在 这 讲话， 是 去 到 描述
重复 措施 降解 和 它是 执行 在 跳转。
我是 去 到 展示 这 背景， 动机，
一些 技术的 想法 和 例子。
然后 患病的 转动 它 超过 到 彭， WHO 将要 做 a 示范 显示
只是 如何 简单的 它 是 到 申请 这些 方法 在 跳转 17。
这是 一个 概述 的 我的 讲话。
我是 去 到 开始 出去 和 一些 激励 例子，
和 然后 解释 这 关系 之间 降解 和 失败 和 这 优点
的 使用 降解 造型 在 肯定 应用程序。
然后 患病的 描述 这 动机 为了 我们的 使用 的 贝叶斯 方法
到 做 这 估计。
到 使用 贝叶斯方法 为了 估计， 你 需要 到 有 事先的 分布。
患病的 讲话 关于 这 通常 用过的， 非信息性 和 每周 信息丰富
事先的 分布。
还 在 一些 应用程序，
我们 将要 有 信息丰富 事先的 分布 和 如何 那些 能 是 用过的。
然后 患病的 去 通过 二 例子，
和 在 这 结尾 患病的 有 一些 结论 评论。
我们的 第一个例子 是 裂缝 生长。
我们 有 21 缺口 標本。
这 缺口 是 .9 " 深的， 和 那是 喜欢 a 起动机 裂缝。
然后 这 标本 是 受到 到 循环 加载中，
和 在 每个 循环， 这 裂缝 成长 a 小的 少量。
什么时候 这 裂缝 获取 到 是 1.6 " 长的， 那是 这 定义 的 a 失败。
我们 能 看 那 相当 a 很少
的 这 裂缝 有 已经 超过 那 等级， 但 许多 的 他们 有 不是。
传统上， 你 可以 对待 那些 作为 正确的 审查 观察结果。
但 如果 你 有 这 降解 信息，
你 能 使用 那 到 提供
额外的 信息 到 给 你 a 更好的 分析 的 你的 数据。
这 基本的 主意 是 到 合身 a 模型 到 描述 这 降解 路径，
和 然后 到 使用 那 模型 到 诱导 a 失败 时间 分配。
我们的 第二 例子 是 什么 我们 称呼 设备 B,
a 收音机 频率 力量 放大器。
超过 时间 这 力量 输出 将要 减少
因为 的 一个 内部的 降解 机制。
这 曾是 一个 加速 测试 在哪里 单位 是 受到
到 更高 级别 的 温度，
2 37，195 和 150 度 C.
这 工程师 需要 信息 关于 这 可靠性 的 这 设备
所以 那 他们 可以 决定 如何 很多 冗余 到 建造 进入 这 卫星。
这 失败 定义 在 这 案件 曾是
什么时候 这 力量 输出 掉落 到 -.5 分贝。
我们 能 看 那 全部 的 这 单位 有 已经 失败的
在 这 更高 级别 的 温度，
但 在 150 度 C, 那里 是 不 失败 然而。
但 那里 是 很多 的 信息 关于 如何
关闭 这些 单位 是 到 失败 经过 寻找 在 这 降解 路径。
再次， 我们 想 到 建造 a 模型 为了 这 降解 路径，
和 然后 我们 使用 那 到 诱导 a 失败 时间 分配。
在 这 案件， 这 使用 状况 是 80 度 C.
我们 想 到 知道 这 时间 在 哪个 单位
操作 在 80 度 C, 会 抵达 这 失败 定义。
一次 再次， 我们 建造 a 模型 为了 这 降解 路径。
我们 合身 那 模型， 和 然后 从 那 我们 能 得到 a 失败 时间 分配。
许多 失败 结果 从 一个 潜在的 降解 过程。
在 一些 应用程序， 降解 是 这 自然的 回复。
在 那些 情况， 它 使 感觉 到 合身 a 模型
到 这 降解 和 然后 使用 这 诱导 失败 时间 分配。
在 这样的 应用程序，
一次 我们 有 a 定义 为了 失败， 哪个 我们 称呼 a 柔软的 失败
因为 这 单元 没有 实际上 停止 操作 什么时候 它 达到 那 等级
的 降解， 但 它是 关闭 足够的 到 失败 那 工程师 说 我们 会
喜欢 到 代替 那 单元 在 那 观点， 只是 到 是 安全的。
现在， 在 一般的， 有 二 不同的
种类 的 降解 数据， 重复 措施 降解，
喜欢 这 二 示例 那 我已经 显示 你， 和 破坏性的 降解，
在哪里 你 有 到 破坏 这 单元 在 命令 到 制作 这 降解 测量。
为了 许多 年， 跳转 有 有
非常 好的 工具 为了 处理 降解 数据。
我是 专注 在 这 讲话
在 这 重复 措施 降解 方法
那 是 存在 实施的 在 跳转 17。
那里 是 许多 其他 应用程序
的 重复 措施 降解， 为了 例子， 引领 或者 激光 输出，
这 损失 的 光泽 在 一个 汽车 涂层 和 降解 的 a 化学 化合物，
哪个 能 是 测量 和 技术 这样的 作为 傅立叶变换红外光谱
或者 任何 其他 测量 质量 特征
那是 去 到 降级 超过 时间。
那里 是 许多 应用程序 为了 重复 措施 降解。
那里 是 许多 优点 的 分析 降解 数据 如果 你 能 得到 他们。
在 特别的，
那里 是 很多 更多的 信息 在 这 降解 数据
相对的 到 转动 那些 降解 数据
进入 失败 时间 数据。
这 是 尤其 真的 如果 这 重的 审查。
的确， 它是 可能的 到 制作 推论 关于 可靠性
从 降解 数据 在 情况 在哪里 那里 不是 任何 失败 在 全部。
还， 直接的 观察
的 这 降解 过程 允许 我们 到 建造 更好的 模型
为了 这 失败 时间 分配 因为 是 更近
到 这 物理 的 失败。
现在， 一些 年 前， 什么时候 我们 是 规划 这 第二 版
的 我们的 可靠性 书， 我们 制成 a 决定 到 使用
更多的 贝叶斯 方法 在 许多 不同的 区域 的 应用。
一 的 那些 是 重复 措施 降解。
为什么 是 那？
什么 曾是 这 动机 为了 使用 贝叶斯 方法
在 这些 应用程序？
I 用过的 到 思考 那 这 主要的 动机
为了 贝叶斯 方法 曾是 到 带来 事先的 信息 进入 这 分析。
有时 那是 真的，
但 超过 这 年， 我已经 学到了 那 那里 是 许多
其他 原因 为什么 我们 想 到 使用 贝叶斯 方法。
为了 例子， 贝叶斯 方法 做 不是 依靠
在 大的 样本 理论 到 得到 信心 间隔。
它 依赖 在 可能性 理论。
还， 它 转弯 出去 那 什么时候 你 使用 贝叶斯 方法 和 小心 被选中，
非信息性 或者 每周 信息丰富 事先的 分布，
你 有 可信的 间隔 程序 那 有 非常 好的 覆盖范围 特性。
那 是， 如果 你 问 为了 95 % 间隔，
他们 趋向 到 覆盖 什么 他们是 假定 到 覆盖 和 95% 可能性。
在 许多 应用程序， 那里 是 许多 非贝叶斯 近似值
那 能 是 用过的 到 放 信心 间隔。
什么时候 你 做 贝叶斯 推理， 它是 非常 直截了当。
有 真的 仅有的 一 方式 到 做 它。
还， 贝叶斯 方法 能 处理 和 相对的 舒适，
复杂的 模型 数据 组合
为了 哪个 有 不 最大限度 可能性 软件 可用的。
为了 例子， 复杂的 组合
的 非线性 关系， 随机的 参数 和 传感器 数据，
这 贝叶斯 方法 是 相对地
直截了当 到 申请 在 这些 复杂的 情況。
最后， 最后的 但 当然 不是 至少， 贝叶斯 方法 做 允许 一个 分析师
到 包含 事先的 信息 进入 这 数据 分析。
但 I 想 到 观点 出去 那 这 革命 我们已经 有
在 这 世界 的 数据 分析 到 使用 更多的 贝叶斯 方法，
最多 分析师 是 不是 带来
信息丰富 事先的 信息 进入 他们的 分析。
反而， 他们 使用 每周 信息丰富 或者 非信息性 先验
所以 那 他们 不 有 到 保卫 这 事先的 分配。
但 在 许多 应用程序，
我们 真的 做 有 坚硬的 事先的 信息 那 将要 帮助 我们 得到 更好的 答案。
I 将要 阐明 那 在 一 的 这 例子。
贝叶斯 方法 要求
这 规格 的 a 事先的 分配。
作为 I 说， 在 许多 应用， 分析师 做 不是 想 到 带来
信息丰富 事先的 信息 进入 这 造型 和 分析。
什么 那 需要 是 一些 默认优先
那是 非信息性 或者 每周 信息丰富。
有 到过 a 大的 数量 的 理论 研究 在 这 主题
超过 这 过去的 40 年， 领导 到 这样的 工具 作为 参考 先验，
杰弗里的 先验， 和 独立的 杰弗里的 先验
那 有 到过 显示 到 有 好的 频率论者 覆盖范围 特性。
一 的 我的 最近的 和 当前的 研究 区域
是 到 尝试 和 制作 这些 想法 操作
在 实际的 问题， 特别 在 这 区域 的 可靠性。
A 简单的 例子 的 这 是 如果 你 想 到 估计 a 地点 范围
在 这 日志 的 a 规模 范围， a 平坦的 事先的 分配 线索
到 可信的 间隔 那 有 精确的 覆盖范围 特性。
那是 非常 强大的。
还， 平坦的 事先的 分布 能 是 出色地 近似 经过 a 普通的 分配
和 a 非常 大的 方差， 和 那 线索 到 每周 信息丰富 先验。
再次， 它是 有些 信息丰富，
但 因为 这 方差 是 非常 大的， 我们 称之为 每周 信息丰富。
这 方法 那 我已经 到过 服用 到 指定 事先的 分布 是 到 寻找
一个 不受约束 参数化， 喜欢 这 地点 范围
和 这 日志 的 这 规模 范围 那 I 提及 多于，
和 然后 使用 a 非信息性
或者 每周 信息丰富 平坦的 或者 普通的 分配
和 非常 大的 差异 作为 这 默认 事先的。
然后 它是 总是 好的 主意 到 使用 一些
敏感度 分析 到 制作 当然 那 这 事先的 是 大约 沒有提供任何信息。
那 是， 作为 你 扰乱 这 事先的 参数，
它 没有 影响 这 底部 线 结果。
跳转 用途 非常 明智的， 表现良好 方法 到 指定
默认 事先的 分布 那 是 大致 在 线
和 什么 我已经 描述 这里。
拥有 那些 默认 事先的 分布
使 这 软件 方便使用的，
因为 然后 这 用户 仅有的 有 到 指定 事先的 分布
在哪里 他们 有 信息丰富 信息 那 他们 想 到 带来 在。
这是 只是 一个 插图 到 展示 那 作为 这 标准 偏差
的 a 普通的 分配 获取 更大， 你 方法 a 平坦的 事先的 分配。
现在， 作为 I 说， 在 一些 应用程序， 我们 真的 有 事先的 信息
那 我们 想 到 带来 在 那 是 信息丰富 事先的 信息。
什么时候 我们 有 这样的 信息，
我们 将要 通常 描述 它 和 a 对称 分配，
喜欢 a 普通的 分配， 虽然 一些 人们 更喜欢 到 使用
什么 我们 称呼 a 地点- 规模 t 分配
因为 他们 有 更长 尾巴。
在 最多 应用程序 在哪里 我们 有 这
信息丰富 事先的 信息， 它是 仅有的 在 一 的 这 参数。
然后 是 去 到 使用 非信息性，
或者 每周 信息丰富 事先的 分布
为了 全部 的 这 其他 参数。
让我们 去 后退 到 合金 一个。
什么 是 去 到 做 是 是 去 到 合身 a 模型 到 这 降解 路径，
和 然后 使用 那 模型 到 诱导 a 失败 时间 分配。
现在 如果 你 看 在 一个 工程 教科书
在 疲劳 或者 材料 行为，
你会 学习 关于 这 巴黎 裂纹-g 增长 模型。
它是 总是 好的 到 有 a 模型 那 同意 和 工程 知识。
跳转 有 实施的 这 巴黎裂纹扩展模型。
这是 这 方式 它 会 出现 在 a 教科书。
然后 在 这 正确的 这里 我们 有 这 跳转 执行 的 那。
它是 一 的 这 许多 模型 那 你 能 选择 到 合身 到 你的 降解 数据。
现在， c 和 m 这里， 哪个 在 跳转 是 c 和 b2，
是 材料 参数， 和 他们 是 随机的 从 单元 到單位。
这 K 功能 这里 是 已知 作为 a 压力 强度 功能。
为了 这 裂缝 是 学习 这里，
这 压力 强度 功能 有 这 表示。
现在 这 是 a 微分 方程，
因为 我们已经 得到 a 的 t 这里， 和 还 a 这里，
你 能 解决 那 微分 方程 和 得到 这 好的 关闭 形式。
这 是 这 模型 那是 存在 合身 之内 跳转。
再次 这 参数 b1 和 b2 将要 是 随机的 从 单元 到 单元。
现在 这是 这 规格 的 这 事先的 分配。
我已经 插图 这里 二 不同的
事先的 分布， 这 默认 事先的 在 跳转，
和 这 事先的 分配 那 我们 用过的 在 这 第二 版
的 我们的 可靠性 书， 哪个 我们 称呼 SMRD2，
统计 方法 为了 可靠性 添加 二。
现在 这 方式 我们 指定 事先的 分布
在 SMRD2 和 跳转 是 正在做 这 作为 出色地， 是 和 什么 I 称呼 a 99 % 范围。
为了 例子， 我们 说 那 是 去
到 描述 这 意思是 的 这 b1 范围
经过 a 普通的 分配 那 有 99 % 的 这 可能性
之间 -15 和 22.
那是 a 巨大的 范围。
那 是 每周 信息丰富。
然后 我们 有 相似的， 非常 宽的 范围 为了 这 其他 意思是 范围 这里。
然后 为了 这 西格玛 范围 跳转，
下列的 通常 程序 为了 这些 用途 a 一半 柯西分布，
哪个 有 a 长的 上 尾巴，
和 所以， 再次， 是 每周 信息丰富。
现在 在 我们的 可靠性 书， 我们 用过的 很多 更紧 范围。
但 有趣的是， 这 二 不同的 事先的 分布 这里
给 只是 关于 这 相同的 回答， 因为 两个都 是 每周 信息丰富。
那 是， 这 范围 是 大的 相对的 到，
让 我们 说， 这 信心 间隔
那 你 会 得到 使用 非贝叶斯 方法。
现在， 在 添加 到 指定 这 事先的 分布， 哪个 再次，
跳转 使 非常 简单的 因为 它 有 这些 好的 默认 先验，
你 还 有 这 能力 到 控制 这 马尔可夫链蒙特卡洛 算法。
这 仅有的 默认 那 I 会 改变 这里
是 通常 I 会 跑步 更多的 比 一 链。
I 改变 这 一 这里 到 四。
这 原因 为了 正在做 那 是 双重。
首先 全部， 在 最多 设置， 包括 跳转，
你 能 跑步 那些 同时地， 所以 它 没有 拿 任何 更多的 电脑 时间。
这 其他 事物 是 我们 想 到 比较 那些 四 不同的 马尔可夫 链条
到 制作 当然 那 他们是 给予 关于 这 相同的 答案。
我们 称呼 那 mixing 出色地。
如果 你 看 a 情况 在哪里 一 的 那些 链条 是 不同的
从 这 其他的， 那是 一个 指示 的 a 问题。
如果 你 有 这样的 a 问题，
然后 这 通常 补救 是 到 增加 这 数字 的 热身 圈数，
哪个 是 放 到 是 10 经过 默认， 但 你 能 增加 那。
什么 那 做 它 允许 跳转 到 调
这 MCMC 算法 到 这 特别的 问题 所以 那 它 将要 样本 正确地
到 得到 抽签 从 这 联合的 后部 分配。
在 全部 的 我的 经验 使用 跳转， 和 彭 有 建议 那 他是 有
相似的 经验 那 经过 增加 那 高的 足够的，
和 任何 示例 那 我们已经 尝试过， 跳转 将要 工作 出色地。
但 和 10 为了 最多 应用程序， 那 是 a 足够 大的 数字。
这是 这 结果。
这是 a 桌子 的 这 范围 估计。
出色地， 通常 在 可靠性 应用程序，
是 不是 所以 很多 感兴趣的 在 这 估计 他们自己。
是 去 到 是 感兴趣的 在 事物
喜欢 失败 分布， 哪个 我们 看 在 在 a 片刻。
然后 在 这 阴谋，
我们 有 估计 的 这 样本 路径
为了 每个 的 这 裂紋。
再次， 你 能 看 这 失败 定义 这里。
彭 将要 展示 你，
跳转 使 它 简单的 到 看 在 MCMC 诊断。
它是 总是 a 好的 主意 到 看
在 诊断 到 制作 当然 一切 转身 出去 好的。
什么 你 做 是 你 出口 后部 抽签 从 跳转，
和 然后 跳转 有 放 向上 那里 一些 脚本 到 创造
这些 各种各样的 不同的 诊断。
为了 例子， 有 a 脚本 到 制作 a 痕迹 阴谋 或者 a 时间 系列 阴谋。
I 总是 喜欢 到 比较 那些 为了 这 不同的 鏈。
然后 有 其他 一 到 制作 什么 我们 称呼 a 对 阴谋，
或者 散点图 矩阵 的 这 抽签。
那是 什么 我们 看 这里。
然后 作为 I 说， 我们 能 使用 那些 抽签
到 产生 估计 的 这 失败 时间 分配。
跳转 工具 那 经过 使用 这 分配 分析器 这里。
我们 能 估计 分数 失败 是 a 功能 的 时间
为了 任何 给定 数字 的 周期。
现在 让我们 去 到 这 设备 B射频 电源A 放大，
再次， 一个 加速 重复 措施 降解 应用。
是 去 到 需要 a 模型 那 描述 这 形状 的 这 路径
和 这 关系 这 温度 有 在 这 费率 的 降解。
再次， 这 使用 状况 在 这 应用 是 80 度 C,
和 是 去 到 想 到 估计
这 失败 时间 分配 在 80 度 C.
在 SMRD2， 这 是 这 方式 我们 会 描述 这 小路 模型
那 适合 设备 b.
我们 称呼 这 一个 渐近的 模型，
因为 作为 时间 获取 大的， 我们 最终 抵达 一个 渐近线。
在 这 方程， X 是 这 转型 温度。
我们 称呼 它是一个 天王星 转型 的 温度。
X 0 是 一个 随意的 定心 价值。
测试版 一 是 a 速度 持续的 为了 这 潜在的 降解 过程。
测试版 三 是 这 随机的 渐近线。
那些 二 参数， 这 速度 持续的 和 这 渐近线，
是 随机的 从 单元 到 单元， 和 是 去 到 描述
那 随机性 和 a 联合的 或者 双变量 对数正态 分配。
测试版 二， 在 这 其他 手， 是 a 固定的， 未知 范围 那 是 这 影响
的 激活 活力 那 控件 如何 温度 影响 这 降解 速度。
这 是 在哪里 这 X0 来 在。
通常 我们 选择 X 0 到 是 某处
在 这 范围 的 这 数据
或者 在 a 特别的 温度 的 兴趣，
因为 测试版 一 会 是 这 速度 持续的 在 X 0.
再次， 有 a 大的 数字 的 不同的 模型 那 是 可用的。
这里 是 如何 你 会 选择 这 特别的 渐近的 模型。
这 对应 到 这 相同的 方程 我们 有 在 SMRD 2.
这 仅有的 不同之处 是 那 跳转 用途 a 轻微地 不同的 编号 习俗
为了 这 参数。
那 曾是 完毕 到 是 持续的
和 其他 事物 那 是 已经 在 跳转 别处。
再次， 我们 有 到 指定 事先的 分布，
但 跳转 使 那 简单的
因为 他们 提供 这些 默认设置， 这些 每周， 信息丰富 默认值。
这里 I 有 这 默认 那 跳转 会 有 那 是 去 到 使用
如果 我们 做过 不是 有 任何 事先的 信息 到 带来 在。
我是 去 到 做 那 分析，
但 我是 还 去 到 带来 在 这 信息 那 工程师 有。
在 特别的， 我们 仅有的 有 信息 为了 b3
和 所以 那是 存在 指定的 这里。
但 全部 这 其他 条目 在 这 桌子 是 确切地 这 相同的 作为 这 跳转 默认，
再次， 制作 它 真的 简单的 到 实施 这些 种类 的 分析。
这是 这 结果。
一次 再次， 这里 我们 有 a 桌子 给予 这 范围 估计，
可信的 间隔 和 所以 向前。
在 这 阴谋， 再次，
我们 有 估计 的 这 样本 路径 为了 全部 的 这 个人 單位。
再次， 我们 有 这 失败 定义 这里，
但 什么 我们 真的 想 是 估计 的 这 失败 时间 分配
在 80 度 C.
再次， 是 去 到 做 那 经过 使用 a 分析器。
在 这 左边 这里 我们 有 这 估计
的 分数 失败 是 a 功能 的 时间 在 80 度 C 为了 这 默认 先验。
在 这 正确的 我们 有 这 相同的 事物，
除了 那 我们已经 用过的 这 信息丰富 事先的 分配 为了 B 3.
立即地 你 能 看 那 事先的 信息 有 允许 我们
到 得到 很多 更好的 估计 精确。
这 信心 间隔 是 很多 更多的 狭窄的。
有趣的是， 这 观点 估计 的 分数 失败
实际上 增加 什么时候 我们 带来 在 那 事先的 信息。
在 这 案件， 这 事先的 信息 会 允许 这 工程师 到 得到
a 很多 更好的 估计
的 分数 失败 作为 a 功能 的 时间。
然后 到 制作 那 重要的 决定
关于 如何 很多 冗余 到 建造 进入 这 卫星。
让 我 结尾 和 一些 结论 评论。
重复 措施 降解 分析
是 重要的 在 许多 可靠性 应用程序。
它 是 还 重要的 在 许多 其他 区域 的 应用，
喜欢 确定 到期 日期
为了 产品 喜欢 药品 和 食品。
什么时候 将要 这 质量 是
在 这样的 a 低的 等级 那 这 顾客 不 更长 快乐的？
还， 在 肯定 情况，
我们 能 带来 事先的 信息 进入 这 分析， 潜在 允许 我们
到 降低 成本 的 我们的 降解 实验。
跳转 17 有 强大的， 简单的- 到- 使用 方法 为了 制作
寿命 推论 从 重复 措施 降解 数据。
现在 我是 去 到 转动 它 超过 到 彭，
和 他是 去 到 阐明 这些 方法 到 你 使用 a 示范 在 跳转。
感谢 你， 教授。
现在， 这 演示 时间。
这 目的 的 a 演示 是 到 帮助 你 到 开始 探索 这 稳定的 艺术 方法
到 分析 重复 措施 降解 数据。
I 将要 展示 你 如何 到 定位 这 样本 数据 表 使用 跳转，
如何 这 信息 是 组织 在 这 报告
和 强调 一些 重要的 信息 那 你 需要 到 知道。
第一的， 那里 是 三 重复 措施 降解 数据 样品
之中 跳转 样本 数据 表。
合金 a、d 设备 b, 是 二 示例 和 嵌入式 脚本。
这 激光 没有嵌入脚本。
合金 a 是 一个 例子 没有 一个 x 多变的。
设备 b 是 例子 和 一个 x 多变的。
到 寻找 他们 去 到 这 帮助 和 点击 样本 指数。
尝试 到 寻找 这 大纲 节点 称为 可靠性/ 生存。
展开 和 应该 看到 洛伊 a 是 这里， 和 设备 b 是 这里。
到 寻找 气体 激光，
你 需要 到 去 到 这 样本 数据 文件夹
在 你的 电脑 经过 点击 这 按钮， 打开 这 样本 数据 文件夹。
现在 我是 去 到 打开 合金 a.
然后 我是 去 到 分析 菜单， 可靠性 和 生存，
选择 这 反复 措施 降解。
现在 我们 看 这 发射 对话。
我们的 分配 长度， 裂缝 长度 去 到 和，
标本 去 到 标签 系统 ID 和 百万 周期 去 到 次。
然后 我是 去 到 点击 好的。
这 是 这 最初的 报告。
它是 a 第五线性 模型 为了 个人 批次。
我是 去 到 选择 这 第三种模型 这里 经过 点击 这 视频 按钮。
这 第五 最初的 模型 的 a 巴黎 模型 的 这 合金 数据。
我是 去 到 点击 这， 去 到 贝叶斯 估计 按钮
和 产生 a 配置 界面。
这里 我们 看 这 模型 公式。
这里 是 这 默认 设置 为了 这 先验。
然后 我们 是 不是 去 到 改变 任何事物 正确的 现在，
和 我们 是 只是 去 到 使用 这 默认 事先的 到 合身 我们的 模型。
现在 我是 去 到 点击
这 合身 模型 按钮 这里 和 让 它 跑步。
然后 我是 去 到 解释 什么 是 在 这 报告。
在 这 结尾， 如何 到 得到 这 失败 分配 分析器。
现在 患病的 点击 这 按钮， 这 算法 开始 跑步
和 这 进步 对话 说 那 这 第一步 是 调音。
这 潜在的 算法 将要 去 通过 一些
圆形的 的 温暖的 跑几圈， 是 程序。
这 算法 是 尝试 到 学习 这 形状 的 这 后部 分配，
为了 例子， 在哪里 这 顶峰， 如何 宽的 是 这 跨度， 等等。
在 这 结尾， 他们 将要 尝试 到 数字 出去
什么 是 a 好的 稀疏 价值 到 画 样品 从 这 后部 分配，
这样的 那 这 样品 是 作为 小的 汽车 相关 作为 可能的。
然后 这 算法 进入 这 第二 步。
这 对话 说， 这 步 是 收集 后部 样品。
在 这 步， 一个 自动的 稀疏 的 80 是 已应用。
这 对话 节目 如何 很多 时间 在 全部的 这 算法 有 到过 跑步。
在 这 第二 阶段， 这 对话 还 节目 预期的 完成 时间。
经过 这样的， I 希望 它 能 帮助 用户
到 调整 到 他们的 期待 因此。
有时 过多的， 长的 预期的 完成 时间 是 a 符号 的 a 问题。
然后 我们 等待 a 小的 少量， 和 这 算法 应该 结束 很快。
好的， 现在 这 算法 有 完成的。
让我们 看 什么是 在 这 报告。
首先是 这 完成 时间。
如果 我们 左边 你的 电脑 跑步 超过 时间，
你 可能 想 到 知道 在 这 早晨 在 下一个 天。
这 第二 是 a 复制 的 你的 设置， 包括 先验， 数字 的 迭代，
随机的 种子 和 其他 事情表明。
第三部分 是 后部 估计。
无论是 概括 或者 这 后部 样品，
那里 是 二 链接 在 这 地点 到 允许 你 到 出口 后部 样品。
我是 去 到 强调 这 第一个链接。
一 目的 的 使用 这些 第一个链接
到 出口 后部 示例 是 到 检查 潜在的 问题。
二 主要的 担忧 是： 收敛 和 有效的 样本 尺寸。
让我们 看 在 它。
这 桌子 有 参数 在 个人 列。
每行 a 后部 样本。
那里 是 一些 嵌入式 脚本。
这 最多 重要的 一 是 这 第一个。
我是 去 到 点击 这 绿色的 三角形 到 运行 脚本。
脚本很简单 跑步 时间 系列 在 个人 列
和 展示 他们的 时间 系列 阴谋。
在 这 语境 的 MCMC， 这 阴谋 是 已知 作为 这 痕迹 阴谋。
什么 做 我们 看 这里？
什么 I 称呼 好的 结果。
这 系列 是 固定的 和 不 重要的 汽车 相关性。
松散地 请讲， 什么时候 I 说 固定的 在 这 语境， I 具体来说 意思是 情节
看起来 喜欢 这些。
他们 是 直的 平等的 和 乐队 的 随机的 點。
好的， 让 我 关闭 这 报告 和 这 桌子。
我们 是 看到 好的 结果 这里。
还 这 数据 和 拟合模型 还 节目 这 结果 是 好的。
现在 我们 是 准备好 到 问 为了 一个合适的 时间 分配 分析器。
到 做 那， 去 到 这 报告 大纲 节点 菜单
和 选择 展示 喜欢 分配 分析器。
最多 条目 在 这 对话 有 明智的 默认 价值观
和 然后 我们 仅有的 需要 到 供应 一 的 失败 定义。
我是 去 到 进入 1.6 到 这 上 失败 定义。
前 我是 去 到 点击“确定”， 我是 去 到 减少 这 数字
的 SMRD2 实现 到 5,000 到 节省 我 一些 时间。
然后 我是 点击 在 好的。
这 是 还 a 计算 密集的 程序，
但 不是 作为 昂贵的 作为 MCMC 在 一般的。
它 应该 结束 迅速地。
你 能 使用 这 分析器 到 得到
这 失败 可能性 和 这 分位数 估计。
我是 不是 去 到 精心制作的 更远，
因为 分析器 是 a 非常 常见的 和 重要的 特征 在 跳转。
好的， 这 是 这 结尾 的 这 示范，
和 你 是 准备好 到 探索 经过 你自己。
但 这里 是 a 夫妻 的 尖端 那 可能 是 有用。
第一的， 前 你 节省 这 脚本 到 这 桌子，
去 到 查看 这 节省 后部 到 脚本 选项
前 你 节省 这 脚本 到 这 桌子。
经过 这， 下一个 时间 你 跑步 这 节省 脚本，
软件 将要 带来 后退 这 已安装 模型 反而 的 去
通过 这 冗长 MCMC 程序 一次 再次。
这 第二 事物 那 I 想 到 带来 到 你的 注意力 是
我们 有 见过 好的 例子， 好的 结果， 但 那里 是 坏的 个。
这里 是 一些 坏的 例子。
这很糟糕 例子 方法 任何一个 失败 到 收敛，
或者 那里 是 高的 汽车 相关性。
到 地址 他们 我的 第一个建议 是 到 增加
这 数字 的 温暖的 向上 圈。
第二 建议 在哪里 我们 转动 离开 自动细化
和 申请 a 大的 稀疏 价值， a 稀疏 数字 手动。
如果 那些 建议 不 工作， 它是 可能 那 这 模型
或者 它是 配置 是 不是 合适的 为了 这 数据。
你 可能 需要 帮助。
好的， 这是 全部 我们会 喜欢 到 阐明 这 时间，
和 I 希望 你 能 开始 到 使用 这 信息 到 探索
这 状态 的 艺术 方法 到 分析 重复 措施 降解 数据。
感谢 你。
