Bonjour , mon nom est Enfiler Vie , et je suis avec Sandia National Laboratoires , Je vais être en présentant sur Fiabilité Plate-forme dans JMP . Le exemple je serai en utilisant a à faire avec sauter dans retraite . S'asseoir dos et apprécier . Et allons voir où ce conduit nous .
UN petit peu à propos Sandia. Nous sont , au niveau fédéral financé recherche gouvernement possédé, prestataire exploité facilité . je ai a été à Sandia depuis à propos 2005 , à peu près. Je vais dire toi un petit peu à propos quoi nous faire à Sandia. Nous travail principalement sur nucléaire dissuasion . Six majeur programmes que étaient fonctionnement sur droite maintenant, je ne le fera pas aller dans le détails de ces , mais tous de ces programmes que toi voir sur mon écran sont programmes que je travaillé sur et avoir en fait appliqué JMP à tous de ces comme Bien . Le raison Je suis en présentant données sur retraite est parce que un parcelle de le truc que je faire est juste aussi sensible et je ne peut pas présent il dans ce particulier environnement . Donc, étaient en allant à utiliser quelques amusant données que tout le monde peut se rapporter à . Naturellement , ce est un enregistrement , donc toi prise ton des questions à le fin .
Mais ce est le même présentation Je vais être donnant en direct à le conférence .L et parler à propos retraite . Pourquoi est c'est quelque chose que est donc certain mais a donc beaucoup incertitude dans il que fait du il un petit peu dur à plan ? Je suis pas bien sûr je serait vouloir à être sans que incertitude . je préférer un petit incertitude dans que . Il fait faire planification pour retraite un petit peu difficile . Mais je deviner sur le brillant côté , si je étaient un chat , il serait être même plus compliqué.
Par le chemin , que le GATO ici est un réparable système , et c'est un entier nouveau sujet dans général . Étaient juste en allant à être faire systèmes que sont pas réparable , comme chats . Quoi nous peut faire est nous peut utiliser le Fiabilité et Survie outil dans JMP.Quelques de le captures d'écran que toi voir peut être sont issus un plus vieux version de JMP. Ce était créé pré-COVID . Maintenant que nous sont sur plus récent variantes de JMP là-bas pourrait être quelques léger différences dans quoi toi voir et quoi j'ai lire depuis le captures d'écran , mais devrait être assez similaire de toute façon .
Mais étaient en allant à utiliser le Fiabilité et Survie et le Vie Distribution et Ajuster Vie par X dans JMP à faire quelques analyse de certaines données.je ne suis pas bien sûr à propos où les données est à venir depuis . À Sandia , nous avoir un Laboratoire Nouvelles que vient dehors, chaque couple de semaines et dans que Laboratoire Nouvelles ils comme à poste retraité décès de le personnes que nous travaillé avec pour un long temps, juste à laisser nous savoir que ils ont déplacé sur et disparu à un grand R&D facilité dans le ciel .
Donc, je pensée je pourrait utiliser que données à aide moi plan pour mon retraite . je saisi quelques de que données et je a pris données depuis quatre différent périodes , du laboratoire Nouvelles les archives . je tiré quelques données depuis 2001 , 2007 , 2013 et 2018 . Le nombre de données points que je saisi depuis chaque de ceux est ici . Bien regarder à quelques de ces données et voir comment des choses sont en changeant à travers temps comme Bien . Mais de toute façon , le nombre de données points est joli significatif .
Ce petit agrafe , ce petit image sur le droite est un petit anecdote là . Si toi regarder de très près à le violoniste sur le gauche , quelques de toi pourrait reconnaître lui ou allons partir que en haut à toi à chiffre dehors . Peut être Je vais chanter il . C'est en fait mon partenaire , Claire . Elle est un pharmacien . Mais aussi un beau opéra chanteur .
T il bon chose à propos en utilisant le retraité données sur les décès pour moi est que que population est un mieux représentation de mon mode de vie .Ils tendre à prendre moins des risques , plomb petit plus conservateur mode de vie et un similaire revenu et éducation niveau , de cours , où le meilleur et le le plus brillant sont laissés à le probablement à le bas de que liste , mais à moins Je suis dans que groupe . C'est un honneur à être fonctionnement avec le gens à Sandia . Un autre bon chose à propos en utilisant le données sur les décès de retraités est, il seulement comprend ceux OMS en fait fait il à retraite . je ne le faites pas vraiment se soucier à propos le données pour pas fabrication à retraite . Et je s'excuser à mon enfants . Je suis dans Albuquerque , Nouveau Mexique droite maintenant .
Pour ceux de toi OMS amour Rupture Mauvais et savoir que Rupture Mauvais était principalement filmé ici dans Albuquerque , et donc Je suis un grand ventilateur de le montrer , donc j'ai a obtenu à mettre un petit peu de amusant truc dans le présentation . C'est pourquoi je jeta un petit peu de Albuquerque référence dans là pour ceux de toi OMS sont Briser le mauvais Ventilateurs comme Bien . Et quelques Mieux Appel Saül truc à .
Allons aller droite dans JMP et commencer faire quelques de le analyse . Je suis en allant à plan de sauvetage de ça et Je suis en allant à ouvrir en haut mon données déposer . Laisser moi voir quelques écrans autour ici .
Ce sera prendre un deuxième à charger sur ton écran . Toi devrait être voyant mon données déposer . Quoi toi voir sont le Colonnes de âge dans le Laboratoire Nouvelles . C'est le journal que je a obtenu le données depuis. Le bi- hebdomadaire date et je cassé que vers le bas à année . Et ces autre Colonnes Je vais parler à propos dans un petit peu . Droite maintenant , allons juste regarder à le âge et le année . Allons juste regarder à le distribution de le données et voir quoi il dit .
Si nous analyser le distribution de âge , Je suis juste en allant à analyser distribution de âge dans général . Si nous regarder à que , ce est quoi le distribution regards comme . Toi peut voir un trier de un biaisé gauche distribution et nous peut vraiment voir un petit plus détail sur ce si nous aller dans quelques de le afficher choix dans JMP.Ce données en fait meilleur convient Weibull distribution , un deux paramètre Weibull distribution , lequel Je vais montrer sur quelques de le avenir écrans . Mais quoi nous vouloir à faire est prendre ce données et utiliser le Vie Distribution à regarder à il .
Je suis en allant à traîner sur mon Power Point ici et montrer toi que je ensemble ces distributions dans le intérêt de temps plutôt que juste en fait faire il . L en train de cuisiner à le distributions de le quatre années , le quatre catégories de années , lequel sont , 2001 , 2007 et 2013 , 2018 , tous de ces ajuster un Weibull distribution assez Bien . je recherché à vérifier mon hypothèse quand je commencer en cours d'analyse le données dans Vie Distribution .
Alors Si ça eux à un Weibull distribution . Laisser moi ouvrir en haut ... Laisser moi donner toi un petit peu de arrière-plan sur le Weibull distribution , que volonté aide toi comprendre quelques de le données que je suis en allant à montrer . Ce est en fait un Weibull distribution... Weibull distributions généré en utilisant JMP formules , en fait . j'ai pris distributions avec différent santé des plans et différent payer les DOE juste à montrer toi quoi le alpha bêtas faire avec le Weibull distribution . Laisser moi courir mon scénario sur ce et montrer toi quoi ces regarder comme .
Essentiellement, Je suis juste faire un Ajuster Vie par X dans JMP , et moi sauvegarder le scénario à le données tableau . Ce est principalement juste à montrer toi quoi arrive avec Weibull distributions quand toi tourner sur un locale données filtre ici et montrer toi quoi le paramètres faire avec différent alphas et différent bêtas . Si toi avoir Weibull distributions où... Je suis en allant à choisir le trois que avoir un bêta de un. Le bêta Weibull distribution, essentiellement détermine ce est le propagé de le distribution toi pense de dans termes de standard déviation .
Quand toi parcelle le données sur un Weibull courbe , toi volonté voir que ils tous sont parallèle lignes et ils sont essentiellement juste scooter à travers le X axe ici . Le bêta est le pente de ce doubler , lequel est le propagé de le données . Si je regarder à trois courbes que avoir le même alpha mais différent bêtas , tu vas avis que ils sont tous centré à à propos le même indiquer . Quoi le bêta est faire est en changeant le propagé . Alpha est en changeant le emplacement de ce.
Ils tous à travers ce indiquer , lequel est en fait à 0,632 . Je vais parler à propos que ici dans un petit peu . Mais cependant le caractéristique durée de vie est le alpha , et c'est le indiquer où ton doubler des croix 63,2% , lequel vient dehors à être un moins un sur 80 si toi vouloir à obtenir dans le preuve de il . Le bêta est le propagé de le données, le alpha est le emplacement de le données. Échelle et l'emplacement, c'est parfois quoi ils appel il . Juste un petit arrière-plan sur que . Je vais balançoire ce Power Point dos sur ici et montrer toi et résumer glisser quoi je signifier .
Ces parcelles avoir le même alpha . Ils sont tous centré à le même lieu . Le trois que avoir le plus petit rectangle autour eux sont le même bêta . Donc, ils avoir le même propagé , mais ils sont situé différemment parce que ils avoir différent alphas . Juste un petit bref Didacticiel sur quoi le bêta distribution paramètres faire à le courbe .
Allons juste regarder à tous le données sur un fermer en haut. Exemple , probable courbe données , et allons juste regarder à le âge paramètres . Si nous analyser le Fiabilité , Survie et juste regarder à le Vie distribution de âge ... Quoi nous voir est linéaire Balance sur le X et Oui , mais nous peut en fait déterminer lequel distribution système convient ici . Et quoi nous trouver , de cours , est que le Weibull convient meilleur . Ce est quoi le Weibull distribution regards comme, sur tous de que données bondé ensemble . En utilisant le distribution profileur , je peut en fait manuellement scooter ce sur et dire, je vouloir à être 90% bien sûr je ne le faites pas courir dehors de argent .
je mieux plan sur un retraite âge de à peu près 92 ou donc . À propos 92 à être 90% bien sûr je ne le faites pas courir dehors de argent chaque temps .Que était vraiment le se concentrer de ce jour dans en essayant à aide moi plan mon l'âge de la retraite . Toi savoir , ils toujours dire toi comment long toi vouloir à plan ton retraite pour . De cours , nous ne le faites pas savoir . Généralement nous juste prendre un sauvage deviner , mais ce est un petit peu de données conduit décision fabrication en allant sur ici .
Quoi si nous regarder à ces à travers le quatre différent années , nous peut utiliser le même plate-forme , le Fiabilité Survie ou Ajuster Vie par X. Nous peut regarder à le âge contre le réel année ici . Allons voir comment le années regarder différemment . Laisser moi tourner sur le densité courbes ici donc toi peut voir où ceux automne . Je veux que ce soit un Weibull distribution . Nous peut aussi tourner sur quantile lignes à voir comment des choses changement à travers temps . Ce est le dix, 15 , 98% ligne quantile .
Il regards comme peut être peut être depuis 2001 à 2007 des choses avoir changement un parcelle , mais à propos 2013 , peut être le personnes sont vie un petit peu plus long basé sur le 2013 et 2018 données . Nous aller vers le bas ici et regarder à le détails de ce Fit Life par X . Toi peut voir le parcelles le tout séparément ici . Ces petit profileurs sont amusant à désordre avec ici . Toi peut voir le âge , le probabilité de échec . Regards comme j'ai a obtenu le long courir et le probabilité de échec est... Je vais juste mettre un 90 ici .
Mais nous peut voir que il regards comme nous sont obtenir un petit peu plus sain parce que ce Probabilité est en allant vers le bas à travers temps , à moins pour 90 années vieux . Il y a un parcelle de truc dans ici que toi peut bricoler autour avec . je ne le faites pas avoir le temps à montrer toi tous de que , mais ce que je vouloir à obtenir vers le bas à ici est ... Ce emplacement échelle . Ce petit test ici est récit moi , sont mon Emplacements différent , en supposant nous ne le faites pas avoir le même données , le même échec mécanisme , lequel dans théorie nous faire , droite ?
Nous tous avoir le même échec , mais le la physique de le humain comme les échecs devrait être constante . Et donc notre données je ne devrais pas changement beaucoup . Mais en supposant nous avoir le économie bêtas et le alphas en changeant , dans autre mots , est le emplacement de ces en changeant ? Et le données dit , Ouais , que étaient rejetant le nul hypothèse que le données sont pas scooter à travers ce X axe à travers le années . Il y a un changement . Maintenant regarder à l'emplacement et échelle , il regards comme c'est marginal .
Je suis je vais parler plus , quand on a vers le bas à le Weibull ici, le réel Weibull données . Le Weibull regarder à y a-t-il un différence dans le bêta , dans le pistes ou dans le propagé de le données année à année. C'est droite sur le bord de être rejetant le nul hypothèse que ils sont situé , que ils sont en fait le même sur le pistes . Si toi vouloir à regarder à différent distributions à travers le années , toi peut en fait faire un statistique test à voir si des choses sont en changeant à travers temps , le distributions de ton fiable données .
Droite . Donc, quoi suis je oubli ? Laisser moi glisser dos sur ici à le Power Point . Quoi Je suis pas faire , Je suis pas considérant censuré données . je ne le faites pas avoir le données pour tout le monde qui est toujours vivant . Le retraités sont toujours vivant , mais je juste ne le faites pas avoir accéder à il . Donc, je pensée , Bien , qu'est-ce que c'est que en allant à faire à mon analyse ? Bien , je peut jouer autour avec le données je avoir et aller dos dans temps . Pour exemple , je peut aller dos à 2007 et je peut traiter le 2013 et 2018 données comme censuré données parce que je savoir que ceux retraités sont toujours vivant . Juste à voir comment il affecte mon analyse , le fait que Je suis pas y compris censuré données . je a fait faire que . je est allé dos et foiré autour avec que . Je vais montrer toi un petit peu de il , mais je n'a pas vraiment trouver dehors beaucoup . Comme notre super ami George Boîte que des modèles autour le pratique des questions , comment faux faire ils avoir à être à pas être utile ?
Et je vraiment n'a pas trouver rien utile dans faire que . Mais je volonté montrer toi à moins quoi je a fait . À convaincre moi-même que pas ayant que le données pour le retraité toujours vivant, est pas un problème . Si nous regarder à le ... Laisser moi tabuler mon données réel rapide . Si je regarder à le âge , le année de le données contre si ou pas je suspendu le données , quoi je a fait est je a pris le 2018 données et suspendu il et travaillé mon chemin dos à 2013 .
Nous a fait un analyse sur 2013 en utilisant le trois années de données et alors en utilisant le 2018 données comme suspendu données . De cours , je avait à prendre le données depuis 2018 et je avait à soustraire cinq depuis il parce que que serait être le âge dans 2013 .je n commande à inclure que suspendu données , je avait à ajuster leur âge par conséquent comme Bien . Mais je aussi a fait que pour 2007 . Laisser moi montrer toi dans tabulaire format , je créé un colonne appelé Suspendre 2007 où je a pris la données depuis 2018 et 2013 et aussi suspendu il .
je a pris dehors mon données de connu décès et moitié mon données comme suspendu données , personnes OMS sont toujours vivant . Toi peut voir que ... Laisser moi montrer toi quoi que a fait à le données . Pour le l'âge sur 2013 données toujours vivant , toi peut voir que c'est essentiellement le 2018 données moins le cinq années . Si je regarder à le réel âge ici . Si nous regarder à le signifier âge , essentiellement ce est le signifier âge pour le 2018 données . Par suspendre , je essentiellement juste soustrait désactivé le cinq années ici . Et traité en dehors de suspendu données .
Et le même va pour le 2007 données . T ici plutôt , je croire , Je, simplement juste soustrait désactivé neuf années, et cinq années pour le 18 à 2013 données . Quand je a écrit le analyse de ceux , Je suis juste en allant à montrer toi sur le Power Point glisser quoi il regards comme parce que il travaux dehors pratique pour moi à saut dos et en avant entre ces deux à montrer toi le différence . Quoi je trouvé était que ce était mon original données et alors ce est le données traiter 2018 données suspendu et faire le analyse de 2013 données .
Toi peut voir que le zone de intérêt où Je suis vraiment concerné à propos est où Je suis traversée que peut être 90% probabilité . Il n'a pas changement beaucoup à tous . Et alors ce est lancement le 2018 et 2013 données actifs pendant le analyse basé sur 2007 données et le 2001 données. Toi peut voir que il vraiment n'a pas changement le courbe beaucoup dans le zone que je se soucier à propos . Que a donné moi le confort que je vraiment suis pas manquant beaucoup par pas censure dehors le données .
je signifier par pas ayant ce censuré données . Comment a fait je calculer mon 90% confiance intervalles ? Je suis en allant à juste montrer toi dans Power Point comment je a fait ce juste dans le intérêt de temps . je peut utiliser le quantile profileur et regarder à le 5% 95% probabilité et calculer mon 90% confiance intervalles . Typiquement , quoi tu vas voir pour données et dans ce cas , c'est 66 années vieux, 96 années vieux . Mais vraiment quoi je se soucier à propos est le supérieur limite . je seulement se soucier à propos mon 90% probabilité . Et dans ce cas il était âge 94 .
Basé sur ce analyse , je maintenant savoir que je vouloir à être 90% bien sûr je ne le faites pas courir dehors de argent . je devrait plan à en direct à être 94 . Ce est basé sur mon historique données . Quantification que incertitude , ce est essentiellement ...UN petit peu humour Ton dans .
Le suivant phase dans ce était à essayer et chiffre dehors ... Je suis en allant à lancer dans un petit peu de prime matériel ici au-delà le Situation de vie en forme . Ici nous avoir ce outil appelé le Pension Outil. Nous pourrait en fait mettre dans le année étaient en allant à se retirer, et nous pourrait aussi supposer un salaire augmenter et un non base , lequel est, essentiellement, quoi toi serait appel un prime dans privé industrie .
Nous pourrait mettre ceux dans ce outil et il serait cracher dehors notre Pension, notre estimé mensuel Pension . je pensée , Bien , que n'a pas aide moi beaucoup. Quoi je vouloir à faire est, je vouloir à inverse- ingénieur que outil donc que je avoir le profileur à bricoler avec . je est allé dans le JMP et je créé un Réponse Surface modèle , et je essentiellement saisir trois différent âge à retraite , 62 , 65 et 68 .
je a fait trois différent salaire augmente et je essayé trois différent basé prix comme Bien . Laisser moi tirer données sur ici . Ce est quoi le données regardé comme quand je couru le expérience . Je suis juste en allant à montrer toi le le captures d'écran depuis JMP plutôt que faire un réel JMP analyse parce que Je suis comme 20 minutes déjà et je veux faire bien sûr je avoir assez temps à couverture tous de ce .
Quand je créé ce expérience , tu vas avis que le court sont trié . C'est d'accord parce que Je suis faire un ordinateur simulation donc, je ne le faites pas avoir à inquiétude à propos cachette variables comme le température dans le chambre , le humidité et le les opérateurs . Je suis en allant à obtenir le même répondre indépendamment de de le commande que je couru ce . Donc, c'est Plus facile pour moi à faire le outil à courir eux dans commande . Mais quand toi faire que conception de expériences , toi vouloir à randomiser ton courir . Faire pas courir eux dans commande dehors de commodité . Si toi faire, toi sentir, d'accord, ton ensemble de souches volonté dire toi que toi peut utiliser le comment à ensemble facile, comment changements avec le changement, fonctionnalité dans JMP à faire bien sûr toi faire que correctement par en utilisant quelques blocage .
Mon contributions étaient tous orthogonal . je couvert tous combinaisons de le...Mon âge à retraite , le trois différent âge et le trois différent mois basé prix et le trois différent salaire augmenter pourcentages . Ce est le regarder à le analyse toi peut faire quand tu es paramètre en haut ton expérience dans JMP. Toi peut faire bien sûr que ton principal effets sont seulement corrélé à eux-mêmes . Et que il y a minimal corrélation à autre variables , dans deux facteur interaction est aussi un au carré terme depuis je a fait un Réponse Surface modèle.
Mais le filet résultat était un bon prédiction profil et Je suis en allant à aller devant et juste courir ce et montrer toi . Prédiction profileur . Quand je ensemble en haut le expérience , je dire JMP. Quand toi ensemble en haut un expérience dans JMP , c'est bon parce que il donne toi ces scripts déjà dans ton données tableau . Je suis juste en cours d'exécution le modèle données tableau . Et JMP dit , Oh , je savoir quoi toi vouloir modeler , parce que je était ici quand toi ensemble en haut le expérience. Et il donne moi mon Oui et il donne moi mon Xs .
Il court mon un analyse pour moi . je peut maintenant utiliser le profileur JMP, plutôt que ayant à mettre dans un âge, salaire augmenter, et une non base prix dans que outil et obtenir un nombre dehors . Maintenant je avoir le profileur j'inverse conçu leur outil essentiellement. je peut voir quoi mon mensuel avantage est en allant à être contre un salaire augmenter , non base, où toi voir que non base prix n'a pas vraiment avoir beaucoup effet.Salaire augmenter , pas beaucoup effet . Et de cours , âge comme nous serait attendre, avoir le la plupart effet .
Quoi faire je faire avec ce information ? Bien , quoi je vraiment se soucier à propos est mon durée de vie avantage . Et Je suis aussi Je suis concerné à propos inflation . Donc, je ajoutée quelques formules à ce . je ajoutée un durée de vie avantage , lequel est juste mon mensuel avantage fois comment long Je suis en allant à en direct . Si toi vouloir à regarder à le formule , toi peut voir c'est essentiellement mon mensuel avantage fois comment long Je suis en allant à en direct . Et c'est mon durée de vie avantage .
C'est quoi je vraiment se soucier à propos , est comment beaucoup argent suis-je allez obtenir dans mon durée de vie . je savoir si je se retirer plus tôt , Je suis en allant à obtenir moins argent . C'est un Non cerveau . Mais je vouloir à savoir , est là un indiquer de diminuer Retour. W poule je regardé à le âge à retraite , mon durée de vie avantage pour 80 , 84 et 98 créé trois séparé Colonnes pour ceux données volonté être le colonne.Tous ceux-ci les données seront je être fourni à toi comme Bien , si toi vouloir à bricoler avec il .
Mais quoi toi peut voir est un durée de vie avantage pour vieillissement . C'est en fait un indiquer de diminuer Retour. Où je pourrait comme Bien juste se retirer à 65 parce que Je suis en allant à obtenir moins argent , mais Je suis en allant à obtenir il pour un plus long période de temps . Maintenant , comme que départs à augmenter, si mon durée de vie à âge 84 , il s'avère que mon durée de vie avantage serait avoir a été un petit peu mieux suspendu sur là . Et comme je obtenir plus vieux , de cours , Je suis mieux désactivé en attendant comme long comme je peut à se retirer .
Mais je vraiment ne le faites pas savoir . je ne le faites pas savoir quoi que nombre est . Mon meilleur deviner est 84 . Que était le cinquantième centile sur mon ajuster . Si je vouloir à être vraiment conservateur , Je suis regarder à 90 . Mais je aussi recherché à regarder à comment inflation importe . je regardé à le présent valeur, je mettre un formule dans JMP . Il y a en fait un formule pour présent valeur . Laisser moi expliquer [inaudible 00:26:05] je vais montrer ça à toi réel rapide .
Dans JMP toi peut en fait utiliser un formule similaire à quoi Exceller a et calculer ce cadeau valeur. Et que ajuste pour inflation . Ce est quoi ton l'argent valeur maintenant, relatif à quoi tu es prédire , le avenir inflation taux est en allant à être annuel inflation taux . À 0% ce présent valeur est juste ton durée de vie . Le nombre de Paiements tu es en allant à avoir à travers ton durée de vie fois le paiement montant essentiellement , mais toi obtenir pénalisé comme inflation va en haut , il devient moins et moins . Si je regarder juste à le inflation présent valeur données ...Si je juste modèle ceux , quoi je remarqué était ...je vais faire ça petit plus gros donc toi peut voir eux .
je remarqué que quand mon salaire augmenter est plus petit, inférieur ... Ce est un deux facteur interaction . Toi peut voir le pistes en changeant . Que était quelques petit salaire augmente , lequel sont probablement pas irréaliste dans le à venir avenir . Là est un indiquer de diminuer retour quand nous pénaliser pour inflation . À inférieur inflation , là est pas que grand de un avantage à attendez à se retirer . Une fois je frapper à propos 65 ou donc , c'est départ à aplatir dehors . Vraiment le différence n'est-ce pas que grand .
Si nous regarder à le prédit valeur , ces sont pas mon réel Nombres . Ces étaient basé sur censure le données en utilisant un facteur de hauteur de 4 000 $ un mois , lequel est le typique retraité revenu . je remarqué que comme je peser , il aplatit dehors donc il n'a pas vraiment payer à attendez à se retirer . Je suis en utilisant ce information à aide moi décider quand je vraiment vouloir à se retirer . Droite maintenant , Je vais être 62 dans Peut , donc Je suis départ à approche le capacité à faire ce .
Probablement en allant à attendez jusqu'à 64 , 65- ouais à où le différence dans mon présent valeur est pas que grand . C'est un petit rapide prime sur comment je utiliser le designer expériences fonctionnalité dans JMP à inverse- ingénieur ce . Dans résumé , je regardé à le retraité la mort données et je ensemble le Vie Distribution et Ajuster La vie par X, je regardé à quatre différent temps périodes et remarqué peut être nous a fait obtenir un petit peu plus sain et plus sain dans 2013 , mais par 2018 que avoir aplati dehors . je faire avoir quelques 2021 données que je ne le faites pas avoir dans ce présentation, mais suivant année à le conférence dans Espagne dans Mars , que c'est en fait joli plat depuis 2013 à 20 18 à 2021 . Étaient vraiment pas obtenir plus sain , vie plus long . C'est en allant à aide moi avec mon décision . je a pris un coutume conçu expérience en prime matériel ici , et je inverse- conçu ce la toile basé applet que nous avoir et utilisé le profileur à remplacer que un données indiquer à un temps . UN vraiment cool chose , toi peut faire dans JMP . je serait prendre des questions ici si étaient vivant .
Et avec que , je vouloir à dire un dernier chose . je vraiment vouloir à consacrer ce présentation à mon frère , OMS je perdu un couple de années il y a à cerveau cancer , OMS était seulement 15 mois plus jeune que moi . Il était un compagnon Sandy et aussi un compagnon JMP utilisateur . Quelques de toi peut avoir rencontré lui à le JMP conférence et donc je suis consacrer ce à lui . Remercier toi très beaucoup .
