Hola,
mi
nombre
es
Arcilla
Pregonero,
y
Soy
a
estadístico
desarrollador
en
el
JMP
grupo.
Soy
yendo
a
ser
hablando
acerca de
alguno
nuevo
características
en
el
distribución
plataforma
orientado
hacia
analizando
límite
de
detección
datos.
Es
algo
I
trabajó
en
con
mi
colega,
laura
lancaster,
quien es
también
a
estadística
desarrollador
en
JMP.
A
patada
cosas
apagado,
qué
es
a
limitado
detección
¿problema?
Qué
son
nosotros
intentando
a
¿resolver?
Él
es
básico
nivel,
a
límite
de
detección
problema
es
cuando
nosotros
tener
alguno
medición
dispositivo
y
es
no
capaz
a
proporcionar
bien
mediciones
afuera
de
alguno
límite.
Eso es
qué
nosotros
llamar
a
límite
de
detección
problema.
F
o
ejemplo,
vamos
decir
nosotros
tener,
eran
tomando
peso
mediciones
y
eran
usando
a
escala
eso es
no
capaz
a
hacer
mediciones
abajo
1g
.
En
este
instancia,
casarse
decir
eso
nosotros
tener
una baja
detección
límite
de
1
porque
nosotros
no poder
medida
abajo
eso.
Pero
en
nuestro
datos
colocar,
eran
aún
grabación
aquellos
valores
como
1.
Porque
de
aquellos
limitaciones,
nosotros
ver,
nosotros
podría
tener
a
datos
colocar
eso
aspecto
como
este.
En
parte,
nosotros
tener
alguno
valores
de
1
y
alguno
no-1
valores
eso
son
mucho
más grande.
Nosotros
no
en realidad
creer
eso
aquellos
valores
son
1 chelín.
Nosotros
justo
saber
eso
aquellos
son
en
mayoría
1.
Este
datos
sucede
todo
el
tiempo
en
práctica.
Si
tú
pensar
acerca de
a veces
eran
no
capaz
a
medida
abajo
a
más bajo
límite.
A veces
eran
no
capaz
a
medida
arriba
un
superior
límite.
Aquellos
son
ambos
limitado
detección
problemas.
Qué
debería
nosotros
hacer
acerca de
¿eso?
vamos
mirar
en
a
en realidad
simple
ejemplo.
I
simulado
alguno
datos
eso
son
normalmente
repartido
con
significar
10
y
variación 1
,
y
eran
imponente
a
más bajo
detección
límite
de
9.
Si
nosotros
mirar
en
nuestro
datos
colocar
aquí,
nosotros
tener
alguno
valores
arriba
9,
y
nosotros
tener
alguno
9 chelines.
Cuando
nosotros
mirar
en
el
histograma,
este
definitivamente
no
mirar
normalmente
repartido
porque
nosotros
tener
a
entero
racimo
de
extra
9s
y
nosotros
no
tener
cualquier cosa
abajo
9.
Qué
sucede
si
nosotros
justo
modelo
eso
datos
como
¿es?
Bien,
él
vueltas
afuera
el
resultados
no lo son
eso
excelente.
Nosotros
conseguir
a
decente
estimar
de
nuestro
ubicación
parámetro,
nuestro
En,
es
en realidad
cerca
a
10,
cual
es
el
verdad.
Pero
hemos
en realidad
subestimado
eso
escala
o
dispersión
parámetro.
hemos
estimado
él
a
ser
0,8,
cuando
el
verdad
es
eso
nosotros
generado
él
con
escala
igual
a
1.
usted
aviso
eso
nuestro
confianza
intervalo
para
eso
escala
parámetro
no
incluso
cubrir
1.
Él
no
contener
el
verdad
y
eso es
generalmente
no
a
excelente
situación
a
ser
en.
Qué
más,
si
nosotros
mirar
en
el…
Nosotros
adaptar
a
puñado
de
distribuciones,
nosotros
adaptar
el
registro
normal,
el
gama,
y
el
normal,
bueno el
normal
distribución,
cual
es
qué
nosotros
usar
a
generar
nuestro
datos,
él
no es
incluso
competitivo
basado
en
el
AIC.
Basado
en
aquellos
AIC
valores,
nosotros
haría
definitivamente
elegir
a
registro
normal
distribución
a
modelo
nuestro
respuesta.
Nosotros
no lo he hecho
hecho
a
bien
trabajo
estimando
nuestro
parámetros.
Eran
no
incluso
eligiendo
a
usar
el
distribución
eso
nosotros
generado
el
datos
con.
W
e
justo
lanzar
todo
aquellos
9s
en
nuestro
datos
colocar.
Nosotros
ignorado
el
hecho
eso
eso fue
incompleto
información
y eso
no
trabajar
afuera
Bueno.
Qué
si,
en cambio
de
postergación
eso
límite
de
detección,
qué
si
nosotros
justo
tirar
afuera
todo
aquellos
¿veces?
Bien,
ahora
hemos
consiguió
a
menor
datos
colocar
y
es
sesgado.
hemos
arrojado
afuera
a
grande
pedazo
de
nuestro
datos
en
él.
Nosotros
tener
a
sesgado
muestra
ahora.
Ahora
si
nosotros
adaptar
nuestro
normal
distribución,
ahora
eran
sobreestimando
el
ubicación
parámetro,
y
eran
aún
subestimar
imando
el
escala
parámetro.
Eran
de hecho
en
bastante
a
malo
posición
aún,
porque
nosotros
no lo he hecho
hecho
a
bien
trabajo
con
cualquiera
de
aquellos
parámetros.
Eran
aún
improbable
a
elegir
lo normal
distribución.
Basado
en
el
AIC,
el
registro
normal
y
el
gama
distribución
ambos
adaptar
bastante
a
poco
mejor
que
el
normal
distribución.
Eran
aún
en
a
malo
lugar.
Nosotros
intentó
lanzamiento
afuera
el
9
s,
y
eso
no
doblar
afuera
Bueno.
Nosotros
intentó
justo
incluido
a ellos
como
9
s.
Eso
no
doblar
afuera
Bueno
cualquiera.
Qué
debería
nosotros
hacer
¿en cambio?
El
respuesta
es
eso
nosotros
debería
tratar
aquellos
observaciones
en
el
límite
de
detección.
Nosotros
debería
tratar
aquellos
como
censurado
observaciones.
Censura
es
a
situación
dónde
nosotros
solo
tener
parcial
información
acerca de
nuestro
respuesta
variable.
Eso es
exactamente
el
situación
eran
en
aquí.
Si
nosotros
tener
un
observación
en
el
más bajo
detección
límite,
y
aquí
He
denotado
él
re sub l,
nosotros
decir
eso
observación
es
menos
censurado.
Nosotros
no
decir
eso
Y
es
igual
a
eso
límite
de
detección.
Nosotros
decir
eso
Y
es
menos
que
o
igual
a
eso
DL
valor.
En
el
voltear
lado,
si
nosotros
tener
a
superior
límite
de
detección,
denotado
DE
aquí,
aquellos
observaciones
son
bien
censurado.
Porque
eran
no
dicho
eso
Y
es
igual
a
eso
valor.
Eran
justo
dicho
es
en
el menos
eso
valor.
Si
estás
mirando
para
más
información
acerca de
cómo
a
manejar
censurado
datos,
uno
de
el
referencias
eso
nosotros
sugerir
todo
el
tiempo
es
más manso y
Escobar's
libro
Estadístico
Métodos
para
Fiabilidad
Datos.
Eso es
a
en realidad
bien
descripción general
para
cómo
tú
debería
tratar
censurado
datos.
Si
tienes
usado
alguno
de
el...
Si
tú
usar
alguno
de
el
características
y
el
supervivencia
y
fiabilidad
menú
en JMP,
entonces
estás
familiar
con
cosas
como
vida
distribución
y
adaptar
vida
por
X.
Estos
son
todo
plataformas
eso
acomodar
censurando
en
JMP.
Qué
eran
entusiasmado
acerca de
en
JMP
17
es
ahora
nosotros
tener
agregado
alguno
características
a
distribución
entonces
eso
nosotros
poder
manejar
este
límite
de
detección
problema
y distribución
como
Bueno.
Todo
tú
tener
a
hacer
es
tú
agregar
a
detección
límite
columna
propiedad
a
su
respuesta
variable,
y
tú
especificar
qué
el
superior
y
o
más bajo
detección
límite
es,
y
estás
bien
a
ir,
hay
nada
demás
tú
tener
a
hacer.
En
mi
simulado
ejemplo,
I
tenía
a
más bajo
detección
límite
de
9.
I
haría
poner
9
en
el
más bajo
detección
límite
campo
aquí.
Eso es
en realidad
todo
tú
tener
a
hacer.
Por
especificando
eso
detección
límite,
ahora
distribución
es
yendo
a
decir,
bueno,
I
saber
eso
valores
de
9
son
de hecho
izquierda
censurado,
y
Soy
yendo
a
hacer
Estimacion
contabilidad
para
eso.
Ahora
con
eso
mismo
simulado
ejemplo,
y
este
más bajo
detección
límite
especificado,
ahora
tu lo harás
aviso
nosotros
conseguir
a
mucho
más
razonable
adaptar
el
normal
distribución.
Ahora
nuestro
confianza
intervalo
para
ambos
el
ubicación
y
escala
parámetro
cubre
el
verdad,
porque
nosotros
saber,
de nuevo,
el
ubicación
era
10
y
el
escala
era
1.
Ahora
nuestro
confianza
intervalos
cubrir
el
verdad
y eso es
a
mucho
mejor
situación.
Si
tú
mirar
en
el
CDF
trama
aquí,
este
es
a
en realidad
bien
forma
a
comparar
nuestro
equipado
distribución
a
nuestro
datos.
Qué
es
haciendo
es
eso
rojo
línea
es
el
empírico
CDF,
y
el
verde
línea
es
el
equipado
normal
CDF.
como
tú
poder
decir,
ellos son
en realidad
cerca
arriba
hasta
9.
Y eso
marcas
sentido,
porque
eso es
dónde
nosotros
tener
censurar.
Eran
haciendo
a
mucho
mejor
trabajo
adecuado
estos
datos
porque
eran
adecuadamente
manejo
eso
detección
límite.
I
justo
buscado
a
punto
afuera
eso
cuando
tienes
especificado
el
detección
límite,
el
informe
marcas
él
en realidad
claro
eso
hemos
usado
él.
Como
tú
poder
ver
aquí,
él
dice
el
equipado
normal
distribución
con
detección
límites,
y
él
vamos
tú
saber
exactamente
cual
detección
límites
él
usado.
Ahora
no
solo
son,
porque
eran
haciendo
a
mejor
trabajo
estimando
nuestro
parámetros,
cosas
como
inferencia
acerca de
aquellos
parámetros
es
más
confiable.
Si
nosotros
hacer
algo
como
nosotros
mirar
en
el
distribución
perfilador
ahora
nosotros
poder
confianza
estos
inferencia
basado
en
nuestro
equipado
distribución,
nosotros
sentir
mucho
mejor
acerca de
confiando
cosas
como
el
distribución
perfilador.
Con
el
simulado
ejemplo,
si
nosotros
usar
nuestro
equipado
normal
distribución,
Porque
nosotros
adecuadamente
manejado
censura,
nosotros
saber
eso
acerca de
dieciséis
%
de
el
observaciones
son
descendente
abajo
eso
más bajo
detección
límite.
I
también
buscado
a
punto
afuera
eso
cuando
tú
tener
detección
límites
en
distribución,
ahora
eran
solo
capaz
a
adaptar
a
subconjunto
de
el
distribuciones
eso
tú
haría
normalmente
ver
en
el
distribución
plataforma.
Nosotros
poder
adaptar
el
normal,
exponencial,
gama
registro,
normal,
Wisconsin
y
beta.
Todo
de
aquellos
distribuciones
apoyo
censurando
o
limitado
detección
en
distribución.
Pero
si
tú
eran
usando
algo
como
el
mezcla
de
normales,
Bueno,
eso
eso
no
extender
Bueno
a
sensor
datos.
Estás
no
yendo
a
ser
capaz
a
adaptar
eso
cuando
tú
tener
a
límite
de
detección.
I
también
buscado
a
punto
afuera
si
tú
tener
JMP
Pro
y
estás
usado
a
usando
el
generalizado
regresión
plataforma,
generalizado
regresión
reconoce
eso
exacto
mismo
columna
propiedad.
El
detección
límite
columna
propiedad
es
Reconocido
por
ambos
distribución
y
generalizado
.
Uno
de
el
en realidad
lindo
cosas
acerca de
este
nuevo
característica
es
eso
él
obtiene
transportado
en
a
el
capacidad
plataforma.
Si
tú
hacer
su
adaptar
y
distribución,
y
tú
lanzamiento
capacidad,
ahora
eran
yendo
a
conseguir
más
confiable
capacidad
resultados.
vamos
decir
eso
eran
fabricación
a
nuevo
droga,
y
nosotros
desear
a
medida
el
cantidad
de
suma
impureza
en
el
droga.
Nuestro
datos
podría
mirar
como
qué
nosotros
tener
aquí.
Nosotros
tener
a
racimo
de
pequeño
valores,
y
nosotros
tener
a
más bajo
detección
límite
de
1
mg.
estos
valores
de
1
eso
son
resaltado
aquí,
nosotros
no
en realidad
pensar
aquellos
son
1.
Nosotros
de hecho
pensar
es
algo...
Nosotros
saber
eso
es
algo
menos
que 1
.
Nosotros
tener
un
superior
especificación
límite
de
2.5
miligramos.
este
es
a
situación
dónde
nosotros
tener
ambos
Especificaciones
límites
y
detección
límites.
Es
en realidad
fácil
a
especificar
aquellos
en
el
columna
propiedades.
Aquí
hemos
definido
nuestro
superior
Especificaciones
límite
como
2.5
Y
nuestro
más bajo
detección
límite
de
1.
Ahora
todo
tú
tener
a
hacer
es
justo
dar
distribución
el
columna
eso
tú
desear
a
analizar.
Él
sabe
exactamente
cómo
a
manejar
eso
respuesta
variable.
vamos
mirar
en
el
capacidad
resultados.
Ahora,
porque
hemos
adecuadamente
manejado
eso
límite
de
detección,
nosotros
confianza
eso
nuestro
registro
normal
adaptar
es
bien.
Nosotros
ver
eso
nuestro
ppp,
valor
aquí
es
0.546
.
Eso es
no
muy
bien.
Generalmente
tú
haría
desear
a
ppk
arriba
1.
Este
es
narración
a nosotros
eso
nuestro
sistema
es
no
muy
capaz.
hemos
consiguió
alguno
problemas
eso
nosotros
podría
necesidad
a
clasificar
afuera.
Una vez
de nuevo,
qué
haría
tener
sucedió
si
nosotros
tenía
ignorado
eso
límite
de
detección
y
nosotros
tenía
justo
tratado
todo
aquellos
1s
como
si
ellos
realmente
eran
1 chelín.
Bien,
vamos
llevar
a
mirar.
Nosotros
hacer
nuestro
adaptar,
postergación
el
límite
de
detección,
y
nosotros
conseguir
a
ppk
de
arriba
1.
Residencia en
este
adaptar,
nosotros
haría
decir
eso
nosotros
de hecho
tener
a
bien
capaz
sistema,
porque
a
ppk
de
1
es
no
también
malo.
Él
podría
ser
un
aceptable
valor.
Por
postergación
eso
límite
de
detección,
hemos
bureado
nosotros mismos
en
pensamiento
nuestro
sistema
es
más
capaz
que
él
en realidad
es.
I
pensar
este
es
a
Frío
ejemplo,
porque
nosotros
tener
a
más bajo
detección
límite,
cual
puede
dirigir
tú
a
creer,
Bueno,
I
podría
ser
tal vez
postergación
el
límite
de
detección
haría
ser
conservador,
porque
Soy
sobreestimando
el
ubicación
parámetro.
Eso es
verdadero,
cuando
nosotros
ignorar
el
límite
de
detección,
eran
sobreestimando
eso
ubicación
parámetro.
Pero
el
problema
es
eran
gravemente
desestimación
el
escala
parámetro.
Eso es
qué
marcas
a nosotros
hacer
malo
decisiones
afuera
en
el
cola
de
eso
distribución.
Por
postergación
eso
límite
de
detección,
hemos
en realidad
conseguido
nosotros mismos
en
a
malo
situación.
Justo
a
resumir,
es
en realidad
importante
a
reconocer
cuando
nuestro
datos
característica
a
límite
de
detección.
I
pensar
es
fácil
a
pensar
de,
a veces
nosotros
pensar
acerca de
datos
conjuntos
dónde
tal vez
hemos
analizado
el
respuesta
como
es
en
el
pasado,
cuando
en realidad,
tal vez
nosotros
debería
tener
equilibrado
para
a
límite
de
detección.
Porque
como
nosotros
justo
sierra,
cuando
nosotros
ignorar
aquellos
límites,
nosotros
conseguir
engañoso
encaja.
Entonces
nosotros
puede
hacer
malo
decisiones
basado
en
aquellos
engañoso
encaja.
Como
nosotros
sierra
en
nuestro
ejemplo,
nosotros
consiguió
malo
estimados
o
el
ubicación
y
escala
parámetros,
y
nuestro
ppk
estimar
era
casi
doble
qué
él
debería
tener
estado.
Pero
qué
eran
entusiasmado
acerca de
en
JMP
17
es
eso
el
distribución
plataforma
marcas
él
en realidad
fácil
a
evitar
estos
trampas
y
a
analizar
este
tipo de datos
adecuadamente.
Todo
tú
tener
a
hacer
es
especificar
eso
detección
límite
columna
propiedad,
y
distribución
sabe
exactamente
qué
a
hacer
con
eso.
Hoy
nosotros
solo
miró
en
más bajo
detección
límites,
pero
tú
poder
justo
como
Bueno
tener
superior
detección
límites
como
Bueno.
En
hecho,
tú
poder
tener
ambos.
Como
I
dicho,
hay
solo
seis
distribuciones
eso
actualmente
apoyo
censurando
adentro
de
el
distribución
plataforma.
Pero
aquellos
son
también
el
seis
mayoría
importante
distribuciones
para
estos
tipos
de
datos.
Él
en realidad
es un
bien
selección
de
distribuciones.
Eso es
él.
yo solo quería
a
agradecer
tú
para
su
tiempo
y
alentar
tú
a
controlar
afuera
estos
mejoras
a
el
distribución
plataforma.
Gracias.
