Hola, mi nombre es Caleb Rey. Soy a revelador en el Gama y fiabilidad grupo en JMP. Hoy I figurado Identificación escaparate qué I pensar es a poco de un pasado por alto plataforma en el fiabilidad suite de análisis herramientas, y eso es el fiabilidad crecimiento plataforma. I pensamiento Identificación hacer eso en el contexto de algo eso es convertirse bonito popular hoy en día, y eso es autónomo vehículos. Ellos son rápido devenir a realidad, no entonces mucho ciencia ficción ya no. Nosotros tener a lote de empresas laboral en extenso pruebas de estos vehículos.
Es lindo a prueba estos vehículos en tal vez a lindo pista en su laboratorio o algo como eso. Pero nada ritmos real actual camino pruebas, cual es por qué temprano en el década de 2010, el estado de California Departamento de Motor vehículos de hecho poner juntos a pruebas programa eso permitido estos empresas a prueba su vehículos en carreteras dentro el estado. Ahora, como parte de eso acuerdo, cada compañía era requerido a entregar un anual informe cual quería detalle afuera cualquier tipo de retirada incidentes. O cielo prohibir, cualquier choques eso sucedió involucrando su autónomo vehículos.
Aquellos tenía a ser informado a el Departamento de Motor Vehículos, el DMV. Ahora, uno beneficio de el DMV ser a federal institución es eso estos informes son de hecho disponible al pedido. En hecho, nosotros poder ir allá bien ahora a el sitio y tú lo harás ver eso tú poder en el menos acceso el mayoría reciente informes. Nosotros tener el 2021 informes. Ellos son aún compilando el 2022. Tú podría también, si tú desear, correo electrónico. Si tú buscado alguno anterior unos, I hizo eso con a breve justificación de qué I era haciendo. Ellos eran bonito rápido a responder.
Ahora, nosotros tener diferente tipos de informes y diferente tipos de pruebas. Eran eran enfoque en pruebas dónde allá es a conductor en el vehículo y el conductor poder llevar encima como necesario. Este no lo es a completamente autónomo vehículo. Tú hacer tener a ser en el conductor asiento a hacer este. Eran usando estos retirada eventos como a apoderado para evaluar el fiabilidad de el vehículos. Obviamente, nosotros no tener acceso a el software en estos vehículos. Si tú trabajó en aquellos empresas, tú podría probablemente tener más información. Nosotros obviamente no.
Pero ellos son a apoderado porque si tú desear nuestro vehículo a ser confiable, eso medio él necesidades a ser operante como tú pretender dentro el ambiente. Cualquier tiempo tú tener a llevar encima el AI para alguno razón, eso podría ser a firmar, "I es no exactamente operante como I destinado." Nosotros poder usar él como a poco de a apoderado. De nuevo, es no el mejor aproximación, pero es aún bonito bien. De curso, Soy no el primero uno a pensar de este. Este es de hecho un informal extensión de alguno trabajar Yo he hecho recientemente con mi tutor, Año Hong, y a racimo de otro coautores dónde nosotros de hecho miró en este tipo de datos de a recurrente eventos perspectiva.
Soy yendo a hacer a levemente diferente acercarse aquí. Pero allá es a preimpresión de este artículo disponible si tú desear a controlar él afuera eso hace algo similar. Dejar a mí ir en y describir el datos tú para tú real rápido. Soy no yendo a ser mirando en cada compañía haciendo pruebas. Hay entonces muchos afuera allá. Soy yendo a enfocar en uno, y aquellos quería ser eventos enviado por Waymo, cual era Google ser conduciendo auto proyecto. Ahora ellos son su propio filial entidad. Estos son su anual informes. Dejar a mí definir qué nosotros significar por retirada eventos.
Soy en el conductor asiento y si algo es acontecimiento, Soy en autónomo modo y I necesidad a llevar encima y llevar encima conduciendo. Eso es a retirada evento. I desacoplar de autónomo modo. Eso podría ser para cualquier razón. Ellos, de curso, necesidad a informe qué eso razón era. Eran justo usando eso como nuestro apoderado medida aquí. Estos anual informes son yendo a ir todo el forma atrás a acerca de 2015, 2014. Eso es cuando Waymo comenzó participativo en este programa. El 2015 informe de hecho contiene datos atrás a 2014. Ellos comenzar en el medio allá.
Cada informe esencialmente cubiertas el rango de Diciembre de el anterior año a Noviembre de el actual año. El 2016 informe quería contener datos de Diciembre 2015 arriba a Noviembre de 2016. Eso forma, ellos tener a mes a proceso el anterior años números. Allá son dos primario fuentes de datos eran mirando en en cada informe. El primero uno es yendo a lista cada incidente eso ocurrió, cuando él sucedió eso podría ser como detallado como día y tiempo, o él podría justo ser el mes.
De nuevo, hay no a lote de bien consistencia al otro lado de años. Es algo nosotros corrió en. Pero ellos en el menos dar alguno indicación de cuando él sucedió. Ellos podría decir dónde él sucedió y ellos poder describir qué sucedió. Él podría ser muy detallado o él podría justo ser descendente en a particular categoría eso ellos dar. Entonces el segundo parte de datos es yendo a lista el el VENIR o parcial VENIR de el vehículo, entonces el vehículo identificación número. Algo a identificar el vehículo y cómo muchos autónomo millas eso vehículo es impulsado eso mes. Tú podría ver más tarde en cuando I espectáculo este datos, allá podría ser a racimo de ceros. Cero justo medio I cualquiera no conducir eso vehículo o I justo no conducir él en autónomo modo.
En cualquiera caso, I era no haciendo activo pruebas de el autónomo modo de el vehículo. Ahora, como I mencionado más temprano, allá era a poco de inconsecuencia. Previo a 2018, cuando ellos listado el retirada eventos, ellos de hecho no dar el beneficio de el vehículo. Nosotros no saber qué vehículo era involucrado. Nosotros saber cómo muchos autónomo millas él condujo eso mes, pero nosotros tener No idea qué vehículo era involucrado. A partir de en 2018, eso información es ahora disponible. Ahora nosotros poder fósforo vehículo a el incidente, cual medio cuando nosotros hacer este análisis, Soy yendo a hacer él en dos diferente niveles.
Uno es en un agregar nivel dónde Soy yendo a ser mirando en cada mes todo de el vehículos ser probado en eso tiempo. Entonces mirando en el incidente tasas en general en un agregar medida. El segundo voluntad ser entonces I voluntad zoom en en el vehículo nivel. Enfermo mirar en él por VENIR. Para eso datos, Enfermo solo ser yendo atrás a 2018. Para el agregar nivel, I poder llevar todo de él. Ahora, antes nosotros conseguir a través de el análisis, de hecho buscado a espectáculo tú alguno herramientas eso JMP tiene disponible eso permitido a nosotros a rápidamente proceso y acumular este datos. De nuevo, a espectáculo tú cómo fácil él es y espectáculo apagado a pocos características en JMP. Alguno de a ellos son en realidad nuevo, alguno de a ellos tener estado alrededor para a pequeño mientras.
Dejar a mí comenzar por demostración tú uno cosa eso ayudó a nosotros, y eso era ser capaz a leer en datos de PDF. Previo a 2018, a lote de estos datos eran compilado en PDF. Después, ellos poner a ellos en un Sobresalir archivo, cual hecho él a lote más fácil a justo Copiar y pasta en a JMP mesa. Pero para aquellos PDF, cómo hizo nosotros manejar ¿eso? Dejar a mí dar tú un ejemplo usando datos de 2017. Este es de hecho uno de el mejor formateado informes nosotros ver de empresas. Alguno resúmenes aquí, alguno tablas aquí y allá. Este en apéndice A es el datos Soy mirando en.
Tú poder ver aquí, este es el retirada eventos. Nosotros tener a causa, generalmente justo a categoría aquí. Ellos tener el día, cual es de hecho el mes. A poco de a discrepancia allá, el ubicación y tipo. Pero este es básicamente justo narración a nosotros cómo muchos retirada eventos suceder cada mes. Entonces nosotros tener a mesa aquí o a serie de tablas de hecho aquí en el atrás. Este es demostración a nosotros para cada vehículo, en este caso, él solo da parcial evento información. Allá es no a lote de información disponible en estos temprano informes y entonces demostración tú cómo muchos autónomo millas eran impulsado cada mes. Cómo poder nosotros poner este en ¿JMP? Bien, I podría justo Copiar y pasta, pero eso es a poco tedioso. Nosotros poder hacer mejor que eso.
Dejar a mí venir aquí. Soy yendo a ir a mi Archivo, Soy yendo a ir a Abierto. Hay mi PDF. Soy yendo a hacer clic Abierto y JMP tiene a PDF importar mago. Impresionante. Ahora qué es yendo a hacer es es yendo a ir a través de y mirar en cada página e identificar lo que tablas él hallazgos allá. Es yendo a clasificar por categorías a ellos por el página y qué el mesa es en eso página. De curso, cuando tú ahorrar él afuera, tú poder, de curso, cambiar el nombre.
Ahora, I no desear cada mesa en cada página. Qué Soy yendo a hacer es Soy yendo a ir a este rojo triángulo en este página y justo decir, "Ignorar todo el tablas en este página. I no desear estos." Enfermo decir, ""Bueno," Enfermo hacer el mismo aquí. Es a lindo resumen mesa, pero es no qué I desear. Entonces I comenzar dicho, " Este es el datos I desear." Ahora, eran yendo a aviso aquí, este es formateado bonito Bueno. Es obtenido el datos I desear. Si I voluta a el próximo uno, este es técnicamente a continuación de el mesa de antes. Sin embargo, por por defecto, JMP es yendo a asumir eso cada mesa en cada página es es propio entidad.
Qué I poder hacer a decir JMP eso de hecho este es justo a continuación es a ir a el mesa aquí en el página, hacer clic el rojo triángulo y decir para el número de filas a usar como encabezamiento, allá de hecho son ninguno. Este es a forma a decir JMP eso de hecho eso es a continuación de el anterior mesa. Bien controlar en el datos aquí, y él aspecto como él hizo él ahora. Soy yendo a controlar aquí en el abajo y I observó, "Oh, I omitido eso Octubre datos. Eso es bueno. Soy yendo a hacer a rápido pequeño estirar allá y auge, I consiguió él." Eso es bueno. Tú poder manipular el mesas. I f él no atrapar algo, tú poder estirar y manipular el mesa a ajustar él. Tú poder también agregar tablas él no encontrar.
En este caso, I omitido este. Eso es bueno. Soy yendo a arrastrar a caja a su alrededor. Auge. Hay a nuevo mesa para tú, JMP. Soy yendo a ir en aquí. Es yendo a asumir eso allá son alguno encabezamiento filas. De hecho, allá son ninguno. Bueno, excelente. Ahora es capturado eso parte de el datos. Hay a poco de un vacío celúla aquí. Eso es justo a formato error porque este es técnicamente dos pauta, entonces ellos no poner este en el arriba. Es bueno. Fácil arreglar en el atrás fin. Ahora para estos mesas, qué nosotros aviso si nosotros ir a eso es él de hecho piensa, "Bien, este es de hecho uno mesa." Desafortunadamente, es técnicamente no correcto porque allá son dos mesas, pero es un fácil arreglar. I poder simplemente ir a cada uno y decir, "Es de hecho no a continuación JMP. Este de hecho tiene es propio encabezamiento."
Él dice, "Bueno," y tú poder hacer eso para cada de estos mesas. I no hacer él para todo de a ellos. Soy justo haciendo este a ilustrar. Qué casarse tener a hacer es casarse probablemente fin arriba con a racimo de tablas aquí dónde Bueno tener a horizontalmente concatenar. Eso es justo el forma ellos decidir a formato en el informe. Pero JMP tiene a lote de herramientas a ayuda a nosotros con concatenación y puesta tablas juntos. Pero tú poder ver este es a lote más fácil que intentando a Copiar y pasta este en JMP, haciendo seguro eso el formato es todo bien. JMP es yendo a hacer a lote de eso para a nosotros.
Bueno, otro útil herramienta eso vino afuera recientemente en JMP 2017 es, si tú tienes probablemente escuchó de él, el JMP flujo de trabajo. Eso era súper útil porque obviamente nosotros tener múltiple informes encima múltiple años. Casarse como a en el menos combinar al otro lado de todo el años en dos informes, uno con el retirada eventos, uno con el kilometraje. Qué nosotros hizo es nosotros creado un inicial... Nosotros seguido alguno pasos a colocar arriba el mesa en a forma eso nosotros poder entonces concatenar a ellos juntos en uno mesa, y entonces nosotros guardado él en a flujo de trabajo.
Eso es qué I tener demostrado aquí. Este es a flujo de trabajo constructor eso nosotros poner juntos para eso. Soy yendo a demostrar él usando este datos colocar. Este es particular para nuestro kilometraje. Qué nosotros tener aquí es a mesa. Este representa qué nosotros quería tener a crudo producción de uno de el informes. Aquí nosotros, de curso, tener él roto abajo por VENIR número. Tenemos consiguió a lote de información aquí. Casarse como a reformatear este mesa. Primero cosa Soy yendo a hacer, Soy justo yendo a caminar a través de cada paso. Soy no yendo a espectáculo también muchos detalles en cada paso. Tú lo harás ver qué ellos son. Es bonito ser explicativo.
Este primero uno es yendo a cambiar el nombre de este columna a vehículo. Eso forma él partidos a columna en nuestro concatenado mesa. Soy yendo a ir encima, Soy yendo a borrar este total columna. I no necesidad eso. Entonces Soy yendo a hacer a pila al otro lado de todo el fechas. Tú poder ver Yo he consiguió eso aquí. Nosotros convenientemente llamado él apilados mesa, muy informativo. Ahora, uno cosa I necesidad a hacer aquí, I poner a pausa aquí, eso es el pequeño detener firmar. En. Eso es porque I quería generalmente necesidad a ir en y cambiar el año.
Ahora, algo I podría hacer bien ahora, I no pude en realidad cifra afuera a forma a conseguir a variable, decir año, eso tú podría justo llenar afuera, poner el año allá, y entonces él automáticamente llenar él en aquí. Eso es tal vez algo I poder ir a comunidad.jmp.com , ir sobre el desear lista y decir, "Ey, sería ser lindo si I podría hacer este." Pero para bien ahora, I justo poner en el años. Él era bonito fácil a hacer comparado a haciendo este múltiple veces. Bonito directo. Pero de nuevo, I poder también destacar para tú cómo tú poder de hecho ir en y ajustar el guion sí mismo. Tú poder ir en y sastre este a su necesidades. Qué este es yendo a hacer es recodificar estos entonces él programas el mes y el año. Enfermo hacer eso real rápido. Allá nosotros son.
El próximo paso es yendo a llevar este. Bien ahora, este es a categoría, es a cadena, I desear a número. Eso es qué I hacer próximo. Ahora, este no lo es bonito. Este es justo el número de artículos de segunda clase desde alguno fecha en 1900, I creer. Obviamente, eso es no bonito. Identificación como a espectáculo algo más informativo. Eso es qué I hacer en el próximo paso. Ahora, él programas el mes y el año. Soy yendo a detener aquí. Soy no yendo a continuar porque en este punto Identificación tener otro mesa abierto. Este próximo paso quería entonces concatenar el tablas y entonces cerca apagado estos intermedio mesas. Qué Soy yendo a hacer es Soy yendo a reiniciar cosa. Enfermo reiniciar, hacer clic aquí. Soy yendo a reabrir este mesa. Soy yendo a hacer este justo entonces tú poder ver cómo rápido este va.
Aquí Soy yendo a hacer clic encima aquí, Soy yendo a hacer clic Jugar, Soy yendo a hacer clic Jugar de nuevo. Mirar cómo rápido eso era. Ahora, imaginar haciendo este para múltiple informes. Cómo mucho más rápido eso es que repitiendo el mismo pasos encima y encima y encima de nuevo. Este flujo de trabajo era en realidad útil en este situación.
Ahora, Soy yendo a cerca todo estos afuera porque es tiempo a conseguir en el análisis. Vamos hacer eso. Soy yendo a comenzar con el agregar nivel datos. Aquí está mi mesa. I compilado al otro lado de todo el datos, todo el tiempo períodos. Nosotros tener el mes, nosotros tener cómo muchos retirada sucedió en eso mes. I consiguió a columna aquí para el acumulativo total. Yo he consiguió aquí cómo muchos autónomo modelos eran impulsado. I consiguió dos columnas aquí eso Soy yendo a hablar acerca de en justo a segundo. Tú lo harás tener a justo esperar.
Qué Soy yendo a hacer es Soy yendo a ir en, Soy yendo a ir a Analizar. Soy yendo a ir bajo Fiabilidad y Supervivencia, y entonces Soy yendo a voluta todo el forma abajo hasta I alcanzar Fiabilidad Crecimiento. Enfermo hacer clic eso. Ahora nosotros tener múltiple cortina a la italiana aquí. Soy solo yendo a enfocar en estos primero dos porque estos último dos inquietud si I tener múltiple sistemas. Enfermo volver a visitar aquellos cuando nosotros conseguir a el actual vehículo información. Para bien ahora, vamos pretender eso eran mirando en el entero DE sistema, el artificial inteligencia sistema en estos vehículos. Pensar de él como uno grande sistema.
Allá son dos maneras eso I poder evaluar este. Uno, I poder hacer como tiempo a evento, esencialmente cómo muchos meses hasta a cierto evento sucedió o días si nosotros tenía eso. O I podría hacer él a través de a particular tiempo estampilla. Básicamente, qué era el tiempo en cual él ¿ocurrió? I hacer tener eso tipo de formateado datos. I tener él en el mes. El mes es a bien marca de tiempo. Él justo dice en eso mes I tenía este muchos eventos suceder. Eso es todo I necesidad a poner en. I tener todo el datos I necesidad. Enfermo hacer clic DE ACUERDO.
Ahora, excelente cosa acerca de este es antes tú hacer cualquier análisis, tú debería, de curso, mirar en su datos, visualizar su datos. Es lindo porque el primero cosa él hace es él visualiza el datos para tú. Vamos mirar en él. Uno cosa eran mirando en, eran mirando en acumulativo eventos encima tiempo. Qué nosotros esperar es a comportamiento dónde temprano en nosotros podría tener qué Enfermo llamar a quemar en tipo período dónde I tener a lote de eventos y es acontecimiento. Soy ajustes el sistema, ración arreglar él, ración mejorar él.
Entonces al final, qué Identificación como a ver es este meseta. Identificación como él a aumentar y entonces aplanar apagado. Eso cuenta a mí eso mi número de incidentes es decreciente. Si él va completamente departamento, eso es excelente. I tener No más incidentes lo que. I desear el eran como eso, él es no. Pero nosotros poder ver patrones aquí en el datos. Vamos caminar a través de. Nosotros tener a quemar en período aquí, temprano 2015, y entonces acerca de medio 2016, nosotros aplanar apagado hasta acerca de aquí. Nosotros ver a pequeño punto luminoso en un radar, acerca de verano de 2016, algo sucede. Nosotros conseguir a pocos más incidentes. Nosotros nivel apagado de nuevo hasta nosotros conseguir a acerca de aquí, acerca de tarde primavera de 2018.
Algo demás sucedió porque nosotros comenzar yendo arriba de nuevo. Ellos son no muy empinado. Este unos a poco más extenso. Entonces nosotros bonito mucho en aquí, nosotros casi aplanado afuera. Tenemos alcanzó el período dónde eran en realidad teniendo No incidentes suceder, esencialmente, a el fin de 2020. Entonces algo sucede en 2021 y dónde tenemos alcanzó esencialmente otro quemar en período, algo es yendo en. Esencialmente qué tenemos consiguió es cuatro fases, si tú voluntad, acontecimiento en el crecimiento de el sistema. Algo es cambió dos o tres veces a impacto el fiabilidad.
Otro forma a visualizar este, Enfermo correr este trama. Este usos alguno datos. Soy trazar de nuevo el acumulativo total. Soy también trazar algo qué I llamar el empírico significar tiempo entre fracasos. Es a muy simple métrico a calcular. Es justo el inverso de el número de desvinculaciones. Él es a muy anuncio hoc, ingenuo forma a intentar y estimar el significar tiempo entre incidentes. Pero I trazado aquí entonces eso tú poder ver, tú lo harás aviso estos cuatro picos eso corresponder a el doblar en el curva. Pero allá son cuatro de a ellos indicando estos cuatro lugares dónde algo tiene cambió en el sistema a afectar es fiabilidad.
Qué nosotros poder hacer entonces es intentar a cifra afuera, qué son aquellos ¿Puntos de interrupción? Uno forma tú podría hacer eso es el fiabilidad crecimiento plataforma tiene a forma a adaptar a cierto modelo. Enfermo pausa aquí a hablar acerca de el modelo a poco. Todo de estos son de hecho el mismo modelo con leve modificaciones. Ellos son todo qué nosotros llamar a proceso de Poisson no homogéneo. Eso es a elegante forma a describir a cálculo proceso. Soy cálculo algo, pero el tasa en cual el cuentas podría ocurrir por unidad tiempo es cambio encima tiempo. A proceso de Poisson justo medio eso en a constante tasa, entonces el tasa en cual incidentes quería ocurrir quería a ser constante, eso quería ser equivalente a vidente a derecho línea.
Es muy fácil a modelo, pero es malo para realidad porque obviamente nosotros no desear el tasa a permanecer el mismo. Nosotros quería como él a disminuir a esencialmente cero. Eso es por qué nosotros tener a proceso de Poisson no homogéneo. Nosotros desear él a cambiar encima tiempo. Aquí nosotros tener a modelo dónde nosotros poder de hecho dejar JMP intentar y cifra afuera a cambiar punto en el proceso. Si I correr él, qué es yendo a hacer es es de hecho yendo a atrapar este grande pedazo y decir, "Ey, algo en realidad cambió allá. Para mayoría de él, él era el mismo cosa, pero después este punto, él en realidad cambió." Ahora aquí es solo yendo a cambiar uno en a tiempo. I tener habló a el revelador acerca de, no lo haría él ser lindo si nosotros podría identificar múltiple cambiar ¿agujas?
A aparentemente eso es a poco de un abierto investigación problema, entonces a mí y a él podría ser laboral juntos a intentar y cifra eso afuera. Pero qué I hizo es I esencialmente a ojo él y dicho, "I pensar allá son cierto fases. I pensar hay acerca de tres o cuatro fases, y I hizo él empíricamente, cual es dónde tú conseguir este columna." Soy yendo a correr eso guion. Dejar a mí espectáculo tú cómo I hizo él. I venir aquí bajo rehacer, ir a relanzar, y todo I hizo era I agregado el fase columna aquí. Este cuenta tú eso allá son diferente períodos dónde el fiabilidad podría tener cambió de modo significativo, disculpar a mí, en alguno forma.
Si pensamos de eso, eran yendo a mirar en el llave métrico aquí como el significar tiempo entre falla. Eran yendo a ver temprano en, entonces este es en meses, este aquí es acerca de tres días, 4- 5, acerca de a semana, y este es acerca de a día, día y a medio. Temprano en, nosotros tener a poco de a bajo tiempo. Es bonito frecuente. Nosotros poder también mirar aquí, Enfermo espectáculo tú el intensidad trama. Eso podría ser otro cosa a interpretar. Qué eran mirando para es casarse como el significar tiempo entre fracasos a ser largo. Casarse como él a ser a largo tiempo entre incidentes, idealmente infinito. Eso medio nada alguna vez sucede, y nuestro intensidad a disminuir.
Qué eran mirando aquí es, nosotros conseguir a poco de a bien comenzar. Acerca de medio de 2016, eran haciendo en realidad Bueno. En hecho, nosotros conseguir a acerca de a semana entre un incidente para cualquier vehículo. Allá era a poco de a punto luminoso en un radar, pero nosotros ante todo conseguir atrás a dónde nosotros eran hasta nosotros conseguir a el fin de 2021, dónde ahora es esencialmente acerca de a día entre incidentes para cualquier vehículo. Algo grande sucedió aquí en el fin de 2020 con estos vehículos con este software sistema, si tú voluntad.
De nuevo, tú poder ver aquí con el intensidad, tú poder casi hacer uno curva y nosotros conseguir abajo a acerca de seis o Siete incidentes por mes. Mientras aquí es casi 30, esencialmente, una vez a día. Tenemos estado capaz a mirar en aquí y descubrir qué yendo en, en el menos en el agregar nivel. Antes nosotros conseguir a el vehículo nivel, Soy yendo a correr uno más gráfico eso es mirando en, tenemos consiguió todo estos autónomo millas. Podría él ser eso si I conducir él más a menudo, tal vez I encontrar más ¿Incidentes? Podría eso tener un ¿efecto? T aquí está a rápido forma a evaluar eso. Justo usando a simple gráfico. Bien justo trama autónomo millas versus el total desvinculaciones.
Nosotros ver aquí para son a pocos número de desvinculaciones, eso podría ser verdadero. El más tú conducir, el más tú podría ver. Pero en general, largo término, no en realidad. Hay en realidad No grande, fuerte correlación entre cómo muchos autónomo millas impulsado, cómo muchos compromisos tú ver. Hay algo demás yendo encendido. T sombrero de hecho qué nosotros encontró en el papel eso I mencionado más temprano es eso el kilometraje impacto era muy mínimo.
Ahora, vamos zoom en a el individual vehículo. Eran no yendo a tener todo el datos, incluso aunque I de hecho hacer tener él aquí. Pero eran no yendo a tener completo datos para todo de el vehículos. Dejar a mí romper él abajo. I tener el mes, I tener el vehículo identificación número. Aviso alguno de estos, es solo parcial. I tener aquí qué I llamar a VENIR serie. Este es muy empírico. Soy justo tomando el primero cuatro dígitos de el VENIR. Tú lo harás ver aquí, Soy yendo a voluta abajo a poco y Bueno ver. Vamos ver, tal vez I voluntad arrastrar abajo a pequeño poco. Allá nosotros ir.
Alguno de estos VINOS, a lote de a ellos de hecho comenzar con el mismo cuatro dígitos, 2C4R. Enfermo llamar a ellos el 2C4 serie. Hay a racimo de vehículos eso tener este como su a partir de uno. Este identifica a particular flota de vehículos, en el menos de un empírico vista. Si I voluta abajo, eran yendo a correr en a diferente serie, cual Soy yendo a llamar el SADH serie. Este es el uno eso era introducido acerca de 2021. Eso es cuando I sierra el Venn números cambiar a el SADH designación.
De nuevo, I tener cómo muchos de millas, I tener a a partir de mes, cuando hizo eso vehículo ¿comenzar? Soy yendo a usar este a calcular el tiempo a eventos. Primero, Soy yendo a hacer a trama. I pensar este es el mayoría informativo trama tú lo harás ver para este análisis. Qué Yo he hecho aquí es Yo he esencialmente creado para tú a calor mapa. Tú poder ver Yo he consiguió el calor mapa opción seleccionar. Seleccionado, I consiguió para cada vehículo y encima tiempo, esencialmente a celúla, y eso es justo yendo a indicar, era I impulsado en autónomo modo en cualquier momento eso ¿mes?
I consiguió él color codificado por el serie. Estos vertical pauta corresponder a el transiciones entre aquellos empírico fases I mencionado más temprano. Qué este es narración a nosotros es básicamente, poder nosotros identificar qué podría tener causó aquellos ¿transiciones? Aquí nosotros ver un inicial serie de vehículos, y él aspecto como allá no lo era a grande cambiar en qué vehículos eran introducido aquí. Tal vez allá era a poco de a software mejora para este particular serie eso puede tener introducido aquellos nuevo incidentes. Aquí nosotros ver eso a nuevo serie era introducido, a menor número de vehículos, tal vez piloto serie. Entonces a racimo de a ellos introducido acerca de eso mismo período dónde nosotros sierra el otro transición.
Aquí, este parece a corresponder a a nuevo flota de vehículos con tal vez a levemente actualizado versión de el software. Aquí, nosotros ver a claro distinción. Obviamente, en 2021, a completamente nuevo serie de vehículos era introducido. Nosotros tener a poco de el viejo vehículos aún allá en el mezcla, pero mayoría de a ellos son el nuevo vehículos. Eso probablemente explica por qué nosotros consiguió a nuevo lote de nuevo incidentes. Nosotros consiguió a quemar en período para este nuevo serie de vehículos. Este es Frío porque ahora nosotros tener a poco más explicación como a qué era yendo en con el agregar datos, cual es por qué es importante a tener este información.
Ahora vamos romper él abajo por VENIR. I tener bien aquí guion a indicar tenemos consiguió a mesa aquí y es similar a el mesa I tener previamente. Aviso alguno de estos tener estado excluido y este es porque si para eso particular vehículo, el total número de incidentes era menos que tres, el plataforma es no yendo a ser capaz a adaptar a modelo para tú porque él necesidades en el menos tres incidentes por vehículo. Eso marcas sentido. I tener solo uno o dos, eso es no en realidad suficiente información a evaluar el fiabilidad. Si I tener tres o más, ahora eran hablando, I poder hacer algo.
I también tener el mes desde el comenzar. I tener alguno acumulativo información allá cual mes él comenzó. Soy yendo a ir adelante entonces y correr el plataforma. No preocuparse, I voluntad espectáculo tú cómo I hizo este. Soy yendo a ir a el rehacer, relanzar. Soy yendo a conseguir deshacerse de eso. Eso es alguno sobrante cosa. Soy mirando en uno de estos dos último plataformas. Estos son acerca de múltiple sistemas. Ahora eran pensamiento de cada vehículo como es propio sistema. El concurrente justo medio Soy yendo a correr cada vehículo uno después el otro.
Eso es no qué acontecimiento aquí. El vehículos son esencialmente ser correr en paralelo. Múltiple vehículos son ser impulsado en a tiempo. Aquí I necesidad a columna a indicar el tiempo a evento, en este caso, cómo muchos meses desde el comenzar hasta este muchos eventos sucedió. I tener el sistema IDENTIFICACIÓN. El uno cosa eso es no mostrado aquí es I de hecho tomó el VENIR serie y usado eso como a por variable, cual es por qué nosotros tener el dónde VENIR igual entonces y entonces. Hay solo yendo a ser dos porque el uno con a pequeño asteriscos tiene No información acerca de incidentes. Eso es porque eso era dos más temprano eso era previo a ser capaz a atar el El VIN es el vehículo.
Pero ellos eran allá para lo completo, Estoy cancelado afuera de eso. Ahora, qué eran yendo a ver aquí es a lista de modelos eso tú podría correr. Estos primero cuatro, Soy no yendo a ser capaz a hacer porque I solo tener uno fase. Esencialmente, el fase ahora corresponde a el VENIR serie. Pero allá son dos eso I podría correr y el solo diferencia es, hacer I desear a correr a modelo para todo de a ellos dicho estos son todo parte de un idéntico ¿sistema? Marcas sentido. Estos son todo vehículos, ellos probablemente correr el mismo software. Tal vez I poder correr a modelo para todo de a ellos. O I poder tener a modelo dónde I adaptar él a cada individual vehículo.
Antes I correr aquellos modelos, vamos llevar a mirar en este trama. De nuevo, comenzar con el visualización y qué nosotros ver trazado es todo el vehículos. Aviso aquí hay a poco de a poco profundo pendiente a este. Esencialmente hay a poco de a empinado curva, pero entonces él niveles apagado bonito rápido. Este es a bonito bien firmar de fiabilidad yendo en aquí. Soy yendo a comparar a ellos, Soy yendo a voluta abajo a el próximo uno, el colocar serie. Ahora, inicialmente el ejes aquí, justo entonces tú saber, cuando tú correr él próximo tiempo, el ejes son yendo a solo ir a el completo colocar de datos. Este quería de hecho ser a menor rango.
I arreglar a ellos entonces ellos tenía el mismo rango. Tú poder claramente ver eso este es mucho más empinado que este. Claramente, nosotros tener más incidentes acontecimiento con este nuevo serie que este uno. Pero nosotros poder hacer a rápido modelo adaptar. Soy yendo a hacer el idéntico sistema. De nuevo, es a proceso de Poisson no homogéneo. A pesar de en este caso, Soy yendo a ignorar el estimaciones para bien ahora, si tú desear a mirar en eso, tú poder. Soy yendo a ir derecho a el significar tiempo entre falla y tú lo harás aviso eso para todo el meses es bonito mucho departamento.
Qué es esencialmente hecho es este es justo a pez proceso. El tasa es constante, cual es bien para modelado, no entonces bien en términos de evaluar él. Es justo dicho al otro lado de este entero tiempo para este particular serie, nosotros bonito mucho alcanzó para cualquier uno vehículo, a significar tiempo de acerca de cinco meses entre incidentes. Ahora, vamos comparar eso a qué nosotros sierra con el agregar dónde él era acerca de a semana, eso es al otro lado de cualquier vehículo. Es justo dicho para cualquier vehículo, él era acerca de a semana entre un incidente para cualquier vehículo. Mientras este parece a ser reticente es acerca de cinco meses para cualquier uno vehículo.
Tú poder pensar de él como el correr en paralelo, entonces tú poder ver es escalonado. Cualquier uno vehículo, él podría ser acerca de cinco meses. De nuevo, este es un promedio, hay a lote de rango entre allá. Para uno vehículo, es a bonito largo tiempo. Pero en agregar, ellos son probablemente escalonado suficiente eso él parece como es acerca de a semana para cualquier uno vehículo. Ellos poder ser coherente como eso. Pero este es aún bonito bien. Eso es acerca de cinco meses entre un incidente, a retirada evento aquí para eso serie. Si nosotros correr a el SADH serie y hacer el mismo modelo, dejar a mí ir aquí. Allá nosotros ver claramente creciente. Soy yendo a esconder eso. Si nosotros mirar en este, él dice, "No," temprano en nosotros probablemente tenía acerca de dos meses. Eso es a poco de a comenzar allá. Pero tenemos abandonó a menos que a mes, casi dos a tres semanas entre incidentes.
Claramente, hay a poco más trabajar a hacer en este serie. De nuevo, él era justo introducido, entonces este es probablemente más de el quemar en fase. Si nosotros conseguir el 2022 datos, nosotros podría comenzar a ver él nivel apagado como él hizo en el anterior serie. Este de hecho podría voltear y ser más de a nivel curva. Eso es acerca de todo I desear a espectáculo para estos plataformas. I poder espectáculo tú alguno de el individual distinto sistemas, pero allá son a lote de sistemas aquí y entonces es yendo a conseguir atestado muy rápidamente. Hay a trama para cada uno. Hay estimaciones para cada uno. Tú poder mirar en el significar tiempo entre falla para cada uno.
Si allá son particular vehículos tú buscado a llamar afuera y ver cómo ellos podría diferir de, este es qué tú poder hacer. Tú poder ver alguno aumentar, alguno disminuir, pero en general más o menos departamento. Tú poder también mirar en intensidad parcelas. Si tú encontrar eso más interpretable que el significar tiempo entre falla, tú tener otro métrica eso tú poder incorporar aquí. Está bien, t sombrero todo I desear a espectáculo para este plataforma. Ahora, de curso, hay datos I no incluir aquí. Para ejemplo, nosotros podría romper él abajo por causa.
Para alguno de este datos, causa podría ser, I justo necesidad a llevar encima porque él era conseguir también cerca a el lado de el el camino. O tal vez el auto interrumpido en el detener firmar, hizo qué él era supuesto a, comenzó laminación, y alguno otro conductor sopló a través de el detener firmar próximo el otro forma. En cual caso, tal vez eso podría no necesariamente ser a fiabilidad golpear. El auto hizo qué él era supuesto a. Alguien demás No lo era. Sería ser interesante a romper él abajo por eso, también por ubicación. El número de incidentes, tú conseguir más cuando estás en el ciudad, tal vez en el carretera, algo como eso.
Real rápido, nosotros debería mirar en el kilometraje impacto. De nuevo, mismo información, uno o dos incidentes, seguro, eso podría cambiar. Pero en general es yendo a ser departamento. El kilometraje impacto en el incidente tasa es mínimo. De curso, este es justo uno de muchos plataformas disponible en el fiabilidad suite. Tú poder ver hay a tonelada de opciones, muy flexible para ración evaluar fiabilidad. De nuevo, eso es todo I tener a espectáculo tú. Con un poco de suerte, Yo he estado capaz a demostrar para tú cómo Bueno JMP poder ayuda iniciado descubrimiento y análisis. Con un poco de suerte, tú descubierto a lote de cosas acerca de este particular de la empresa autónomo vehículos. I esperanza tú disfrutar el descansar de el conferencia. Agradecer tú.
