En este hablar, eran yendo a describir
repetido medidas degradación y es implementación en JMP.
Soy yendo a presente el fondo, motivación,
alguno técnico ideas y ejemplos.
Entonces Enfermo doblar él encima a Peng, OMS voluntad hacer a demostración demostración
justo cómo fácil él es a aplicar estos métodos en JMP 17.
Aquí está un descripción general de mi hablar.
Soy yendo a comenzar afuera con alguno motivando ejemplos,
y entonces explicar el relación entre degradación y falla y el ventajas
de usando degradación modelado en cierto aplicaciones.
Entonces Enfermo describir el motivación para nuestro usar de bayesiano métodos
a hacer el Estimacion.
A usar métodos de bayes para Estimacion, tú necesidad a tener previo distribuciones.
Enfermo hablar acerca de el comúnmente usado, no informativo y semanalmente informativo
previo distribuciones.
También en alguno aplicaciones,
nosotros voluntad tener informativo previo distribuciones y cómo aquellos poder ser usado.
Entonces Enfermo ir a través de dos ejemplos,
y en el fin Enfermo tener alguno concluyendo comentarios.
Nuestro primer ejemplo es grieta crecimiento.
Nosotros tener 21 mellado especímenes.
El muescas eran .9 " profundo, y eso es como a inicio grieta.
Entonces el especímenes son sometido a cíclico cargando,
y en cada ciclo, el grieta crece a pequeño poco.
Cuando el grieta obtiene a ser 1.6 " largo, eso es el definición de a falla.
Nosotros poder ver eso bastante a pocos
de el grietas tener ya excedido eso nivel, pero muchos de a ellos tener no.
Tradicionalmente, tú podría tratar aquellos como bien censurado observaciones.
Pero si tú tener el degradación información,
tú poder usar eso a proporcionar
adicional información a dar tú a mejor análisis de su datos.
El básico idea es a adaptar a modelo a describir el degradación caminos,
y entonces a usar eso modelo a inducir a falla tiempo distribución.
Nuestro segundo ejemplo es qué nosotros llamar Dispositivo B,
a radio frecuencia fuerza amplificador.
Encima tiempo el fuerza producción voluntad disminuir
porque de un interno degradación mecanismo.
Este era un acelerado prueba dónde unidades eran sometido
a más alto niveles de temperatura,
2 37, 195 y 150 grados C.
El ingenieros necesario información acerca de el fiabilidad de este dispositivo
entonces eso ellos podría determinar cómo mucho redundancia a construir en el satélite.
El falla definición en este caso era
cuando el fuerza producción abandonó a -.5 decibelios.
Nosotros poder ver eso todo de el unidades tenía ya fallido
en el más alto niveles de temperatura,
pero en 150 grados C, allá eran No fracasos todavía.
Pero allá es lotes de información acerca de cómo
cerca estos unidades eran a falla por mirando en el degradación caminos.
De nuevo, nosotros desear a construir a modelo para el degradación caminos,
y entonces nosotros usar eso a inducir a falla tiempo distribución.
En este caso, el usar condición es 80 grados C.
Nosotros desear a saber el tiempo en cual unidades
operando en 80 grados C, haría alcanzar este falla definición.
Una vez de nuevo, nosotros construir a modelo para el degradación caminos.
Nosotros adaptar eso modelo, y entonces de eso nosotros poder conseguir a falla tiempo distribución.
Muchos fracasos resultado de un subyacente degradación proceso.
En alguno aplicaciones, degradación es el natural respuesta.
En aquellos situaciones, él marcas sentido a adaptar a modelo
a el degradación y entonces usar el inducido falla tiempo distribución.
En semejante aplicaciones,
una vez nosotros tener a definición para falla, cual nosotros llamar a suave falla
porque el unidad no de hecho detener operando cuando él alcanza eso nivel
de degradación, pero es cerca suficiente a fracasos eso ingenieros decir nosotros haría
como a reemplazar eso unidad en eso punto, justo a ser seguro.
Ahora, en general, hay dos diferente
tipos de degradación datos, repetido medidas degradación,
como el dos ejemplos eso He mostrado tú, y destructivo degradación,
dónde tú tiene a destruir el unidad en orden a hacer el degradación medición.
Para muchos años, JMP tiene tenía
muy bien herramientas para manejo degradación datos.
Soy enfocado en este hablar
en el repetido medidas degradación métodos
eso son ser implementado en JMP 17.
Allá son muchos otro aplicaciones
de repetido medidas degradación, para ejemplo, CONDUJO o láser producción,
el pérdida de brillo en un automóvil revestimiento y degradación de a químico compuesto,
cual poder ser Medido con técnicas semejante como FTIR
o cualquier otro Medido calidad característica
eso es yendo a degradar encima tiempo.
Allá son muchos aplicaciones para repetido medidas degradación.
Allá son muchos ventajas de analizando degradación datos si tú poder conseguir a ellos.
En particular,
allá es mucho más información en el degradación datos
relativo a torneado aquellos degradación datos
en falla tiempo datos.
Este es especialmente verdadero si este pesado censurar.
En efecto, es posible a hacer inferencias acerca de fiabilidad
de degradación datos en situaciones dónde allá no lo son cualquier fracasos en todo.
También, directo observación
de el degradación proceso permite a nosotros a construir mejor modelos
para el falla tiempo distribución porque eran cerca
a el física de falla.
Ahora, varios años atrás, cuando nosotros eran planificación el segundo edición
de nuestro fiabilidad libro, nosotros hecho a decisión a usar
más bayesiano métodos en muchos diferente áreas de solicitud.
Uno de aquellos es repetido medidas degradación.
Por qué es ¿eso?
Qué era el motivación para usando Bayes métodos
en estos aplicaciones?
I usado a pensar eso el principal motivación
para bayesiano métodos era a traer previo información en el análisis.
A veces eso es verdadero,
pero encima el años, He aprendió eso allá son muchos
otro razones por qué nosotros desear a usar bayesiano métodos.
Para ejemplo, bayesiano métodos hacer no confiar
en grande muestra teoría a conseguir confianza intervalos.
Él se basa en probabilidad teoría.
También, él vueltas afuera eso cuando tú usar Bayes métodos con con cuidado elegido,
no informativo o semanalmente informativo previo distribuciones,
tú tener creíble intervalo procedimientos eso tener muy bien cobertura propiedades.
Eso es, si tú preguntar para 95 % intervalo,
ellos tender a cubrir qué ellos son supuesto a cubrir con 95% probabilidad.
En muchos aplicaciones, allá son muchos no bayesiano aproximaciones
eso poder ser usado a colocar confianza intervalos.
Cuando tú hacer bayesiano inferencia, es muy directo.
hay en realidad solo uno forma a hacer él.
También, bayesiano métodos poder manejar con relativo facilidad,
complicado modelo datos combinaciones
para cual hay No máximo probabilidad software disponible.
Para ejemplo, complicado combinaciones
de no lineal relaciones, aleatorio parámetros y sensor datos,
el Bayes métodos son relativamente
directo a aplicar en estos complicado situaciones.
Finalmente, último pero ciertamente no el menos, bayesiano métodos hacer permitir un analista
a incorporar previo información en el datos análisis.
Pero I desear a punto afuera eso el revolución hemos tenía
en el mundo de datos análisis a usar más bayesiano métodos,
mayoría analistas son no trayendo
informativo previo información en su análisis.
En cambio, ellos usar semanalmente informativo o no informativo antecedentes
entonces eso ellos no tener a defender el previo distribución.
Pero en muchos aplicaciones,
nosotros en realidad hacer tener sólido previo información eso voluntad ayuda a nosotros conseguir mejor respuestas.
I voluntad ilustrar eso en uno de el ejemplos.
bayesiano métodos requerir
el especificación de a previo distribución.
Como I dicho, en muchos solicitud, analistas hacer no desear a traer
informativo previo información en el modelado y análisis.
Qué eso requiere es alguno predeterminado anterior
eso es no informativo o semanalmente informativo.
hay estado a grande cantidad de teórico investigación en este sujeto
encima el pasado 40 años, principal a semejante herramientas como referencia antecedentes,
jeffrey's antecedentes, y independiente jeffrey's antecedentes
eso tener estado mostrado a tener bien frecuentista cobertura propiedades.
Uno de mi reciente y actual investigación áreas
es a intentar y hacer estos ideas Operacional
en práctico problemas, particularmente en el área de fiabilidad.
A simple ejemplo de este es si tú desear a estimar a ubicación parámetro
en el registro de a escala parámetro, a departamento previo distribución dirige
a creíble intervalos eso tener exacto cobertura propiedades.
Eso es muy poderoso.
También, departamento previo distribuciones poder ser Bueno aproximado por a normal distribución
con a muy grande diferencia, y eso dirige a semanalmente informativo anteriores.
De nuevo, es un poco informativo,
pero porque el diferencia es muy grande, nosotros llámalo semanalmente informativo.
El acercarse eso He estado tomando a especificar previo distribuciones es a encontrar
un sin restricciones parametrización, como el ubicación parámetro
y el registro de el escala parámetro eso I mencionado arriba,
y entonces usar a no informativo
o semanalmente informativo departamento o normal distribución
con muy grande variaciones como el por defecto previo.
Entonces es siempre bien idea a usar alguno
sensibilidad análisis a hacer seguro eso el previo son aproximadamente no informativo.
Eso es, como tú perturbar el previo parámetros,
él no afectar el abajo línea resultados.
JMP usos muy sensitivo, buen desempeño métodos a especificar
por defecto previo distribuciones eso son apenas en línea
con qué He descrito aquí.
Teniendo aquellos por defecto previo distribuciones
marcas el software fácil de usar,
porque entonces el usuario solo tiene a especificar previo distribuciones
dónde ellos tener informativo información eso ellos desear a traer en.
Aquí está justo un ilustración a espectáculo eso como el estándar desviación
de a normal distribución obtiene más grande, tú acercarse a departamento previo distribución.
Ahora, como I dicho, en alguno aplicaciones, nosotros en realidad tener previo información
eso nosotros desear a traer en eso es informativo previo información.
Cuando nosotros tener semejante información,
nosotros voluntad típicamente describir él con a simétrico distribución,
como a normal distribución, a pesar de alguno gente preferir a usar
qué nosotros llamar a ubicación- escala t distribución
porque ellos tener más extenso cruz.
En mayoría aplicaciones dónde nosotros tener este
informativo previo información, es solo en uno de el parámetros.
Entonces eran yendo a usar no informativo,
o semanalmente informativo previo distribuciones
para todo de el otro parámetros.
vamos ir atrás a aleación a.
Qué eran yendo a hacer es eran yendo a adaptar a modelo a el degradación caminos,
y entonces usar eso modelo a inducir a falla tiempo distribución.
Ahora si tú mirar en un ingeniería libro de texto
en fatiga o materiales comportamiento,
tu lo harás aprender acerca de el París crack-g fila modelo.
Es siempre lindo a tener a modelo eso está de acuerdo con ingeniería conocimiento.
JMP tiene implementado este Modelo de crecimiento del crack de París.
Aquí está el forma él haría aparecer en a libro de texto.
Entonces en el bien aquí nosotros tener el JMP implementación de eso.
Es uno de el muchos modelos eso tú poder elegir a adaptar a su degradación datos.
Ahora, C y metro aquí, cual en JMP es C y b2,
son materiales parámetros, y ellos son aleatorio de unidad a la unidad.
El k función aquí es conocido como a estrés intensidad función.
Para el grieta eran estudiando aquí,
el estrés intensidad función tiene este representación.
Ahora este es a diferencial ecuación,
porque hemos consiguió a de t aquí, y también a aquí,
tú poder resolver eso diferencial ecuación y conseguir este lindo cerrado forma.
Este es el modelo eso es ser adaptar dentro JMP.
De nuevo el parámetros b1 y b2 voluntad ser aleatorio de unidad a unidad.
Ahora aquí está el especificación de el previo distribución.
He ilustrado aquí dos diferente
previo distribuciones, el por defecto previo en JMP,
y el previo distribución eso nosotros usado en el segundo edición
de nuestro fiabilidad libro, cual nosotros llamar SMRD2,
estadístico métodos para fiabilidad suma dos.
Ahora el forma nosotros especificar previo distribuciones
en SMRD2 y JMP es haciendo este como Bueno, es con qué I llamar a 99 % rango.
Para ejemplo, nosotros decir eso eran yendo
a describir el significar de el b1 parámetro
por a normal distribución eso tiene 99 % de el probabilidad
entre -15 y 22.
Eso es a enorme rango.
Eso es semanalmente informativo.
Entonces nosotros tener similar, muy ancho rangos para el otro significar parámetro aquí.
Entonces para el Sigma parámetro JMP,
siguiente habitual procedimientos para estos usos a medio distribución de cauchy,
cual tiene a largo superior cola,
y por lo tanto, de nuevo, es semanalmente informativo.
Ahora en nuestro fiabilidad libro, nosotros usado mucho más apretado rangos.
Pero Curiosamente, el dos diferente previo distribuciones aquí
dar justo acerca de el mismo respuesta, porque ambos son semanalmente informativo.
Eso es, el rangos son grande relativo a,
dejar a nosotros decir, el confianza intervalo
eso tú haría conseguir usando no-Bayes métodos.
Ahora, en suma a especificando el previo distribuciones, cual de nuevo,
JMP marcas muy fácil porque él tiene estos lindo por defecto antecedentes,
tú también tener el capacidad a control el Cadena de Markov Montecarlo algoritmo.
El solo por defecto eso I haría cambiar aquí
es típicamente I haría correr más que uno cadena.
I cambió el uno aquí a cuatro.
El razón para haciendo eso es doble.
Primero de todo, en mayoría configuraciones, incluido JMP,
tú poder correr aquellos simultáneamente, entonces él no llevar cualquier más computadora tiempo.
El otro cosa es nosotros desear a comparar aquellos cuatro diferente Markov cadenas
a hacer seguro eso ellos son donación acerca de el mismo respuestas.
Nosotros llamar eso mezclando Bueno.
Si tú ver a situación dónde uno de aquellos cadenas es diferente
de el otros, eso es un indicación de a problema.
Si tú tener semejante a problema,
entonces el habitual recurso es a aumentar el número de calentamiento vueltas,
cual es colocar a ser 10 por por defecto, pero tú poder aumentar eso.
Qué eso hace él permite JMP a melodía
el MCMC algoritmo a el particular problema entonces eso él voluntad muestra correctamente
a conseguir sorteos de el articulación posterior distribución.
En todo de mi experiencias usando JMP, y Peng tiene sugirió eso él es tenía
similar experiencias eso por creciente eso alto suficiente,
con cualquier ejemplos eso hemos intentó, JMP voluntad trabajar Bueno.
Pero con 10 para mayoría aplicaciones, eso es a suficientemente grande número.
Aquí está el resultados.
Aquí está a mesa de el parámetro estimados.
Bien, típicamente en fiabilidad aplicaciones,
eran no entonces mucho interesado en el estimados ellos mismos.
Eran yendo a ser interesado en cosas
como falla distribuciones, cual nosotros mirar en en a momento.
Entonces en este trama,
nosotros tener estimados de el muestra caminos
para cada de el grietas.
De nuevo, tú poder ver el falla definición aquí.
como peng voluntad espectáculo tú,
JMP marcas él fácil a mirar en MCMC diagnóstico.
Es siempre a bien idea a mirar
en diagnóstico a hacer seguro todo transformado afuera bueno.
Qué tú hacer es tú exportar posterior sorteos de JMP,
y entonces JMP tiene colocar arriba allá alguno guiones a crear
estos varios diferente diagnóstico.
Para ejemplo, hay a guion a hacer a rastro trama o a tiempo serie trama.
I siempre como a comparar aquellos para el diferente cadenas.
Entonces hay otro uno a hacer qué nosotros llamar a pares trama,
o gráfico de dispersión matriz de el sorteos.
Eso es qué nosotros ver aquí.
Entonces como I dicho, nosotros poder usar aquellos sorteos
a generar estimados de el falla tiempo distribución.
JMP implementos eso por usando el distribución perfilador aquí.
Nosotros poder estimar fracción defecto es a función de tiempo
para cualquier dado número de ciclos.
Ahora vamos ir a el Dispositivo b rf poder un amplificador,
de nuevo, un acelerado repetido medidas degradación solicitud.
Eran yendo a necesidad a modelo eso describe el forma de el caminos
y el relación el temperatura tiene en el tarifas de degradación.
De nuevo, el usar condición en este solicitud es 80 grados C,
y eran yendo a desear a estimar
el falla tiempo distribución en 80 grados C.
En SMRD2, este es el forma nosotros haría describir el camino modelo
eso encaja dispositivo b.
Nosotros llamar este un asintótico modelo,
porque como tiempo obtiene grande, nosotros eventualmente alcanzar un asíntota.
En este ecuación, X es el transformado temperatura.
Nosotros llamar es un Urano transformación de temperatura.
X 0 es un arbitrario centrado valor.
Beta uno es a tasa constante para el subyacente degradación proceso.
Beta tres es el aleatorio asíntota.
Aquellos dos parámetros, el tasa constante y el asíntota,
son aleatorio de unidad a unidad, y eran yendo a describir
eso aleatoriedad con a articulación o bivariado lognormal distribución.
Beta dos, en el otro mano, es a fijado, desconocido parámetro eso es el efecto
de activación energía eso control S cómo temperatura afecta el degradación tasa.
Este es dónde el X0 llega en.
Típicamente nosotros elegir X 0 a ser en algún lugar
en el rango de el datos
o en a particular temperatura de interés,
porque beta uno haría ser el tasa constante en X 0.
De nuevo, hay a grande número de diferente modelos eso son disponible.
Aquí es cómo tú haría elegir este particular asintótico modelo.
Este corresponde a el mismo ecuación nosotros tener en SMRD 2.
El solo diferencia es eso JMP usos a levemente diferente numeración convención
para el parámetros.
Eso era hecho a ser coherente
con otro cosas eso son ya en JMP en otra parte.
De nuevo, nosotros tener a especificar previo distribuciones,
pero JMP marcas eso fácil
porque ellos proporcionar estos valores predeterminados, estos semanalmente, informativo valores predeterminados.
Aquí I tener el por defecto eso JMP haría tener eso eran yendo a usar
si nosotros hizo no tener cualquier previo información a traer en.
Soy yendo a hacer eso análisis,
pero Soy también yendo a traer en el información eso ingenieros tener.
En particular, nosotros solo tener información para b3
y entonces eso es ser especificado aquí.
Pero todo el otro entradas en el mesa son exactamente el mismo como el JMP por defecto,
de nuevo, haciendo él en realidad fácil a implementar estos tipos de análisis.
Aquí está el resultados.
Una vez de nuevo, aquí nosotros tener a mesa donación el parámetro estimados,
creíble intervalos y entonces adelante.
En este trama, de nuevo,
nosotros tener estimados de el muestra caminos para todo de el individual unidades.
De nuevo, nosotros tener el falla definición aquí,
pero qué nosotros en realidad desear son estimados de el falla tiempo distribución
en 80 grados C.
De nuevo, eran yendo a hacer eso por usando a perfilador.
En el izquierda aquí nosotros tener el estimar
de fracción defecto es a función de tiempo en 80 grados C para el por defecto anteriores.
En el bien nosotros tener el mismo cosa,
excepto eso hemos usado el informativo previo distribución para B 3.
Inmediatamente tú poder ver eso previo información tiene permitido a nosotros
a conseguir mucho mejor Estimacion precisión.
El confianza intervalo es mucho más angosto.
Curiosamente, el punto estimar de fracción defecto
de hecho aumentó cuando nosotros trajo en eso previo información.
En este caso, el previo información haría permitir el ingenieros a conseguir
a mucho mejor estimar
de fracción defecto como a función de tiempo.
Entonces a hacer eso importante decisión
acerca de cómo mucho redundancia a construir en el satélite.
Dejar a mí fin con alguno concluyendo comentarios.
Repetido medidas degradación análisis
es importante en muchos fiabilidad aplicaciones.
Él es también importante en muchos otro áreas de solicitud,
como determinando vencimiento fechas
para productos como productos farmaceuticos y productos alimenticios.
Cuando voluntad el calidad ser
en semejante a bajo nivel eso el clientes No más extenso ¿feliz?
También, en cierto circunstancias,
nosotros poder traer previo información en el análisis, potencialmente permitiendo a nosotros
a más bajo costo de nuestro degradación experimentos.
JMP 17 tiene poderoso, fácil- a- usar métodos para haciendo
toda la vida inferencias de repetido medidas degradación datos.
Ahora Soy yendo a doblar él encima a Peng,
y él es yendo a ilustrar estos métodos a tú usando a demostración en JMP.
Agradecer tú, Profesor.
Ahora, el manifestación tiempo.
El objetivo de a manifestación es a ayuda tú a comenzar explorador el estable arte acercarse
a analizar repetido medidas degradación datos.
I voluntad espectáculo tú cómo a localizar el muestra datos mesas usando JMP,
cómo el información es organizando en el informe
y destacar alguno importante información eso tú necesidad a saber.
Primero, allá son tres repetido medidas degradación datos muestras
entre JMP muestra datos mesas.
Aleación a, d dispositivo b, son dos ejemplos con incorporado guiones.
El láser no tiene un script incrustado.
Aleación a es un ejemplo sin un X variable.
Dispositivo b es ejemplo con un X variable.
A encontrar a ellos ir a el ayuda y hacer clic muestra índice.
Intentar a encontrar el describir nodo llamado fiabilidad/ supervivencia.
desplegarlo y debería ver un lloy a es aquí, y dispositivo b es aquí.
A encontrar GAS láser,
tú necesidad a ir a el muestra datos carpeta
en su computadora por haciendo clic este botón, abierto el muestra datos carpeta.
Ahora Soy yendo a abierto aleación a.
Entonces Soy yendo a analizar menú, fiabilidad y supervivencia,
elegir el repetidamente medida degradación.
Ahora nosotros ver el lanzamiento diálogo.
Nuestro asignar longitud, grieta longitudes va a y,
muestra va a etiqueta sistema IDENTIFICACIÓN y millón ciclos ir a veces.
Entonces Soy yendo a hacer clic bueno.
Este es el inicial informe.
Es a quinto lineal modelos para individual lotes.
Soy yendo a seleccionar el tercer modelo aquí por haciendo clic este video botón.
Este quinto inicial modelo de a París modelo de este aleación un datos.
Soy yendo a hacer clic este, ir a bayesiano Estimacion botón
y generar a configuración interfaz.
Aquí nosotros ver el modelo fórmula.
Aquí son el por defecto ajustes para el anteriores.
Entonces nosotros son no yendo a cambiar cualquier cosa bien ahora,
y nosotros son justo yendo a usar el por defecto previo a adaptar nuestro modelo.
Ahora Soy yendo a hacer clic
este adaptar modelo botón aquí y dejar él correr.
Entonces Soy yendo a explicar qué son en el informe.
En el fin, cómo a conseguir el falla distribución perfilador.
Ahora Enfermo hacer clic el botón, el algoritmo comenzar correr
y el progreso diálogo dicho eso el primer paso es Afinación.
El subyacente algoritmo voluntad ir a través de alguno
redondo de cálido vueltas arriba, es procedimiento.
El algoritmo es intentando a aprender el forma de el posterior distribución,
para ejemplo, dónde el cima, cómo ancho es el durar, etcétera.
En el fin, ellos voluntad intentar a cifra afuera
qué es a bien adelgazamiento valor a dibujar muestras de el posterior distribución,
semejante eso el muestras son como pequeño auto correlacionado como posible.
Entonces el algoritmos ingresar el segundo paso.
El diálogo dice, este paso es coleccionando posterior muestras.
En este paso, un automático adelgazamiento de 80 es aplicado.
El diálogo muestra cómo mucho tiempo en total el algoritmo tenía estado correr.
En el segundo escenario, el diálogo también muestra esperado terminación tiempo.
Por semejante, I esperanza él poder ayuda usuarios
a ajustar a su expectativa respectivamente.
A veces excesivo, largo esperado terminación tiempo es a firmar de a problema.
Entonces nosotros esperar a pequeño poco, y el algoritmo debería finalizar pronto.
Bueno, ahora el algoritmo tiene finalizado.
vamos ver qué en el informe.
Primero es el terminación tiempo.
Si nosotros izquierda su computadora correr encima tiempo,
tú puede desear a saber en el mañana en próximo día.
El segundo es a Copiar de su ajustes, incluido antecedentes, número de iteraciones,
aleatorio semilla y otro la cosa se nota.
Tercera parte es posterior estimados.
ya sea un resumen o el posterior muestras,
allá son dos Enlaces en el sitio a permitir tú a exportar posterior muestras.
Soy yendo a enfatizar el primer enlace.
Uno objetivo de usando estos primer enlace
a exportar posterior ejemplos es a inspeccionar potencial problemas.
Dos principal preocupaciones son: convergencia y eficaz muestra tamaño.
vamos mirar en él.
El mesa tener parámetros en individual columnas.
Cada fila a posterior muestra.
Allá son varios incorporado guiones.
El mayoría importante uno es el el primero.
Soy yendo a hacer clic este verde triángulo a ejecutar el guion.
El guión simplemente correr tiempo serie en individual columnas
y espectáculo su tiempo serie trama.
En el contexto de MCMC, este trama es conocido como el rastro trama.
Qué hacer nosotros ver ¿aquí?
Qué I llamar bien resultados.
El serie son estacionario y No significativo auto correlación.
Flojamente discurso, cuando I decir estacionario en este contexto, I específicamente significar parcelas
aspecto como estos.
Ellos son derecho igual con banda de aleatorio puntos.
Bueno, dejar a mí cerca el informe y el mesa.
Nosotros son vidente bien resultados aquí.
También el datos y un modelo ajustado también muestra el resultados es bien.
Ahora nosotros son listo a preguntar para un equipado tiempo distribución perfilador.
A hacer eso, ir a el informe describir nodo menú
y seleccionar espectáculo como distribución perfiladores.
Mayoría entradas en este diálogo tiene sensitivo por defecto valores
y entonces nosotros solo necesidad a suministrar uno de la falla definición.
Soy yendo a ingresar 1.6 a este superior falla definición.
Antes Soy yendo a haga clic en Aceptar, Soy yendo a reducir este número
de SMRD2 realizaciones a 5.000 a ahorrar a mí alguno tiempo.
Entonces Soy hacer clic en bueno.
Este es también a computacional intensivo procedimiento,
pero no como caro como MCMC en general.
Él debería finalizar rápidamente.
Tú poder usar el perfiladores a conseguir
el falla probabilidad y el cuantil estimados.
Soy no yendo a elaborar más,
porque perfilador es a muy común y importante característica en JMP.
Bueno, este es el fin de el demostración,
y tú son listo a explorar por tú mismo.
Pero aquí son a pareja de consejos eso podría ser útil.
Primero, antes tú ahorrar el guion a el mesa,
ir a controlar este ahorrar posterior a guion opción
antes tú ahorrar el guion a el mesa.
Por este, próximo tiempo tú correr el ahorrar guion,
software voluntad traer atrás el equipado modelo en cambio de yendo
a través de el largo MCMC procedimiento una vez de nuevo.
El segundo cosa eso I desear a traer a su atención es
nosotros tener visto bien ejemplos, bien resultados, pero allá son malo unos.
Aquí son alguno malo ejemplos.
Así de malo ejemplo medio cualquiera fallar a converger,
o allá son alto auto correlaciones.
A DIRECCIÓN a ellos mi primera sugerencia es a aumentar
el número de cálido arriba vueltas.
Segundo sugerencia dónde nosotros doblar apagado adelgazamiento automático
y aplicar a grande adelgazamiento valor, a adelgazamiento número a mano.
Si aquellos sugerencias no trabajar, es probable eso el modelo
o es configuraciones son no adecuado para el datos.
Tú puede necesidad ayuda.
Bueno, estos son todo lo haríamos como a ilustrar este tiempo,
y I esperanza tú poder comenzar a usar este información a explorar
el estado de arte acercarse a analizar repetido medidas degradación datos.
Agradecer tú.
