In Questo parlare, erano andando A descrivere
ripetuto misure degradazione E suo implementazione In JMP.
Io sono andando A presente IL sfondo, motivazione,
Alcuni tecnico idee E esempi.
Poi Malato giro Esso Sopra A Peng, Chi Volere Fare a dimostrazione mostrando
Appena Come facile Esso È A fare domanda a questi metodi In JMP 17.
Ecco UN panoramica Di Mio parlare.
Io sono andando A inizio fuori con Alcuni motivante esempi,
E Poi spiegare IL relazione fra degradazione E fallimento E IL vantaggi
Di usando degradazione modellazione In certo applicazioni.
Poi Malato descrivere IL motivazione per Nostro utilizzo Di Bayesiano metodi
A Fare IL stima.
A utilizzo Metodi di Bayes per stima, Voi Bisogno A Avere precedente distribuzioni.
Malato parlare Di IL comunemente usato, non informativo E settimanale informativo
precedente distribuzioni.
Anche In Alcuni applicazioni,
Noi Volere Avere informativo precedente distribuzioni E Come quelli Potere Essere usato.
Poi Malato andare Attraverso due esempi,
E A IL FINE Malato Avere Alcuni concludendo osservazioni.
Nostro primo esempio È crepa crescita.
Noi Avere 21 dentellato esemplari.
IL tacche erano .9 " profondo, E questo è Piace a antipasto crepa.
Poi IL esemplari Sono sottoposto A ciclico caricamento,
E In ogni ciclo, IL crepa cresce a poco morso.
Quando IL crepa ottiene A Essere 1.6 " lungo, questo è IL definizione Di a fallimento.
Noi Potere Vedere Quello abbastanza a pochi
Di IL crepe Avere Già superato Quello livello, Ma molti Di loro Avere non.
Tradizionalmente, Voi Potevo trattare quelli COME Giusto censurato osservazioni.
Ma Se Voi Avere IL degradazione informazioni,
Voi Potere utilizzo Quello A fornire
aggiuntivo informazioni A Dare Voi a Meglio analisi Di tuo dati.
IL di base idea È A adatto a modello A descrivere IL degradazione percorsi,
E Poi A utilizzo Quello modello A indurre a fallimento tempo distribuzione.
Nostro secondo esempio È Che cosa Noi chiamata Dispositivo B,
a radio frequenza energia amplificatore.
Sopra tempo IL energia produzione Volere diminuire
Perché Di UN interno degradazione meccanismo.
Questo era UN accelerato test Dove unità erano sottoposto
A più alto livelli Di temperatura,
2 37, 195 E 150 gradi C.
IL ingegneri necessario informazioni Di IL affidabilità Di Questo dispositivo
COSÌ Quello Essi Potevo determinare Come tanto ridondanza A costruire in IL satellitare.
IL fallimento definizione In Questo caso era
Quando IL energia produzione caduto A -.5 decibel.
Noi Potere Vedere Quello Tutto Di IL unità avevo Già fallito
A IL più alto livelli Di temperatura,
Ma A 150 gradi C, Là erano NO fallimenti Ancora.
Ma Là È molti Di informazioni Di Come
vicino questi unità erano A fallimento di guardare A IL degradazione percorsi.
Ancora, Noi Volere A costruire a modello per IL degradazione percorsi,
E Poi Noi utilizzo Quello A indurre a fallimento tempo distribuzione.
In Questo caso, IL utilizzo condizione È 80 gradi C.
Noi Volere A Sapere IL tempo A Quale unità
operativo A 80 gradi C, volevo portata Questo fallimento definizione.
Una volta Ancora, Noi costruire a modello per IL degradazione percorsi.
Noi adatto Quello modello, E Poi da Quello Noi Potere Ottenere a fallimento tempo distribuzione.
Molti fallimenti risultato da UN sottostante degradazione processo.
In Alcuni applicazioni, degradazione È IL naturale risposta.
In quelli situazioni, Esso fa senso A adatto a modello
A IL degradazione E Poi utilizzo IL indotto fallimento tempo distribuzione.
In come applicazioni,
una volta Noi Avere a definizione per fallimento, Quale Noi chiamata a morbido fallimento
Perché IL unità non lo fa In realtà fermare operativo Quando Esso raggiunge Quello livello
Di degradazione, Ma suo vicino Abbastanza A fallimenti Quello ingegneri Dire Noi volevo
Piace A sostituire Quello unità A Quello punto, Appena A Essere sicuro.
Ora, In generale, c'è due diverso
tipi Di degradazione dati, ripetuto misure degradazione,
Piace IL due esempi Quello Io ho mostrato Voi, E distruttivo degradazione,
Dove Voi ha A distruggere IL unità In ordine A Fare IL degradazione misurazione.
Per molti anni, JMP ha avevo
molto Bene utensili per gestione degradazione dati.
Io sono concentrato In Questo parlare
SU IL ripetuto misure degradazione metodi
Quello Sono essendo implementato In JMP 17.
Là Sono molti altro applicazioni
Di ripetuto misure degradazione, per esempio, GUIDATO O laser produzione,
IL perdita Di lucentezza In UN automobile rivestimento E degradazione Di a chimico composto,
Quale Potere Essere misurato con tecniche come COME FTIR
O Qualunque altro misurato qualità caratteristica
questo è andando A degradare Sopra tempo.
Là Sono molti applicazioni per ripetuto misure degradazione.
Là Sono molti vantaggi Di analizzando degradazione dati Se Voi Potere Ottenere loro.
In particolare,
Là È tanto Di più informazioni In IL degradazione dati
relativo A svolta quelli degradazione dati
in fallimento tempo dati.
Questo È particolarmente VERO Se Questo pesante censura.
Infatti, suo possibile A Fare inferenze Di affidabilità
da degradazione dati In situazioni Dove Là non sono Qualunque fallimenti A Tutto.
Anche, diretto osservazione
Di IL degradazione processo consente noi A costruire Meglio modelli
per IL fallimento tempo distribuzione Perché erano più vicino
A IL fisica Di fallimento.
Ora, parecchi anni fa, Quando Noi erano pianificazione IL secondo edizione
Di Nostro affidabilità libro, Noi fatto a decisione A utilizzo
Di più Bayesiano metodi In molti diverso aree Di applicazione.
Uno Di quelli È ripetuto misure degradazione.
Perché È Quello?
Che cosa era IL motivazione per usando Bayes' metodi
In questi applicazioni?
I usato A pensare Quello IL principale motivazione
per Bayesiano metodi era A Portare precedente informazioni in IL analisi.
A volte questo è VERO,
Ma Sopra IL anni, Io ho imparato Quello Là Sono molti
altro motivi Perché Noi Volere A utilizzo Bayesiano metodi.
Per esempio, Bayesiano metodi Fare non fare affidamento
SU grande campione teoria A Ottenere fiducia intervalli.
Esso si affida SU probabilità teoria.
Anche, Esso giri fuori Quello Quando Voi utilizzo Bayes' metodi con accuratamente scelto,
non informativo O settimanale informativo precedente distribuzioni,
Voi Avere credibile intervallo procedure Quello Avere molto Bene copertura proprietà.
Quello È, Se Voi chiedere per 95 % intervallo,
Essi tendere A copertina Che cosa loro sono presunto A copertina con 95% probabilità.
In molti applicazioni, Là Sono molti non bayesiano approssimazioni
Quello Potere Essere usato A impostato fiducia intervalli.
Quando Voi Fare Bayesiano inferenza, suo molto semplice.
C'è Veramente soltanto uno modo A Fare Esso.
Anche, Bayesiano metodi Potere maniglia con relativo sollievo,
complicato modello dati combinazioni
per Quale c'è NO massimo probabilità software disponibile.
Per esempio, complicato combinazioni
Di non lineare relazioni, casuale parametri E sensore dati,
IL Bayes' metodi Sono relativamente
semplice A fare domanda a In questi complicato situazioni.
Finalmente, scorso Ma certamente non meno, Bayesiano metodi Fare permettere UN analista
A incorporare precedente informazioni in IL dati analisi.
Ma I Volere A punto fuori Quello IL rivoluzione noi abbiamo avevo
In IL mondo Di dati analisi A utilizzo Di più Bayesiano metodi,
maggior parte analisti Sono non portando
informativo precedente informazioni in loro analisi.
Invece, Essi utilizzo settimanale informativo O non informativo precedenti
COSÌ Quello Essi non Avere A difendere IL precedente distribuzione.
Ma In molti applicazioni,
Noi Veramente Fare Avere solido precedente informazioni Quello Volere aiuto noi Ottenere Meglio risposte.
I Volere illustrare Quello In uno Di IL esempi.
Bayesiano metodi richiedere
IL specificazione Di a precedente distribuzione.
COME I disse, In molti applicazione, analisti Fare non Volere A Portare
informativo precedente informazioni in IL modellazione E analisi.
Che cosa Quello richiede È Alcuni predefinito precedente
questo è non informativo O settimanale informativo.
C'è stato a grande quantità Di teorico ricerca SU Questo soggetto
Sopra IL passato 40 anni, primo A come utensili COME riferimento priori,
Di Jeffrey priori, E indipendente Di Jeffrey precedenti
Quello Avere stato mostrato A Avere Bene frequentista copertura proprietà.
Uno Di Mio recente E attuale ricerca aree
È A Tentativo E Fare questi idee operativo
In pratico problemi, particolarmente In IL zona Di affidabilità.
A semplice esempio Di Questo È Se Voi Volere A stima a posizione parametro
In IL tronco d'albero Di a scala parametro, a Piatto precedente distribuzione conduce
A credibile intervalli Quello Avere esatto copertura proprietà.
Questo è molto potente.
Anche, Piatto precedente distribuzioni Potere Essere BENE approssimativo di a normale distribuzione
con a molto grande varianza, E Quello conduce A settimanale informativo precedenti.
Ancora, suo un po' informativo,
Ma Perché IL varianza È molto grande, Noi chiamalo settimanale informativo.
IL approccio Quello Io ho stato prendendo A specificare precedente distribuzioni È A Trovare
UN senza vincoli parametrizzazione, Piace IL posizione parametro
E IL tronco d'albero Di IL scala parametro Quello I menzionato Sopra,
E Poi utilizzo a non informativo
O settimanale informativo Piatto O normale distribuzione
con molto grande varianze COME IL predefinito precedente.
Poi suo Sempre Bene idea A utilizzo Alcuni
sensibilità analisi A Fare Sicuro Quello IL precedente Sono circa non informativo.
Quello È, COME Voi perturbare IL precedente parametri,
Esso non lo fa simulare IL metter il fondo a linea risultati.
JMP usi molto sensato, ad alte prestazioni metodi A specificare
predefinito precedente distribuzioni Quello Sono all'incirca In linea
con Che cosa Io ho descritto Qui.
Avendo quelli predefinito precedente distribuzioni
fa IL software facile da usare,
Perché Poi IL utente soltanto ha A specificare precedente distribuzioni
Dove Essi Avere informativo informazioni Quello Essi Volere A Portare In.
Ecco Appena UN illustrazione A spettacolo Quello COME IL standard deviazione
Di a normale distribuzione ottiene più grande, Voi approccio a Piatto precedente distribuzione.
Ora, COME I disse, In Alcuni applicazioni, Noi Veramente Avere precedente informazioni
Quello Noi Volere A Portare In Quello È informativo precedente informazioni.
Quando Noi Avere come informazioni,
Noi Volere tipicamente descrivere Esso con a simmetrico distribuzione,
Piace a normale distribuzione, Sebbene Alcuni persone prefer A utilizzo
Che cosa Noi chiamata a posizione- scala t distribuzione
Perché Essi Avere più lungo code.
In maggior parte applicazioni Dove Noi Avere Questo
informativo precedente informazioni, suo soltanto SU uno Di IL parametri.
Poi erano andando A utilizzo non informativo,
O settimanale informativo precedente distribuzioni
per Tutto Di IL altro parametri.
Andiamo andare Indietro A lega UN.
Che cosa erano andando A Fare È erano andando A adatto a modello A IL degradazione percorsi,
E Poi utilizzo Quello modello A indurre a fallimento tempo distribuzione.
Ora Se Voi Aspetto In UN ingegneria libro di testo
SU fatica O materiali comportamento,
tu lo farai Imparare Di IL Parigi crack-g crescita modello.
Suo Sempre Carino A Avere a modello Quello è d'accordo con ingegneria conoscenza.
JMP ha implementato Questo Modello di crescita delle crepe di Parigi.
Ecco IL modo Esso volevo apparire In a libro di testo.
Poi SU IL Giusto Qui Noi Avere IL JMP implementazione Di Quello.
Suo uno Di IL molti modelli Quello Voi Potere scegliere A adatto A tuo degradazione dati.
Ora, c E m Qui, Quale In JMP È c E b2,
Sono materiali parametri, E Essi Sono casuale da unità all'unità.
IL K funzione Qui È conosciuto COME a stress intensità funzione.
Per IL crepa erano studiando Qui,
IL stress intensità funzione ha Questo rappresentazione.
Ora Questo È a differenziale equazione,
Perché noi abbiamo avuto a Di t Qui, E Anche a Qui,
Voi Potere risolvere Quello differenziale equazione E Ottenere Questo Carino Chiuso modulo.
Questo È IL modello questo è essendo adatto entro JMP.
Ancora IL parametri b1 E b2 Volere Essere casuale da unità A unità.
Ora ecco IL specificazione Di IL precedente distribuzione.
Io ho illustrato Qui due diverso
precedente distribuzioni, IL predefinito precedente In JMP,
E IL precedente distribuzione Quello Noi usato In IL secondo edizione
Di Nostro affidabilità libro, Quale Noi chiamata SMRD2,
statistico metodi per affidabilità aggiunta due.
Ora IL modo Noi specificare precedente distribuzioni
In SMRD2 E JMP È facendo Questo COME BENE, È con Che cosa I chiamata a 99 % allineare.
Per esempio, Noi Dire Quello erano andando
A descrivere IL Significare Di IL b1 parametro
di a normale distribuzione Quello ha 99 % Di IL probabilità
fra -15 E 22.
Questo è a Enorme allineare.
Quello È settimanale informativo.
Poi Noi Avere simile, molto Largo intervalli per IL altro Significare parametro Qui.
Poi per IL Sigma parametro JMP,
seguente solito procedure per questi usi a metà distribuzione di Cauchy,
Quale ha a lungo superiore coda,
E Perciò, Ancora, È settimanale informativo.
Ora In Nostro affidabilità libro, Noi usato tanto più stretto intervalli.
Ma interessantemente, IL due diverso precedente distribuzioni Qui
Dare Appena Di IL Stesso risposta, Perché Entrambi Sono settimanale informativo.
Quello È, IL intervalli Sono grande relativo A,
permettere noi Dire, IL fiducia intervallo
Quello Voi volevo Ottenere usando non-Bayes metodi.
Ora, In aggiunta A specificando IL precedente distribuzioni, Quale Ancora,
JMP fa molto facile Perché Esso ha questi Carino predefinito priori,
Voi Anche Avere IL capacità A controllare IL Catena di Markov Monte Carlo algoritmo.
IL soltanto predefinito Quello I volevo modifica Qui
È tipicamente I volevo correre Di più di uno catena.
I cambiato IL uno Qui A quattro.
IL motivo per facendo Quello È duplice.
Primo di Tutto, In maggior parte configurazioni, compreso JMP,
Voi Potere correre quelli contemporaneamente, COSÌ Esso non lo fa Prendere Qualunque Di più computer tempo.
IL altro cosa È Noi Volere A confrontare quelli quattro diverso Markov catene
A Fare Sicuro Quello loro sono dare Di IL Stesso risposte.
Noi chiamata Quello miscelazione BENE.
Se Voi Vedere a situazione Dove uno Di quelli catene È diverso
da IL altri, questo è UN indicazione Di a problema.
Se Voi Avere come a problema,
Poi IL solito rimedio È A aumento IL numero Di riscaldamento giri,
Quale È impostato A Essere 10 di predefinito, Ma Voi Potere aumento Quello.
Che cosa Quello fa Esso consente JMP A melodia
IL MCMC algoritmo A IL particolare problema COSÌ Quello Esso Volere campione correttamente
A Ottenere disegna da IL giunto posteriore distribuzione.
In Tutto Di Mio esperienze usando JMP, E Peng ha suggerito Quello lui è avevo
simile esperienze Quello di crescente Quello alto Abbastanza,
con Qualunque esempi Quello noi abbiamo provato, JMP Volere lavoro BENE.
Ma con 10 per maggior parte applicazioni, Quello È a sufficientemente grande numero.
Ecco IL risultati.
Ecco a tavolo Di IL parametro stime.
BENE, tipicamente In affidabilità applicazioni,
erano non COSÌ tanto interessato In IL stime loro stessi.
Erano andando A Essere interessato In cose
Piace fallimento distribuzioni, Quale Noi Aspetto A In a momento.
Poi In Questo complotto,
Noi Avere stime Di IL campione percorsi
per ogni Di IL crepe.
Ancora, Voi Potere Vedere IL fallimento definizione Qui.
Come Peng Volere spettacolo Voi,
JMP fa Esso facile A Aspetto A MCMC diagnostica.
Suo Sempre a Bene idea A Aspetto
A diagnostica A Fare Sicuro qualunque cosa girato fuori Va bene.
Che cosa Voi Fare È Voi esportare posteriore disegna da JMP,
E Poi JMP ha impostato su Là Alcuni script A creare
questi vario diverso diagnostica.
Per esempio, c'è a sceneggiatura A Fare a traccia complotto O a tempo serie complotto.
I Sempre Piace A confrontare quelli per IL diverso catene.
Poi c'è un altro uno A Fare Che cosa Noi chiamata a coppie complotto,
O diagramma di dispersione matrice Di IL disegna.
Questo è Che cosa Noi Vedere Qui.
Poi COME I disse, Noi Potere utilizzo quelli disegna
A generare stime Di IL fallimento tempo distribuzione.
JMP strumenti Quello di usando IL distribuzione profilatore Qui.
Noi Potere stima frazione fallendo È a funzione Di tempo
per Qualunque dato numero Di cicli.
Ora andiamo andare A IL Dispositivo B RF Potenza A amplificare,
Ancora, UN accelerato ripetuto misure degradazione applicazione.
Erano andando A Bisogno a modello Quello descrive IL forma Di IL percorsi
E IL relazione IL temperatura ha SU IL tariffe Di degradazione.
Ancora, IL utilizzo condizione In Questo applicazione È 80 gradi C,
E erano andando A Volere A stima
IL fallimento tempo distribuzione A 80 gradi C.
In SMRD2, Questo È IL modo Noi volevo descrivere IL sentiero modello
Quello si adatta dispositivo B.
Noi chiamata Questo UN asintotico modello,
Perché COME tempo ottiene grande, Noi infine portata UN asintoto.
In Questo equazione, X È IL trasformato temperatura.
Noi chiamata è un Urano trasformazione Di temperatura.
X 0 È UN arbitrario centraggio valore.
Beta uno È a valutare costante per IL sottostante degradazione processo.
Beta tre È IL casuale asintoto.
Quelli due parametri, IL valutare costante E IL asintoto,
Sono casuale da unità A unità, E erano andando A descrivere
Quello casualità con a giunto O bivariato lognormal distribuzione.
Beta due, SU IL altro mano, È a fisso, sconosciuto parametro Quello È IL effetto
Di attivazione energia Quello controlli Come temperatura colpisce IL degradazione valutare.
Questo È Dove IL X0 viene In.
Tipicamente Noi scegliere X 0 A Essere in qualche luogo
In IL allineare Di IL dati
O A a particolare temperatura Di interesse,
Perché beta uno volevo Essere IL valutare costante A X 0.
Ancora, c'è a grande numero Di diverso modelli Quello Sono disponibile.
Qui È Come Voi volevo scegliere Questo particolare asintotico modello.
Questo corrisponde A IL Stesso equazione Noi Avere in SMRD 2.
IL soltanto differenza È Quello JMP usi a leggermente diverso numerazione convenzione
per IL parametri.
Quello era Fatto A Essere coerente
con altro cose Quello Sono Già In JMP altrove.
Ancora, Noi Avere A specificare precedente distribuzioni,
Ma JMP fa Quello facile
Perché Essi fornire questi valori predefiniti, questi settimanale, informativo valori predefiniti.
Qui I Avere IL predefinito Quello JMP volevo Avere Quello erano andando A utilizzo
Se Noi fatto non Avere Qualunque precedente informazioni A Portare In.
Io sono andando A Fare Quello analisi,
Ma Io sono Anche andando A Portare In IL informazioni Quello ingegneri Avere.
In particolare, Noi soltanto Avere informazioni per b3
E COSÌ questo è essendo specificato Qui.
Ma Tutto IL altro voci In IL tavolo Sono esattamente IL Stesso COME IL JMP predefinito,
Ancora, fabbricazione Esso Veramente facile A attrezzo questi tipi Di analisi.
Ecco IL risultati.
Una volta Ancora, Qui Noi Avere a tavolo dare IL parametro stime,
credibile intervalli E COSÌ via.
In Questo complotto, Ancora,
Noi Avere stime Di IL campione percorsi per Tutto Di IL individuale unità.
Ancora, Noi Avere IL fallimento definizione Qui,
Ma Che cosa Noi Veramente Volere Sono stime Di IL fallimento tempo distribuzione
A 80 gradi C.
Ancora, erano andando A Fare Quello di usando a profilatore.
SU IL Sinistra Qui Noi Avere IL stima
Di frazione fallendo È a funzione Di tempo A 80 gradi C per IL predefinito precedenti.
SU IL Giusto Noi Avere IL Stesso cosa,
tranne Quello noi abbiamo usato IL informativo precedente distribuzione per B 3.
Immediatamente Voi Potere Vedere Quello precedente informazioni ha consentito noi
A Ottenere tanto Meglio stima precisione.
IL fiducia intervallo È tanto Di più stretto.
È interessante notare che IL punto stima Di frazione fallendo
In realtà aumentato Quando Noi portato In Quello precedente informazioni.
In Questo caso, IL precedente informazioni volevo permettere IL ingegneri A Ottenere
a tanto Meglio stima
Di frazione fallendo COME a funzione Di tempo.
Poi A Fare Quello importante decisione
Di Come tanto ridondanza A costruire in IL satellitare.
Permettere Me FINE con Alcuni concludendo osservazioni.
Ripetuto misure degradazione analisi
È importante In molti affidabilità applicazioni.
Esso È Anche importante In molti altro aree Di applicazione,
Piace determinante scadenza date
per prodotti Piace prodotti farmaceutici E prodotti alimentari.
Quando Volere IL qualità Essere
A come a Basso livello Quello IL clienti NO più lungo Contento?
Anche, In certo circostanze,
Noi Potere Portare precedente informazioni in IL analisi, potenzialmente permettendo noi
A inferiore costo Di Nostro degradazione esperimenti.
JMP 17 ha potente, facile- A- utilizzo metodi per fabbricazione
tutta la vita inferenze da ripetuto misure degradazione dati.
Ora Io sono andando A giro Esso Sopra A Peng,
E lui è andando A illustrare questi metodi A Voi usando a dimostrazione In JMP.
Grazie Voi, Professore.
Ora, IL dimostrazione tempo.
IL scopo Di a dimostrazione È A aiuto Voi A inizio esplorare IL stabile arte approccio
A analizzare ripetuto misure degradazione dati.
I Volere spettacolo Voi Come A individuare IL campione dati tavoli usando JMP,
Come IL informazioni È organizzazione In IL rapporto
E evidenziare Alcuni importante informazioni Quello Voi Bisogno A Sapere.
Primo, Là Sono tre ripetuto misure degradazione dati campioni
tra JMP campione dati tavoli.
Lega una, d dispositivo B, Sono due esempi con incorporato script.
IL il laser non ha uno script incorporato.
Lega a È UN esempio senza UN x variabile.
Dispositivo b È esempio con UN x variabile.
A Trovare loro andare A IL aiuto E clic campione indice.
Tentativo A Trovare IL schema nodo chiamato affidabilità/ sopravvivenza.
Dispiegalo E Dovrebbe vedere un lloy a È Qui, E dispositivo b È Qui.
A Trovare GAS laser,
Voi Bisogno A andare A IL campione dati cartella
SU tuo computer di cliccando Questo pulsante, aprire IL campione dati cartella.
Ora Io sono andando A aprire lega a.
Poi Io sono andando A analizzare menu, affidabilità E sopravvivenza,
scegliere IL ripetutamente misura degradazione.
Ora Noi Vedere IL lancio dialogo.
Nostro assegnare lunghezza, crepa lunghezze va A E,
campione va A etichetta sistema ID E milioni cicli andare A volte.
Poi Io sono andando A clic Va bene.
Questo È IL iniziale rapporto.
Suo a quinto lineare modelli per individuale lotti.
Io sono andando A selezionare IL terzo modello Qui di cliccando Questo video pulsante.
Questo quinto iniziale modello Di a Parigi modello Di Questo lega a dati.
Io sono andando A clic Questo, andare A Bayesiano stima pulsante
E generare a configurazione interfaccia.
Qui Noi Vedere IL modello formula.
Qui Sono IL predefinito impostazioni per IL precedenti.
Poi Noi Sono non andando A modifica nulla Giusto Ora,
E Noi Sono Appena andando A utilizzo IL predefinito precedente A adatto Nostro modello.
Ora Io sono andando A clic
Questo adatto modello pulsante Qui E permettere Esso correre.
Poi Io sono andando A spiegare Che cosa Sono In IL rapporto.
In IL FINE, Come A Ottenere IL fallimento distribuzione profilatore.
Ora Malato clic IL pulsante, IL algoritmo inizio correre
E IL progressi dialogo disse Quello IL primo passo È messa a punto.
IL sottostante algoritmo Volere andare Attraverso Alcuni
girare Di Caldo giri in su, È procedura.
IL algoritmo È provando A Imparare IL forma Di IL posteriore distribuzione,
per esempio, Dove IL picco, Come Largo È IL campata, e così via.
In IL FINE, Essi Volere Tentativo A figura fuori
Che cosa È a Bene diradamento valore A disegno campioni da IL posteriore distribuzione,
come Quello IL campioni Sono COME poco auto correlato COME possibile.
Poi IL algoritmi entrare IL secondo fare un passo.
IL dialogo dice, Questo fare un passo È collezionare posteriore campioni.
In Questo fare un passo, UN automatico diradamento Di 80 È applicato.
IL dialogo spettacoli Come tanto tempo In totale IL algoritmo avevo stato corsa.
In IL secondo palcoscenico, IL dialogo Anche spettacoli previsto completamento tempo.
Di come, I Speranza Esso Potere aiuto utenti
A regolare A loro aspettativa di conseguenza.
A volte eccessivo, lungo previsto completamento tempo È a cartello Di a problema.
Poi Noi Aspettare a poco morso, E IL algoritmo Dovrebbe fine Presto.
Va bene, Ora IL algoritmo ha finito.
Andiamo Vedere cosa c'è In IL rapporto.
Il primo è IL completamento tempo.
Se Noi Sinistra tuo computer correre Sopra tempo,
Voi Maggio Volere A Sapere In IL Mattina SU Prossimo giorno.
IL secondo È a copia Di tuo impostazioni, compreso priori, numero Di iterazioni,
casuale seme E altro la cosa mostra.
Terza parte È posteriore stime.
Che sia un riepilogo O IL posteriore campioni,
Là Sono due collegamenti SU IL sito A permettere Voi A esportare posteriore campioni.
Io sono andando A sottolineare IL primo collegamento.
Uno scopo Di usando questi primo collegamento
A esportare posteriore esempi È A ispezionare potenziale problemi.
Due principale preoccupazioni Sono: convergenza E efficace campione misurare.
Andiamo Aspetto A Esso.
IL tavolo Avere parametri In individuale colonne.
Ogni riga a posteriore campione.
Là Sono parecchi incorporato script.
IL maggior parte importante uno È IL il primo.
Io sono andando A clic Questo verde triangolo A eseguire il sceneggiatura.
La sceneggiatura semplicemente correre tempo serie SU individuale colonne
E spettacolo loro tempo serie complotto.
In IL contesto Di MCMC, Questo complotto È conosciuto COME IL traccia complotto.
Che cosa Fare Noi Vedere Qui?
Che cosa I chiamata Bene risultati.
IL serie Sono stazionario E NO significativo auto correlazione.
Liberamente A proposito di, Quando I Dire stazionario In Questo contesto, I specificamente Significare trame
sembra Piace questi.
Essi Sono Dritto pari con banda Di casuale puntini.
Va bene, permettere Me vicino IL rapporto E IL tavolo.
Noi Sono vedere Bene risultati Qui.
Anche IL dati E un modello montato Anche spettacoli IL risultati È Bene.
Ora Noi Sono pronto A chiedere per un montato tempo distribuzione profilatore.
A Fare Quello, andare A IL rapporto schema nodo menu
E selezionare spettacolo Piace distribuzione profiler.
Maggior parte voci In Questo dialogo ha sensato predefinito valori
E Poi Noi soltanto Bisogno A fornitura uno Di il fallimento definizione.
Io sono andando A entrare 1.6 A Questo superiore fallimento definizione.
Prima Io sono andando A clicca ok, Io sono andando A ridurre Questo numero
Di SMRD2 realizzazioni A 5.000 A salva Me Alcuni tempo.
Poi Io sono clic SU Va bene.
Questo È Anche a computazionale intensivo procedura,
Ma non COME costoso COME MCMC In generale.
Esso Dovrebbe fine velocemente.
Voi Potere utilizzo IL profiler A Ottenere
IL fallimento probabilità E IL quantile stime.
Io sono non andando A elaborare ulteriore,
Perché profilatore È a molto comune E importante caratteristica In JMP.
Va bene, Questo È IL FINE Di IL dimostrazione,
E Voi Sono pronto A esplorare di te stesso.
Ma Qui Sono a coppia Di suggerimenti Quello Potrebbe Essere utile.
Primo, Prima Voi salva IL sceneggiatura A IL tavolo,
andare A controllo Questo salva posteriore A sceneggiatura opzione
Prima Voi salva IL sceneggiatura A IL tavolo.
Di Questo, Prossimo tempo Voi correre IL salva sceneggiatura,
software Volere Portare Indietro IL montato modello Invece Di andando
Attraverso IL lungo MCMC procedura una volta Ancora.
IL secondo cosa Quello I Volere A Portare A tuo Attenzione È
Noi Avere visto Bene esempi, Bene risultati, Ma Là Sono Cattivo quelli.
Qui Sono Alcuni Cattivo esempi.
Questo male esempio significa O fallire A convergere,
O Là Sono alto auto correlazioni.
A indirizzo loro Mio primo suggerimento È A aumento
IL numero Di Caldo su giri.
Secondo suggerimento Dove Noi giro spento auto-diradamento
E fare domanda a a grande diradamento valore, a diradamento numero manualmente.
Se quelli suggerimenti non lavoro, suo probabile Quello IL modello
O suo configurazioni Sono non appropriato per IL dati.
Voi Maggio Bisogno aiuto.
Va bene, questi sono Tutto noi vorremmo Piace A illustrare Questo tempo,
E I Speranza Voi Potere inizio A utilizzo Questo informazioni A esplorare
IL stato Di arte approccio A analizzare ripetuto misure degradazione dati.
Grazie Voi.
