Dans ce parler, étaient en allant à décrire
répété mesures dégradation et c'est mise en œuvre dans JMP.
Je suis en allant à présent le arrière-plan, motivation,
quelques technique idées et exemples.
Alors Je vais tourner il sur à Peng, OMS volonté faire un manifestation montrant
juste comment facile il est à appliquer ces méthodes dans JMP17.
Voici un aperçu de mon parler.
Je suis en allant à commencer dehors avec quelques motivant exemples,
et alors expliquer le relation entre dégradation et échec et le avantages
de en utilisant dégradation la modélisation dans certain applications.
Alors Je vais décrire le motivation pour notre utiliser de Bayésien méthodes
à faire le estimation.
À utiliser Les méthodes de Bayes pour estimation, toi besoin à avoir avant distributions.
Je vais parler à propos le communément utilisé, non informatif et hebdomadaire informatif
avant distributions.
Aussi dans quelques applications,
nous volonté avoir informatif avant distributions et comment ceux peut être utilisé.
Alors Je vais aller à travers deux exemples,
et à le fin Je vais avoir quelques final remarques.
Notre premier exemple est fissure croissance.
Nous avoir 21 cranté spécimens.
Le encoches étaient .9 " profond, et c'est comme un entrée fissure.
Alors le spécimens sont soumis à cyclique chargement,
et dans chaque faire du vélo, le fissure grandit un petit peu.
Quand le fissure obtient à être 1.6 " long, c'est le définition de un échec.
Nous peut voir que assez un peu
de le fissures avoir déjà dépassé que niveau, mais beaucoup de eux avoir pas.
Traditionnellement, toi pourrait traiter ceux comme droite censuré observations.
Mais si toi avoir le dégradation information,
toi peut utiliser que à fournir
supplémentaire information à donner toi un mieux analyse de ton données.
Le basique idée est à ajuster un modèle à décrire le dégradation des chemins,
et alors à utiliser que modèle à induire un échec temps distribution.
Notre deuxième exemple est quoi nous appel Appareil B,
un radio fréquence pouvoir amplificateur.
Sur temps le pouvoir sortir volonté diminuer
parce que de un interne dégradation mécanisme.
Ce était un accéléré test où unités étaient soumis
à plus haut les niveaux de température,
2 37, 195 et 150 degrés C.
Le ingénieurs nécessaire information à propos le fiabilité de ce appareil
donc que ils pourrait déterminer comment beaucoup redondance à construire dans le Satellite.
Le échec définition dans ce cas était
quand le pouvoir sortir abandonné à -0,5 décibels.
Nous peut voir que tous de le unités avait déjà échoué
à le plus haut les niveaux de température,
mais à 150 degrés C, là étaient Non les échecs encore.
Mais là est beaucoup de information à propos comment
fermer ces unités étaient à échec par regarder à le dégradation chemins.
Encore, nous vouloir à construire un modèle pour le dégradation des chemins,
et alors nous utiliser que à induire un échec temps distribution.
Dans ce cas, le utiliser condition est 80 degrés C.
Nous vouloir à savoir le temps à lequel unités
en fonctionnement à 80 degrés C, serait atteindre ce échec définition.
Une fois encore, nous construire un modèle pour le dégradation chemins.
Nous ajuster que modèle, et alors depuis que nous peut obtenir un échec temps distribution.
Beaucoup les échecs résultat depuis un sous-jacent dégradation processus.
Dans quelques applications, dégradation est le naturel réponse.
Dans ceux situations, il fait du sens à ajuster un modèle
à le dégradation et alors utiliser le induit échec temps distribution.
Dans tel applications,
une fois nous avoir un définition pour échec, lequel nous appel un doux échec
parce que le unité n'a pas en fait arrêt en fonctionnement quand il atteint que niveau
de dégradation, mais c'est fermer assez à les échecs que ingénieurs dire nous serait
comme à remplacer que unité à que indiquer, juste à être sûr.
Maintenant, dans général, il y a deux différent
types de dégradation données, répété mesures dégradation,
comme le deux exemples que j'ai montré toi, et destructeur dégradation,
où toi a à détruire le unité dans commande à faire le dégradation la mesure.
Pour beaucoup années, JMP a avait
très bien outils pour manutention dégradation données.
Je suis concentré dans ce parler
sur le répété mesures dégradation méthodes
que sont être mis en œuvre dans JMP17.
Là sont beaucoup autre applications
de répété mesures dégradation, pour exemple, DIRIGÉ ou laser sortir,
le perte de brillant dans un voiture enrobage et dégradation de un chimique composé,
lequel peut être mesuré avec techniques tel comme FTIR
ou n'importe lequel autre mesuré qualité caractéristique
c'est en allant à dégrader sur temps.
Là sont beaucoup applications pour répété mesures dégradation.
Là sont beaucoup avantages de en cours d'analyse dégradation données si toi peut obtenir eux.
Dans particulier,
là est beaucoup plus information dans le dégradation données
relatif à tournant ceux dégradation données
dans échec temps données.
Ce est en particulier vrai si ce lourd censure.
En effet, c'est possible à faire inférences à propos fiabilité
depuis dégradation données dans situations où là ne sont pas n'importe lequel les échecs à tous.
Aussi, direct observation
de le dégradation processus permet nous à construire mieux des modèles
pour le échec temps distribution parce que étaient plus proche
à le la physique de échec.
Maintenant, plusieurs années il y a, quand nous étaient planification le deuxième édition
de notre fiabilité livre, nous fait un décision à utiliser
plus Bayésien méthodes dans beaucoup différent domaines de application.
Un de ceux est répété mesures dégradation.
Pourquoi est que?
Quoi était le motivation pour en utilisant Bayes méthodes
dans ces applications?
je utilisé à pense que le principal motivation
pour Bayésien méthodes était à apporter avant information dans le analyse.
Parfois c'est vrai,
mais sur le années, j'ai appris que là sont beaucoup
autre les raisons pourquoi nous vouloir à utiliser Bayésien méthodes.
Pour exemple, Bayésien méthodes faire pas compter sur
sur grand échantillon théorie à obtenir confiance intervalles.
Il repose sur probabilité théorie.
Aussi, il se tourne dehors que quand toi utiliser Bayes méthodes avec soigneusement choisi,
non informatif ou hebdomadaire informatif avant distributions,
toi avoir crédible intervalle procédures que avoir très bien couverture propriétés.
Que est, si toi demander pour 95 % intervalle,
ils tendre à couverture quoi ils sont censé à couverture avec 95% probabilité.
Dans beaucoup applications, là sont beaucoup non bayésien approximations
que peut être utilisé à ensemble confiance intervalles.
Quand toi faire Bayésien inférence, c'est très direct.
Il y a vraiment seulement un chemin à faire il.
Aussi, Bayésien méthodes peut poignée avec relatif facilité,
compliqué modèle données combinaisons
pour lequel il y a Non maximum probabilité logiciel disponible.
Pour exemple, compliqué combinaisons
de non linéaire des relations, aléatoire paramètres et capteur données,
le Bayes méthodes sont relativement
direct à appliquer dans ces compliqué situations.
Enfin, dernier mais certainement pas moins, Bayésien méthodes faire permettre un analyste
à intégrer avant information dans le données analyse.
Mais je vouloir à indiquer dehors que le révolution nous avons avait
dans le monde de données analyse à utiliser plus Bayésien méthodes,
la plupart analystes sont pas apportant
informatif avant information dans leur analyse.
Plutôt, ils utiliser hebdomadaire informatif ou non informatif priors
donc que ils ne le faites pas avoir à défendre le avant distribution.
Mais dans beaucoup applications,
nous vraiment faire avoir solide avant information que volonté aide nous obtenir mieux réponses.
je volonté illustrer que dans un de le exemples.
Bayésien méthodes exiger
le spécification de un avant distribution.
Comme je dit, dans beaucoup application, analystes faire pas vouloir à apporter
informatif avant information dans le la modélisation et analyse.
Quoi que a besoin est quelques par défaut avant
c'est non informatif ou hebdomadaire informatif.
Il y a a été un grand montant de théorique recherche sur ce sujet
sur le passé 40 années, menant à tel outils comme référence les priors,
chez Jeffrey les priors, et indépendant chez Jeffrey priors
que avoir a été montré à avoir bien fréquentiste couverture propriétés.
Un de mon récent et actuel recherche domaines
est à essayer et faire ces idées opérationnel
dans pratique problèmes, particulièrement dans le zone de fiabilité.
UN simple exemple de ce est si toi vouloir à estimation un emplacement paramètre
dans le enregistrer de un échelle paramètre, un plat avant distribution conduit
à crédible intervalles que avoir exact couverture propriétés.
C'est très puissant.
Aussi, plat avant distributions peut être Bien approximé par un normale distribution
avec un très grand variance, et que conduit à hebdomadaire informatif priors.
Encore, c'est quelque peu informatif,
mais parce que le variance est très grand, nous appeler hebdomadaire informatif.
Le approche que j'ai a été prise à spécifier avant distributions est à trouver
un non contraint paramétrage, comme le emplacement paramètre
et le enregistrer de le échelle paramètre que je mentionné au-dessus de,
et alors utiliser un non informatif
ou hebdomadaire informatif plat ou normale distribution
avec très grand écarts comme le défaut avant.
Alors c'est toujours bien idée à utiliser quelques
sensibilité analyse à faire bien sûr que le avant sont environ non informatif.
Que est, comme toi perturber le avant paramètres,
il n'a pas affecter le bas doubler résultats.
JMP les usages très sensible, performant méthodes à spécifier
défaut avant distributions que sont à peu près dans doubler
avec quoi j'ai décrit ici.
Ayant ceux défaut avant distributions
fait du le logiciel convivial,
parce que alors le utilisateur seulement a à spécifier avant distributions
où ils avoir informatif information que ils vouloir à apporter dans.
Voici juste un illustration à montrer que comme le standard déviation
de un normale distribution obtient plus grand, toi approche un plat avant distribution.
Maintenant, comme je dit, dans quelques applications, nous vraiment avoir avant information
que nous vouloir à apporter dans que est informatif avant information.
Quand nous avoir tel information,
nous volonté typiquement décrire il avec un symétrique distribution,
comme un normale distribution, bien que quelques personnes préférer à utiliser
quoi nous appel un emplacement- échelle t distribution
parce que ils avoir plus long queues.
Dans la plupart applications où nous avoir ce
informatif avant information, c'est seulement sur un de le paramètres.
Alors étaient en allant à utiliser non informatif,
ou hebdomadaire informatif avant distributions
pour tous de le autre paramètres.
Allons aller dos à alliage un.
Quoi étaient en allant à faire est étaient en allant à ajuster un modèle à le dégradation des chemins,
et alors utiliser que modèle à induire un échec temps distribution.
Maintenant si toi regarder dans un ingénierie cahier de texte
sur fatigue ou matériaux comportement,
tu vas apprendre à propos le Paris crack-g rangée modèle.
C'est toujours bon à avoir un modèle que est d'accord avec ingénierie connaissance.
JMP a mis en œuvre ce Modèle de croissance du crack de Paris.
Voici le chemin il serait apparaître dans un cahier de texte.
Alors sur le droite ici nous avoir le JMP mise en œuvre de que.
C'est un de le beaucoup des modèles que toi peut choisir à ajuster à ton dégradation données.
Maintenant, c et m ici, lequel dans JMP est c et b2,
sont matériaux paramètres, et ils sont aléatoire depuis unité à l'unité.
Le K fonction ici est connu comme un stresser intensité fonction.
Pour le fissure étaient étudier ici,
le stresser intensité fonction a ce représentation.
Maintenant ce est un différentiel équation,
parce que nous avons a obtenu un de t ici, et aussi un ici,
toi peut résoudre que différentiel équation et obtenir ce bon fermé formulaire.
Ce est le modèle c'est être ajuster dans JMP.
Encore le paramètres b1 et b2 volonté être aléatoire depuis unité à unité.
Maintenant voici le spécification de le avant distribution.
j'ai illustré ici deux différent
avant distributions, le défaut avant dans JMP,
et le avant distribution que nous utilisé dans le deuxième édition
de notre fiabilité livre, lequel nous appel SMRD2,
statistique méthodes pour fiabilité ajout deux.
Maintenant le chemin nous spécifier avant distributions
dans SMRD2 et JMP est faire ce comme Bien, est avec quoi je appel un 99 % gamme.
Pour exemple, nous dire que étaient en allant
à décrire le signifier de le b1 paramètre
par un normale distribution que a 99 % de le probabilité
entre -15 et 22.
C'est un énorme gamme.
Que est hebdomadaire informatif.
Alors nous avoir similaire, très large gammes pour le autre signifier paramètre ici.
Alors pour le Sigma paramètre JMP,
suivant habituel procédures pour ces les usages un moitié distribution de Cauchy,
lequel a un long supérieur queue,
et donc, encore, est hebdomadaire informatif.
Maintenant dans notre fiabilité livre, nous utilisé beaucoup plus serré gammes.
Mais de façon intéressante, le deux différent avant distributions ici
donner juste à propos le même répondre, parce que les deux sont hebdomadaire informatif.
Que est, le gammes sont grand relatif à,
laisser nous dire, le confiance intervalle
que toi serait obtenir en utilisant non-Bayes méthodes.
Maintenant, dans ajout à en précisant le avant distributions, lequel encore,
JMP fait du très facile parce que il a ces bon défaut les priors,
toi aussi avoir le capacité à contrôle le Chaîne de Markov Monte Carlo algorithme.
Le seulement défaut que je serait changement ici
est typiquement je serait courir plus que un chaîne.
je modifié le un ici à quatre.
Le raison pour faire que est double.
D'abord tous, dans la plupart configurations, y compris JMP,
toi peut courir ceux simultanément, donc il n'a pas prendre n'importe lequel plus ordinateur temps.
Le autre chose est nous vouloir à comparer ceux quatre différent Markov Chaînes
à faire bien sûr que ils sont donnant à propos le même réponses.
Nous appel que mélange Bien.
Si toi voir un situation où un de ceux Chaînes est différent
depuis le autres, c'est un indication de un problème.
Si toi avoir tel un problème,
alors le habituel remède est à augmenter le nombre de réchauffer tours,
lequel est ensemble à être dix par défaut, mais toi peut augmenter que.
Quoi que fait il permet JMP à régler
le MCMC algorithme à le particulier problème donc que il volonté échantillon correctement
à obtenir dessine depuis le articulation postérieur distribution.
Dans tous de mon expériences en utilisant JMP, et Peng a suggéré que il est avait
similaire expériences que par en augmentant que haut assez,
avec n'importe lequel exemples que nous avons essayé, JMP volonté travail Bien.
Mais avec dix pour la plupart applications, que est un suffisamment grand nombre.
Voici le résultats.
Voici un tableau de le paramètre estimations.
Bien, typiquement dans fiabilité applications,
étaient pas donc beaucoup intéressé dans le estimations eux-mêmes.
Étaient en allant à être intéressé dans des choses
comme échec distributions, lequel nous regarder à dans un moment.
Alors dans ce parcelle,
nous avoir estimations de le échantillon chemins
pour chaque de le des fissures.
Encore, toi peut voir le échec définition ici.
Comme Peng volonté montrer toi,
JMP fait du il facile à regarder à MCMC Diagnostique.
C'est toujours un bien idée à regarder
à Diagnostique à faire bien sûr tout tourné dehors d'accord.
Quoi toi faire est toi exporter postérieur dessine depuis JMP,
et alors JMP a ensemble en haut là quelques scripts à créer
ces divers différent Diagnostique.
Pour exemple, il y a un scénario à faire un tracer parcelle ou un temps série parcelle.
je toujours comme à comparer ceux pour le différent Chaînes.
Alors il y a un autre un à faire quoi nous appel un paires parcelle,
ou nuage de points matrice de le dessine.
C'est quoi nous voir ici.
Alors comme je dit, nous peut utiliser ceux dessine
à générer estimations de le échec temps distribution.
JMP met en oeuvre que par en utilisant le distribution profileur ici.
Nous peut estimation fraction échouer est un fonction de temps
pour n'importe lequel donné nombre de cycles.
Maintenant allons aller à le Appareil BRF Puissance A amplificateur,
encore, un accéléré répété mesures dégradation application.
Étaient en allant à besoin un modèle que décrit le forme de le chemins
et le relation le température a sur le les taux de dégradation.
Encore, le utiliser condition dans ce application est 80 degrés C,
et étaient en allant à vouloir à estimation
le échec temps distribution à 80 degrés C.
Dans SMRD2, ce est le chemin nous serait décrire le chemin modèle
que convient appareil b.
Nous appel ce un asymptotique modèle,
parce que comme temps obtient grand, nous finalement atteindre un asymptote.
Dans ce équation, X est le transformé température.
Nous appel je bronze Uranus transformation de température.
X 0 est un arbitraire centrage valeur.
Bêta un est un taux constante pour le sous-jacent dégradation processus.
Bêta trois est le aléatoire asymptote.
Ceux deux paramètres, le taux constante et le asymptote,
sont aléatoire depuis unité à unité, et étaient en allant à décrire
que le hasard avec un articulation ou bivarié lognormal distribution.
Bêta deux, sur le autre main, est un fixé, inconnu paramètre que est le effet
de Activation énergie que contrôles comment température affecte le dégradation taux.
Ce est où le X0 vient dans.
Typiquement nous choisir X 0 à être quelque part
dans le gamme de le données
ou à un particulier température de intérêt,
parce que bêta un serait être le taux constante à X 0.
Encore, il y a un grand nombre de différent des modèles que sont disponible.
Ici est comment toi serait choisir ce particulier asymptotique modèle.
Ce correspond à le même équation nous avoir en SMRD 2.
Le seulement différence est que JMP les usages un légèrement différent numérotage convention
pour le paramètres.
Que était fait à être cohérent
avec autre des choses que sont déjà dans JMP autre part.
Encore, nous avoir à spécifier avant distributions,
mais JMP fait du que facile
parce que ils fournir ces les valeurs par défaut, ces hebdomadaire, informatif valeurs par défaut.
Ici je avoir le défaut que JMP serait avoir que étaient en allant à utiliser
si nous a fait pas avoir n'importe lequel avant information à apporter dans.
Je suis en allant à faire que analyse,
mais Je suis aussi en allant à apporter dans le information que ingénieurs avoir.
Dans particulier, nous seulement avoir information pour b3
et donc c'est être spécifié ici.
Mais tous le autre entrées dans le tableau sont exactement le même comme le JMP défaut,
encore, fabrication il vraiment facile à mettre en œuvre ces types de analyses.
Voici le résultats.
Une fois encore, ici nous avoir un tableau donnant le paramètre estimations,
crédible intervalles et donc en avant.
Dans ce parcelle, encore,
nous avoir estimations de le échantillon chemins pour tous de le individuel unités.
Encore, nous avoir le échec définition ici,
mais quoi nous vraiment vouloir sont estimations de le échec temps distribution
à 80 degrés C.
Encore, étaient en allant à faire que par en utilisant un profileur.
Sur le gauche ici nous avoir le estimation
de fraction échouer est un fonction de temps à 80 degrés C pour le défaut priors.
Sur le droite nous avoir le même chose,
sauf que nous avons utilisé le informatif avant distribution pour B 3.
Immédiatement toi peut voir que avant information a autorisé nous
à obtenir beaucoup mieux estimation précision.
Le confiance intervalle est beaucoup plus étroit.
De façon intéressante, le indiquer estimation de fraction échouer
en fait augmenté quand nous apporté dans que avant information.
Dans ce cas, le avant information serait permettre le ingénieurs à obtenir
un beaucoup mieux estimation
de fraction échouer comme un fonction de temps.
Alors à faire que important décision
à propos comment beaucoup redondance à construire dans le Satellite.
Laisser moi fin avec quelques final remarques.
Répété mesures dégradation analyse
est important dans beaucoup fiabilité applications.
Il est aussi important dans beaucoup autre domaines de application,
comme déterminer expiration Rendez-vous
pour des produits comme médicaments et denrées alimentaires.
Quand volonté le qualité être
à tel un faible niveau que le clients Non plus long heureux?
Aussi, dans certain circonstances,
nous peut apporter avant information dans le analyse, potentiellement en permettant nous
à inférieur coût de notre dégradation expériences.
JMP 17 a puissant, facile- à- utiliser méthodes pour fabrication
durée de vie inférences depuis répété mesures dégradation données.
Maintenant Je suis en allant à tourner il sur à Peng,
et il est en allant à illustrer ces méthodes à toi en utilisant un manifestation dans JMP.
Remercier toi, Professeur.
Maintenant, le démo temps.
Le but de un démo est à aide toi à commencer explorant le écurie art approche
à analyser répété mesures dégradation données.
je volonté montrer toi comment à Localiser le échantillon données les tables en utilisant JMP,
comment le information est organiser dans le rapport
et souligner quelques important information que toi besoin à savoir.
D'abord, là sont trois répété mesures dégradation données échantillons
parmi JMP échantillon données les tables.
Alliage annonce appareil b, sont deux exemples avec intégré scripts.
Le le laser n'a pas de script intégré.
Alliage un est un exemple sans un X variable.
Appareil b est exemple avec un X variable.
À trouver eux aller à le aide et Cliquez sur échantillon indice.
Essayer à trouver le contour nœud appelé fiabilité/ survie.
Dépliez-le et devrait voir un lloy un est ici, et appareil b est ici.
À trouver GAZ laser,
toi besoin à aller à le échantillon données dossier
sur ton ordinateur par en cliquant ce bouton, ouvrir le échantillon données dossier.
Maintenant Je suis en allant à ouvrir alliage A.
Alors Je suis en allant à analyser menu, fiabilité et survie,
choisir le à plusieurs reprises mesure dégradation.
Maintenant nous voir le lancement dialogue.
Notre attribuer longueur, fissure longueurs va à oui,
spécimen va à étiquette système IDENTIFIANT et million cycles aller à fois.
Alors Je suis en allant à Cliquez sur d'accord.
Ce est le initial rapport.
C'est un cinquième linéaire des modèles pour individuel lots.
Je suis en allant à sélectionner le troisième modèle ici par en cliquant ce vidéo bouton.
Ce cinquième initial modèle de un Paris modèle de ce alliage un données.
Je suis en allant à Cliquez sur ce, aller à Bayésien estimation bouton
et générer un configuration interface.
Ici nous voir le modèle formule.
Ici sont le défaut paramètres pour le priors.
Alors nous sont pas en allant à changement rien droite maintenant,
et nous sont juste en allant à utiliser le défaut avant à ajuster notre modèle.
Maintenant Je suis en allant à Cliquez sur
ce ajuster modèle bouton ici et laisser il courir.
Alors Je suis en allant à expliquer quoi sont dans le rapport.
Dans le fin, comment à obtenir le échec distribution profileur.
Maintenant Je vais Cliquez sur le bouton, le algorithme commencer courir
et le progrès dialogue dit que le premier pas est réglage.
Le sous-jacent algorithme volonté aller à travers quelques
rond de chaud des tours, est procédure.
Le algorithme est en essayant à apprendre le forme de le postérieur distribution,
pour exemple, où le culminer, comment large est le portée, etc.
Dans le fin, ils volonté essayer à chiffre dehors
quoi est un bien amincissement valeur à dessiner échantillons depuis le postérieur distribution,
tel que le échantillons sont comme petit auto corrélé comme possible.
Alors le algorithmes entrer le deuxième étape.
Le dialogue dit, ce étape est collecte postérieur des échantillons.
Dans ce étape, un automatique amincissement de 80 est appliqué.
Le dialogue montre comment beaucoup temps dans total le algorithme avait a été en cours d'exécution.
Dans le deuxième scène, le dialogue aussi montre attendu achèvement temps.
Par tel, je espoir il peut aide utilisateurs
à ajuster à leur attente par conséquent.
Parfois excessif, long attendu achèvement temps est un signe de un problème.
Alors nous attendez un petit peu, et le algorithme devrait finition bientôt.
D'accord, maintenant le algorithme a fini.
Allons voir qu'est-ce que c'est dans le rapport.
Le premier est le achèvement temps.
Si nous gauche ton ordinateur courir sur temps,
toi peut vouloir à savoir dans le matin sur suivant jour.
Le deuxième est un copie de ton paramètres, y compris les priors, nombre de itérations,
aléatoire graine et autre chose montre.
Troisième partie est postérieur estimations.
Que ce soit un résumé ou le postérieur des échantillons,
là sont deux liens sur le site à permettre toi à exporter postérieur des échantillons.
Je suis en allant à souligner le premier lien.
Un but de en utilisant ces premier lien
à exporter postérieur exemples est à inspecter potentiel problèmes.
Deux principal préoccupations sont: convergence et efficace échantillon taille.
Allons regarder à il.
Le tableau avoir paramètres dans individuel Colonnes.
Chaque rangée un postérieur échantillon.
Là sont plusieurs intégré scripts.
Le la plupart important un est le Premier.
Je suis en allant à Cliquez sur ce vert Triangle à exécuter le scénario.
Le script simplement courir temps série sur individuel Colonnes
et montrer leur temps série parcelle.
Dans le contexte de MCCM, ce parcelle est connu comme le tracer parcelle.
Quoi faire nous voir ici?
Quoi je appel bien résultats.
Le série sont Stationnaire et Non significatif auto corrélation.
Librement Parlant, quand je dire Stationnaire dans ce contexte, je spécifiquement signifier parcelles
regards comme ces.
Ils sont droit égal avec groupe de aléatoire points.
D'accord, laisser moi fermer le rapport et le tableau.
Nous sont voyant bien résultats ici.
Aussi le données et un modèle ajusté aussi montre le résultats est bien.
Maintenant nous sont prêt à demander pour un équipé temps distribution profileur.
À faire que, aller à le rapport contour nœud menu
et sélectionner montrer comme distribution profileurs.
La plupart entrées dans ce dialogue a sensible défaut valeurs
et alors nous seulement besoin à fournir un de l'échec définition.
Je suis en allant à entrer 1.6 à ce supérieur échec définition.
Avant Je suis en allant à cliquez ok, Je suis en allant à réduire ce nombre
de SMRD2 réalisations à 5 000 à sauvegarder moi quelques temps.
Alors Je suis Cliquez sur sur d'accord.
Ce est aussi un informatique intensif procédure,
mais pas comme cher comme MCMC dans général.
Il devrait finition rapidement.
Toi peut utiliser le profileurs à obtenir
le échec probabilité et le quantile estimations.
Je suis pas en allant à élaborer plus loin,
parce que profileur est un très commun et important fonctionnalité dans JMP.
D'accord, ce est le fin de le manifestation,
et toi sont prêt à explorer par toi-même.
Mais ici sont un couple de conseils que pourrait être utile.
D'abord, avant toi sauvegarder le scénario à le tableau,
aller à vérifier ce sauvegarder postérieur à scénario option
avant toi sauvegarder le scénario à le tableau.
Par ce, suivant temps toi courir le sauvegarder scénario,
logiciel volonté apporter dos le équipé modèle plutôt de en allant
à travers le longue MCMC procédure une fois encore.
Le deuxième chose que je vouloir à apporter à ton attention est
nous avoir vu bien exemples, bien résultats, mais là sont mauvais ceux.
Ici sont quelques mauvais exemples.
C'est mauvais exemple moyens soit échouer à converger,
ou là sont haut auto corrélations.
À adresse eux mon première suggestion est à augmenter
le nombre de chaud en haut tours.
Deuxième suggestion où nous tourner désactivé amincissement automatique
et appliquer un grand amincissement valeur, un amincissement nombre manuellement.
Si ceux suggestions ne le faites pas travail, c'est probable que le modèle
ou c'est configurations sont pas approprié pour le données.
Toi peut besoin aide.
D'accord, ce sont tous nous serions comme à illustrer ce temps,
et je espoir toi peut commencer à utiliser ce information à explorer
le État de art approche à analyser répété mesures dégradation données.
Remercier toi.
