui per il B10 |
| o 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 quell'intervallo. Per |
| il parametro di forma di Weibull, |
| tuttavia, useremo un |
| informativa preventiva distribuzione |
| sulla base degli ingegneri |
| conoscenza del fallimento |
| meccanismo e la loro vastità |
| esperienza precedente con quello |
| meccanismo. Possono dire con |
| pochi dubbi che il Weibull |
| parametro di forma dovrebbe essere |
| tra 1,5 e 3, e |
| qui è 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 |
| intervallo specificato. E poi noi |
| avere l'informativa preventiva per |
| il parametro di forma di Weibull |
| specificato qui. E poi JMP |
| genererà campioni da |
| 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 esempio da |
| la distribuzione precedente, così di nuovo |
| molto ampio per il quantile .1 |
| e alquanto vincolato per il |
| Parametro di forma di Weibull beta. SU |
| il diritto qui, abbiamo il |
| articolazione posteriore, che in effetti |
| è dove la probabilità contorna |
| e il campione precedente |
| sovrapposizione. E poi quei pareggi |
| dal giunto posteriore sono |
| utilizzato per calcolare stime e |
| Intervalli credibili bayesiani. COSÌ |
| ecco lo stesso profiler che noi |
| visto in precedenza dove il |
| l'intervallo di confidenza non lo era |
| utile. Dopo aver introdotto il |
| 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%. |
| Quindi 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 utilizzandolo prima |
| informazioni, possiamo migliorare |
| precisione e più utile |
| inferenze. E metodi bayesiani |
| fornire un metodo formale per |
| combinando tali informazioni precedenti |
| 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 era stato lanciato |
| e funzionavano tutti, tranne dentro |
| tre casi, dove c'era |
| fallimento catastrofico. E questi |
| erano missili più vecchi, e così |
| c'era qualche preoccupazione che |
| potrebbe esserci un guasto dovuto all'usura |
| meccanismo che metterebbe in |
| mettere a rischio i circa 20.000 |
| missili rimanenti nell'inventario. |
| Si pensava che i fallimenti fossero |
| a causa del ciclo termico, ma |
| non c'erano informazioni su |
| il numero di cicli termici. Noi |
| hanno solo l'età del |
| missile quando è stato lanciato. |
| È un utile surrogato, ma |
| l'effetto dell'utilizzo di un surrogato |
| così è che hai di più |
| variabilità dei dati. Ora |
| in questo caso non c'erano n |
| tempi di guasto osservati direttamente. |
| Quando un razzo è chiamato a |
| operare e funziona |
| con successo, tutto ciò che sappiamo è |
| che non avevano fallito al |
| età di quelle unità quando loro |
| è stato chiesto di operare. E per |
| le unità che hanno fallito |
| catastroficamente, ancora una volta, noi |
| non so l'ora in cui 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'usura |
| meccanismo di guasto che entra in azione |
| qui che metterebbe in |
| compromettere la quantità di rimanente |
| vita per le unità in |
| scorta. Quindi ecco il tavolo |
| dei dati. Qui abbiamo il |
| unità che operavano |
| 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 ancora, possiamo vedere |
| le giuste osservazioni censurate |
| qui con la freccia che punta a |
| destra, e possiamo vedere il |
| ha lasciato osservazioni censurate con |
| la freccia che punta a sinistra |
| indicando la regione di |
| incertezza. Ma anche con quelli |
| dati possiamo ancora adattare un Weibull |
| distribuzione. Ed ecco il |
| grafico di probabilità che mostra il |
| stima di massima verosimiglianza e |
| bande di confidenza. Ecco di più |
| informazioni dal massimo |
| analisi di verosimiglianza. E qui noi |
| 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, compresa tra il 3% e |
| 100%. Ancora una volta, non molto utile. |
| Ma gli ingegneri |
| sapendo qual è il fallimento |
| meccanismo era, ancora una volta |
| informazioni sul Weibull |
| parametro di forma. Il massimo |
| stima di probabilità era |
| estremamente grande e il |
| gli ingegneri ne erano abbastanza sicuri |
| era sbagliato, specialmente con |
| la variabilità extra in |
| dati che tenderebbero a guidare |
| il parametro di forma di Weibull ad a |
| valore inferiore. Come ti ho mostrato |
| la diapositiva precedente, fiducia |
| intervallo per frazione mancante in |
| 20 anni sono stati enormi. Quindi ancora una volta, |
| specificheremo un precedente |
| distribuzione e poi usa quella |
| in un'analisi di Bayes. Di nuovo, il |
| prima per B10, il momento in cui |
| Il 10% fallirà, viene scelto per esserlo |
| estremamente ampio. Non lo sappiamo davvero |
| voglio presumere qualcosa lì, |
| e tutti sarebbero d'accordo che |
| 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 usurato |
| meccanismo di fallimento, 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, JMP viene chiamata in causa |
| per generare estrazioni dal |
| distribuzione posteriore. Ed ecco |
| trama simile a quelle che noi |
| sega nell'esempio della gabbia del cuscinetto. |
| I punti neri qui, ancora una volta, lo sono |
| un campione dal priore |
| distribuzione. Di nuovo molto largo |
| termini del B10, ma in qualche modo |
| vincolato per la versione beta, quindi il |
| beta è un precedente informativo |
| distribuzione. E ancora il |
| i grafici di contorno rappresentano il |
| informazioni nei dati limitati. |
| Nel nostro posteriore, ancora una volta, lo è |
| dove otteniamo la sovrapposizione tra il |
| prima e la probabilità e noi |
| può vederlo qui. Quindi ancora una volta |
| abbiamo un confronto tra il |
| intervallo di massima verosimiglianza, |
| che è estremamente ampia, e il |
| intervallo che otteniamo per il |
| stessa quantità usando il Bayes |
| inferenza, che incorporava il |
| informazioni preliminari sul Weibull |
| parametro di forma. E ora il |
| l'intervallo varia tra .002 e |
| .98 o circa .1, circa il 10% |
| fallire, quindi potrebbe essere |
| accettabile. Alcune delle cose |
| che abbiamo imparato qui, anche |
| anche se non c'erano effettivi |
| tempi di fallimento, possiamo ancora ottenere |
| informazioni sull'affidabilità dal |
| dati, ma con pochissimi fallimenti |
| non ci sono molte informazioni |
| Là. Ma possiamo usare il |
| conoscenza dell'ingegnere sul |
| Parametro di forma Weibull a |
| integrare i dati da ottenere |
| deduzioni utili e fa JMP |
| questo è davvero facile da fare. Il mio ultimo |
| due esempi sono circa |
| collaudo accelerato. Accelerato |
| il test è ampiamente utilizzato |
| tecnica per ottenere informazioni |
| sull'affidabilità dei componenti |
| rapidamente durante la progettazione a |
| Prodotto. L'idea di base è quella di |
| unità di test ad alti livelli di |
| variabili come la temperatura o |
| tensione per far fallire le cose |
| rapidamente e quindi utilizzare un modello |
| per estrapolare fino al |
| condizioni d'uso. L'estrapolazione 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 |
| prova di vita accelerata |
| 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, dov'erano questi laser |
| sta per essere utilizzato in un nuovo |
| sistema di telecomunicazioni. 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 |
| analisi. In modo da |
| testare e costruire in modo appropriato il file |
| modello, JMP utilizza questi tre |
| diverse analisi. Il primo |
| uno si adatta a distribuzioni separate |
| ad ogni livello di temperatura. |
| Il prossimo modello fa lo stesso |
| cosa, tranne che vincola |
| il parametro di forma Sigma deve essere |
| lo stesso ad ogni livello di |
| temperatura. Questo è analogo |
| all'ipotesi Sigma costante |
| che di solito facciamo dentro |
| analisi di regressione. Poi |
| infine, adattiamo la regressione |
| modello, che in effetti è a |
| regressione lineare semplice |
| collegare la vita a |
| temperatura. E per integrare |
| questa visualizzazione di questi |
| tre modelli, JMP lo fa |
| test del rapporto di verosimiglianza da testare |
| se ci sono prove che |
| il Sigma potrebbe dipendere |
| temperatura e quindi 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 montare questo modello |
| è tracciare la vita contro |
| temperatura su bilance speciali. UN |
| scala ritmica logaritmica per ore di |
| operazione in quello che è noto come un |
| Scala di Arrhenius per la temperatura. |
| Corrispondente all'Arrhenius |
| modello, che descrive come |
| la temperatura influisce sulla reazione |
| tariffe, e quindi per tutta la vita. E |
| questo è il risultato del |
| stima di massima verosimiglianza |
| per il nostro modello Il JMP |
| ci fornisce il profiler di distribuzione |
| una stima della frazione |
| guasto a 30.000 ore. |
| E possiamo vedere che varia tra |
| .002 e circa .12, o 12% |
| fallendo. Gli ingegneri dentro |
| applicazioni come questa, tuttavia, |
| spesso hanno informazioni su |
| ciò che è noto come effettivo |
| energia di attivazione del guasto |
| meccanismo, e che corrisponde |
| alla pendenza della regressione |
| retta nel modello di Arrhenius. COSÌ |
| abbiamo fatto un'analisi di Bayes e dentro |
| quell'analisi, abbiamo fatto un |
| ipotesi sull'effettivo |
| energia di attivazione. E questo è |
| fornirà più precisione |
| per noi. Quindi quello che abbiamo qui è |
| un grafico a dispersione a matrice di |
| distribuzione articolare posteriore |
| dopo aver specificato in precedenza |
| distribuzioni per il |
| parametri, debolmente informativo |
| per il quantile .1 a 40 |
| gradi C. Di nuovo, tutti |
| sarebbe 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 |
| sarebbe d'accordo che quel numero è |
| da qualche parte tra .05 |
| e 20. Ma per la pendenza del |
| retta di regressione, abbiamo un |
| informativo prima di andare |
| tra .6 e .8, in base a |
| precedente esperienza con il |
| meccanismo di fallimento. E questo conduce |
| a questo confronto, dove ora |
| sul lato destro qui, il |
| intervallo per frazione mancante in |
| 30.000 ore sono molto più ristrette |
| di quanto non fosse con il massimo |
| stima di verosimiglianza. In |
| particolare, il limite superiore ora |
| è solo circa il 4% rispetto a |
| 12% per la massima verosimiglianza |
| stime. Quindi lezioni apprese. |
| I test accelerati forniscono |
| informazioni sull'affidabilità rapidamente, |
| e gli ingegneri hanno spesso |
| informazioni sull'effetto di |
| energia di attivazione. E questo può |
| essere utilizzato per migliorare |
| precisione o per ridurre i costi di |
| non aver bisogno di testare 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 |
| 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 i fallimenti sono stati scoperti |
| solo durante le ispezioni che |
| venivano condotti periodicamente. In |
| questo test, tuttavia, c'erano |
| solo fallimenti ai due alti |
| livelli di temperatura. L'obiettivo |
| 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 a |
| 250 e 300 gradi C. |
| E niente fallimenti va bene |
| censurato ai tre inferiori |
| livelli di temperatura. Ora quando |
| abbiamo fatto la massima verosimiglianza |
| stima, in questo caso, abbiamo visto |
| forte evidenza che il Weibull |
| parametro di forma dipendeva da |
| temperatura. Quindi il valore P è |
| circa .03. Questo risulta |
| essere una prova contro il |
| Modello di Arrhenius, e basta |
| perché il modello di Arrhenius dovrebbe |
| solo tempo di scala. Ma se tu |
| modificare il parametro della forma di |
| aumentando la temperatura, sei |
| facendo più che ridimensionare il tempo. |
| E quindi questo è un problema, e questo |
| ha suggerito che a 300 gradi C, |
| c'è stato un fallimento diverso |
| meccanismo. E infatti, quando il |
| gli ingegneri hanno seguito e |
| determinato la causa del fallimento |
| delle unità a 250 e 300, |
| hanno visto che c'era un |
| meccanismo diverso a 300. Che cosa |
| ciò significava che dovevamo |
| butta via quei dati. E allora |
| facciamo allora? Ora abbiamo solo |
| ha avuto guasti a 250 gradi C |
| e JMP non funziona molto bene |
| con quello. È sorprendentemente, |
| in realtà corre e dà |
| risposte, ma la fiducia |
| gli intervalli sono enormemente ampi |
| qui, come ci si aspetterebbe. Ma |
| gli ingegneri sapevano cosa |
| meccanismo di fallimento era e loro |
| aveva avuto precedenti esperienze e |
| così possono portarlo |
| informazioni sulla pendenza in |
| l'analisi con Bayes |
| metodi. Quindi, ancora una volta, ecco il |
| comune posteriore e la larghezza di |
| la distribuzione nel |
| posteriore per beta 1 è |
| effettivamente quello che abbiamo ipotizzato |
| quando inseriamo un precedente |
| distribuzione per quel parametro. |
| Quindi, ancora una volta, ecco il |
| specificazione del priore |
| distribuzioni, dove abbiamo usato |
| debolmente informativo per il |
| quantile e per Sigma, ma |
| informativa preventiva distribuzione |
| per la pendenza beta 1. E posso |
| ottenere una stima del tempo a |
| 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 di quello tecnologico |
| vita di questi prodotti in cui |
| questo circuito integrato sarà |
| usato. Quindi cosa abbiamo imparato qui? |
| Bene, in alcune applicazioni noi |
| avere intervallo di censura perché |
| solo i guasti vengono scoperti |
| quando c'è un'ispezione Noi |
| necessitano di dati statistici appropriati |
| modalità di trattamento di tali dati, |
| e JMP ha questi metodi. Se |
| usi livelli eccessivi di an |
| variabile accelerante come |
| temperatura, è possibile generare |
| nuove modalità di guasto che rendono il |
| informazioni fuorvianti. Quindi noi |
| dovuto buttare via quelle unità. |
| Ma anche solo con fallimenti |
| un livello di temperatura, se noi |
| disporre di informazioni preliminari |
| sull'effettiva attivazione |
| energia, possiamo combinarla |
| informazioni con il limitato |
| dati per trarre conclusioni utili. |
| Infine, alcune conclusioni |
| osservazioni, miglioramenti in |
| hardware e software di calcolo |
| hanno notevolmente migliorato la nostra capacità |
| per analizzare l'affidabilità e altro |
| dati. Ora possiamo usare anche Bayes |
| metodi, fornendo un altro insieme di |
| strumenti per combinare le informazioni |
| con dati limitati e JMP ha |
| potenti strumenti per farlo. |
| Quindi, sebbene questi bayesiani |
| le capacità sono state sviluppate per |
| la parte relativa all'affidabilità di JMP, |
| possono certamente essere utilizzati in |
| altri ambiti di applicazione. E |
| ecco alcuni riferimenti, |
| compresa la 2a edizione di |
| Affidabilità dei metodi statistici, |
| che dovrebbe essere fuori probabilmente dentro |
| giugno del 2021. OK, quindi ora lo sono |
| lo consegnerò a Peng |
| e ti mostrerà come |
| facile è fare queste analisi. |
| Grazie, professore. |
| Prima di iniziare il mio |
| dimostrazione, mi piacerebbe |
| per mostrare questa diapositiva |
| Flusso di lavoro dell'analisi bayesiana |
| nella distribuzione della vita e |
| Fit Life di X. |
| Per prima cosa, devi adattare a |
| modello parametrico utilizzando massimo |
| probabilità. Presumo che tu già |
| sapere come farlo in questi due |
| piattaforme. Allora devi |
| rivedere o trovare il modello |
| specifica utente grafico |
| interfaccia per bayesiano |
| stima all'interno del rapporto |
| dal passaggio precedente. Per |
| esempio, questo è uno screenshot di |
| Modello di Weibull in Life |
| Distribuzione. Devi andare al |
| menu triangolo rosso |
| e scegli le 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 l'analisi bayesiana, |
| sarà necessario fornire il |
| informazioni sui priori. |
| Devi decidere i priori |
| dispersione per individuo |
| parametri. Devi fornire |
| le informazioni per il |
| iperparametri e aggiuntivi |
| informazioni come il |
| probabilità per il quantile. |
| Oltre a ciò, noi |
| necessario fornire il numero |
| di campioni posteriori. |
| È inoltre necessario fornire un file casuale |
| seme nel caso tu voglia |
| replica il tuo risultato nel file |
| futuro. Quindi puoi fare clic su Adatta |
| Modello. Questo genererà un file |
| relazione del modello. |
| Puoi adattare 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 posteriore |
| dei parametri. |
| E poi ci sono alcuni grafici a dispersione, |
| o per il precedente 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 fallimento. |
| Ora guarda la dimostrazione. |
| Dimostreremo con il |
| ultimo esempio che il professore |
| detto che??? presentazione. |
| È il dispositivo IC lì. |
| Abbiamo due colonne per l'ora |
| all'evento | OreL e OreU to |
| rappresentano la situazione di censura. |
| Abbiamo un conteggio |
| per l'osservazione individuale e |
| temperatura individuale |
| osservazione. Escludiamo l'ultimo |
| quattro osservazioni perché loro |
| sono associati a un diverso |
| Modalità di fallimento. Vogliamo escludere |
| queste osservazioni del |
| analisi. Ora inizia a specificare. |
| ???. |
| Mettiamo ore in Y |
| Mettiamo Count in frequenza. |
| Mettiamo i gradi C in X. |
| Usiamo l'Arrhenius Celsius |
| per la nostra relazione. |
| Usiamo lognormal per il nostro |
| distribuzione. |
| Quindi fare clic su OK. |
| Il risultato è il massimo |
| influenza della verosimiglianza |
| per il lognormale. Andiamo al |
| Stime bayesiane e |
| inizia a specificare i nostri priori come |
| Professore ha fatto nel suo |
| presentazione. Scegliamo un |
| lognormale per il quantile. |
| Ci sono 250 gradi C. |
| E la sua vita B10. COSÌ |
| la probabilità è 0,1. |
| Le due estremità del |
| la distribuzione lognormale è 100 |
| e 10.000. |
| Ora specifica la pendenza. |
| La distribuzione è lognormale. |
| E due estremità del |
| la distribuzione è .65 |
| e .85 perché è informativo |
| richiedere che la gamma sia ristretta. |
| Ora specifichiamo il priore |
| distribuzione per Sigma, |
| che è un lognormale |
| e aveva una vasta gamma; |
| è .05 e 5. |
| Abbiamo deciso di pescarne 5.000 |
| campioni posteriori. E assegna un |
| 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 |
| copia della nostra specifica proir. |
| Le stime posteriori |
| riassumere i nostri campioni posteriori. |
| È possibile esportare i campioni posteriori |
| facendo clic su questa esportazione |
| Campioni di Montecarlo |
| oppure sceglilo dal menù, |
| che è qui | Esporta Monte |
| Carlo Campioni. |
| I campioni posteriori sono illustrati |
| in questi grafici a dispersione. |
| Abbiamo due grafici a dispersione qui. |
| Il primo da usare |
| la stessa parametrizzazione del precedente |
| specifica, che è... quale |
| usa quantile, pendenza e segnale. |
| L'altro grafico a dispersione... il |
| il secondo grafico a dispersione utilizza a |
| parametrizzazione tradizionale, |
| che include l'intercettazione di |
| regressione, una pendenza del |
| regressione e Sigma. |
| Alla fine per fare ???, noi |
| possiamo guardare il |
| profiler. Qui diamo un'occhiata |
| al secondo profiler, |
| profilo quantile, quindi possiamo |
| trovare lo stesso risultato |
| come quello che aveva mostrato il Professore |
| una delle diapositive precedenti. |
| Inserisci 0,1... |
| 0,01 per la probabilità. Quindi questo è |
| 1%. Entriamo a 100 gradi C |
| per lauree C. |
| E ci adeguiamo |
| gli assi. |
| Quindi ora ne vediamo uno simile |
| profiler. |
| Ha che era già dentro |
| la diapositiva precedente. |
| E possiamo leggere dall'asse Y |
| per ottenere il risultato che vogliamo, quale |
| è il tempo in cui l'1% del |
| il dispositivo fallirà a 100 gradi |
| C. Quindi questo conclude il mio |
| dimostrazione. E lascia |
| vado avanti. |
| Questa diapositiva spiega |
| about...spiega l'implementazione di JMP |
| dell'algoritmo di campionamento. |
| Abbiamo visto che il semplice |
| il rifiuto è apparso nel |
| esempio precedente e questo è il |
| prima tappa del nostro |
| implementazione. Il semplice |
| algoritmo di rifiuto è provato e |
| vero metodo ai tuoi campioni, |
| ma può essere poco pratico |
| se il tasso di rifiuto è alto. |
| Quindi se il rifiuto |
| il tasso è alto, noi... il nostro |
| le implementazioni passano a |
| seconda fase, 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 |
| la probabilità è piuttosto piatta. Noi |
| progettato questa implementazione |
| perché abbiamo una situazione, |
| ci sono pochissimi fallimenti o |
| nemmeno fallimenti. In ciò |
| situazione la probabilità è |
| relativamente alto, ma ??? |
| situazione, usiamo simple |
| algoritmo di rifiuto e |
| il tasso di rifiuto non è poi così male |
| e questo metodo sarà sufficiente. |
| Quando ne avremo sempre di più |
| fallimenti, la probabilità che |
| diventa più regolare. Così ha |
| un picco nel mezzo. In ciò |
| situazione, il semplice |
| tasso di rifiuto... il semplice |
| metodo di rifiuto diventa |
| poco pratico a causa dell'alto |
| tasso di rifiuto. Ma il casuale |
| L'algoritmo Walk diventa più e |
| più promettente per avere successo |
| senza fallimento. Quindi questo è il nostro |
| implementazione e spiegazione di |
| perché lo facciamo. |
| Questa diapositiva spiega come |
| specificare prima normale troncato |
| in queste due piattaforme. Perché |
| normale troncato non è a |
| costruzione prima della distribuzione in |
| queste due piattaforme. |
| Per prima cosa, guarda cos'è |
| normale troncato. Qui noi |
| dare un esempio di normale troncata |
| 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 specificarlo |
| troncato normale o ne abbiamo bisogno |
| definire è equivalente...equivalente |
| distribuzione normale con due estremi |
| che aveva che aveva lo stesso nuovo |
| e parametri Sigma come quelli di |
| questi normali troncati |
| distribuzioni. Quindi forniamo un |
| script per farlo. |
| In questo script, il |
| il calcolo è il |
| seguente. Troviamo il nuovo |
| e Sigma dal tronco |
| normale. |
| Quindi possiamo ottenere il |
| normale equivalente |
| distribuzione. |
| E noi quello??? Sigma di questo |
| distribuzione normale che possiamo trovare |
| le due estremità di questo normale |
| distribuzione. |
| Quindi, per specificare il file troncato |
| normale con queste due estremità |
| valore per specificare l'equivalente |
| distribuzione normale con due |
| end...questi due valori finali. |
| Così specifichiamo |
| troncato normale in questi |
| due piattaforme utilizzando |
| normale equivalente |
| distribuzione. Ed ecco il |
| contenuto della sceneggiatura. |
| Tutto quello che devi fare è chiamare |
| una funzione, che qui è la |
| invertire il parametro tnorm a |
| valore normale. Di che cosa hai bisogno |
| fornire sono le due estremità di |
| la normale troncata |
| distribuzione e darà |
| le due estremità dell'equivalente |
| distribuzione normale e puoi farlo |
| usa quei due numeri per specificare |
| la distribuzione precedente. |
| Quindi questo conclude il mio |
| dimostrazione. Nel mio |
| dimostrazione ho mostrato come |
| 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 del |
| campionamento e perché lo fai |
| Quello. E alla fine spiego |
| come specifichiamo un file troncato |
| normale prima di utilizzare un |
| equivalente normale precedente in |
| questi due... in questi due |
| piattaforme. Grazie. |
