In Questo parlare, erano andando A descrivere
ripetuto le misure degradazione E suo implementazione In JMP.
Io sono andando A presente IL sfondo, motivazione,
Alcuni tecnico idee E esempi.
Poi Malato giro Esso Sopra A Peng, Chi Volere Fare UN dimostrazione mostrando
Appena Come facile Esso È A fare domanda a questi metodi In JMP17.
Ecco UN panoramica Di Mio parlare.
Io sono andando A inizio fuori con Alcuni motivante esempi,
E Poi spiegare IL relazione fra degradazione E fallimento E IL vantaggi
Di utilizzando degradazione modellazione In certo applicazioni.
Poi Malato descrivere IL motivazione per Nostro utilizzo Di Bayesiano metodi
A Fare IL stima.
A utilizzo I metodi di Bayes per stima, Voi Bisogno A Avere precedente distribuzioni.
Malato parlare Di IL comunemente usato, non informativo E settimanalmente Informativo
precedente distribuzioni.
Anche In Alcuni applicazioni,
Noi Volere Avere Informativo precedente distribuzioni E Come quelli Potere Essere usato.
Poi Malato andare Attraverso due esempi,
E A IL FINE Malato Avere Alcuni concludendo osservazioni.
Nostro primo esempio È crepa crescita.
Noi Avere 21 dentellato esemplari.
IL tacche erano .9 " profondo, E quello è Piace UN antipasto crepa.
Poi IL esemplari Sono sottoposto A ciclico caricamento,
E In ogni ciclo, IL crepa cresce UN poco morso.
Quando IL crepa prende A Essere 1.6 " lungo, quello è IL definizione Di UN fallimento.
Noi Potere Vedere Quello abbastanza UN pochi
Di IL crepe Avere Già superato Quello livello, Ma molti Di loro Avere non.
Tradizionalmente, Voi Potevo trattare quelli COME Giusto censurato osservazioni.
Ma Se Voi Avere IL degradazione informazione,
Voi Potere utilizzo Quello A fornire
aggiuntivo informazione A Dare Voi UN Meglio analisi Di tuo dati.
IL di base idea È A adatto UN modello A descrivere IL degradazione percorsi,
E Poi A utilizzo Quello modello A indurre UN fallimento tempo distribuzione.
Nostro secondo esempio È Che cosa Noi chiamata Dispositivo B,
UN Radio frequenza energia amplificatore.
Sopra tempo IL energia produzione Volere diminuire
Perché Di UN interno degradazione meccanismo.
Questo era UN accelerato test Dove unità erano sottoposto
A più alto livelli Di temperatura,
2 37, 195 E 150 gradi C.
IL ingegneri necessario informazione Di IL affidabilità Di Questo dispositivo
COSÌ Quello Essi Potevo determinare Come tanto ridondanza A costruire in IL satellitare.
IL fallimento definizione In Questo caso era
Quando IL energia produzione caduto A -.5 decibel.
Noi Potere Vedere Quello Tutto Di IL unità avevo Già fallito
A IL più alto livelli Di temperatura,
Ma A 150 gradi C, Là erano NO fallimenti Ancora.
Ma Là È molti Di informazione Di Come
vicino questi unità erano A fallimento di guardare A IL degradazione percorsi.
Ancora, Noi Volere A costruire UN modello per IL degradazione percorsi,
E Poi Noi utilizzo Quello A indurre UN fallimento tempo distribuzione.
In Questo caso, IL utilizzo condizione È 80 gradi C.
Noi Volere A Sapere IL tempo A Quale unità
operativo A 80 gradi C, volevo portata Questo fallimento definizione.
Una volta Ancora, Noi costruire UN modello per IL degradazione percorsi.
Noi adatto Quello modello, E Poi da Quello Noi Potere Ottenere UN fallimento tempo distribuzione.
Molti fallimenti risultato da UN sottostante degradazione processi.
In Alcuni applicazioni, degradazione È IL naturale risposta.
In quelli situazioni, Esso fa senso A adatto UN modello
A IL degradazione E Poi utilizzo IL indotto fallimento tempo distribuzione.
In come applicazioni,
una volta Noi Avere UN definizione per fallimento, Quale Noi chiamata UN morbido fallimento
Perché IL unità no In realtà fermare operativo Quando Esso raggiunge Quello livello
Di degradazione, Ma suo vicino Abbastanza A fallimenti Quello ingegneri Dire Noi volevo
Piace A sostituire Quello unità A Quello punto, Appena A Essere sicuro.
Ora, In generale, c'è due diverso
tipi Di degradazione dati, ripetuto le misure degradazione,
Piace IL due esempi Quello Io ho mostrato Voi, E distruttivo degradazione,
Dove Voi ha A distruggere IL unità In ordine A Fare IL degradazione misurazione.
Per molti anni, JMP ha avevo
molto Bene utensili per gestione degradazione dati.
Io sono focalizzata In Questo parlare
SU IL ripetuto le misure degradazione metodi
Quello Sono essendo implementato In JMP17.
Là Sono molti altro applicazioni
Di ripetuto le misure degradazione, per esempio, GUIDATO O laser produzione,
IL perdita Di lucentezza In UN automobile Rivestimento E degradazione Di UN chimico composto,
Quale Potere Essere misurato con tecniche come COME FTIR
O Qualunque altro misurato qualità caratteristica
quello è andando A degradare Sopra tempo.
Là Sono molti applicazioni per ripetuto le misure degradazione.
Là Sono molti vantaggi Di analizzando degradazione dati Se Voi Potere Ottenere loro.
In particolare,
Là È tanto Di più informazione In IL degradazione dati
parente A girando quelli degradazione dati
in fallimento tempo dati.
Questo È particolarmente VERO Se Questo pesante censurare.
Infatti, suo possibile A Fare inferenze Di affidabilità
da degradazione dati In situazioni Dove Là non lo sono Qualunque fallimenti A Tutto.
Anche, diretto osservazione
Di IL degradazione processi consente noi A costruire Meglio Modelli
per IL fallimento tempo distribuzione Perché erano più vicino
A IL fisica Di fallimento.
Ora, parecchi anni fa, Quando Noi erano pianificazione IL secondo edizione
Di Nostro affidabilità libro, Noi fatto UN decisione A utilizzo
Di più Bayesiano metodi In molti diverso le zone Di applicazione.
Uno Di quelli È ripetuto le misure degradazione.
Perché È Quello?
Che cosa era IL motivazione per utilizzando Bayes' metodi
In questi applicazioni?
IO usato A pensare Quello IL principale motivazione
per Bayesiano metodi era A Portare precedente informazione in IL analisi.
A volte quello è VERO,
Ma Sopra IL anni, Io ho imparato Quello Là Sono molti
altro motivi Perché Noi Volere A utilizzo Bayesiano metodi.
Per esempio, Bayesiano metodi Fare non fare affidamento
SU grande campione teoria A Ottenere fiducia intervalli.
Esso fa affidamento SU probabilità teoria.
Anche, Esso giri fuori Quello Quando Voi utilizzo Bayes' metodi con accuratamente scelto,
non informativo O settimanalmente Informativo precedente distribuzioni,
Voi Avere credibile intervallo procedure Quello Avere molto Bene copertura proprietà.
Quello È, Se Voi chiedere per 95 % intervallo,
Essi tendere A copertina Che cosa Loro sono ipotetico A copertina con 95% probabilità.
In molti applicazioni, Là Sono molti non bayesiano approssimazioni
Quello Potere Essere usato A impostato fiducia intervalli.
Quando Voi Fare Bayesiano inferenza, suo molto semplice.
C'è Veramente soltanto uno modo A Fare Esso.
Anche, Bayesiano metodi Potere maniglia con parente sollievo,
complicato modello dati combinazioni
per Quale c'è NO massimo probabilità Software disponibile.
Per esempio, complicato combinazioni
Di non lineare relazioni, casuale parametri E sensore dati,
IL Bayes' metodi Sono relativamente
semplice A fare domanda a In questi complicato situazioni.
Finalmente, scorso Ma certamente non meno, Bayesiano metodi Fare permettere UN analista
A incorporare precedente informazione in IL dati analisi.
Ma IO Volere A punto fuori Quello IL rivoluzione noi abbiamo avevo
In IL mondo Di dati analisi A utilizzo Di più Bayesiano metodi,
maggior parte analisti Sono non portando
Informativo precedente informazione in loro analisi.
Invece, Essi utilizzo settimanalmente Informativo O non informativo precedenti
COSÌ Quello Essi non Avere A difendere IL precedente distribuzione.
Ma In molti applicazioni,
Noi Veramente Fare Avere solido precedente informazione Quello Volere aiuto noi Ottenere Meglio risposte.
IO Volere illustrare Quello In uno Di IL esempi.
Bayesiano metodi richiedere
IL specifica Di UN precedente distribuzione.
COME IO disse, In molti applicazione, analisti Fare non Volere A Portare
Informativo precedente informazione in IL modellazione E analisi.
Che cosa Quello richiede È Alcuni predefinito precedente
quello è non informativo O settimanalmente Informativo.
C'è stato UN grande quantità Di teorico ricerca SU Questo soggetto
Sopra IL passato 40 anni, primo A come utensili COME riferimento precedenti,
Quello di Jeffrey precedenti, E indipendente Quello di Jeffrey precedenti
Quello Avere stato mostrato A Avere Bene frequentista copertura proprietà.
Uno Di Mio recente E attuale ricerca le zone
È A Tentativo E Fare questi idee operativo
In pratico i problemi, in particolar modo In IL la zona Di affidabilità.
UN semplice esempio Di Questo È Se Voi Volere A stima UN posizione parametro
In IL tronco d'albero Di UN scala parametro, UN Piatto precedente distribuzione conduce
A credibile intervalli Quello Avere esatto copertura proprietà.
Quello è molto potente.
Anche, Piatto precedente distribuzioni Potere Essere BENE approssimativo di UN normale distribuzione
con UN molto grande varianza, E Quello conduce A settimanalmente Informativo precedenti.
Ancora, suo un po' Informativo,
Ma Perché IL varianza È molto grande, Noi chiamalo settimanalmente Informativo.
IL approccio Quello Io ho stato prendendo A specificare precedente distribuzioni È A Trovare
UN non vincolato parametrizzazione, Piace IL posizione parametro
E IL tronco d'albero Di IL scala parametro Quello IO menzionato Sopra,
E Poi utilizzo UN non informativo
O settimanalmente Informativo Piatto O normale distribuzione
con molto grande varianze COME IL predefinito precedente.
Poi suo Sempre Bene idea A utilizzo Alcuni
sensibilità analisi A Fare Sicuro Quello IL precedente Sono circa non informativo.
Quello È, COME Voi perturbare IL precedente parametri,
Esso no simulare IL metter il fondo a linea risultati.
JMP usi molto sensato, ben performante metodi A specificare
predefinito precedente distribuzioni Quello Sono all'incirca In linea
con Che cosa Io ho descritto Qui.
Avendo quelli predefinito precedente distribuzioni
fa IL Software facile da usare,
Perché Poi IL utente soltanto ha A specificare precedente distribuzioni
Dove Essi Avere Informativo informazione Quello Essi Volere A Portare In.
Ecco Appena UN illustrazione A spettacolo Quello COME IL standard deviazione
Di UN normale distribuzione prende più grandi, Voi approccio UN Piatto precedente distribuzione.
Ora, COME IO disse, In Alcuni applicazioni, Noi Veramente Avere precedente informazione
Quello Noi Volere A Portare In Quello È Informativo precedente informazione.
Quando Noi Avere come informazione,
Noi Volere tipicamente descrivere Esso con UN simmetrico distribuzione,
Piace UN normale distribuzione, Sebbene Alcuni persone preferire A utilizzo
Che cosa Noi chiamata UN posizione- scala T distribuzione
Perché Essi Avere più a lungo code.
In maggior parte applicazioni Dove Noi Avere Questo
Informativo precedente informazione, suo soltanto SU uno Di IL parametri.
Poi erano andando A utilizzo non informativo,
O settimanalmente Informativo precedente distribuzioni
per Tutto Di IL altro parametri.
Andiamo andare Indietro A lega UN.
Che cosa erano andando A Fare È erano andando A adatto UN modello A IL degradazione percorsi,
E Poi utilizzo Quello modello A indurre UN fallimento tempo distribuzione.
Ora Se Voi Aspetto In UN ingegneria manuale
SU fatica O materiali comportamento,
lo farai Imparare Di IL Parigi crack-g fila modello.
Suo Sempre Carino A Avere UN modello Quello è d'accordo con ingegneria conoscenza.
JMP ha implementato Questo Modello di crescita del crack di Parigi.
Ecco IL modo Esso volevo apparire In UN manuale.
Poi SU IL Giusto Qui Noi Avere IL JMP implementazione Di Quello.
Suo uno Di IL molti Modelli Quello Voi Potere scegliere A adatto A tuo degradazione dati.
Ora, C E M Qui, Quale In JMP È C E b2,
Sono materiali parametri, E Essi Sono casuale da unità all'unità.
IL K funzione Qui È conosciuto COME UN fatica intensità funzione.
Per IL crepa erano studiando Qui,
IL fatica intensità funzione ha Questo rappresentazione.
Ora Questo È UN differenziale equazione,
Perché noi abbiamo avuto UN Di T Qui, E Anche UN Qui,
Voi Potere risolvere Quello differenziale equazione E Ottenere Questo Carino Chiuso modulo.
Questo È IL modello quello è essendo adatto entro JMP.
Ancora IL parametri b1 E b2 Volere Essere casuale da unità A unità.
Ora ecco IL specifica Di IL precedente distribuzione.
Io ho illustrato Qui due diverso
precedente distribuzioni, IL predefinito precedente In JMP,
E IL precedente distribuzione Quello Noi usato In IL secondo edizione
Di Nostro affidabilità libro, Quale Noi chiamata SMRD2,
statistico metodi per affidabilità aggiunta due.
Ora IL modo Noi specificare precedente distribuzioni
In SMRD2 E JMP È facendo Questo COME BENE, È con Che cosa IO chiamata UN 99 % allineare.
Per esempio, Noi Dire Quello erano andando
A descrivere IL Significare Di IL b1 parametro
di UN normale distribuzione Quello ha 99 % Di IL probabilità
fra -15 E 22.
Quello è UN Enorme allineare.
Quello È settimanalmente Informativo.
Poi Noi Avere simile, molto Largo intervalli per IL altro Significare parametro Qui.
Poi per IL Sigma parametro JMP,
seguente solito procedure per questi usi UN metà Distribuzione di Cauchy,
Quale ha UN lungo superiore coda,
E Perciò, Ancora, È settimanalmente Informativo.
Ora In Nostro affidabilità libro, Noi usato tanto più stretto intervalli.
Ma cosa interessante, IL due diverso precedente distribuzioni Qui
Dare Appena Di IL Stesso risposta, Perché Entrambi Sono settimanalmente Informativo.
Quello È, IL intervalli Sono grande parente A,
permettere noi Dire, IL fiducia intervallo
Quello Voi volevo Ottenere utilizzando non-Bayes' metodi.
Ora, In aggiunta A specificando IL precedente distribuzioni, Quale Ancora,
JMP fa molto facile Perché Esso ha questi Carino predefinito precedenti,
Voi Anche Avere IL capacità A controllo IL Catena Markov Monte Carlo algoritmo.
IL soltanto predefinito Quello IO volevo modifica Qui
È tipicamente IO volevo correre Di più di uno catena.
IO cambiato IL uno Qui A quattro.
IL motivo per facendo Quello È duplice.
Primo di Tutto, In maggior parte configurazioni, Compreso JMP,
Voi Potere correre quelli contemporaneamente, COSÌ Esso no Prendere Qualunque Di più computer tempo.
IL altro cosa È Noi Volere A confrontare quelli quattro diverso Markov Catene
A Fare Sicuro Quello Loro sono dando Di IL Stesso risposte.
Noi chiamata Quello miscelazione BENE.
Se Voi Vedere UN situazione Dove uno Di quelli Catene È diverso
da IL altri, quello è UN indicazione Di UN problema.
Se Voi Avere come UN problema,
Poi IL solito rimedio È A aumento IL numero Di riscaldamento giri,
Quale È impostato A Essere 10 di predefinito, Ma Voi Potere aumento Quello.
Che cosa Quello fa Esso consente JMP A sintonizzare
IL MCMC algoritmo A IL particolare problema COSÌ Quello Esso Volere campione correttamente
A Ottenere disegna da IL giunto posteriore distribuzione.
In Tutto Di Mio esperienze utilizzando JMP, E Peng ha suggerito Quello lui è avevo
simile esperienze Quello di crescente Quello alto Abbastanza,
con Qualunque esempi Quello noi abbiamo provato, JMP Volere lavoro BENE.
Ma con 10 per maggior parte applicazioni, Quello È UN sufficientemente grande numero.
Ecco IL risultati.
Ecco UN tavolo Di IL parametro stime.
BENE, tipicamente In affidabilità applicazioni,
erano non COSÌ tanto interessato In IL stime loro stessi.
Erano andando A Essere interessato In cose
Piace fallimento distribuzioni, Quale Noi Aspetto A In UN momento.
Poi In Questo complotto,
Noi Avere stime Di IL campione percorsi
per ogni Di IL crepe.
Ancora, Voi Potere Vedere IL fallimento definizione Qui.
Come Peng Volere spettacolo Voi,
JMP fa Esso facile A Aspetto A MCMC diagnostica.
Suo Sempre UN Bene idea A Aspetto
A diagnostica A Fare Sicuro qualunque cosa trasformato fuori Va bene.
Che cosa Voi Fare È Voi esportare posteriore disegna da JMP,
E Poi JMP ha impostato su Là Alcuni script A creare
questi vari diverso diagnostica.
Per esempio, c'è UN sceneggiatura A Fare UN traccia complotto O UN tempo serie complotto.
IO Sempre Piace A confrontare quelli per IL diverso Catene.
Poi c'è un altro uno A Fare Che cosa Noi chiamata UN coppie complotto,
O grafico a dispersione matrice Di IL disegna.
Quello è Che cosa Noi Vedere Qui.
Poi COME IO disse, Noi Potere utilizzo quelli disegna
A creare stime Di IL fallimento tempo distribuzione.
JMP implementa Quello di utilizzando IL distribuzione profilatore Qui.
Noi Potere stima frazione fallendo È UN funzione Di tempo
per Qualunque dato numero Di cicli.
Ora andiamo andare A IL Dispositivo BRF Potenza A amplificatore,
Ancora, UN accelerato ripetuto le misure degradazione applicazione.
Erano andando A Bisogno UN modello Quello descrive IL forma Di IL percorsi
E IL relazione IL temperatura ha SU IL aliquote Di degradazione.
Ancora, IL utilizzo condizione In Questo applicazione È 80 gradi C,
E erano andando A Volere A stima
IL fallimento tempo distribuzione A 80 gradi C.
In SMRD2, Questo È IL modo Noi volevo descrivere IL sentiero modello
Quello si adatta dispositivo B.
Noi chiamata Questo UN asintotico modello,
Perché COME tempo prende grande, Noi infine portata UN asintoto.
In Questo equazione, X È IL trasformato temperatura.
Noi chiamata è un Urano trasformazione Di temperatura.
X 0 È UN arbitrario centraggio valore.
Beta uno È UN valutare costante per IL sottostante degradazione processi.
Beta tre È IL casuale asintoto.
Quelli due parametri, IL valutare costante E IL asintoto,
Sono casuale da unità A unità, E erano andando A descrivere
Quello casualità con UN giunto O bivariato lognormale distribuzione.
Beta due, SU IL altro mano, È UN fisso, sconosciuto parametro Quello È IL effetto
Di Attivazione energia Quello controlli Come temperatura colpisce IL degradazione valutare.
Questo È Dove IL X0 arriva In.
Tipicamente Noi scegliere X 0 A Essere in qualche luogo
In IL allineare Di IL dati
O A UN particolare temperatura Di interesse,
Perché beta uno volevo Essere IL valutare costante A X 0.
Ancora, c'è UN grande numero Di diverso Modelli Quello Sono disponibile.
Qui È Come Voi volevo scegliere Questo particolare asintotico modello.
Questo corrisponde A IL Stesso equazione Noi Avere nell'SMRD 2.
IL soltanto differenza È Quello JMP usi UN leggermente diverso numerazione convenzione
per IL parametri.
Quello era Fatto A Essere coerente
con altro cose Quello Sono Già In JMP altrove.
Ancora, Noi Avere A specificare precedente distribuzioni,
Ma JMP fa Quello facile
Perché Essi fornire questi valori predefiniti, questi settimanalmente, Informativo valori predefiniti.
Qui IO Avere IL predefinito Quello JMP volevo Avere Quello erano andando A utilizzo
Se Noi fatto non Avere Qualunque precedente informazione A Portare In.
Io sono andando A Fare Quello analisi,
Ma Io sono Anche andando A Portare In IL informazione Quello ingegneri Avere.
In particolare, Noi soltanto Avere informazione per b3
E COSÌ quello è essendo specificato Qui.
Ma Tutto IL altro inserimenti In IL tavolo Sono esattamente IL Stesso COME IL JMP predefinito,
Ancora, fabbricazione Esso Veramente facile A strumento questi tipi Di analisi.
Ecco IL risultati.
Una volta Ancora, Qui Noi Avere UN tavolo dando IL parametro stime,
credibile intervalli E COSÌ via.
In Questo complotto, Ancora,
Noi Avere stime Di IL campione percorsi per Tutto Di IL individuale unità.
Ancora, Noi Avere IL fallimento definizione Qui,
Ma Che cosa Noi Veramente Volere Sono stime Di IL fallimento tempo distribuzione
A 80 gradi C.
Ancora, erano andando A Fare Quello di utilizzando UN profilatore.
SU IL Sinistra Qui Noi Avere IL stima
Di frazione fallendo È UN funzione Di tempo A 80 gradi C per IL predefinito precedenti.
SU IL Giusto Noi Avere IL Stesso cosa,
tranne Quello noi abbiamo usato IL Informativo precedente distribuzione per B 3.
Subito Voi Potere Vedere Quello precedente informazione ha consentito noi
A Ottenere tanto Meglio stima precisione.
IL fiducia intervallo È tanto Di più stretto.
È interessante notare che IL punto stima Di frazione fallendo
In realtà è aumentato Quando Noi portato In Quello precedente informazione.
In Questo caso, IL precedente informazione volevo permettere IL ingegneri A Ottenere
UN tanto Meglio stima
Di frazione fallendo COME UN funzione Di tempo.
Poi A Fare Quello importante decisione
Di Come tanto ridondanza A costruire in IL satellitare.
Permettere Me FINE con Alcuni concludendo osservazioni.
Ripetuto le misure degradazione analisi
È importante In molti affidabilità applicazioni.
Esso È Anche importante In molti altro le zone Di applicazione,
Piace determinante scadenza date
per prodotti Piace prodotti farmaceutici E prodotti alimentari.
Quando Volere IL qualità Essere
A come UN Basso livello Quello IL clienti NO più a lungo Contento?
Anche, In certo circostanze,
Noi Potere Portare precedente informazione in IL analisi, potenzialmente permettendo noi
A inferiore costo Di Nostro degradazione esperimenti.
JMP 17 ha potente, facile- A- utilizzo metodi per fabbricazione
tutta la vita inferenze da ripetuto le misure degradazione dati.
Ora Io sono andando A giro Esso Sopra A Peng,
E lui è andando A illustrare questi metodi A Voi utilizzando UN dimostrazione In JMP.
Grazie Voi, Professore.
Ora, IL demo tempo.
IL scopo Di UN demo È A aiuto Voi A inizio esplorando IL stabile arte approccio
A analizzare ripetuto le misure degradazione dati.
IO Volere spettacolo Voi Come A individuare IL campione dati tavoli utilizzando JMP,
Come IL informazione È organizzare In IL rapporto
E evidenziare Alcuni importante informazione Quello Voi Bisogno A Sapere.
Primo, Là Sono tre ripetuto le misure degradazione dati campioni
tra JMP campione dati tavoli.
Lega anno Domini dispositivo B, Sono due esempi con incorporato script.
IL s laser non ha uno script incorporato.
Lega UN È UN esempio senza UN X variabile.
Dispositivo B È esempio con UN X variabile.
A Trovare loro andare A IL aiuto E clic campione indice.
Tentativo A Trovare IL contorno nodo chiamato affidabilità/ sopravvivenza.
Apritelo E Dovrebbe vedere un loy UN È Qui, E dispositivo B È Qui.
A Trovare GAS laser,
Voi Bisogno A andare A IL campione dati cartella
SU tuo computer di cliccando Questo pulsante, aprire IL campione dati cartella.
Ora Io sono andando A aprire lega A.
Poi Io sono andando A analizzare menù, affidabilità E sopravvivenza,
scegliere IL ripetutamente misurare degradazione.
Ora Noi Vedere IL lancio dialogo.
Nostro assegnare lunghezza, crepa lunghezze va A sì,
campione va A etichetta sistema ID E milioni cicli andare A volte.
Poi Io sono andando A clic Va bene.
Questo È IL iniziale rapporto.
Suo UN quinto lineare Modelli per individuale lotti.
Io sono andando A Selezionare IL terzo modello Qui di cliccando Questo video pulsante.
Questo quinto iniziale modello Di UN Parigi modello Di Questo lega A dati.
Io sono andando A clic Questo, andare A Bayesiano stima pulsante
E creare UN configurazione interfaccia.
Qui Noi Vedere IL modello formula.
Qui Sono IL predefinito impostazioni per IL precedenti.
Poi Noi Sono non andando A modifica nulla Giusto Ora,
E Noi Sono Appena andando A utilizzo IL predefinito precedente A adatto Nostro modello.
Ora Io sono andando A clic
Questo adatto modello pulsante Qui E permettere Esso correre.
Poi Io sono andando A spiegare Che cosa Sono In IL rapporto.
In IL FINE, Come A Ottenere IL fallimento distribuzione profilatore.
Ora Malato clic IL pulsante, IL algoritmo inizio correre
E IL progresso dialogo disse Quello IL primo passo È messa a punto.
IL sottostante algoritmo Volere andare Attraverso Alcuni
girare Di Caldo giri in su, È procedura.
IL algoritmo È provando A Imparare IL forma Di IL posteriore distribuzione,
per esempio, Dove IL picco, Come Largo È IL intervallo, eccetera.
In IL FINE, Essi Volere Tentativo A figura fuori
Che cosa È UN Bene diradamento valore A disegno campioni da IL posteriore distribuzione,
come Quello IL campioni Sono COME poco auto correlato COME possibile.
Poi IL algoritmi accedere IL secondo fare un passo.
IL dialogo dice, Questo fare un passo È raccolta posteriore campioni.
In Questo fare un passo, UN automatico diradamento Di 80 È applicato.
IL dialogo Spettacoli Come tanto tempo In totale IL algoritmo avevo stato corsa.
In IL secondo palcoscenico, IL dialogo Anche Spettacoli previsto completamento tempo.
Di come, IO Speranza Esso Potere aiuto utenti
A regolare A loro aspettativa di conseguenza.
A volte eccessivo, lungo previsto completamento tempo È UN cartello Di UN problema.
Poi Noi Aspettare UN poco morso, E IL algoritmo Dovrebbe fine Presto.
Va bene, Ora IL algoritmo ha finito.
Andiamo Vedere cosa c'è In IL rapporto.
Il primo è IL completamento tempo.
Se Noi Sinistra tuo computer correre Sopra tempo,
Voi Maggio Volere A Sapere In IL Mattina SU Prossimo giorno.
IL secondo È UN copia Di tuo impostazioni, Compreso precedenti, numero Di iterazioni,
casuale seme E altro la cosa mostra.
Terza parte È posteriore stime.
Che sia un riepilogo O IL posteriore campioni,
Là Sono due collegamenti SU IL luogo A permettere Voi A esportare posteriore campioni.
Io sono andando A enfatizzare IL primo collegamento.
Uno scopo Di utilizzando questi primo collegamento
A esportare posteriore esempi È A ispezionare potenziale i problemi.
Due principale preoccupazioni Sono: convergenza E efficace campione misurare.
Andiamo Aspetto A Esso.
IL tavolo Avere parametri In individuale colonne.
Ogni riga UN posteriore campione.
Là Sono parecchi incorporato script.
IL maggior parte importante uno È IL il primo.
Io sono andando A clic Questo verde triangolo A corri il sceneggiatura.
La sceneggiatura semplicemente correre tempo serie SU individuale colonne
E spettacolo loro tempo serie complotto.
In IL contesto Di MCMC, Questo complotto È conosciuto COME IL traccia complotto.
Che cosa Fare Noi Vedere Qui?
Che cosa IO chiamata Bene risultati.
IL serie Sono stazionario E NO significativo auto correlazione.
Liberamente A proposito di, Quando IO Dire stazionario In Questo contesto, IO specificamente Significare trame
sembra Piace questi.
Essi Sono Dritto pari con gruppo musicale Di casuale punti.
Va bene, permettere Me vicino IL rapporto E IL tavolo.
Noi Sono vedendo Bene risultati Qui.
Anche IL dati E un modello adattato Anche Spettacoli IL risultati È Bene.
Ora Noi Sono pronto A chiedere per un montato tempo distribuzione profilatore.
A Fare Quello, andare A IL rapporto contorno nodo menù
E Selezionare spettacolo Piace distribuzione profiler.
Maggior parte inserimenti In Questo dialogo ha sensato predefinito valori
E Poi Noi soltanto Bisogno A fornitura uno Di il fallimento definizione.
Io sono andando A accedere 1.6 A Questo superiore fallimento definizione.
Prima Io sono andando A fai clic su OK, Io sono andando A ridurre Questo numero
Di SMRD2 realizzazioni A 5.000 A salva Me Alcuni tempo.
Poi Io sono clic SU Va bene.
Questo È Anche UN computazionale intensivo procedura,
Ma non COME costoso COME MCMC In generale.
Esso Dovrebbe fine velocemente.
Voi Potere utilizzo IL profiler A Ottenere
IL fallimento probabilità E IL quantile stime.
Io sono non andando A elaborare ulteriore,
Perché profilatore È UN molto comune E importante caratteristica In JMP.
Va bene, Questo È IL FINE Di IL dimostrazione,
E Voi Sono pronto A Esplorare di te stesso.
Ma Qui Sono UN coppia Di suggerimenti Quello Potrebbe Essere utile.
Primo, Prima Voi salva IL sceneggiatura A IL tavolo,
andare A controllo Questo salva posteriore A sceneggiatura opzione
Prima Voi salva IL sceneggiatura A IL tavolo.
Di Questo, Prossimo tempo Voi correre IL salva sceneggiatura,
Software Volere Portare Indietro IL montato modello Invece Di andando
Attraverso IL lungo MCMC procedura una volta Ancora.
IL secondo cosa Quello IO Volere A Portare A tuo Attenzione È
Noi Avere visto Bene esempi, Bene risultati, Ma Là Sono Cattivo quelli.
Qui Sono Alcuni Cattivo esempi.
Questo male esempio significa O fallire A convergere,
O Là Sono alto auto correlazioni.
A indirizzo loro Mio primo suggerimento È A aumento
IL numero Di Caldo su giri.
Secondo suggerimento Dove Noi giro spento autodiradamento
E fare domanda a UN grande diradamento valore, UN diradamento numero manualmente.
Se quelli suggerimenti non lavoro, suo probabile Quello IL modello
O suo configurazioni Sono non adeguata per IL dati.
Voi Maggio Bisogno aiuto.
Va bene, questi sono Tutto noi vorremmo Piace A illustrare Questo tempo,
E IO Speranza Voi Potere inizio A utilizzo Questo informazione A Esplorare
IL stato Di arte approccio A analizzare ripetuto le misure degradazione dati.
Grazie Voi.
