In Das sprechen, war gehen Zu beschreiben
wiederholt Maßnahmen Abbau Und es ist Durchführung In JMP.
Ich bin gehen Zu gegenwärtig Die Hintergrund, Motivation,
manche technisch Ideen Und Beispiele.
Dann Krank drehen Es über Zu Peng, WHO Wille Tun a Demonstration zeigt
Nur Wie einfach Es Ist Zu anwenden diese Methoden In JMP 17.
Hier ist ein Überblick von Mein sprechen.
Ich bin gehen Zu Start aus mit manche motivierend Beispiele,
Und Dann erklären Die Beziehung zwischen Abbau Und Versagen Und Die Vorteile
von mit Abbau Modellieren In bestimmt Anwendungen.
Dann Krank beschreiben Die Motivation für unser verwenden von Bayesian Methoden
Zu Tun Die Schätzung.
Zu verwenden Bayes-Methoden für Schätzung, Du brauchen Zu haben vor Verteilungen.
Krank sprechen um Die häufig gebraucht, nicht informativ Und wöchentlich informativ
vor Verteilungen.
Auch In manche Anwendungen,
Wir Wille haben informativ vor Verteilungen Und Wie diese dürfen Sei gebraucht.
Dann Krank gehen durch zwei Beispiele,
Und bei Die Ende Krank haben manche abschließend Bemerkungen.
Unser erstes Beispiel Ist Riss Wachstum.
Wir haben 21 gekerbt Proben.
Der Kerben war .9 " tief, Und das ist wie a Anlasser Riss.
Dann Die Proben Sind unterworfen Zu zyklisch Laden,
Und In jede Zyklus, Die Riss wächst a wenig bisschen.
Wann Die Riss bekommt Zu Sei 1.6 " lang, das ist Die Definition von a Versagen.
Wir dürfen sehen Das ganz a wenige
von Die Risse haben bereits überschritten Das Ebene, Aber viele von ihnen haben nicht.
Traditionell, Du könnte behandeln diese als Rechts zensiert Beobachtungen.
Aber Wenn Du haben Die Abbau Information,
Du dürfen verwenden Das Zu bieten
zusätzlich Information Zu geben Du a besser Analyse von dein Daten.
Der Basic Idee Ist Zu fit a Modell Zu beschreiben Die Abbau Wege,
Und Dann Zu verwenden Das Modell Zu induzieren a Versagen Zeit Verteilung.
Unser zweite Beispiel Ist Was Wir Anruf Gerät B,
a Radio Frequenz Leistung Verstärker.
Über Zeit Die Leistung Ausgabe Wille verringern
Weil von ein intern Abbau Mechanismus.
Das War ein beschleunigt prüfen Wo Einheiten war unterworfen
Zu höher Ebenen von Temperatur,
2 37, 195 Und 150 Grad C.
Der Ingenieure benötigt Information um Die Zuverlässigkeit von Das Gerät
Also Das Sie könnte bestimmen Wie viel Redundanz Zu bauen hinein Die Satellit.
Der Versagen Definition In Das Fall War
Wann Die Leistung Ausgabe fallen gelassen Zu -,5 Dezibel.
Wir dürfen sehen Das alle von Die Einheiten hatte bereits fehlgeschlagen
bei Die höher Ebenen von Temperatur,
Aber bei 150 Grad C, Dort war NEIN Fehler noch.
Aber Dort Ist viele von Information um Wie
schließen diese Einheiten war Zu Versagen von suchen bei Die Abbau Pfade.
Wieder, Wir wollen Zu bauen a Modell für Die Abbau Wege,
Und Dann Wir verwenden Das Zu induzieren a Versagen Zeit Verteilung.
In Das Fall, Die verwenden Zustand Ist 80 Grad C.
Wir wollen Zu wissen Die Zeit bei welche Einheiten
Betriebs bei 80 Grad C, würde erreichen Das Versagen Definition.
Einmal wieder, Wir bauen a Modell für Die Abbau Pfade.
Wir fit Das Modell, Und Dann aus Das Wir dürfen erhalten a Versagen Zeit Verteilung.
Viele Fehler Ergebnis aus ein zugrundeliegend Abbau Verfahren.
In manche Anwendungen, Abbau Ist Die natürlich Antwort.
In diese Situationen, Es macht Sinn Zu fit a Modell
Zu Die Abbau Und Dann verwenden Die induziert Versagen Zeit Verteilung.
In solch Anwendungen,
einmal Wir haben a Definition für Versagen, welche Wir Anruf a weich Versagen
Weil Die Einheit nicht Genau genommen stoppen Betriebs Wann Es erreicht Das Ebene
von Degradierung, Aber es ist schließen genug Zu Fehler Das Ingenieure sagen Wir würde
wie Zu ersetzen Das Einheit bei Das Punkt, Nur Zu Sei sicher.
Jetzt, In allgemein, es gibt zwei anders
Arten von Abbau Daten, wiederholt Maßnahmen Degradierung,
wie Die zwei Beispiele Das Ich habe gezeigt Du, Und destruktiv Degradierung,
Wo Du hat Zu zerstören Die Einheit In Befehl Zu machen Die Abbau Messung.
Für viele Jahre, JMP hat hatte
sehr Gut Werkzeuge für Handhabung Abbau Daten.
Ich bin fokussiert In Das sprechen
An Die wiederholt Maßnahmen Abbau Methoden
Das Sind Sein umgesetzt In JMP 17.
Dort Sind viele andere Anwendungen
von wiederholt Maßnahmen Degradierung, für Beispiel, LED oder Laser Ausgabe,
Die Verlust von Glanz In ein Automobil Beschichtung Und Abbau von a chemisch Verbindung,
welche dürfen Sei gemessen mit Techniken solch als FTIR
oder beliebig andere gemessen Qualität Merkmal
das ist gehen Zu degradieren über Zeit.
Dort Sind viele Anwendungen für wiederholt Maßnahmen Abbau.
Dort Sind viele Vorteile von : Abbau Daten Wenn Du dürfen erhalten ihnen.
In besondere,
Dort Ist viel mehr Information In Die Abbau Daten
relativ Zu Drehen diese Abbau Daten
hinein Versagen Zeit Daten.
Das Ist besonders WAHR Wenn Das schwer Zensur.
In der Tat, es ist möglich Zu machen Schlussfolgerungen um Zuverlässigkeit
aus Abbau Daten In Situationen Wo Dort sind nicht beliebig Fehler bei alle.
Auch, direkt Beobachtung
von Die Abbau Verfahren erlaubt uns Zu bauen besser Modelle
für Die Versagen Zeit Verteilung Weil war näher
Zu Die Physik von Versagen.
Jetzt, mehrere Jahre vor, Wann Wir war Planung Die zweite Ausgabe
von unser Zuverlässigkeit Buch, Wir gemacht a Entscheidung Zu verwenden
mehr Bayesian Methoden In viele anders Bereiche von Anwendung.
Eins von diese Ist wiederholt Maßnahmen Abbau.
Warum Ist Das?
Was War Die Motivation für mit Bayes' Methoden
In diese Anwendungen?
I gebraucht Zu denken Das Die hauptsächlich Motivation
für Bayesian Methoden War Zu bringen vor Information hinein Die Analyse.
Manchmal das ist WAHR,
Aber über Die Jahre, Ich habe gelernt Das Dort Sind viele
andere Gründe Warum Wir wollen Zu verwenden Bayesian Methoden.
Für Beispiel, Bayesian Methoden Tun nicht verlassen
An groß Probe Theorie Zu erhalten Vertrauen Intervallen.
Es verlässt sich An Wahrscheinlichkeit Theorie.
Auch, Es dreht sich aus Das Wann Du verwenden Bayes' Methoden mit sorgfältig gewählt,
nicht informativ oder wöchentlich informativ vor Verteilungen,
Du haben glaubwürdig Intervall Verfahren Das haben sehr Gut Abdeckung Eigenschaften.
Das Ist, Wenn Du fragen für 95 % Intervall,
Sie neigen Zu Abdeckung Was sie sind angeblich Zu Abdeckung mit 95 % Wahrscheinlichkeit.
In viele Anwendungen, Dort Sind viele nicht-Bayesianisch Näherungen
Das dürfen Sei gebraucht Zu Satz Vertrauen Intervallen.
Wann Du Tun Bayesian Schlussfolgerung, es ist sehr einfach.
Es gibt Wirklich nur eins Weg Zu Tun Es.
Auch, Bayesian Methoden dürfen handhaben mit relativ Leichtigkeit,
kompliziert Modell Daten Kombinationen
für welche es gibt NEIN maximal Wahrscheinlichkeit Software verfügbar.
Für Beispiel, kompliziert Kombinationen
von nichtlinear Beziehungen, zufällig Parameter Und Sensor Daten,
Die Bayes' Methoden Sind relativ
einfach Zu anwenden In diese kompliziert Situationen.
Endlich, zuletzt Aber sicherlich nicht am wenigsten, Bayesian Methoden Tun erlauben ein Analytiker
Zu einbauen vor Information hinein Die Daten Analyse.
Aber I wollen Zu Punkt aus Das Die Revolution wir haben hatte
In Die Welt von Daten Analyse Zu verwenden mehr Bayesian Methoden,
am meisten Analysten Sind nicht bringen
informativ vor Information hinein ihre Analyse.
Stattdessen, Sie verwenden wöchentlich informativ oder nicht informativ Vorher
Also Das Sie nicht haben Zu verteidigen Die vor Verteilung.
Aber In viele Anwendungen,
Wir Wirklich Tun haben solide vor Information Das Wille helfen uns erhalten besser Antworten.
I Wille veranschaulichen Das In eins von Die Beispiele.
Bayesian Methoden erfordern
Die Spezifikation von a vor Verteilung.
Als I sagte, In viele Anwendung, Analysten Tun nicht wollen Zu bringen
informativ vor Information hinein Die Modellieren Und Analyse.
Was Das erfordert Ist manche Standard vor
das ist nicht informativ oder wöchentlich informativ.
Es gibt gewesen a groß Menge von theoretisch Forschung An Das Thema
über Die Vergangenheit 40 Jahre, führend Zu solch Werkzeuge als Referenz Vorstrafen,
Jeffreys Vorstrafen, Und unabhängig Jeffreys Vorhergehende
Das haben gewesen gezeigt Zu haben Gut Frequentist Abdeckung Eigenschaften.
Eins von Mein jüngste Und aktuell Forschung Bereiche
Ist Zu versuchen Und machen diese Ideen betriebsbereit
In praktisch Probleme, insbesondere In Die Bereich von Zuverlässigkeit.
A einfach Beispiel von Das Ist Wenn Du wollen Zu schätzen a Standort Parameter
In Die Protokoll von a Skala Parameter, a Wohnung vor Verteilung führt
Zu glaubwürdig Intervalle Das haben genau Abdeckung Eigenschaften.
Das ist sehr leistungsstark.
Auch, Wohnung vor Verteilungen dürfen Sei Also angenähert von a Normal Verteilung
mit a sehr groß Varianz, Und Das führt Zu wöchentlich informativ Vorkenntnisse.
Wieder, es ist etwas informativ,
Aber Weil Die Varianz Ist sehr groß, Wir Nennen Sie es wöchentlich informativ.
Der Ansatz Das Ich habe gewesen Einnahme Zu angeben vor Verteilungen Ist Zu finden
ein uneingeschränkt Parametrisierung, wie Die Standort Parameter
Und Die Protokoll von Die Skala Parameter Das I erwähnt über,
Und Dann verwenden a nicht informativ
oder wöchentlich informativ Wohnung oder Normal Verteilung
mit sehr groß Abweichungen als Die Standard vor.
Dann es ist stets Gut Idee Zu verwenden manche
Empfindlichkeit Analyse Zu machen Sicher Das Die vor Sind etwa nicht informativ.
Das Ist, als Du stören Die vor Parameter,
Es nicht beeinflussen Die unten Linie Ergebnisse.
JMP verwendet sehr vernünftig, gut funktionierend Methoden Zu angeben
Standard vor Verteilungen Das Sind rund In Linie
mit Was Ich habe beschrieben Hier.
Haben diese Standard vor Verteilungen
macht Die Software benutzerfreundlich,
Weil Dann Die Benutzer nur hat Zu angeben vor Verteilungen
Wo Sie haben informativ Information Das Sie wollen Zu bringen In.
Hier ist Nur ein Illustration Zu zeigen Das als Die Standard Abweichung
von a Normal Verteilung bekommt größer, Du Ansatz a Wohnung vor Verteilung.
Jetzt, als I sagte, In manche Anwendungen, Wir Wirklich haben vor Information
Das Wir wollen Zu bringen In Das Ist informativ vor Information.
Wann Wir haben solch Information,
Wir Wille typischerweise beschreiben Es mit a symmetrisch Verteilung,
wie a Normal Verteilung, Obwohl manche Menschen bevorzugen Zu verwenden
Was Wir Anruf a Standort- Skala t Verteilung
Weil Sie haben länger Schwänze.
In am meisten Anwendungen Wo Wir haben Das
informativ vor Information, es ist nur An eins von Die Parameter.
Dann war gehen Zu verwenden nicht informativ,
oder wöchentlich informativ vor Verteilungen
für alle von Die andere Parameter.
Lasst uns gehen zurück Zu Legierung A.
Was war gehen Zu Tun Ist war gehen Zu fit a Modell Zu Die Abbau Wege,
Und Dann verwenden Das Modell Zu induzieren a Versagen Zeit Verteilung.
Jetzt Wenn Du sehen In ein Maschinenbau Lehrbuch
An Ermüdung oder Materialien Verhalten,
du wirst lernen um Die Paris crack-g Reihe Modell.
Es ist stets Hübsch Zu haben a Modell Das stimmt zu mit Maschinenbau Wissen.
JMP hat umgesetzt Das Pariser Risswachstumsmodell.
Hier ist Die Weg Es würde erscheinen In a Lehrbuch.
Dann An Die Rechts Hier Wir haben Die JMP Durchführung von Das.
Es ist eins von Die viele Modelle Das Du dürfen wählen Zu fit Zu dein Abbau Daten.
Jetzt, c Und m Hier, welche In JMP Ist c Und b2,
Sind Materialien Parameter, Und Sie Sind zufällig aus Einheit zur Einheit.
Der K Funktion Hier Ist bekannt als a Stress Intensität Funktion.
Für Die Riss war studieren Hier,
Die Stress Intensität Funktion hat Das Darstellung.
Jetzt Das Ist a Differential Gleichung,
Weil wir haben bekommen a von t Hier, Und Auch a Hier,
Du dürfen lösen Das Differential Gleichung Und erhalten Das Hübsch geschlossen bilden.
Das Ist Die Modell das ist Sein fit innerhalb JMP.
Wieder Die Parameter b1 Und b2 Wille Sei zufällig aus Einheit Zu Einheit.
Jetzt hier ist Die Spezifikation von Die vor Verteilung.
Ich habe illustriert Hier zwei anders
vor Verteilungen, Die Standard vor In JMP,
Und Die vor Verteilung Das Wir gebraucht In Die zweite Ausgabe
von unser Zuverlässigkeit Buch, welche Wir Anruf SMRD2,
statistisch Methoden für Zuverlässigkeit Zusatz zwei.
Jetzt Die Weg Wir angeben vor Verteilungen
In SMRD2 Und JMP Ist tun Das als Also, Ist mit Was I Anruf a 99 % Reichweite.
Für Beispiel, Wir sagen Das war gehen
Zu beschreiben Die bedeuten von Die b1 Parameter
von a Normal Verteilung Das hat 99 % von Die Wahrscheinlichkeit
zwischen -15 Und 22.
Das ist a riesig Reichweite.
Das Ist wöchentlich informativ.
Dann Wir haben ähnlich, sehr breit Bereiche für Die andere bedeuten Parameter Hier.
Dann für Die Sigma Parameter JMP,
folgende üblich Verfahren für diese verwendet a Hälfte Cauchy-Verteilung,
welche hat a lang obere Schwanz,
Und daher, wieder, Ist wöchentlich informativ.
Jetzt In unser Zuverlässigkeit Buch, Wir gebraucht viel enger Bereiche.
Aber interessant, Die zwei anders vor Verteilungen Hier
geben Nur um Die Dasselbe Antwort, Weil beide Sind wöchentlich informativ.
Das Ist, Die Bereiche Sind groß relativ Zu,
lassen uns sagen, Die Vertrauen Intervall
Das Du würde erhalten mit Nicht-Bayes- Methoden.
Jetzt, In Zusatz Zu Angabe Die vor Verteilungen, welche wieder,
JMP macht sehr einfach Weil Es hat diese Hübsch Standard Vorstrafen,
Du Auch haben Die Fähigkeit Zu Kontrolle Die Markov-Kette Monte Carlo Algorithmus.
Der nur Standard Das I würde ändern Hier
Ist typischerweise I würde laufen mehr als eins Kette.
I geändert Die eins Hier Zu vier.
Der Grund für tun Das Ist zweifach.
Erste von alle, In am meisten Setups, einschließlich JMP,
Du dürfen laufen diese gleichzeitig, Also Es nicht nehmen beliebig mehr Computer Zeit.
Der andere Ding Ist Wir wollen Zu vergleichen diese vier anders Markov Ketten
Zu machen Sicher Das sie sind Geben um Die Dasselbe Antworten.
Wir Anruf Das mischen Also.
Wenn Du sehen a Situation Wo eins von diese Ketten Ist anders
aus Die andere, das ist ein Anzeige von a Problem.
Wenn Du haben solch a Problem,
Dann Die üblich Abhilfe Ist Zu Zunahme Die Nummer von sich warm laufen Runden,
welche Ist Satz Zu Sei 10 von Standard, Aber Du dürfen Zunahme Das.
Was Das tut Es erlaubt JMP Zu Melodie
Die MCMC Algorithmus Zu Die besondere Problem Also Das Es Wille Probe korrekt
Zu erhalten zieht aus Die gemeinsam hintere Verteilung.
In alle von Mein Erlebnisse mit JMP, Und Peng hat empfohlen Das er ist hatte
ähnlich Erlebnisse Das von zunehmend Das hoch genug,
mit beliebig Beispiele Das wir haben versucht, JMP Wille arbeiten Also.
Aber mit 10 für am meisten Anwendungen, Das Ist a ausreichend groß Nummer.
Hier ist Die Ergebnisse.
Hier ist a Tisch von Die Parameter Schätzungen.
Also, typischerweise In Zuverlässigkeit Anwendungen,
war nicht Also viel interessiert In Die Schätzungen selbst.
War gehen Zu Sei interessiert In Dinge
wie Versagen Verteilungen, welche Wir sehen bei In a Moment.
Dann In Das Handlung,
Wir haben Schätzungen von Die Probe Pfade
für jede von Die Risse.
Wieder, Du dürfen sehen Die Versagen Definition Hier.
As Peng Wille zeigen Du,
JMP macht Es einfach Zu sehen bei MCMC Diagnose.
Es ist stets a Gut Idee Zu sehen
bei Diagnose Zu machen Sicher alles gedreht aus Okay.
Was Du Tun Ist Du Export hintere zieht aus JMP,
Und Dann JMP hat Satz hoch Dort manche Skripte Zu erstellen
diese verschieden anders Diagnose.
Für Beispiel, es gibt a Skript Zu machen a verfolgen Handlung oder a Zeit Serie Handlung.
I stets wie Zu vergleichen diese für Die anders Ketten.
Dann es gibt ein anderer eins Zu machen Was Wir Anruf a Paare Handlung,
oder Streudiagramm Matrix von Die zieht.
Das ist Was Wir sehen Hier.
Dann als I sagte, Wir dürfen verwenden diese zieht
Zu erzeugen Schätzungen von Die Versagen Zeit Verteilung.
JMP implementiert Das von mit Die Verteilung Profiler Hier.
Wir dürfen schätzen Fraktion versagen Ist a Funktion von Zeit
für beliebig gegeben Nummer von Zyklen.
Jetzt lasst uns gehen Zu Die Gerät B RF Leistung A verstärken,
wieder, ein beschleunigt wiederholt Maßnahmen Abbau Anwendung.
War gehen Zu brauchen a Modell Das beschreibt Die Form von Die Pfade
Und Die Beziehung Die Temperatur hat An Die Preise von Abbau.
Wieder, Die verwenden Zustand In Das Anwendung Ist 80 Grad C,
Und war gehen Zu wollen Zu schätzen
Die Versagen Zeit Verteilung bei 80 Grad C.
In SMRD2, Das Ist Die Weg Wir würde beschreiben Die Weg Modell
Das passt Gerät B.
Wir Anruf Das ein asymptotisch Modell,
Weil als Zeit bekommt groß, Wir letztlich erreichen ein Asymptote.
In Das Gleichung, X Ist Die verwandelt Temperatur.
Wir Anruf es ein Uranus Transformation von Temperatur.
X 0 Ist ein willkürlich Zentrierung Wert.
Beta eins Ist a Rate Konstante für Die zugrundeliegend Abbau Verfahren.
Beta drei Ist Die zufällig Asymptote.
Diese zwei Parameter, Die Rate Konstante Und Die Asymptote,
Sind zufällig aus Einheit Zu Einheit, Und war gehen Zu beschreiben
Das Zufälligkeit mit a gemeinsam oder bivariat lognormal Verteilung.
Beta zwei, An Die andere Hand, Ist a fest, unbekannt Parameter Das Ist Die Wirkung
von Aktivierung Energie Das Bedienelemente Wie Temperatur Auswirkungen Die Abbau Rate.
Das Ist Wo Die X0 kommt In.
Typischerweise Wir wählen X 0 Zu Sei irgendwo
In Die Reichweite von Die Daten
oder bei a besondere Temperatur von Interesse,
Weil Beta eins würde Sei Die Rate Konstante bei X 0.
Wieder, es gibt a groß Nummer von anders Modelle Das Sind verfügbar.
Hier Ist Wie Du würde wählen Das besondere asymptotisch Modell.
Das entspricht Zu Die Dasselbe Gleichung Wir haben in SMRD 2.
Der nur Unterschied Ist Das JMP verwendet a leicht anders Nummerierung Konvention
für Die Parameter.
Das War Erledigt Zu Sei konsistent
mit andere Dinge Das Sind bereits In JMP anderswo.
Wieder, Wir haben Zu angeben vor Verteilungen,
Aber JMP macht Das einfach
Weil Sie bieten diese Standardeinstellungen, diese wöchentlich, informativ Standardeinstellungen.
Hier I haben Die Standard Das JMP würde haben Das war gehen Zu verwenden
Wenn Wir tat nicht haben beliebig vor Information Zu bringen In.
Ich bin gehen Zu Tun Das Analyse,
Aber Ich bin Auch gehen Zu bringen In Die Information Das Ingenieure haben.
In besondere, Wir nur haben Information für b3
Und Also das ist Sein angegeben Hier.
Aber alle Die andere Einträge In Die Tisch Sind genau Die Dasselbe als Die JMP Standard,
wieder, Herstellung Es Wirklich einfach Zu implementieren diese Arten von Analysen.
Hier ist Die Ergebnisse.
Einmal wieder, Hier Wir haben a Tisch Geben Die Parameter Schätzungen,
glaubwürdig Intervalle Und Also weiter.
In Das Handlung, wieder,
Wir haben Schätzungen von Die Probe Pfade für alle von Die Person Einheiten.
Wieder, Wir haben Die Versagen Definition Hier,
Aber Was Wir Wirklich wollen Sind Schätzungen von Die Versagen Zeit Verteilung
bei 80 Grad C.
Wieder, war gehen Zu Tun Das von mit a Profiler.
An Die links Hier Wir haben Die schätzen
von Fraktion versagen Ist a Funktion von Zeit bei 80 Grad C für Die Standard Vorhergehende.
An Die Rechts Wir haben Die Dasselbe Ding,
außer Das wir haben gebraucht Die informativ vor Verteilung für B 3.
Sofort Du dürfen sehen Das vor Information hat erlaubt uns
Zu erhalten viel besser Schätzung Präzision.
Der Vertrauen Intervall Ist viel mehr eng.
Interessant, Die Punkt schätzen von Fraktion versagen
Genau genommen erhöht Wann Wir gebracht In Das vor Information.
In Das Fall, Die vor Information würde erlauben Die Ingenieure Zu erhalten
a viel besser schätzen
von Fraktion versagen als a Funktion von Zeit.
Dann Zu machen Das wichtig Entscheidung
um Wie viel Redundanz Zu bauen hinein Die Satellit.
Lassen Mich Ende mit manche abschließend Bemerkungen.
Wiederholt Maßnahmen Abbau Analyse
Ist wichtig In viele Zuverlässigkeit Anwendungen.
Es Ist Auch wichtig In viele andere Bereiche von Anwendung,
wie bestimmend Ablauf Termine
für Produkte wie Pharmazeutika Und Lebensmittel.
Wann Wille Die Qualität Sei
bei solch a niedrig Ebene Das Die Kunden NEIN länger Glücklich?
Auch, In bestimmt Umstände,
Wir dürfen bringen vor Information hinein Die Analyse, potenziell erlaubend uns
Zu untere kosten von unser Abbau Experimente.
JMP 17 hat kraftvoll, einfach- Zu- verwenden Methoden für Herstellung
Lebensdauer Schlussfolgerungen aus wiederholt Maßnahmen Abbau Daten.
Jetzt Ich bin gehen Zu drehen Es über Zu Peng,
Und er ist gehen Zu veranschaulichen diese Methoden Zu Du mit a Demonstration In JMP.
Dank Du, Professor.
Jetzt, Die Demo Zeit.
Der Zweck von a Demo Ist Zu helfen Du Zu beginnen erkunden Die stabil Kunst Ansatz
Zu analysieren wiederholt Maßnahmen Abbau Daten.
I Wille zeigen Du Wie Zu lokalisieren Die Probe Daten Tabellen mit JMP,
Wie Die Information Ist Organisation In Die Bericht
Und Highlight manche wichtig Information Das Du brauchen Zu wissen.
Erste, Dort Sind drei wiederholt Maßnahmen Abbau Daten Proben
unter JMP Probe Daten Tabellen.
Legierung ein, d Gerät B, Sind zwei Beispiele mit eingebettet Skripte.
Der s Laser hat kein eingebettetes Skript.
Legierung a Ist ein Beispiel ohne ein x Variable.
Gerät b Ist Beispiel mit ein x Variable.
Zu finden ihnen gehen Zu Die helfen Und klicken Probe Index.
Versuchen Zu finden Die Gliederung Knoten angerufen Zuverlässigkeit/ Überleben.
Entfalten Sie es Und sollen sehen Sie eine lloy a Ist Hier, Und Gerät b Ist Hier.
Zu finden GAS Laser,
Du brauchen Zu gehen Zu Die Probe Daten Ordner
An dein Computer von Klicken Das Taste, offen Die Probe Daten Ordner.
Jetzt Ich bin gehen Zu offen Legierung a.
Dann Ich bin gehen Zu analysieren Speisekarte, Zuverlässigkeit Und Überleben,
wählen Die wiederholt messen Abbau.
Jetzt Wir sehen Die Start Dialog.
Unser zuordnen Länge, Riss Längen geht Zu Und,
Probe geht Zu Etikett System AUSWEIS Und Million Zyklen gehen Zu mal.
Dann Ich bin gehen Zu klicken Okay.
Das Ist Die anfänglich Bericht.
Es ist a fünfte lineare Modelle für Person Chargen.
Ich bin gehen Zu wählen Die drittes Modell Hier von Klicken Das Video Taste.
Das fünfte anfänglich Modell von a Paris Modell von Das Legierung a Daten.
Ich bin gehen Zu klicken Das, gehen Zu Bayesian Schätzung Taste
Und erzeugen a Konfiguration Schnittstelle.
Hier Wir sehen Die Modell Formel.
Hier Sind Die Standard Einstellungen für Die Vorhergehende.
Dann Wir Sind nicht gehen Zu ändern irgendetwas Rechts Jetzt,
Und Wir Sind Nur gehen Zu verwenden Die Standard vor Zu fit unser Modell.
Jetzt Ich bin gehen Zu klicken
Das fit Modell Taste Hier Und lassen Es laufen.
Dann Ich bin gehen Zu erklären Was Sind In Die Bericht.
In Die Ende, Wie Zu erhalten Die Versagen Verteilung Profiler.
Jetzt Krank klicken Die Taste, Die Algorithmus Start laufen
Und Die Fortschritt Dialog sagte Das Die erster Schritt Ist Abstimmung.
Der zugrundeliegend Algorithmus Wille gehen durch manche
runden von warm Runden hoch, Ist Verfahren.
Der Algorithmus Ist versuchen Zu lernen Die Form von Die hintere Verteilung,
für Beispiel, Wo Die Gipfel, Wie breit Ist Die Spanne, und so weiter.
In Die Ende, Sie Wille versuchen Zu Figur aus
Was Ist a Gut Verdünnung Wert Zu ziehen Proben aus Die hintere Verteilung,
solch Das Die Proben Sind als wenig Auto korreliert als möglich.
Dann Die Algorithmen eingeben Die zweite Schritt.
Der Dialog sagt, Das Schritt Ist Sammeln hintere Proben.
In Das Schritt, ein automatisch Verdünnung von 80 Ist angewandt.
Der Dialog zeigt Wie viel Zeit In gesamt Die Algorithmus hatte gewesen läuft.
In Die zweite Bühne, Die Dialog Auch zeigt erwartet Fertigstellung Zeit.
Von solch, I Hoffnung Es dürfen helfen Benutzer
Zu anpassen Zu ihre Erwartung entsprechend.
Manchmal übermäßig, lang erwartet Fertigstellung Zeit Ist a Zeichen von a Problem.
Dann Wir Warten a wenig bisschen, Und Die Algorithmus sollen beenden bald.
Okay, Jetzt Die Algorithmus hat fertig.
Lasst uns sehen was ist In Die Bericht.
Erstens ist Die Fertigstellung Zeit.
Wenn Wir links dein Computer laufen über Zeit,
Du Mai wollen Zu wissen In Die Morgen An nächste Tag.
Der zweite Ist a Kopie von dein Einstellungen, einschließlich Vorstrafen, Nummer von Iterationen,
zufällig Samen Und andere Ding zeigt.
Dritter Teil Ist hintere Schätzungen.
Sei es ein Zusammenfassung oder Die hintere Proben,
Dort Sind zwei Links An Die Website Zu erlauben Du Zu Export hintere Proben.
Ich bin gehen Zu betonen Die erster Link.
Eins Zweck von mit diese erster Link
Zu Export hintere Beispiele Ist Zu überprüfen Potenzial Probleme.
Zwei hauptsächlich Anliegen Sind: Konvergenz Und wirksam Probe Größe.
Lasst uns sehen bei Es.
Der Tisch haben Parameter In Person Spalten.
Jede Zeile a hintere Probe.
Dort Sind mehrere eingebettet Skripte.
Der am meisten wichtig eins Ist Die erster.
Ich bin gehen Zu klicken Das Grün Dreieck Zu führen Sie die Skript.
Das Skript einfach laufen Zeit Serie An Person Spalten
Und zeigen ihre Zeit Serie Handlung.
In Die Kontext von MCMC, Das Handlung Ist bekannt als Die verfolgen Handlung.
Was Tun Wir sehen Hier?
Was I Anruf Gut Ergebnisse.
Der Serie Sind stationär Und NEIN bedeutsam Auto Korrelation.
Lose Apropos, Wann I sagen stationär In Das Kontext, I speziell bedeuten Grundstücke
Aussehen wie diese.
Sie Sind gerade gleich mit Band von zufällig Punkte.
Okay, lassen Mich schließen Die Bericht Und Die Tisch.
Wir Sind Sehen Gut Ergebnisse Hier.
Auch Die Daten Und ein angepasstes Modell Auch zeigt Die Ergebnisse Ist Gut.
Jetzt Wir Sind bereit Zu fragen für eine angepasste Zeit Verteilung Profiler.
Zu Tun Das, gehen Zu Die Bericht Gliederung Knoten Speisekarte
Und wählen zeigen wie Verteilung Profiler.
Am meisten Einträge In Das Dialog hat vernünftig Standard Werte
Und Dann Wir nur brauchen Zu liefern eins von das Versagen Definition.
Ich bin gehen Zu eingeben 1.6 Zu Das obere Versagen Definition.
Vor Ich bin gehen Zu Klicken Sie auf „OK“. Ich bin gehen Zu reduzieren Das Nummer
von SMRD2 Realisierungen Zu 5.000 Zu speichern Mich manche Zeit.
Dann Ich bin klicken An Okay.
Das Ist Auch a rechnerisch intensiv Verfahren,
Aber nicht als teuer als MCMC In allgemein.
Es sollen beenden schnell.
Du dürfen verwenden Die Profiler Zu erhalten
Die Versagen Wahrscheinlichkeit Und Die Quantil Schätzungen.
Ich bin nicht gehen Zu durchdacht weiter,
Weil Profiler Ist a sehr gemeinsam Und wichtig Besonderheit In JMP.
Okay, Das Ist Die Ende von Die Demonstration,
Und Du Sind bereit Zu erkunden von selbst.
Aber Hier Sind a Paar von Tipps Das könnte Sei nützlich.
Erste, vor Du speichern Die Skript Zu Die Tisch,
gehen Zu überprüfen Das speichern hintere Zu Skript Option
vor Du speichern Die Skript Zu Die Tisch.
Von Das, nächste Zeit Du laufen Die speichern Skript,
Software Wille bringen zurück Die tailliert Modell stattdessen von gehen
durch Die langwierig MCMC Verfahren einmal wieder.
Der zweite Ding Das I wollen Zu bringen Zu dein Aufmerksamkeit Ist
Wir haben gesehen Gut Beispiele, Gut Ergebnisse, Aber Dort Sind schlecht diejenigen.
Hier Sind manche schlecht Beispiele.
Dieses schlechte Beispiel bedeutet entweder scheitern Zu konvergieren,
oder Dort Sind hoch Auto Korrelationen.
Zu Adresse ihnen Mein erster Vorschlag Ist Zu Zunahme
Die Nummer von warm hoch Runden.
Zweite Anregung Wo Wir drehen aus automatische Ausdünnung
Und anwenden a groß Verdünnung Wert, a Verdünnung Nummer manuell.
Wenn diese Vorschläge nicht arbeiten, es ist wahrscheinlich Das Die Modell
oder es ist Konfigurationen Sind nicht geeignet für Die Daten.
Du Mai brauchen helfen.
Okay, Dies sind alle wir würden wie Zu veranschaulichen Das Zeit,
Und I Hoffnung Du dürfen Start Zu verwenden Das Information Zu erkunden
Die Zustand von Kunst Ansatz Zu analysieren wiederholt Maßnahmen Abbau Daten.
Dank Du.
