Hola, mi nombre es caleb Rey.
Soy a sénior investigación estadístico desarrollador
aquí en el Diseño de experimentos y Fiabilidad grupo
en JMP Estadístico Descubrimiento.
Es bastante a bocado.
A s tú probablemente adivinar de el título de mi hablar,
Soy yendo a ser hablando acerca de autónomo vehículos,
y específicamente cómo nosotros poder probablemente evaluar el fiabilidad
de autónomo vehículos
usando alguno de el fiabilidad plataformas como JMP,
entonces eso puede ser uno día Bueno ser como este bien hidalgo aquí
relajante en nuestro autónomo vehículos como ellos llevar a nosotros lo que sea nosotros desear a ir
sin ser asustado eso nosotros no fin arriba allá.
l et's conseguir en eso.
oh F curso, autónomo vehículos son rápido convirtiéndose a realidad.
Nosotros tener a lote de compañías ahora involucrado en extenso pruebas de estos vehículos.
Ahora, de curso, alguno de eso pruebas temprano en
es básico pruebas de el software, pruebas en simulado entornos,
pero por último, en orden a tener a muy confiable vehículo,
tú necesidad a prueba él afuera en el carreteras,
y entonces a ayuda afuera con eso, a pareja de años atrás,
el California Departamento de Motor Vehículos
poner juntos a pruebas programa eso haría permitir estos compañías
a optar en y prueba su vehículos en su carreteras.
Como parte de eso acuerdo, aunque,
cada año estos compañías tener a proporcionar a detallado informe
en cualquier retirada, y cielo prohibir, accidentes
involucrando su autónomo vehículos a el DMV.
Ahora, porque el DMV es a federal institución,
estos informes son de hecho en público disponible al pedido.
En hecho, Enfermo jalar arriba a enlace aquí real rápido a el California DMV sitio web
dónde tú haría ser capaz a ir a.
En este caso, tú podría acceso informes de el último dos años.
Si tú buscado más, tú justo enviar un correo electrónico a este enlace
allá bonito rápido en conseguir atrás a tú.
Ahora, ya a lote de gente son usando este datos en académico investigación.
Como a rápido ejemplo, Enfermo hacer clic en este enlace aquí
a a papel en a proyecto eso I era personalmente involucrado en
con mi anterior tutor y uno de su nuevo doctorado estudiantes,
en este caso, analizando él usando qué llamado, recurrente eventos datos.
Enfermo hablar a pequeño poco acerca de eso más más tarde.
Pero de nuevo, hay ya investigación mirando en cómo poder nosotros usar este datos
a evaluar el fiabilidad de autónomo vehículos,
tal vez usar él a introducir nuevo métodos y entonces adelante.
I es ya estado a partir de a ser ampliamente usado.
Ahora para este particular hablar, Enfermo ser mirando en retirada informes,
usando eso como a forma a medida fiabilidad
porque de curso, nosotros no poder acceso el actual software,
eso es todo propiedad para el compañía.
Pero a través de el usar de estos retirada eventos,
nosotros poder inferir el fiabilidad de el vehículos para a particular compañía.
A ganar, Enfermo ser demostración apagado,
este es a estadística del JMP descubrimiento conferencia,
entonces Enfermo ser demostración apagado alguno herramientas en JMP eso permitir a nosotros a conseguir eso información.
Wisconsin th eso, vamos rápidamente hablar acerca de qué datos son nosotros mirando ¿en?
W. sombrero son en estos ¿informes?
F primero, estos son anual informes,
y Soy yendo a ser enfoque en a soltero compañía,
aquellos próximo de Waymo,
cual es antes este Google autoconducción auto proyecto.
t estos son informes enviado por Waymo a el California DMV.
Ahora, He estado hablando acerca de a retirada evento.
Qué hacer I significar por ¿eso?
Bien, hay dos tipos de pruebas.
El primero involucra allí ser a conductor en el asiento,
el vehículo de hecho no poder funcionar sin a conductor en el asiento.
Pero en alguno punto, ellos poder doblar en autónomo modo,
y si cualquier cosa sucede dónde el conductor tiene a llevar encima,
eso era no planificado como parte de el pruebas,
eso es a retirada evento.
El otro tipo de pruebas, de curso, es a completamente sin conductor vehículo.
Eran no yendo a enfocar en aquellos.
Eran justo yendo a enfocar en el conductor necesario sistemas.
Ahora, estos anual informes ir todo el forma atrás a acerca de 2015,
incluso que contiene información atrás a 2014,
cual es acerca de cuando este entero California DMV programa comenzó.
Waymo era de hecho uno de el primero compañías a conseguir involucrado en este.
t estos informes contener, primero de todo, ellos contener datos
típicamente de Diciembre de el anterior año,
a Noviembre de el actual año de el informe,
el excepción ser el 2015,
cual de hecho va atrás a poco más en 2014.
F o ejemplo, el 2016 informe haría tener datos de Diciembre de 2015,
todo el forma arriba a Noviembre de 2016.
t aquí está dos general tipos de datos presente.
El primero es yendo a decir tú todo acerca de el retirada evento.
Qué era el ¿causa? Dónde hizo él ¿suceder?
S a veces es podría dar tú el día y el Número de bastidor de el vehículo
involucrado en el incidente.
El otro tipo de informe es,
cómo muchos millas eran impulsado en autónomo modo
para a vehículo, para a particular mes.
Ahora, tú puede tener observó que yo dicho, en el retirada evento informe,
a veces nosotros saber el fecha y el evento.
Sí, eso es bien.
Es no muy coherente al otro lado de el completo tiempo.
En hecho, eso información de hecho no fue disponible hasta 2018.
Previo a eso, nosotros solo saber qué el evento era y cómo muchos sucedió dentro a mes.
A partir de en 2018, ellos comenzó Proporcionar eso información,
mayoría probable porque el DMV motivado a ellos a hacer entonces.
W. sombrero él medio entonces es eso
tú de hecho tener dos niveles de resolución con nuestro datos.
t él primero es en a mes nivel,
y para eso nosotros poder ir todo el forma atrás a cuando pruebas comenzó.
Soy yendo a ser mirando en eso tipo de datos
usando nuestro fiabilidad crecimiento plataforma.
t él otro tipo de datos es de hecho a diario y en el Número de bastidor nivel,
entonces individual vehículo nivel.
Enfermo ser usando el recurrente eventos plataforma a analizar eso.
Antes continúo más, dejar a mí espectáculo tú dónde aquellos son.
usted encontrar a ellos bajo el Analizar Menú, ir abajo a Fiabilidad y Supervivencia.
usted aviso a tonelada de plataformas aquí.
El uno Enfermo ser destacando son Reaparición Análisis.
Th es es, nosotros consiguió individuos, en este caso, vehículos,
eso poder experiencia a periódico evento encima tiempo,
en este caso, a retirada evento,
entonces Bueno ser usando eso para el Número de bastidor nivel, y entonces el fiabilidad crecimiento
Enfermo ser usando a analizar el mensual agregar datos.
El mismo idea,
a pesar de fiabilidad crecimiento es más para si I tener a grande sistema
eso podría encuentro m múltiple eventos,
a veces ellos tener a ser reparado como parte de el evento,
entonces ellos son experimentando él encima tiempo.
Él podría ir a través de diferente etapas en,
entonces el subyacente proceso o software podría ser evolucionando encima tiempo.
Eso es algo eso el fiabilidad crecimiento plataforma es destinado a manejar.
Ahora este podría también manejar el Número de bastidor información como Bueno.
Es bien con eso.
Soy justo cosecha estos dos porque I desear a espectáculo apagado el amplitud
de el cosa eso nosotros tener aquí en JMP.
Mientras Soy haciendo eso,
I también desear a espectáculo tú a poco de cómo nosotros usar alguno JMP herramientas a compilar el datos.
Obviamente, hay a lote de informes,
entonces cómo hacer nosotros compilar todo eso juntos en a soltero ¿informe?
Enfermo tocar brevemente en alguno de el herramientas eso nosotros usado en JMP a ayuda con eso.
l et's bucear bien en eso.
F primero Enfermo hablar acerca de lectura en alguno de el más temprano informes.
Y tienes ya observó hay a poco de inconsecuencia en qué informó.
hay también a poco de inconsecuencia en el formato de el informes,
entonces alguno de el muy temprano informes eran en el formas de PDF.
Dejar a mí espectáculo tú un ejemplo usando el 2017 informe.
W. mi tener a lindo informe aquí de Waymo.
Es muy Bueno formateado.
En hecho, este es probablemente uno de el mejor, mejor informes
eso hemos visto entre el compañías eso eran participativo en este tiempo.
A racimo de mesas en aquí,
El unos nosotros en realidad desear son el unos aquí en el fin en el apéndices.
Este es un eventos informe.
Aviso días a poco de a nombre equivocado.
Es de hecho el mes dónde él sucedió,
alguno información acerca de el operación, qué causado él.
Nosotros definitivamente desear este información.
Este es a mesa eso nosotros desear.
Nosotros también desear a mesa aquí en el fin
cual muestra el autónomo millas para cada evento, en este caso el último cuatro.
No incluso conseguir el completo vino para cada vehículo para cada mes.
Ahora, de curso es en el PDF,
entonces nosotros en realidad no desear a tener a ir en y a mano tipo estos en.
Él haría ser lindo si JMP tenía a forma a leer en mesas de a PDF.
Bien, estás en suerte porque I poder ir aquí y hacer abierto.
hay mi pdf He marcado él a, Seleccionar todo archivos, no justo JMP archivos.
hay mi informe, Soy yendo a hacer clic Abierto
y nosotros tener nuestro PDF elegante lector.
Ahora, qué es desaparecido a través de es es intentando a identificar todo eso es a mesa
en eso informe y es hecho a bonito bien trabajo.
Desplazarse a través de aquí.
Tú poder ver capturado mayoría de aquellos mesas.
En hecho, probablemente también muchos mesas no necesidad todo de estos.
Tú poder Desplazarse a través de a ellos individualmente usando este desplegable menú
y tú poder ver es etiquetado por página y el mesa número en eso página.
I no necesidad todo de estos mesas como I mencionado antes,
I justo desear el unos eso son en el apéndices.
Eso es fácil.
Enfermo ir a el Rojo Triángulo menú eso de repente apareció en el página
y decir, Justo ignorar todo el mesas en este página.
Enfermo Desplazarse abajo y hacer el mismo cosa para este página.
Bueno, ahora He consiguió el mesas Soy interesado en.
Nosotros aún necesidad a poco de retocando a hacer porque como tu lo harás ver,
ellos son esencialmente cada mesa en cada página es es propio entidad.
Entonces estos son de hecho todo el mismo mesa.
Cómo hacer I decir JMP a hacer ¿eso?
Bien, ahora I poder ir a el Rojo Triángulo menú en el mesa.
Soy yendo a Desplazarse abajo aquí a número de filas a usar este encabezamiento
y decir él a usar ninguno.
Ahora qué este medio es si hay a mesa previo a él
eso es narración JMP eso, ey,
eso es de hecho parte de el anterior mesa.
Eso es por qué hay No encabezamiento en este.
Soy yendo a hacer clic cero.
usted aviso eso mesa, hay uno menos.
Tienes también observó es agregado dos columnas en este caso.
Qué página es eso mesa ocurrir y qué mesa en eso página.
Si tú buscado eso información, JMP automáticamente proporciona él.
En este caso, I no en realidad necesidad él,
pero I poder borrar él más tarde después Soy hecho lectura estos entonces.
Nosotros también aviso nosotros omitido a poco de eso mesa
probablemente porque el formateo cambiar
aviso él era capaz a bonito fácilmente encontrar qué el carreteras eran para este mesa,
pero para este uno, no entonces mucho.
Principalmente porque de este chico.
Alguno nosotros justo no poner él justo bien, entonces él no adaptar el patrón.
Eso es bueno, Soy yendo a hacer clic, Soy yendo a arrastrar alrededor
y eso dice JMP, "Ey, hay tú a nuevo mesa",
y I poder ir en bien ahora piensa es a zona mesa.
I poder justo decir él No, es parte de el anterior uno.
Allá nosotros son.
Soy yendo a Desplazarse a través de y sí, él omitido alguno de este información.
Pero de nuevo, aviso es intentando a mantener eso formateo,
pero porque de el forma él era aporte, él omitido eso último fila.
Eso es bueno I poder aporte eso información más tarde.Es no a grande trato.
Si nosotros ir a este próximo página en este caso JMP hecho el opuesto.
Es de hecho concatenado estos dos juntos, cual marcas sentido.
Él ve estos son bonito cerca juntos.
Tal vez ellos son el mismo mesa.
Desafortunadamente, ellos son no.
Como tú poder ver, ellos son dos distinto mesas aquí,
mientras aquí ellos son concatenado juntos.
I necesidad a decir JMP.
No, eso es de hecho a diferente mesa.
Eso es bonito fácil.
Justo decir cómo muchos filas.
No, hay de hecho es a encabezamiento fila,
y eso dice JMP, eso es a diferente mesa.
Ahora es creado a diferente mesa.
I haría tener a repetir eso para a lote de estos.
Desafortunadamente, el forma ellos tienen aporte este,
Soy yendo a tener a hacer a poco de trabajar más tarde en
a conseguir a ellos en el bien formato.
Pero eso es bueno.
Allá son otro herramientas y JMP a hacer eso.
Para bien ahora para el beneficio de tiempo Soy no yendo a ir en eso.
I justo desear a espectáculo tú cómo nosotros podría leer él en de a PDF.
Ahora, agradecidamente, a partir de en acerca de 2018,
ellos comenzó usando Sobresalir para su informes.
Él era a lote más fácil a justo Copiar y pegar directamente en JMP.
Ahora eso hemos consiguió el crudo datos mesas en,
Soy no hecho todavía porque I haría como a reformatear alguno de estos datos mesas
a conseguir a ellos en a lindo común formateo
eso poder entonces usar a concatenar a ellos todo juntos en a soltero mesa.
Ahora Enfermo espectáculo tú cómo I hizo eso,
y es de hecho bastante a lote de cosas eso I desear a hacer.
Aquí está un ejemplo de el Waymo 2022 informe.
Nosotros en este caso,
nosotros tener el fecha de el incidente, el Número de bastidor número de el vehículo involucrado.
Este es justo extra información eso I de hecho no desear a mantener.
Es justo dicho, poder I conducir por ¿sí mismo?
Es él completamente ¿sin conductor? No.
Sí, Señor. De curso hay a conductor presente.
OMS iniciado él. Soy no yendo a usar eso información.
Soy yendo a mantener el ubicación y el descripción.
Este es esencialmente el causa.
I voluntad probablemente rebautizar alguno de aquellos columnas.
I también necesidad a resumir encima este mesa,
porque de este Identificación como a crear un agregar eventos
entonces I poder usar él con el mensual agregar datos.
me gustaría necesidad a agregar resumir encima el Número de bastidor números encima el fechas por mes.
Hacer todo eso, Así que si tú oso con a mí,
He a lote de acerca de cinco minutos o entonces a hacer eso.
I saber es a poco peligroso a amable de hacer eso vivir, pero justo oso con a mí.
Primero cosa I necesidad a hacer es I necesidad a abierto este chico
y entonces I necesidad a hacer clic este botón.
Bueno.Dar a mí.
Dejar a mí llevar a pequeño romper aquí. Eso era a lote.
Agradecer tú para cojinete con a mí en eso.
Como tú poder ver, gracias a algo nuevo llamado el JMP flujo de trabajo,
I era capaz a lograr todo de eso en a fracción de a segundo.
Bien, tal vez a pequeño encima a segundo, pero aún a lote más rápido.
He consiguió a datos mesa aquí agregado por mes.
Obtuve el ubicación, el núcleos, cómo muchos eventos sucedió en ¿eso?
I poder reetiquetar alguno de eso y He consiguió mi individual datos mesa
eso tiene el fecha, el Número de bastidor y el actual individual eventos.
He consiguió eso colocar arriba.
Ahora I poder ahorrar aquellos en diferente ubicaciones a ser concatenado más tarde.
Qué es este nuevo flujo de trabajo?
Bien, dejar a mí abierto arriba a nuevo uno para tú justo entonces tú poder ver él si poder conseguir allá.
Allá nosotros ir.
Este es qué tú haría comenzar apagado con.
Qué tú hacer es tú hacer clic este rojo registro botón y en un individual datos mesa tú
haría entonces él haría entonces registro el comportamiento estás tomando en eso datos mesa.
Este es muy útil si tú tener un este como I tener aquí, I tener a lote de informes.
Soy yendo a ser haciendo el mismo cosa para cada informe.
Entonces teniendo a en cambio repetir todo aquellos comportamiento para cada de aquellos mesas,
I justo registro él para uno mesa y entonces ahorrar él como a flujo de trabajo.
Entonces cuando I corrió él, qué él haría hacer es él haría abierto arriba
a ventana dicho, "Ey, no pude encontrar eso original datos mesa.
Poder tú espectáculo a mí qué el nuevo uno ¿es?"
Seleccionar él y él carreras él.
Ahora, en este caso,
él no hacer él aquí porque I ya tenía él preparado para este datos mesa.
Pero típicamente si el datos mesa tiene cambió en el nombre,
entonces largo como él mantiene el mismo formateo,
eso es el solo cosa tú tener a preocuparse acerca de.
Si a columna hizo cambiar a nombre, eso es bueno.
JMP también sabe a preguntar,
"Ey, no pude encontrar eso columna. Poder tú dar a mí a ¿reemplazo?"
Este es muy útil.
vamos decir tú tener a a diario informe eso tú tener a recolectar datos en
entonces tú haría conseguir a datos mesa de eso informe.
Tal vez hay a pareja limpieza cosas tú necesidad a hacer en eso datos mesa.
Ahorrar a flujo de trabajo, abierto eso datos mesa,
hacer clic Correr, seleccionar el bien datos mesa y estás hecho.
Este es a excelente tiempo ahorrador.
Este en realidad ayudó ahorrar a nosotros a lote de tiempo
cuando nosotros eran compilando estos datos juntos.
Eso era algo eso era justo recientemente introducido en JMP 17.
Soy seguro estás yendo a amar eso.
Dejar a mí salida afuera de todo de estos. He ya consiguió aquellos mesas hecho,
y desear a hacer seguro eran yendo a ir en a el análisis
porque desear a hacer seguro nosotros tener tiempo a hacer eso.
vamos comenzar con el mensual agregar nivel.
Aquí He compilado él al otro lado de todo el tiempo periodos
arriba hasta el mayoría reciente, eso ser 2022.
vamos rápidamente caminar a través de qué He consiguió aquí.
He consiguió fecha en este caso, es el mes.
Cómo muchos vehículos son activamente ser probado en eso ¿período?
Cómo muchos total autónomo millas eran impulsado en eso ¿mes?
Este es cómo muchos diferente evento tipos sucedió.
Este es el total número de retirada eventos eso ocurrió.
vamos hacer a rápido visual mirar en este.
JMP es todo acerca de graficos y visual exploración.
vamos mirar en eso.
Aquí He consiguió trazado el acumulativo número de eventos encima tiempo
y el individual eventos y nosotros aviso es un interesante pequeño patrón aquí.
Allá parecer a ser hay claro Picos y entonces gotas y él parece a suceder
acerca de 4 o 5 veces dónde nosotros ver este Picos.
Tú poder también ver eso con el acumulativo datos.
Idealmente qué tú haría como con este tipo de datos,
el rojo ser a poco de un aumentar en el comienzo
y entonces es yendo a aplanar afuera.
Idealmente, él se convierte completamente departamento.
Si tú hacer eso, tú tener logrado el perfecto autónomo vehículo.
Tú tener No más retirada incidentes a preocuparse acerca de.
Pero de curso eso es nunca yendo a suceder.
Tú justo desear él a ser como departamento como posible.
Qué eran vidente, de curso, es a poco de a elevar o a quemar en período,
si tú voluntad, y entonces es a partir de a departamento afuera.
Pero nosotros tener eso repetido a pareja de veces mayoría significativamente aquí.
Eso es a bonito grande saltar allá.
De curso, tú poder ver eso correlacionando aquí.
hemos consiguió nuestro quemar en período.
Entonces como nosotros gota en el número de incidentes,
nuestro curva arriba arriba es yendo a aplanar afuera.
Este es yendo a ser el llave pedazo de información vamos a ser mirando en
en nuestro fiabilidad plataformas.
hemos consiguió eso información allá.
Ahora Enfermo ir adelante y rápidamente DIRECCIÓN uno pregunta eso podría venir arriba.
Tal vez tú podría pensar, Bueno,
tal vez el más tú conducir él, el más incidentes tú podría tener.
Tal vez nosotros debería intentar y cuenta para eso y I tener.
Aquí está otro grafico dónde He miró en el correlación entre, en este caso,
el registro de el kilometraje y el registro de el total retirada eventos.
Allá es a poco de a tendencia.
Es a muy pequeño uno.
En hecho, el R² es no bien en todo.
hay a lote de desparramar en el datos.
Aquí está de hecho el predicción ecuación con es individual predicción límites,
hay a lote yendo en.
hay infinidad de habitación para a departamento línea allá.
Este es justo dicho eso allá
podría ser algo como eso sucediendo, pero es claramente no el conduciendo fuerza.
Sí, si tú conducir él a pequeño poco más, tú podría experiencia a pocos más incidentes
eso hacer sentido.
Pero es claramente no a grande conduciendo fuerza.
Algo demás es claramente yendo en.
Con un poco de suerte eso ayuda DIRECCIÓN a lado pregunta eso podría venir arriba.
Bien, vamos conseguir en el actual fiabilidad análisis.
Soy yendo a correr este guion aquí,
y este es yendo a correr eso fiabilidad crecimiento plataforma.
No preocuparse.
Después He correr él, Soy yendo a hacer clic aquí bajo el Rojo Triángulo rehacer relanzar.
Este trae arriba el inicial lanzamiento.
Este es qué el inicial lanzamiento ventana aspecto como.
Tú tener cuatro diferente maneras de entrando el datos.
El primero es a tiempo a evento.
Si tú tenía grabado aquí está cómo muchos días o meses arriba hasta un evento sucedió,
tú haría usar este uno.
Entonces tú podría de curso, tal vez múltiple sucedió en eso tiempo.
Tú podría poner eso allá.
Nosotros tener el fechas, cual es qué Enfermo ser usando porque nosotros en cambio de un actual
cronometrado evento nosotros justo tenía dicho eso en este mes este muchos eventos suceder.
Nosotros tener a marca de tiempo y un evento contar para eso.
Tú también tener él si tú tener individual información,
tal vez eran haciendo concurrente pruebas o pruebas en paralelo.
Tú poder hacer eso información aquí.
Aviso hay a lugar para el sistema yo D.
Si I eran mirando en el individual evento información,
este es dónde I haría ir.
Pero para bien ahora, eran yendo a palo con el fechas.
Enfermo volver a visitar el fase cosa en a momento.
usted aviso es trazado eso acumulativo curva, cual nosotros sierra más temprano.
Allá él es bien allá.
Ahora el métrico de interés aquí es qué llamado significar tiempo entre fracasos.
Es claramente orientado hacia fiabilidad datos
dónde eran mirando en fracasos.
Pensar de este como qué el promedio mes
entre incidentes, retirada incidentes.
hay a poco de a no paramétrico
medida aquí eso es justo clasificar de a Moviente ventana, mirando en él encima tiempo.
Pero tú poder conseguir a sentido de cómo bien nosotros conseguir, tal vez cómo pobre nosotros conseguir.
Soy de hecho yendo a adaptar a modelo.
El modelo Enfermo ser adecuado es aquí bajo adaptar modelo.
Este era a poco de a bocado.
Es a por partes viable en cambiar punto detección.
Dejar a mí romper eso abajo para tú.
El típico modelo usado en modelado este tipo de cuenta tipo datos
es qué llamado a Poison proceso.
Qué eso es esencialmente dice es eso el tasa en cual incidentes ocurrir
en este caso tasa por mes es constante encima tiempo.
Eso haría ser el equivalente de a derecho línea aquí
de a matemático perspectiva, eso es a lindo modelo.
Es muy fácil a analizar ,
de a práctico perspectiva eso es a horrible modelo
porque nosotros nunca conseguir a mejorar.
Nuestro tasa de incidente es siempre el mismo.
Nosotros no desear a constante tasa.
Nosotros desear el tasa a ir a cero, preferiblemente.
Eso es qué I significar por eso aplastamiento de el curva.
Qué nosotros desear es qué llamado a No homogéneo Poison proceso,
elegante término significado el tasa cambios encima tiempo.
El Weibel parte dice cómo exactamente hace él cambiar encima ¿tiempo?
Él consiste de dos partes.
hay un inicial tasa lambda Pensar de eso como como a constante afuera frente
y multiplicar eso por tiempo aumentó a alguno fuerza beta.
Eso valor beta es yendo a decir tú cómo el tasa cambios.
Si beta es mayor que que uno, mi tasa es creciente encima tiempo.
Eso es malo, nosotros no desear eso.
Eso tasa eran cero.
Eran en a Poison proceso. Es constante, nosotros también no desear eso.
Qué eran mirando para es a valor de beta eso es entre 0 y 1 dicho, tú saber,
bueno, lo hará aumentar a pequeño poco, pero entonces es yendo a comenzar a morir apagado,
es yendo a lento abajo conseguir a nosotros eso arrasamiento apagado eso nosotros desear.
Cuando nosotros estimar estos, eran mirando en a valor entre 0 a 1.
Eran también mirando visualmente para eso aplastamiento apagado.
Para el mientras tanto, entre fracasos, qué nosotros desear es eso a conseguir muy grande,
idealmente sería ser infinito, significado lo hará nunca suceder,
pero de curso eso no poder suceder.
Nosotros justo desear muy grande significar veces entre fracasos.
Soy yendo a adaptar eso modelo aquí.
Soy yendo a usar a cambiar punto
porque eso es dicho eso en alguno punto
tal vez eso valor de beta en mi modelo es yendo a cambiar significativamente,
principalmente porque de este chico aquí.
Soy yendo a correr eso porque él aspecto entonces diferente.
Sí, de acuerdo a a este,
allá es a cambiar punto bien allá, a bonito significativo uno.
Si tú mirar gráficamente,
eso es no a excelente adaptar, pero es no a en realidad malo adaptar cualquiera.
Pero él es detector eso algo significativo sucedió en 2021.
Si nosotros ir a este trama,
este es demostración tú cómo hace eso significar tiempo entre falla cambió encima tiempo
y es haciendo él para cada en este caso fase.
Este es clasificar de el empírico fase basado en este cambiar punto.
En el primero fase, él dice, Bueno, nosotros consiguió a acerca de como bien como 0,15 meses.
Eso es apenas cinco días entre incidentes, no también malo.
Apenas a semana.
De nuevo, este es al otro lado de a flota de vehículos.
Para cualquier individual vehículo, él podría ser más extenso o corta.
Pero para el flota,
esencialmente el software sí mismo, acerca de a semana entre retirada incidentes.
Después 2021, él gotas significativamente a acerca de 5%.
Eso es casi a día y a medio.
Eso es bastante a gota.
Nosotros poder mirar en el parámetro estimados. hay mi datos, eso es justo mi inicial.
Aviso Para beta uno es menos que uno, eran haciendo excelente.
Para el segundo fase, no entonces mucho.
En hecho nosotros poder ver tal vez nosotros podría hacer a pequeño poco mejor.
Aviso allá eran acerca de cuatro de aquellos, entonces tal vez I poder invocar
alguno clasificar de empírico agrupamiento en eso,
cual es qué He hecho en el otro guion.
Es yendo a correr este.
Todo I hizo aquí. Enfermo hacer el rehacer, ¿relanzar?
I justo agregado a columna llamado Empírico Fase
eso es justo consiguió a racimo de letras en él
eso justo distinguir el etapas de cada otro.
Es a categórico factor.
Eso es todo él es, y eso es qué estos vertical líneas representar.
Este es a combinación de a mí repetidamente usando el cambiar punto.
Él solo detecta uno cambiar punto.
Tú poder hacer a truco dónde I poder seleccionar alguno de el datos, esconder y excluir él,
y entonces hacer él de nuevo.
Eso es a forma para él a conducir detectar diferente cambiar puntos.
Alguno de este es también justo a mí mirando él.
Lleno confesión.
Ahora para este uno, el modelo todo adaptar es llamado a por partes Weble.
El mismo cosa es qué nosotros hizo antes.
Pero en cambio de él detector el cambiar punto, es dicho,
He ya consiguió aquellos en para tú.
Cada tiempo tú ver uno de estos cambios,
estos diferente etapas, eso valor de beta es yendo a cambiar.
Es yendo a conectar a ellos todo juntos.
Pero eso valor de beta podría cambiar,
indicando a cambiar en el proceso en general basado en estos etapas.
Este es a mucho mejor adaptar.
Es tal vez es a poco de a también mucho sobreajuste.
I voluntad reconocer eso.
Pero si nosotros mirar en este, qué es esencialmente dicho es
para eso primero inicial período de cambios en el software,
eran tú acerca de consiguió casi como bien como 0,4 meses.
Eso es casi 12 días entre incidentes.
Es aún dicho eso nosotros consiguió en realidad bien arriba hasta 2021 y entonces hemos abandonó.
Claramente algo es yendo en en alrededor 2021.
Algo significativo tiene cambió
en el subyacente software al otro lado de el flota de vehículos eso es abandonó.
Eso es aumentó es incidencia tasa.
hay aquellos parámetro estimados.
De nuevo, aviso Soy yendo a ignorar eso uno.
Eso es a incendio período.
A lote de estos son menos que uno
hasta nosotros conseguir a el estación D, cual son después.
Claramente algunas cosas sucediendo porque es más grande que uno.
Eran ya hemos consiguió a poco de a historia.
Algo claramente sucedió en 2021 a cambiar el incidente tasa.
Tal vez cuando nosotros mirar en el individual datos, Bueno cifra afuera qué yendo en.
Dejar a mí claro afuera todo de este y vamos mover encima a el individual vehículos.
Rápido resumen. Nosotros tener nuestro fecha.
El actual fecha de el incidente,
el vehículo identificación número, el número de bastidor este Número de bastidor grupo, es nada elegante.
Es justo el primero cuatro dígitos de el número de bastidor.
Estás yendo a ver por qué He creado a grupo en a momento.
He consiguió el ubicación, el causa.
He reducido el texto de el causa. Él era muy verboso.
I justo reducido él a a básico descripción.
Bien cubrir eso en justo a momento.
El a partir de y finalizando mes.
He consiguió este información básicamente narración a mí
cómo largo era este vehículo bajo ¿prueba?
Este particular vehículo,
él era básicamente ser probado en autónomo modo en y apagado
de Diciembre de 2017 a acerca de Noviembre, tal vez Octubre de 2019.
Eran yendo a necesidad eso información.
Soy yendo a primero mirar en alguno básico alguno gráfico resumen.
Primero cosa Soy yendo a hacer, Soy yendo a correr este.
Este es justo yendo a resumir encima el causas.
Dejar a mí mirar en el total número
de retirada eventos para cada vehículo cada mes.
Entonces Soy yendo a correr este trama
y estás yendo a ver es yendo a mirar interesante,
como coral bajo el mar, ondulación acerca de muy bonito.
A lote de información yendo en.
Pero el básico cosa I desear a decir tú es
el forma a interpretar este es como nosotros hizo con el acumulativo eventos grafico.
Eso es qué estos son.
Tú desear a ver a poco de a quemar en, pero él por último aplastamiento apagado.
Ahora He consiguió a de colores por individual entonces, cual es por qué tú no ver el etiquetas.
El rojo ser forma también muchos.
Soy yendo a color por a diferente variable este tiempo.
Eran yendo a color por el Número de bastidor grupo.
Venir aquí bajo color.
De nuevo, eso es justo el primero cuatro dígitos de el Número de bastidor número,
cual enterado a mí en porque dejar a mí tirar en el leyenda entonces tú poder de hecho ver él.
Espectáculo leyenda.
Soy hecho.
Aviso allá era a significativo cambiar en el Número de bastidor número
indicando tal vez a significativo cambiar en el vehículo.
Aviso cuando el cambiar ocurrió bien alrededor 2021.
Muy interesante.
Tú poder también ver a general tendencia en el comportamiento para estos temprano vehículos.
Ahora, alguno de estos probablemente de hecho comenzó más temprano que este.
hay a poco de censurando involucrado, pero ya ellos son bonito departamento.
hemos consiguió a poco de quemar en y entonces alguno aplastamiento apagado.
Eso es excelente, eso es qué nosotros desear a ver.
Estos tipo, hay casi a derecho línea arriba.
hemos consiguió a lote de incidentes sucediendo en a muy corto período de tiempo.
Ahora, más tarde en aquí, más tarde en 2022, allá son a partir de a inclinarse apagado a pequeño poco.
hemos consiguió alguno eso hizo comenzar y ellos son a partir de a ser bonito poco profundo curva.
Eso es bien.
Pero claramente algunas cosas sucedió aquí.
Este parece a indicar eso a diferente vehículo
y tal vez a diferente tipo de software era introducido acerca de 2021.
Es teniendo alguno asuntos.
Es luchando a poco, o en el menos inicialmente hizo.
Acerca de aquí es ejecutando acerca de como Bueno como nosotros sierra temprano en.
ellos tienen ellos tienen hecho mejor en fijación él.
Ellos introducido algo nuevo y tenía a racimo de insectos.
Eso es qué sucede cuando tú introducir nuevo cosas.
Dejar a mí salida afuera de este.
vamos mirar en tal vez algo acerca de a diferente tipo de causa.
Ahora, recordar, en el anterior video,
nosotros no en realidad mirar en el causa porque él era agregado al otro lado de todo el vehículos.
Pero vamos mirar en eso real rápido.
Tal vez allá podría ser algo yendo en allá.
Antes nosotros de hecho conseguir en el reaparición datos.
Aquí He justo hecho a básico bar cuadro de el causas,
y a lote de a ellos son cosas tú podría esperar a ser a causa.
Un no deseado maniobra
es igual haciendo algo tú no desear él a hacer, a percepción discrepancia.
El vehículo no ver algo él debería tener
o pensamiento él sierra algo eso no fue allá.
Entonces hay, de curso, software, a general todo en uno software discrepancia.
Algo sucedió con el software.
Allá son alguno interesante causas.
Para ejemplo, otro gente ser idiotas en el camino.
A imprudente camino usuario auto no saber qué a hacer.
Adverso clima, incorrecto comportamiento predicción, hardware discrepancia.
Estos son el básico causas.
Ahora, Soy yendo a usar a característica llamado a Grafico Iluminado
a investigar cosas más.
Soy yendo a bien hacer clic adentro este bar.
Soy yendo a flotar etiqueta, Soy yendo a hacer clic Bar.
Qué es hecho es es agregado a pequeño bar cuadro Gráfico iluminado.
Cuando I dejar mi barras allá con a flotar, aquí está mi pequeño Gráfico iluminado.
Ahora, por por defecto, es yendo a usar el primero categórico factor él ve,
cual era el variante número.
I no desear eso.
I de hecho desear el fecha.
Soy yendo a abierto el control panel aquí.
Soy yendo a poner el fecha aquí y reemplazar él.
Soy yendo a bien hacer clic en el fecha.
Porque es a fecha.
Este era recientemente introducido.
Pensar él era cualquiera dieciséis o 17.
I poder de hecho doblar por a particular tipo de fecha,
en este caso yo desear a doblar por a ¿mes?
Perfecto.
I también haría como a color por el Grupo VIN.
Justo entonces eso nosotros conseguir a claro comparación de el diferente tipos de grupos.
Aviso hay a poco de púrpura aquí.
Eso medio allá es alguno superposición, cual marcas sentido.
Allá era a poco de superposición de fin de 2020 a 2021 con a nuevo grupos,
pero ahora nosotros poder claramente ver,
comparar visualmente el grupos al otro lado de el tipos de incidentes justo visualmente.
Soy yendo a venir aquí, Soy yendo a ir atrás abajo a ahorrar guion a a portapapeles.
Soy yendo a salida afuera de este
porque bien ahora, si I flotar, es No más extenso allá,
pero I poder bien hacer clic ir a flotar etiqueta y pegar Gráfico iluminado.
Ahora es yendo a espectáculo a mí el grafico para cada de a ellos.
En hecho, Soy no yendo a hacer clic y zoom en
porque nosotros poder ver qué sucediendo.
hay no también mucho hay este es el no deseado maniobra.
Allá podría tener estado a poco más no deseado maniobras,
pero eso es más de a general espiga
en en general términos, no mucho diferencia, I haría decir,
para el percepción discrepancia bonito mucho en par.
hay a poco más en general aquí, pero Identificación aún decir comparable.
Clasificar para discrepancia.
Vaya, vamos mirar en eso.
Bueno, Este es muy interesante.
Aparentemente con el viejo grupo,
allá era difícilmente cualquier software discrepancias, tal vez uno.
Mientras con el nuevo grupo, hay a lote.
Interesante.
Allá podría ser alguno explicaciones.
Él podría ser eso el forma el categoría era definido tal vez cambió encima tiempo.
Tal vez allá eran otro cosas.
Él era re categorizado como otro cosas para el viejo uno
antes ellos cambiar el definición para este nuevo grupo.
Eso es a muy válido explicación.
Él podría también ser tomado en rostro valor.
Tal vez allá eran a lote de otro diferente causas con el viejo uno.
Tal vez si nosotros mirar, eran capaz a mirar atrás temprano en
en el individual vehículo información para el más temprano datos,
tal vez nosotros haría tener visto a espiga en el software discrepancias.
Porque este es más tarde en eso serie pruebas,
tal vez nosotros hizo aquellos afuera a pequeño poco.
Eran justo vidente estos temprano insectos sucediendo con el nuevo vehículos.
vamos de hecho ahora ir en el reaparición evento análisis ahora para actual eventos.
Eso es justo dicho tener un individual objeto eso poder
experiencia un evento repetidamente, en este caso a retirada evento.
Encima tiempo.
Soy yendo a correr el guion
y entonces hacer el rehacer relanzar entonces tú poder ver qué I hizo.
Hacer. Soy yendo a hacer relanzar por grupo.
En este caso, aquí está qué tú haría conseguir si tú abrió él arriba.
En este caso, tú tener un edad o evento marca de tiempo.
Cuando hizo él ¿suceder? Tener a marca de tiempo.El fecha.
Qué el ¿sistema? Eso es el Número de bastidor.
Qué el ¿causa?
Bien, ey, excelente a tener a columna llamado causa
es yendo a básicamente romper él abajo por el diferente causas.
Tú poder mirar en estos diferente causas.
El marca de tiempo. Cuando hizo I comenzar pruebas en este ¿cosa?
Básicamente, cuando hace él someterse ¿comenzar?
Cuando hizo I detener mirando en ¿él?
Qué el marca de tiempo?
I poner el Número de bastidor grupo en por, I podría tener poner él en agrupamiento,
pero allá es a poco de un asunto dónde si hay no a lote de datos
en el causas para ambos de a ellos,
es no yendo a ser capaz a comparar a ellos.
Para bien ahora, Soy justo yendo a usar a por grupo, un VIN por grupo.
Nosotros poder aún hacer a clasificar de visual comparación.
Para el escalada tú poder seleccionar eso
He hecho hoy porque eso es el nivel de resolución nosotros tener.
lo hará hacer él en a día justo para interpretación, facilidad de eso.
Bueno, entonces eran mirando en este primero grupo.
Este es el temprano grupo dos para nuestro grupo.
Aviso es roto él arriba por todo el diferente causas
y ellos son bonito similar.
El hardware discrepancia parece como el más grande uno,
si Soy lectura eso correctamente. Sí, eso es hardware.
Aviso este es qué llamado a significar costo función.
Es similar en interpretación a eso acumulativo función.
Estás mirando para el mismo comportamiento,
a poco de a elevar, pero tú por último desear él a aplanar afuera.
Este es dicho qué el promedio clasificar de incidencia tasa
para a soltero vehículo por este ¿edad?
Es a pequeño poco más difícil a interpretar que
justo qué el significar total contar porque es acumulando encima tiempo.
Justo en a alto nivel pensar,
I desear a elevar pero también desear él a aplanar afuera en alguno punto.
De modo que Soy conseguir No más incidencia para eso vehículo.
Eso es qué eran vidente con a lote de estos.
hay a poco de a elevar y es a partir de a poco profundo afuera.
Si tú desear detallado información, tú poder mirar bajo cada uno.
Nosotros poder hacer alguno adaptar modelos, Soy no yendo a en este punto,
porque eran a partir de cerca el fin,
pero él haría ser similar tipos de modelos eso tú haría adaptar aquí.
vamos mirar en el TRISTE Grupo, si tú voluntad.
hay claramente a diferencia aquí.
Aviso este grande espiga y de nuevo, eso es el software discrepancia.
Qué eran vidente es hemos esencialmente consiguió a nuevo vehículo.
Tú poder tú poder claramente ver si nosotros comparar eso es a partir de afuera más tarde.
Nosotros tenía a pareja, tal vez alguno temprano en mientras el otro vehículos ser probado.
Marcas sentido.
Tú consiguió a clasificar de piloto grupo ser probado.
Entonces cuando ellos hizo lleno escala pruebas, el software comenzó teniendo alguno asuntos.
Ahora es a partir de a conseguir mejor.
Eran vidente eso nivel afuera.
Nosotros sierra eso en el anterior datos.
hay claramente a diferencia, pero ellos son haciendo mejor.
Estos dos, el no deseado maniobra, el percepción discrepancia,
I haría decir visualmente ellos son en par con qué I ver aquí.
Claramente el software es el grande asunto aquí.
Qué el grande llevar ¿aquí?
Qué haría nosotros decir acerca de ¿este?
Bien, él parece eso hemos consiguió dos diferente serie de vehículos.
hemos consiguió uno eso ellos eran laboral en para a mientras.
Entonces en 2021, ellos tienen introducido a nuevo serie de vehículos.
Para bien ahora, especialmente en 2021,
allá es a poco de asuntos con el software yendo en.
A lote de software discrepancia asuntos causando incidentes.
Ellos parecer a ser mejorando eso ahora.
Eso marcas sentido.
Tienes introducido algo, hay yendo a ser insectos.
Justo dar él alguno tiempo.
Todo el otro unos parecer comparable con qué era yendo antes.
En general, He consiguió a bonito bien sentimiento acerca de este nuevo serie.
Dar él alguno tiempo a quemar en.
Bien, I esperanza He dado tú a sabor de todo el cosas eso JMP poder hacer,
especialmente en el fiabilidad plataforma como Bueno como en preparando alguno de su datos.
Si tú tener cualquier preguntas acerca de este,
este diario voluntad ser disponible dónde tú poder encontrar este negociaciones.
Alguno de el datos mesas voluntad ser disponible allá como Bueno.
Tú conseguir a jugar con todo de este.
Allá son también alguno otro graficos no en realidad ir en alguno otro análisis,
entonces sentir gratis a explorar.
Eso es qué nosotros hacer aquí a JMP estadístico descubrimiento.
Si tú tener cualquier preguntas acerca de él,
Enfermo ser en alguno de el Encontrarse el Experto sesiones entonces tú poder encontrar a mí allá.
Identificación amar a charlar con tú acerca de este
o cualquier cosa demás tú podría tener acerca de diseño experimentos o fiabilidad.
Agradecer tú para su tiempo.
