你好， 我的 姓名 是 黏土 巴克爾 和 我是 a 統計 開發者 在 這 JMP 團體。
我是 去 到 是 說 關於 一些 新的 特徵 在 這 分配 平台
齒輪 向 分析 限制 的 偵測 數據。
它是 某物 I 工作 在 和 我的 同事， 勞拉 蘭開斯特，
誰是 也 a 統計數據 開發者 在 JMP。
到 踢 事物 離開， 什麼 是 a 有限的 偵測 問題？
什麼 是 我們 嘗試 到 解決？
它 是 基本的 等級，
a 限制 的 偵測 問題 是 什麼時候 我們 有 一些 測量 裝置
和 它是 不是 有能力的 到 提供 好的 測量 外部 的 一些 臨界點。
那是 什麼 我們 稱呼 a 限制 的 偵測 問題。
F 或者 例子， 我們來吧 說 我們 有， 是 採取 重量 測量
和 是 使用 a 規模 那就是 不是 有能力的 到 製作 測量 以下 1克 .
在 這 實例， 我們會 說 那 我們 有 較低的 偵測 限制 的 1
因為 我們 不能 措施 以下 那。
但 在 我們的 數據 放， 是 仍然 記錄 那些 值 作為 1.
因為 的 那些 限制
我們 看， 我們 可能 有 a 數據 放 那 看起來 喜歡 這。
在 部分， 我們 有 一些 值 的 1 和 一些 非1 值 那 是 很多 大。
我們 不 真的 相信 那 那些 值 是 1秒。
我們 只是 知道 那 那些 是 在 最多 1.
這 數據 發生 全部 這 時間 在 實踐。
如果 你 思考 關於 有時 是 不是 有能力的 到 措施 以下 a 降低 臨界點。
有時 是 不是 有能力的 到 措施 多於 一個 上 臨界點。
那些 是 兩個都 有限的 偵測 問題。
什麼 應該 我們 做 關於 那？
我們開始吧 看 在 a 真的 簡單的 例子。
I 模擬 一些 數據 那 是 通常情況下 分散式
和 意思是 10 和 方差 1 ,
和 是 氣勢磅礴 a 降低 偵測 限制 的 9.
如果 我們 看 在 我們的 數據 放 這裡，
我們 有 一些 值 多於 9、 和 我們 有 一些 9秒。
什麼時候 我們 看 在 這 直方圖，
這 確實 不 看 通常情況下 分散式
因為 我們 有 a 所有的 束 的 額外的 9秒
和 我們 不 有 任何事物 以下 9.
什麼 發生 如果 我們 只是 模型 那 數據 作為 是？
出色地， 它 轉彎 出去 這 結果 不是 那 偉大的。
我們 得到 a 體面的 估計 的 我們的 地點 範圍， 我們的 在，
它是 真的 關閉 到 10、 哪個 是 這 真相。
但 我們已經 真的 低估 那 規模 或者 分散 範圍。
我們已經 估計的 它 到 是 0.8，
什麼時候 這 真相 是 那 我們 產生的 它 和 規模 平等的 到 1.
你會 注意 那 我們的 信心 間隔 為了 那 規模 範圍
不 甚至 覆蓋 1.
它 不 包含 這 真相 和 那就是 一般來說 不是 a 偉大的 情況 到 是 在。
是什麼 更多的， 如果 我們 看 在 這… 我們 合身 a 少數 的 分佈，
我們 合身 這 紀錄 普通的， 這 伽瑪 和 這 普通的，
嗯 普通的 分配， 哪個 是 什麼 我們 使用 到 產生 我們的 數據，
它 不是 甚至 競爭的 基於 在 這 AIC。
基於 在 那些 AIC 價值觀
我們 會 確實 選擇 a 紀錄 普通的 分配 到 模型 我們的 回覆.
我們 還沒有 完畢 a 好的 工作 估算 我們的 參數。
是 不是 甚至 選擇 到 使用 這 分配
那 我們 產生的 這 數據 和。
W e 只是 丟 全部 那些 9秒 進入 我們的 數據 放。
我們 忽略 這 事實 那 那是 未完成 資訊
以及 沒有 工作 出去 出色地。
什麼 如果， 反而 的 忽略 那 限制 的 檢測，
什麼 如果 我們 只是 丟 出去 全部 那些 多少次？
出色地， 現在 我們已經 得到 a 較小的 數據 放 和 它是 有偏見。
我們已經 拋擲 出去 a 大的 區塊 的 我們的 數據 在 它。
我們 有 a 有偏見的 樣本 現在。
現在 如果 我們 合身 我們的 普通的 分配，
現在 是 高估 這 地點 範圍，
和 是 仍然 最底層 模仿 這 規模 範圍。
是 實際上 在 相當 a 壞的 位置 仍然，
因為 我們 還沒有 完畢 a 好的 工作 和 任何一個 的 那些 參數。
是 仍然 不太可能 到 挑選 正常 分配。
基於 在 這 美國工業理事會（AIC） 這 紀錄 普通的 和 這 伽瑪 分配
兩個都 合身 相當 a 位元 更好的 比 這 普通的 分配。
是 仍然 在 a 壞的 地方。
我們 嘗試 投擲 出去 這 9 s， 和 那 沒有 轉動 出去 出色地。
我們 嘗試 只是 包括 他們 作為 9 秒。
那 沒有 轉動 出去 出色地 任何一個。
什麼 應該 我們 做 反而？
這 回答 是 那 我們 應該 對待
那些 觀察 在 這 限制 的 檢測。
我們 應該 對待 那些 作為 已審查 觀察結果。
審查 是 a 情況 在哪裡
我們 僅有的 有 部分的 資訊 關於 我們的 回覆 多變的。
那是 確切地 這 情況 是 在 這裡。
如果 我們 有 一個 觀察 在 這 降低 偵測 限制， 和 這裡 我已經 表示 它
D sub L，
我們 說 那 觀察 是 較少的 已審查。
我們 不 說 那 Y 是 平等的 到 那 限制 的 檢測。
我們 說 那 Y 是 較少的 比 或者 平等的 到 那 DL 價值。
在 這 翻動 邊，
如果 我們 有 a 上 限制 的 檢測， 表示 的 這裡，
那些 觀察 是 正確的 已審查。
因為 是 不是 說 那 Y 是 平等的 到 那 價值。
是 只是 說 它是 在 至少 那 價值。
如果 你是 尋找 為了 更多的 資訊 關於 如何 到 處理 已審查 數據，
一 的 這 參考 那 我們 建議 全部 這 時間 是
米克和 埃斯科巴的 書 統計 方法 為了 可靠性 數據。
那是 a 真的 好的 概述 為了 如何 你 應該 對待 已審查 數據。
如果 你已經 用過的 一些 的 這...
如果 你 使用 一些 的 這 特徵 和 這 生存 和 可靠性 選單 在 JMP 中，
然後 你是 熟悉的 和 事物 喜歡 生活 分配 和 合身 生活 經過 X.
這些 是 全部 平台 那 容納 審查 在 JMP。
什麼 是 興奮的 關於 在 JMP 17 是 現在
我們 有 額外 一些 特徵 到 分配 所以 那 我們 能 處理
這 限制 的 偵測 問題 和分銷 作為 出色地。
全部 你 有 到 做 是 你 添加
a 偵測 限制 柱子 財產 到 你的 回覆 多變的，
和 你 指定 什麼 這 上 和 或者 降低 偵測 限制 是，
和 你是 好的 到 去， 有 沒有什麼 別的 你 有 到 做。
在 我的 模擬 例子， I 有 a 降低 偵測 限制 的 9.
I 會 放 9 在 這 降低 偵測 限制 場地 這裡。
那是 真的 全部 你 有 到 做。
經過 指定 那 偵測 限制，
現在 分配 是 去 到 說， 好的， I 知道 那 值 的 9
是 實際上 左邊 已審查，
和 我是 去 到 做 估算 會計 為了 那。
現在 和 那 相同的 模擬 例子， 和 這 降低 偵測 限制 指定的，
現在 你會 注意 我們 得到 a 很多 更多的 合理的 合身 這 普通的 分配。
現在 我們的 信心 間隔 為了 兩個都 這 地點 和 規模 範圍
封面 這 真相，
因為 我們 知道， 再次， 這 地點 曾是 10 和 這 規模 曾是 1.
現在 我們的 信心 間隔 覆蓋 這 真相
就是這樣。 a 很多 更好的 情況。
如果 你 看 在 這 CDF 陰謀 這裡，
這 是 a 真的 好的 方式 到 比較 我們的 適配 分配 到 我們的 數據。
什麼 它是 正在做 是 那 紅色的 線 是 這 經驗 CDF，
和 這 綠色的 線 是 這 適配 普通的 累積分佈函數。
作為 你 能 告訴， 它們是 真的 關閉 向上 直到 9.
而那 製作 感覺， 因為 那就是 在哪裡 我們 有 審查。
是 正在做 a 很多 更好的 工作 配件 這些 數據
因為 是 適當地 處理 那 偵測 限制。
I 只是 通緝 到 觀點 出去 那 什麼時候 你已經 指定的 這 偵測 限制，
這 報告 製作 它 真的 清除 那 我們已經 用過的 它。
作為 你 能 看 這裡，
它 說 這 適配 普通的 分配 和 偵測 限制，
和 它 讓我們 你 知道 確切地 哪個 偵測 限制 它 用過的。
現在 不是 僅有的 是，
因為 是 正在做 a 更好的 工作 估算 我們的 參數，
事物 喜歡 推理 關於 那些 參數 是 更多的 值得信賴。
如果 我們 做 某物 喜歡 我們 看 在 這 分配 分析器
現在 我們 能 相信 這些
推理 基於 在 我們的 適配 分配，
我們 感覺 很多 更好的 關於 信任 事物 喜歡 這 分配 分析器。
和 這 模擬 例子， 如果 我們 使用 我們的 適配 普通的 分配，
因為 我們 適當地 處理 審查，
我們 知道 那 關於 16 % 的 這 觀察
是 墜落 以下 那 降低 偵測 限制。
I 也 通緝 到 觀點 出去 那
什麼時候 你 有 偵測 限制 在 分配，
現在 是 僅有的 有能力的 到 合身 a 子集 的 這 分佈
那 你 會 通常情況下 看 在 這 分配 平台。
我們 能 合身 這 普通的， 指數級成長， 伽瑪 紀錄, 普通的， 威斯康辛州 和 測試版。
全部 的 那些 分佈 支援 審查
或者 有限的 偵測 在 分配。
但 如果 你 是 使用 某物 喜歡 這 混合物 的 正常人，
出色地， 那 那 不 延長 出色地 到 感應器 數據。
你是 不是 去 到 是 有能力的 到 合身 那 什麼時候 你 有 a 限制 的 檢測。
I 也 通緝 到 觀點 出去 如果 你 有 JMP 專業
和 你是 用過的 到 使用 這 廣義 回歸 平台，
廣義 回歸 認可 那 精確的 相同的 柱子 財產。
這 偵測 限制 柱子 財產
是 認可 經過 兩個都 分配 和 廣義 .
一 的 這 真的 好的 事物 關於
這 新的 特徵 是 那 它 獲得 攜帶 在 到 這 能力 平台。
如果 你 做 你的 合身 和 分配， 和 你 發射 能力，
現在 是 去 到 得到 更多的 值得信賴的 能力 結果。
我們開始吧 說 那 是 製造業 a 新的 藥物,
和 我們 想 到 措施 這 數量 的 和 雜質 在 這 藥物.
我們的 數據 可能 看 喜歡 什麼 我們 有 這裡。
我們 有 a 束 的 小的 價值觀 和 我們 有 a 降低 偵測 限制 的 1 毫克。
這些 值 的 1 那 是 突出顯示 這裡，
我們 不 真的 思考 那些 是 1.
我們 實際上 思考 它是 某物... 我們 知道 那 它是 某物 較少的 大於 1 .
我們 有 一個 上 規格 限制 的 2.5 毫克。
這 是 a 情況 在哪裡 我們 有 兩個都 規格 限制 和 偵測 限制。
它是 真的 簡單的 到 指定 那些 在 這 柱子 特性。
這裡 我們已經 定義 我們的 上 規格 限制 作為 2.5
和 我們的 降低 偵測 限制 的 1.
現在 全部 你 有 到 做 是 只是
給 分配 這 柱子 那 你 想 到 分析。
它 知道 確切地 如何 到 處理 那 回覆 多變的。
我們開始吧 看 在 這 能力 結果。
現在， 因為 我們已經 適當地 處理 那 限制 的 檢測，
我們 相信 那 我們的 紀錄 普通的 合身 是 好的。
我們 看 那 我們的 Ppk， 價值 這裡 是 0.546 .
那是 不是 非常 好的。
通常 你 會 想 a PPK 多於 1.
這 是 講述 我們 那 我們的 系統 是 不是 非常 有能力的。
我們已經 得到 一些 問題 那 我們 可能 需要 到 種類 出去。
一次 再次， 什麼 會 有 發生 如果 我們 有 忽略 那 限制 的 偵測
和 我們 有 只是 治療 全部 那些 1秒 作為 如果 他們 真的 是 1秒。
出色地， 我們來吧 拿 a 看。
我們 做 我們的 合身， 忽略 這 限制 的 檢測， 和 我們 得到 a PPK 的 多於 1.
基於 這 合身，
我們 會 說 那 我們 實際上 有 a 體面地 有能力的 系統，
因為 a PPK 的 1 是 不是 也 壞的。
它 可能 是 一個 可接受 價值。
經過 忽略 那 限制 的 檢測，
我們已經 被騙了 我們自己 進入 思維 我們的 系統 是 更多的 有能力的 比 它 真的 是。
I 思考 這 是 a 涼爽的 例子，
因為 我們 有 a 降低 偵測 限制， 哪個 可能 帶領 你 到 相信，
出色地， I 可能 是 或許 忽略 這 限制 的 偵測 會 是 保守的，
因為 我是 高估 這 地點 範圍。
那是 真的， 什麼時候 我們 忽略 這 限制 的 檢測，
是 高估 那 地點 範圍。
但 這 問題 是 是 粗略地 低估 這 規模 範圍。
那是 什麼 製作 我們 製作 壞的 決策 出去 在 這 尾巴
的 那 分配。
經過 忽略 那 限制 的 檢測，
我們已經 真的 獲得 我們自己 進入 a 壞的 情況。
只是 到 總結，
它是 真的 重要的 到 認出 什麼時候 我們的 數據 特徵 a 限制 的 檢測。
I 思考 它是 簡單的 到 思考 的，
有時 我們 思考 關於 數據 套 在哪裡
或許 我們已經 分析 這 回覆 作為 是 在 這 過去的，
什麼時候 真的嗎， 或許 我們 應該 有 調整 為了 a 限制 的 檢測。
因為 喜歡 我們 只是 鋸， 什麼時候 我們 忽略 那些 限制， 我們 得到 誤導性的 合適。
然後 我們 可能 製作 壞的 決策 基於 在 那些 誤導性的 合適。
喜歡 我們 鋸 在 我們的 例子，
我們 得到 壞的 估算 或者 這 地點 和 規模 參數，
和 我們的 PPK 估計 曾是 幾乎 雙倍的 什麼 它 應該 有 到過。
但 什麼 是 興奮的 關於 在 JMP 17
是 那 這 分配 平台 製作 它 真的 簡單的 到 避免 這些 陷阱
和 到 分析 這 資料類型 適當地。
全部 你 有 到 做 是 指定 那 偵測 限制 柱子 財產，
和 分配 知道 確切地 什麼 到 做 和 那。
今天 我們 僅有的 看起來 在 降低 偵測 限制，
但 你 能 只是 作為 出色地 有 上 偵測 限制 作為 出色地。
在 事實， 你 能 有 兩個都。
喜歡 I 說， 有 僅有的 六 分佈 那 現在 支援
審查 裡面 的 這 分配 平台。
但 那些 是 也 這 六 最多 重要的 分佈 為了 這些 種類 的 數據。
它 真的 是一個 好的 選擇 的 分佈。
那是 它。
我只是想 到 感謝 你 為了 你的 時間
和 鼓勵 你 到 查看 出去 這些 增強功能 到 這 分配 平台。
謝謝。
