在 這 講話， 是 去 到 描述
重複 措施 降解 和 它是 執行 在 跳轉。
我是 去 到 展示 這 背景， 動機，
一些 技術的 想法 和 例子。
然後 患病的 轉動 它 超過 到 彭， 世界衛生組織 將要 做 a 示範 顯示
只是 如何 簡單的 它 是 到 申請 這些 方法 在 跳轉 17。
這是 一個 概述 的 我的 講話。
我是 去 到 開始 出去 和 一些 激勵 例子，
和 然後 解釋 這 關係 之間 降解 和 失敗 和 這 優點
的 使用 降解 造型 在 肯定 應用程式.
然後 患病的 描述 這 動機 為了 我們的 使用 的 貝葉斯 方法
到 做 這 估計。
到 使用 貝葉斯方法 為了 估計， 你 需要 到 有 事先的 分佈。
患病的 演講 關於 這 通常 用過的， 非資訊性 和 每週 資訊豐富
事先的 分佈。
也 在 一些 應用程式,
我們 將要 有 資訊豐富 事先的 分佈 和 如何 那些 能 是 用過的。
然後 患病的 去 透過 二 例子，
和 在 這 結尾 患病的 有 一些 結論 評論。
我們的 第一個例子 是 裂縫 生長。
我們 有 21 缺口 標本。
這 缺口 是 .9 " 深的， 和 那是 喜歡 a 起動機 裂縫。
然後 這 標本 是 受到 到 循環 載入中,
和 在 每個 循環， 這 裂縫 成長 a 小的 位元.
什麼時候 這 裂縫 獲取 到 是 1.6 " 長的， 那是 這 定義 的 a 失敗。
我們 能 看 那 相當 a 很少
的 這 裂縫 有 已經 超過 那 等級， 但 許多 的 他們 有 不是。
傳統上， 你 可以 對待 那些 作為 正確的 審查 觀察結果。
但 如果 你 有 這 降解 資訊,
你 能 使用 那 到 提供
額外的 資訊 到 給 你 a 更好的 分析 的 你的 數據。
這 基本的 主意 是 到 合身 a 模型 到 描述 這 降解 路徑，
和 然後 到 使用 那 模型 到 誘導 a 失敗 時間 分配。
我們的 第二 例子 是 什麼 我們 稱呼 裝置 B,
a 收音機 頻率 力量 放大器。
超過 時間 這 力量 輸出 將要 減少
因為 的 一個 內部的 降解 機制。
這 曾是 一個 加速 測試 在哪裡 單位 是 受到
到 更高 等級 的 溫度，
2 37，195 和 150 度 C.
這 工程師 需要 資訊 關於 這 可靠性 的 這 裝置
所以 那 他們 可以 決定 如何 很多 冗餘 到 建造 進入 這 衛星。
這 失敗 定義 在 這 案件 曾是
什麼時候 這 力量 輸出 掉落 到 -.5 分貝。
我們 能 看 那 全部 的 這 單位 有 已經 失敗的
在 這 更高 等級 的 溫度，
但 在 150 度 C, 那裡 是 不 失敗 然而。
但 那裡 是 很多 的 資訊 關於 如何
關閉 這些 單位 是 到 失敗 經過 尋找 在 這 降解 路徑。
再次， 我們 想 到 建造 a 模型 為了 這 降解 路徑，
和 然後 我們 使用 那 到 誘導 a 失敗 時間 分配。
在 這 案件， 這 使用 狀態 是 80 度 C.
我們 想 到 知道 這 時間 在 哪個 單位
操作 在 80 度 C, 會 抵達 這 失敗 定義。
一次 再次， 我們 建造 a 模型 為了 這 降解 路徑。
我們 合身 那 模型， 和 然後 從 那 我們 能 得到 a 失敗 時間 分配。
許多 失敗 結果 從 一個 潛在的 降解 過程。
在 一些 應用程式, 降解 是 這 自然的 回覆.
在 那些 情況， 它 使 感覺 到 合身 a 模型
到 這 降解 和 然後 使用 這 誘導 失敗 時間 分配。
在 這樣的 應用程式,
一次 我們 有 a 定義 為了 失敗， 哪個 我們 稱呼 a 柔軟的 失敗
因為 這 單元 沒有 實際上 停止 操作 什麼時候 它 達到 那 等級
的 降解， 但 它是 關閉 足夠的 到 失敗 那 工程師 說 我們 會
喜歡 到 代替 那 單元 在 那 觀點， 只是 到 是 安全的。
現在， 在 一般的， 有 二 不同的
種類 的 降解 數據， 重複 措施 降解，
喜歡 這 二 範例 那 我已經 顯示 你， 和 破壞性的 降解，
在哪裡 你 有 到 破壞 這 單元 在 命令 到 製作 這 降解 測量。
為了 許多 年， 跳轉 有 有
非常 好的 工具 為了 處理 降解 數據。
我是 專注 在 這 演講
在 這 重複 措施 降解 方法
那 是 存在 實施的 在 跳轉 17。
那裡 是 許多 其他 應用程式
的 重複 措施 降解， 為了 例子， 引領 或者 雷射 輸出，
這 損失 的 光澤 在 一個 汽車 塗層 和 降解 的 a 化學 化合物，
哪個 能 是 測量 和 科技 這樣的 作為 傅立葉變換紅外光譜
或者 任何 其他 測量 品質 特徵
那是 去 到 降級 超過 時間。
那裡 是 許多 應用程式 為了 重複 措施 降解。
那裡 是 許多 優點 的 分析 降解 數據 如果 你 能 得到 他們。
在 特別的，
那裡 是 很多 更多的 資訊 在 這 降解 數據
相對的 到 轉動 那些 降解 數據
進入 失敗 時間 數據。
這 是 尤其 真的 如果 這 重的 審查。
的確， 它是 可能的 到 製作 推論 關於 可靠性
從 降解 數據 在 情況 在哪裡 那裡 不是 任何 失敗 在 全部。
也, 直接的 觀察
的 這 降解 過程 允許 我們 到 建造 更好的 模型
為了 這 失敗 時間 分配 因為 是 更近
到 這 物理 的 失敗。
現在， 一些 年 前， 什麼時候 我們 是 規劃 這 第二 版
的 我們的 可靠性 書， 我們 製成 a 決定 到 使用
更多的 貝葉斯 方法 在 許多 不同的 區域 的 應用。
一 的 那些 是 重複 措施 降解。
為什麼 是 那？
什麼 曾是 這 動機 為了 使用 貝葉斯 方法
在 這些 應用程式?
I 用過的 到 思考 那 這 主要的 動機
為了 貝葉斯 方法 曾是 到 帶來 事先的 資訊 進入 這 分析。
有時 那是 真的，
但 超過 這 年， 我已經 學到了 那 那裡 是 許多
其他 原因 為什麼 我們 想 到 使用 貝葉斯 方法。
為了 例子， 貝葉斯 方法 做 不是 依靠
在 大的 樣本 理論 到 得到 信心 間隔。
它 依賴 在 可能性 理論。
也, 它 轉彎 出去 那 什麼時候 你 使用 貝葉斯 方法 和 小心 被選中，
非資訊性 或者 每週 資訊豐富 事先的 分佈，
你 有 可信的 間隔 程式 那 有 非常 好的 覆蓋範圍 特性。
那 是， 如果 你 問 為了 95 % 間隔，
他們 趨向 到 覆蓋 什麼 他們是 假定 到 覆蓋 和 95% 可能性。
在 許多 應用程式, 那裡 是 許多 非貝葉斯 近似值
那 能 是 用過的 到 放 信心 間隔。
什麼時候 你 做 貝葉斯 推理， 它是 非常 直截了當。
有 真的 僅有的 一 方式 到 做 它。
也, 貝葉斯 方法 能 處理 和 相對的 舒適，
複雜的 模型 數據 組合
為了 哪個 有 不 最大限度 可能性 軟體 可用的。
為了 例子， 複雜的 組合
的 非線性 關係， 隨機的 參數 和 感應器 數據，
這 貝葉斯 方法 是 相對地
直截了當 到 申請 在 這些 複雜的 情況。
最後， 最後的 但 當然 不是 至少， 貝葉斯 方法 做 允許 一個 分析師
到 包含 事先的 資訊 進入 這 數據 分析。
但 I 想 到 觀點 出去 那 這 革命 我們已經 有
在 這 世界 的 數據 分析 到 使用 更多的 貝葉斯 方法，
最多 分析師 是 不是 帶來
資訊豐富 事先的 資訊 進入 他們的 分析。
反而， 他們 使用 每週 資訊豐富 或者 非資訊性 先驗
所以 那 他們 不 有 到 保衛 這 事先的 分配。
但 在 許多 應用程式,
我們 真的 做 有 堅硬的 事先的 資訊 那 將要 幫助 我們 得到 更好的 答案。
I 將要 闡明 那 在 一 的 這 例子。
貝葉斯 方法 要求
這 規格 的 a 事先的 分配。
作為 I 說， 在 許多 應用， 分析師 做 不是 想 到 帶來
資訊豐富 事先的 資訊 進入 這 造型 和 分析。
什麼 那 需要 是 一些 預設優先
那是 非資訊性 或者 每週 資訊豐富。
有 到過 a 大的 數量 的 理論 研究 在 這 主題
超過 這 過去的 40 年， 領導 到 這樣的 工具 作為 參考 先驗，
傑弗裡的 先驗， 和 獨立的 傑弗裡的 先驗
那 有 到過 顯示 到 有 好的 頻率論者 覆蓋範圍 特性。
一 的 我的 最近的 和 目前的 研究 區域
是 到 嘗試 和 製作 這些 想法 操作
在 實際的 問題， 特別 在 這 區域 的 可靠性。
A 簡單的 例子 的 這 是 如果 你 想 到 估計 a 地點 範圍
在 這 紀錄 的 a 規模 範圍， a 平坦的 事先的 分配 線索
到 可信的 間隔 那 有 精確的 覆蓋範圍 特性。
那是 非常 強大的。
也, 平坦的 事先的 分佈 能 是 出色地 近似 經過 a 普通的 分配
和 a 非常 大的 方差， 和 那 線索 到 每週 資訊豐富 先驗。
再次， 它是 有些 資訊豐富，
但 因為 這 變異數 是 非常 大的， 我們 稱之為 每週 資訊豐富。
這 方法 那 我已經 到過 服用 到 指定 事先的 分佈 是 到 尋找
一個 不受約束 參數化， 喜歡 這 地點 範圍
和 這 紀錄 的 這 規模 範圍 那 I 提及 多於，
和 然後 使用 a 非資訊性
或者 每週 資訊豐富 平坦的 或者 普通的 分配
和 非常 大的 差異 作為 這 預設 事先的。
然後 它是 總是 好的 主意 到 使用 一些
敏感度 分析 到 製作 當然 那 這 事先的 是 大約 沒有提供任何資訊。
那 是， 作為 你 擾亂 這 事先的 參數，
它 沒有 影響 這 底部 線 結果。
跳轉 用途 非常 明智的， 表現良好 方法 到 指定
預設 事先的 分佈 那 是 大致 在 線
和 什麼 我已經 描述 這裡。
擁有 那些 預設 事先的 分佈
使 這 軟體 方便使用的，
因為 然後 這 使用者 僅有的 有 到 指定 事先的 分佈
在哪裡 他們 有 資訊豐富 資訊 那 他們 想 到 帶來 在。
這是 只是 一個 插圖 到 展示 那 作為 這 標準 偏差
的 a 普通的 分配 獲取 更大， 你 方法 a 平坦的 事先的 分配。
現在， 作為 I 說， 在 一些 應用程式, 我們 真的 有 事先的 資訊
那 我們 想 到 帶來 在 那 是 資訊豐富 事先的 資訊.
什麼時候 我們 有 這樣的 資訊,
我們 將要 通常 描述 它 和 a 對稱 分配，
喜歡 a 普通的 分配， 雖然 一些 人們 更喜歡 到 使用
什麼 我們 稱呼 a 地點- 規模 t 分配
因為 他們 有 更長 尾巴。
在 最多 應用程式 在哪裡 我們 有 這
資訊豐富 事先的 資訊, 它是 僅有的 在 一 的 這 參數。
然後 是 去 到 使用 非資訊性，
或者 每週 資訊豐富 事先的 分佈
為了 全部 的 這 其他 參數。
讓我們 去 後退 到 合金 一個。
什麼 是 去 到 做 是 是 去 到 合身 a 模型 到 這 降解 路徑，
和 然後 使用 那 模型 到 誘導 a 失敗 時間 分配。
現在 如果 你 看 在 一個 工程 教科書
在 疲勞 或者 材料 行為，
你會 學習 關於 這 巴黎 裂紋-g 成長 模型。
它是 總是 好的 到 有 a 模型 那 同意 和 工程 知識。
跳轉 有 實施的 這 巴黎裂紋擴展模型。
這是 這 方式 它 會 出現 在 a 教科書。
然後 在 這 正確的 這裡 我們 有 這 跳轉 執行 的 那。
它是 一 的 這 許多 模型 那 你 能 選擇 到 合身 到 你的 降解 數據。
現在， c 和 m 這裡， 哪個 在 跳轉 是 c 和 b2，
是 材料 參數， 和 他們 是 隨機的 從 單元 到單位。
這 K 功能 這裡 是 已知 作為 a 壓力 強度 功能。
為了 這 裂縫 是 學習 這裡，
這 壓力 強度 功能 有 這 表示。
現在 這 是 a 微分 方程，
因為 我們已經 得到 a 的 t 這裡， 和 也 a 這裡，
你 能 解決 那 微分 方程式 和 得到 這 好的 關閉 形式。
這 是 這 模型 那是 存在 合身 之內 跳轉。
再次 這 參數 b1 和 b2 將要 是 隨機的 從 單元 到 單元。
現在 這是 這 規格 的 這 事先的 分配。
我已經 插圖 這裡 二 不同的
事先的 分佈， 這 預設 事先的 在 跳轉，
和 這 事先的 分配 那 我們 用過的 在 這 第二 版
的 我們的 可靠性 書， 哪個 我們 稱呼 SMRD2，
統計 方法 為了 可靠性 添加 二。
現在 這 方式 我們 指定 事先的 分佈
在 SMRD2 和 跳轉 是 正在做 這 作為 出色地， 是 和 什麼 I 稱呼 a 99 % 範圍。
為了 例子， 我們 說 那 是 去
到 描述 這 意思是 的 這 b1 範圍
經過 a 普通的 分配 那 有 99 % 的 這 可能性
之間 -15 和 22.
那是 a 巨大的 範圍。
那 是 每週 資訊豐富。
然後 我們 有 相似的， 非常 寬的 範圍 為了 這 其他 意思是 範圍 這裡。
然後 為了 這 西格瑪 範圍 跳轉，
下列的 通常 程式 為了 這些 用途 a 一半 柯西分佈，
哪個 有 a 長的 上 尾巴，
和 所以， 再次， 是 每週 資訊豐富。
現在 在 我們的 可靠性 書， 我們 用過的 很多 更緊 範圍。
但 有趣的是， 這 二 不同的 事先的 分佈 這裡
給 只是 關於 這 相同的 回答， 因為 兩個都 是 每週 資訊豐富。
那 是， 這 範圍 是 大的 相對的 到，
讓 我們 說， 這 信心 間隔
那 你 會 得到 使用 非貝葉斯 方法。
現在， 在 添加 到 指定 這 事先的 分佈， 哪個 再次，
跳轉 使 非常 簡單的 因為 它 有 這些 好的 預設 先驗，
你 也 有 這 能力 到 控制 這 馬可夫鏈蒙地卡羅 演算法.
這 僅有的 預設 那 I 會 改變 這裡
是 通常 I 會 跑步 更多的 比 一 鏈。
I 改變 這 一 這裡 到 四。
這 原因 為了 正在做 那 是 雙重。
首先 全部， 在 最多 設定, 包括 跳轉，
你 能 跑步 那些 同時地， 所以 它 沒有 拿 任何 更多的 電腦 時間。
這 其他 事物 是 我們 想 到 比較 那些 四 不同的 馬可夫 鏈條
到 製作 當然 那 他們是 給予 關於 這 相同的 答案。
我們 稱呼 那 mixing 出色地。
如果 你 看 a 情況 在哪裡 一 的 那些 鏈條 是 不同的
從 這 其他的， 那是 一個 指示 的 a 問題。
如果 你 有 這樣的 a 問題，
然後 這 通常 補救 是 到 增加 這 數位 的 熱身 圈數，
哪個 是 放 到 是 10 經過 預設, 但 你 能 增加 那。
什麼 那 做 它 允許 跳轉 到 調
這 MCMC 演算法 到 這 特別的 問題 所以 那 它 將要 樣本 正確地
到 得到 抽籤 從 這 聯合的 後部 分配。
在 全部 的 我的 經驗 使用 跳轉， 和 彭 有 建議 那 他是 有
相似的 經驗 那 經過 增加 那 高的 足夠的，
和 任何 範例 那 我們已經 嘗試過， 跳轉 將要 工作 出色地。
但 和 10 為了 最多 應用程式, 那 是 a 足夠 大的 數字。
這是 這 結果。
這是 a 桌子 的 這 範圍 估計。
出色地， 通常 在 可靠性 應用程式,
是 不是 所以 很多 有興趣的 在 這 估計 他們自己。
是 去 到 是 有興趣的 在 事物
喜歡 失敗 分佈， 哪個 我們 看 在 在 a 片刻。
然後 在 這 陰謀，
我們 有 估計 的 這 樣本 路徑
為了 每個 的 這 裂紋。
再次， 你 能 看 這 失敗 定義 這裡。
彭 將要 展示 你，
跳轉 使 它 簡單的 到 看 在 MCMC 診斷。
它是 總是 a 好的 主意 到 看
在 診斷 到 製作 當然 一切 轉身 出去 好的。
什麼 你 做 是 你 出口 後部 抽籤 從 跳轉，
和 然後 跳轉 有 放 向上 那裡 一些 腳本 到 創造
這些 各種各樣的 不同的 診斷。
為了 例子， 有 a 腳本 到 製作 a 痕跡 陰謀 或者 a 時間 系列 陰謀。
I 總是 喜歡 到 比較 那些 為了 這 不同的 鏈。
然後 有 其他 一 到 製作 什麼 我們 稱呼 a 對 陰謀，
或者 散點圖 矩陣 的 這 抽籤。
那是 什麼 我們 看 這裡。
然後 作為 I 說， 我們 能 使用 那些 抽籤
到 產生 估計 的 這 失敗 時間 分配。
跳轉 工具 那 經過 使用 這 分配 分析器 這裡。
我們 能 估計 分數 失敗 是 a 功能 的 時間
為了 任何 給定 數位 的 週期。
現在 讓我們 去 到 這 裝置 B射頻 電源A 放大，
再次， 一個 加速 重複 措施 降解 應用。
是 去 到 需要 a 模型 那 描述 這 形狀 的 這 路徑
和 這 關係 這 溫度 有 在 這 費率 的 降解。
再次， 這 使用 狀態 在 這 應用 是 80 度 C,
和 是 去 到 想 到 估計
這 失敗 時間 分配 在 80 度 C.
在 SMRD2， 這 是 這 方式 我們 會 描述 這 小路 模型
那 適合 裝置 b.
我們 稱呼 這 一個 漸近的 模型，
因為 作為 時間 獲取 大的， 我們 最終 抵達 一個 漸近線。
在 這 方程， X 是 這 轉型 溫度。
我們 稱呼 它是一個 天王星 轉型 的 溫度。
X 0 是 一個 隨意的 定心 價值。
測試版 一 是 a 速度 持續的 為了 這 潛在的 降解 過程。
測試版 三 是 這 隨機的 漸近線。
那些 二 參數， 這 速度 持續的 和 這 漸近線，
是 隨機的 從 單元 到 單元， 和 是 去 到 描述
那 隨機性 和 a 聯合的 或者 雙變數 對數常態 分配。
測試版 二， 在 這 其他 手， 是 a 固定的， 未知 範圍 那 是 這 影響
的 啟用設定 活力 那 控制項 如何 溫度 影響 這 降解 速度。
這 是 在哪裡 這 X0 來 在。
通常 我們 選擇 X 0 到 是 某處
在 這 範圍 的 這 數據
或者 在 a 特別的 溫度 的 興趣，
因為 測試版 一 會 是 這 速度 持續的 在 X 0.
再次， 有 a 大的 數位 的 不同的 模型 那 是 可用的。
這裡 是 如何 你 會 選擇 這 特別的 漸近的 模型。
這 對應 到 這 相同的 方程式 我們 有 在 SMRD 2.
這 僅有的 不同之處 是 那 跳轉 用途 a 輕微地 不同的 編號 習俗
為了 這 參數。
那 曾是 完畢 到 是 持續的
和 其他 事物 那 是 已經 在 跳轉 別處。
再次， 我們 有 到 指定 事先的 分佈，
但 跳轉 使 那 簡單的
因為 他們 提供 這些 預設設置， 這些 每週， 資訊豐富 預設值.
這裡 I 有 這 預設 那 跳轉 會 有 那 是 去 到 使用
如果 我們 做過 不是 有 任何 事先的 資訊 到 帶來 在。
我是 去 到 做 那 分析，
但 我是 也 去 到 帶來 在 這 資訊 那 工程師 有。
在 特別的， 我們 僅有的 有 資訊 為了 b3
和 所以 那是 存在 指定的 這裡。
但 全部 這 其他 條目 在 這 桌子 是 確切地 這 相同的 作為 這 跳轉 預設,
再次， 製作 它 真的 簡單的 到 實施 這些 種類 的 分析。
這是 這 結果。
一次 再次， 這裡 我們 有 a 桌子 給予 這 範圍 估計，
可信的 間隔 和 所以 向前。
在 這 陰謀， 再次，
我們 有 估計 的 這 樣本 路徑 為了 全部 的 這 個人 單位。
再次， 我們 有 這 失敗 定義 這裡，
但 什麼 我們 真的 想 是 估計 的 這 失敗 時間 分配
在 80 度 C.
再次， 是 去 到 做 那 經過 使用 a 分析器。
在 這 左邊 這裡 我們 有 這 估計
的 分數 失敗 是 a 功能 的 時間 在 80 度 C 為了 這 預設 先驗。
在 這 正確的 我們 有 這 相同的 事物，
除了 那 我們已經 用過的 這 資訊豐富 事先的 分配 為了 B 3.
立即地 你 能 看 那 事先的 資訊 有 允許 我們
到 得到 很多 更好的 估計 精確。
這 信心 間隔 是 很多 更多的 狹窄的。
有趣的是， 這 觀點 估計 的 分數 失敗
實際上 增加 什麼時候 我們 帶來 在 那 事先的 資訊.
在 這 案件， 這 事先的 資訊 會 允許 這 工程師 到 得到
a 很多 更好的 估計
的 分數 失敗 作為 a 功能 的 時間。
然後 到 製作 那 重要的 決定
關於 如何 很多 冗餘 到 建造 進入 這 衛星。
讓 我 結尾 和 一些 結論 評論。
重複 措施 降解 分析
是 重要的 在 許多 可靠性 應用程式.
它 是 也 重要的 在 許多 其他 區域 的 應用，
喜歡 確定 到期 日期
為了 產品 喜歡 藥品 和 食品。
什麼時候 將要 這 品質 是
在 這樣的 a 低的 等級 那 這 顧客 不 更長 快樂的？
也, 在 肯定 情況，
我們 能 帶來 事先的 資訊 進入 這 分析， 潛在 允許 我們
到 降低 成本 的 我們的 降解 實驗。
跳轉 17 有 強大的， 簡單的- 到- 使用 方法 為了 製作
壽命 推論 從 重複 措施 降解 數據。
現在 我是 去 到 轉動 它 超過 到 彭，
和 他是 去 到 闡明 這些 方法 到 你 使用 a 示範 在 跳轉。
感謝 你， 教授。
現在， 這 示範 時間。
這 目的 的 a 示範 是 到 幫助 你 到 開始 探索 這 穩定的 藝術 方法
到 分析 重複 措施 降解 數據。
I 將要 展示 你 如何 到 定位 這 樣本 數據 表 使用 跳轉，
如何 這 資訊 是 組織 在 這 報告
和 強調 一些 重要的 資訊 那 你 需要 到 知道。
第一的， 那裡 是 三 重複 措施 降解 數據 樣品
之中 跳轉 樣本 數據 表。
合金 a、d 裝置 b, 是 二 範例 和 嵌入式 腳本。
這 雷射 沒有嵌入腳本。
合金 a 是 一個 例子 沒有 一個 x 多變的。
裝置 b 是 例子 和 一個 x 多變的。
到 尋找 他們 去 到 這 幫助 和 點選 樣本 指數。
嘗試 到 尋找 這 大綱 節點 稱為 可靠性/ 生存。
展開 和 應該 看到 洛伊 a 是 這裡， 和 裝置 b 是 這裡。
到 尋找 氣體 雷射,
你 需要 到 去 到 這 樣本 數據 資料夾
在 你的 電腦 經過 點選 這 按鈕， 打開 這 樣本 數據 資料夾。
現在 我是 去 到 打開 合金 a.
然後 我是 去 到 分析 選單， 可靠性 和 生存，
選擇 這 反覆 措施 降解。
現在 我們 看 這 發射 對話。
我們的 分配 長度， 裂縫 長度 去 到 和，
標本 去 到 標籤 系統 ID 和 百萬 週期 去 到 次。
然後 我是 去 到 點選 好的。
這 是 這 最初的 報告。
它是 a 第五線性 模型 為了 個人 批次。
我是 去 到 選擇 這 第三種模型 這裡 經過 點選 這 影片 按鈕。
這 第五 最初的 模型 的 a 巴黎 模型 的 這 合金 數據。
我是 去 到 點選 這， 去 到 貝葉斯 估計 按鈕
和 產生 a 配置 介面.
這裡 我們 看 這 模型 公式。
這裡 是 這 預設 設定 為了 這 先驗。
然後 我們 是 不是 去 到 改變 任何事物 正確的 現在，
和 我們 是 只是 去 到 使用 這 預設 事先的 到 合身 我們的 模型。
現在 我是 去 到 點選
這 合身 模型 按鈕 這裡 和 讓 它 跑步。
然後 我是 去 到 解釋 什麼 是 在 這 報告。
在 這 結尾， 如何 到 得到 這 失敗 分配 分析器。
現在 患病的 點選 這 按鈕， 這 演算法 開始 跑步
和 這 進步 對話 說 那 這 第一步 是 調音。
這 潛在的 演算法 將要 去 透過 一些
圓形的 的 溫暖的 跑幾圈， 是 程式.
這 演算法 是 嘗試 到 學習 這 形狀 的 這 後部 分配，
為了 例子， 在哪裡 這 頂峰， 如何 寬的 是 這 跨度， 等等。
在 這 結尾， 他們 將要 嘗試 到 數位 出去
什麼 是 a 好的 稀疏 價值 到 畫 樣品 從 這 後部 分配，
這樣的 那 這 樣品 是 作為 小的 汽車 相關 作為 可能的。
然後 這 演算法 進入 這 第二 步。
這 對話 說， 這 步 是 收集 後部 樣品。
在 這 步， 一個 自動的 稀疏 的 80 是 已應用。
這 對話 節目 如何 很多 時間 在 全部的 這 演算法 有 到過 跑步。
在 這 第二 階段， 這 對話 也 節目 預期的 完成 時間。
經過 這樣的， I 希望 它 能 幫助 使用者
到 調整 到 他們的 期待 因此。
有時 過多的， 長的 預期的 完成 時間 是 a 符號 的 a 問題。
然後 我們 等待 a 小的 位元, 和 這 演算法 應該 結束 很快。
好的， 現在 這 演算法 有 完成的。
讓我們 看 什麼是 在 這 報告。
首先是 這 完成 時間。
如果 我們 左邊 你的 電腦 跑步 超過 時間，
你 可能 想 到 知道 在 這 早晨 在 下一個 天。
這 第二 是 a 複製 的 你的 設定, 包括 先驗， 數位 的 迭代，
隨機的 種子 和 其他 事情表明。
第三部分 是 後部 估計。
無論是 概括 或者 這 後部 樣品，
那裡 是 二 連結 在 這 地點 到 允許 你 到 出口 後部 樣品。
我是 去 到 強調 這 第一個連結。
一 目的 的 使用 這些 第一個連結
到 出口 後部 範例 是 到 檢查 潛在的 問題。
二 主要的 擔憂 是： 收斂 和 有效的 樣本 尺寸。
讓我們 看 在 它。
這 桌子 有 參數 在 個人 列。
每行 a 後部 樣本。
那裡 是 一些 嵌入式 腳本。
這 最多 重要的 一 是 這 第一個。
我是 去 到 點選 這 綠色的 三角形 到 運行 腳本。
腳本很簡單 跑步 時間 系列 在 個人 列
和 展示 他們的 時間 系列 陰謀。
在 這 情境 的 MCMC， 這 陰謀 是 已知 作為 這 痕跡 陰謀。
什麼 做 我們 看 這裡？
什麼 I 稱呼 好的 結果。
這 系列 是 固定的 和 不 重要的 汽車 相關性。
鬆散地 請講， 什麼時候 I 說 固定的 在 這 情境, I 具體來說 意思是 劇情
看起來 喜歡 這些。
他們 是 直的 平等的 和 樂團 的 隨機的 點。
好的， 讓 我 關閉 這 報告 和 這 桌子。
我們 是 看到 好的 結果 這裡。
也 這 數據 和 擬合模型 也 節目 這 結果 是 好的。
現在 我們 是 準備好 到 問 為了 一個合適的 時間 分配 分析器。
到 做 那， 去 到 這 報告 大綱 節點 選單
和 選擇 展示 喜歡 分配 分析器。
最多 條目 在 這 對話 有 明智的 預設 價值觀
和 然後 我們 僅有的 需要 到 供應 一 的 失敗 定義。
我是 去 到 進入 1.6 到 這 上 失敗 定義。
前 我是 去 到 點擊“確定”， 我是 去 到 減少 這 數位
的 SMRD2 實現 到 5,000 到 節省 我 一些 時間。
然後 我是 點選 在 好的。
這 是 也 a 計算 密集的 程式,
但 不是 作為 昂貴的 作為 MCMC 在 一般的。
它 應該 結束 迅速地。
你 能 使用 這 分析器 到 得到
這 失敗 可能性 和 這 分位數 估計。
我是 不是 去 到 精心製作的 更遠，
因為 分析器 是 a 非常 常見的 和 重要的 特徵 在 跳轉。
好的， 這 是 這 結尾 的 這 示範，
和 你 是 準備好 到 探索 經過 你自己。
但 這裡 是 a 夫妻 的 尖端 那 可能 是 有用。
第一的， 前 你 節省 這 腳本 到 這 桌子，
去 到 查看 這 節省 後部 到 腳本 選項
前 你 節省 這 腳本 到 這 桌子。
經過 這， 下一個 時間 你 跑步 這 節省 腳本，
軟體 將要 帶來 後退 這 已安裝 模型 反而 的 去
透過 這 冗長 MCMC 程式 一次 再次。
這 第二 事物 那 I 想 到 帶來 到 你的 注意力 是
我們 有 見過 好的 例子， 好的 結果， 但 那裡 是 壞的 個。
這裡 是 一些 壞的 例子。
這很糟糕 例子 方法 任何一個 失敗 到 收斂，
或者 那裡 是 高的 汽車 相關性。
到 地址 他們 我的 第一個建議 是 到 增加
這 數位 的 溫暖的 向上 圈。
第二 建議 在哪裡 我們 轉動 離開 自動細化
和 申請 a 大的 稀疏 價值， a 稀疏 數位 手動。
如果 那些 建議 不 工作， 它是 可能 那 這 模型
或者 它是 配置 是 不是 合適的 為了 這 數據。
你 可能 需要 幫助。
好的， 這是 全部 我們會 喜歡 到 闡明 這 時間，
和 I 希望 你 能 開始 到 使用 這 資訊 到 探索
這 狀態 的 藝術 方法 到 分析 重複 措施 降解 數據。
感謝 你。
