Bonjour , mon nom est Enfiler Lifke , et Je suis avec Sandia National Laboratoires , Je vais être présentation sur Fiabilité Plate-forme dans JMP . Le exemple Je serai en utilisant a à faire avec sauter dans retraite . S'asseoir dos et apprécier . Et allons-y voir où ce conduit nous .
A petit peu à propos Sandia. Nous sont , au niveau fédéral financé recherche gouvernement détenu, entrepreneur exploité facilité . I 've a été à Sandia depuis à propos 2005 , à peu près. Je vais dire toi a petit peu à propos quoi nous faire à Sandia. Nous travail principalement sur nucléaire dissuasion . Six majeur programmes que étaient fonctionnement sur droite maintenant, I ne le fera pas aller dans le détails de ces , mais tous de ces programmes que toi voir sur mon écran sont programmes que I travail sur et avoir en fait appliqué JMP vers tous de ces comme Bien . Le raison Je suis présentation données sur retraite est parce que a parcelle de le truc que I faire est juste aussi sensible et I ne peut pas présent il dans ce particulier environnement . Donc, étaient en allant à utiliser quelques amusant données que tout le monde peut se rapporter à . Naturellement , ce est a enregistrement , donc toi prise ton questions à le fin .
Mais ce est le même présentation Je vais être donner en direct à le conférence . L et parler à propos retraite . Pourquoi est c'est quelque chose que est donc certain mais a donc beaucoup incertitude dans il que fait il a petit peu dur à plan ? Je suis pas bien sûr I serait vouloir à être sans que incertitude . I préférer a petit incertitude dans que . Il fait faire planification pour retraite a petit peu difficile . Mais I deviner sur le brillant côté , si I étaient a chat , il serait être même plus compliqué.
Par le chemin , que le CHAT ici est a réparable système , et c'est a entier nouveau sujet dans général . Étaient juste en allant à être faire systèmes que sont pas réparable , comme chats . Quoi nous peut faire est nous peut utiliser le Fiabilité et Survie outil dans JMP. Quelques de le captures d'écran que toi voir peut être sont de un plus vieux version de JMP. Ce était créé pré-COVID . Maintenant que nous sont sur plus récent versions de JMP là-bas pourrait être quelques léger différences dans quoi toi voir et quoi J'ai lire depuis le captures d'écran , mais devrait être assez similaire de toute façon .
Mais étaient en allant à être utilisé le Fiabilité et Survie et le Vie Distribution et Ajuster Vie par X dans JMP à faire quelques analyse de quelques données. Je ne le suis pas bien sûr à propos où les données est à venir depuis . À Sandia , nous avoir a Laboratoire Nouvelles que vient dehors, chaque couple de semaines et dans que Laboratoire Nouvelles ils comme à poste retraité décès de le personnes que nous travail avec pour a long temps, juste à laisser nous savoir que ils ont déplacé sur et disparu à a grand Recherche et développement facilité dans le ciel .
Donc, I pensée I pourrait utiliser que données à aide moi plan pour mon retraite . I saisi quelques de que données et I a pris données depuis quatre différent périodes , du laboratoire Nouvelles archives . I tiré quelques données depuis 2001 , 2007 , 2013 et 2018 . Le nombre de données points que I saisi depuis chaque de ceux est ici . Bien regarder à quelques de ces données et voir comment des choses sont changement à travers temps comme Bien . Mais de toute façon , le nombre de données points est joli significatif .
Ce petit agrafe , ce petit image sur le droite est a petit anecdotes là . Si toi regarder très près à le violoniste sur le gauche , quelques de toi pourrait reconnaître lui ou allons-y partir que en haut à toi à chiffre dehors . Peut être Je vais que il . C'est en fait mon partenaire , Claire . Elle est a pharmacien . Mais aussi a beau opéra chanteur .
T il bon chose à propos en utilisant le retraité données sur la mortalité pour moi est que que population est a mieux représentation de mon style de vie . Ils tendre à prendre moins risques , plomb petit plus conservateur style de vie et a similaire revenu et éducation niveau , de cours , où le meilleur et le le plus brillant sont laissés à le probablement à le bas de que liste , mais à moins Je suis dans que groupe . C'est un honneur à être fonctionnement avec le gens à Sandia . Un autre bon chose à propos en utilisant le données sur les décès des retraités est, il seulement comprend ceux OMS en fait fait il à retraite . I ne le faites pas vraiment soins à propos le données pour pas fabrication il à retraite . Et I s'excuser à mon enfants . Je suis dans Albuquerque , Nouveau Mexique droite maintenant .
Pour ceux de toi OMS amour Rupture Mauvais et savoir que Rupture Mauvais était principalement filmé ici dans Albuquerque , et donc Je suis a grand ventilateur de le montrer , donc J'ai a obtenu à mettre a petit peu de amusant truc dans le présentation . C'est pourquoi je jeté a petit peu de Albuquerque référence dans là pour ceux de toi OMS sont Briser le mauvais fans comme Bien . Et quelques Mieux Appel Saul truc à .
Allons-y aller droite dans JMP et commencer faire quelques de le analyse . Je suis en allant à plan de sauvetage de cela et Je suis en allant à ouvrir en haut mon données déposer . Laisser moi voir quelques écrans autour ici .
Ça prendre un deuxième à charger sur ton écran . Toi devrait être vision mon données déposer . Quoi toi voir sont le colonnes de âge dans le Laboratoire Nouvelles . C'est le journal que I a obtenu le données depuis. Le avec un- hebdomadaire date et I cassé que vers le bas à année . Et ces autre colonnes Je vais parler à propos dans a petit peu . Droite maintenant , allons-y juste regarder à le âge et le année . Allons-y juste regarder à le distribution de le données et voir quoi il dit .
Si nous analyser le distribution de âge , Je suis juste en allant à analyser distribution de âge dans général . Si nous regarder à que , ce est quoi le distribution regard comme . Toi peut voir a trier de a biaisé gauche distribution et nous peut vraiment voir a petit plus détail sur ce si nous aller dans quelques de le afficher options dans JMP. Ceci données en fait meilleur convient Weibull distribution , a deux paramètre Weibull distribution , lequel Je vais montrer sur quelques de le avenir écrans . Mais quoi nous vouloir à faire est prendre ce données et utiliser le Vie Distribution à regarder à il .
Je suis en allant à traîner sur mon PowerPoint ici et montrer toi que I ensemble ces distributions dans le intérêt de temps plutôt que juste en fait faire il . L regarder à le distributions de le quatre années , le quatre catégories de années , lequel sont , 2001 , 2007 et 2013 , 2018 , tous de ces ajuster a Weibull distribution assez Bien . I recherché à vérifier mon hypothèse quand I commencer L'analyse porte sur l'analyse de l'état du sujet et de l'analyse de l'état de l'objet. L'analyse le données dans Vie Distribution .
Alors Je suis en forme eux à a Weibull distribution . Laisser moi ouvrir en haut ... Laisser moi donner toi a petit peu de arrière-plan sur le Weibull distribution , que volonté aide toi comprendre quelques de le données que je suis en allant à montrer . Ce est en fait a Weibull distribution... Weibull distributions généré en utilisant JMP formules , en fait . J'ai pris distributions avec différent santé plans et différent payer les DOE juste à montrer toi quoi le alpha bêtas faire avec le Weibull distribution . Laisser moi courir mon scénario sur ce et montrer toi quoi ces regarder comme .
Essentiellement, Je suis juste faire a Ajuster Vie par X dans JMP , et moi sauvegarder le scénario à le données tableau . Ce est principalement juste à montrer toi quoi se produit avec Weibull distributions quand toi tourner sur a locale données filtre ici et montrer toi quoi le paramètres faire avec différent alphas et différent bêtas . Si toi avoir Weibull distributions où... Je suis en allant à choisir le trois que avoir a bêta de un. Le bêta Weibull distribution, essentiellement détermine ce est le propagé de le distribution toi pense de dans termes de standard déviation .
Quand toi parcelle le données sur a Weibull courbe , toi volonté voir que ils tous sont parallèle lignes et ils sont essentiellement juste trottinette à travers le X axe ici . Le bêta est le pente de ce doubler , lequel est le propagé de le données . Si I regarder à trois courbes que avoir le même alpha mais différent bêtas , vous allez avis que ils sont tous centré à à propos le même indiquer . Quoi le bêta est faire est changement le propagé . Alpha est changement le emplacement de ce.
Ils tous à travers ce indiquer , lequel est en fait à 0,632 . Je vais parler à propos que ici a petit peu . Mais cependant le caractéristiques durée de vie est le alpha , et c'est le indiquer où ton doubler croix 63,2% , lequel vient dehors à être un moins un sur 80 si toi vouloir à obtenir dans le preuve de il . Le bêta est le propagé de le données, le alpha est le emplacement de le données. Échelle et l'emplacement, c'est parfois quoi ils appel il . Juste a petit arrière-plan sur que . Je vais balançoire ce PowerPoint dos sur ici et montrer toi et résumer glisser quoi I signifier .
Ces intrigues avoir le même alpha . Ils sont tous centré à le même lieu . Le trois que avoir le plus petit rectangle autour eux sont le même bêta . Donc, ils avoir le même propagé , mais ils sont situé différemment parce que ils avoir différent alphas . Juste a petit bref tutoriel sur quoi le bêta distribution paramètres faire à le courbe .
Allons-y juste regarder à tous le données sur a fermer en haut. Exemple , probable courbe données , et allons-y juste regarder à le âge paramètres . Si nous analyser le Fiabilité , Survie et juste regarder à le Vie distribution de âge ... Quoi nous voir est linéaire Balance sur le X et Y , mais nous peut en fait déterminer lequel distribution système convient ici . Et quoi nous trouver , de cours , est que le Weibull convient meilleur . Ce est quoi le Weibull distribution regard comme, sur tous de que données bourré ensemble . En utilisant le distribution profileur , I peut en fait manuellement trottinette ce sur et dire, I vouloir à être 90% bien sûr I ne le faites pas courir dehors de argent .
I mieux plan sur a retraite âge de à peu près 92 ou donc . À propos 92 à être 90% bien sûr I ne le faites pas courir dehors de argent chaque temps . Que était vraiment le se concentrer de ce jour dans en essayant à aide moi plan mon âge de la retraite . Toi savoir , ils toujours dire toi comment long toi vouloir à plan ton retraite pour . De cours , nous ne le faites pas savoir . Généralement nous juste prendre a sauvage deviner , mais ce est a petit peu de données conduit décision fabrication en allant sur ici .
Quoi si nous regarder à ces à travers le quatre différent années , nous peut utiliser le même plate-forme , le Fiabilité Survie ou Ajuster Vie par X. Nous peut regarder à le âge contre le réel année ici . Allons-y voir comment le années regarder différemment . Laisser moi tourner sur le densité courbes ici donc toi peut voir où ceux automne . Je souhaite que ce soit une loi de Weibull. distribution . Nous peut aussi tourner sur quantile lignes à voir comment des choses changement à travers temps . Ce est le 10, 15 , 98% ligne de quantile .
Il regard comme peut être peut être depuis 2001 à 2007 des choses avoir changement a parcelle , mais à propos 2013 , peut être le personnes sont vie a petit peu plus long basé sur le 2013 et 2018 données . Nous aller vers le bas ici et regarder à le détails de ce Fit Life par X . Toi peut voir le intrigues tous séparément ici . Ces petit profileurs sont amusant à désordre avec ici . Toi peut voir le âge , le probabilité de échec . Apparence comme J'ai a obtenu le long courir et le probabilité de échec est... Je vais juste mettre a 90 ici .
Mais nous peut voir que il regard comme nous sont obtenir a petit peu plus sain parce que ce Probabilité est en allant vers le bas à travers temps , à moins pour 90 années vieux . Il y a a parcelle de truc dans ici que toi peut bricoler autour avec . I ne le faites pas avoir le temps à montrer toi tous de que , mais ce que je vouloir à obtenir vers le bas à ici est ... Ce emplacement échelle . Ce petit test ici est révélateur moi , sont mon lieux différent , supposant nous ne le faites pas avoir le même données , le même échec mécanisme , lequel dans théorie nous faire , droite ?
Nous tous avoir le même échec , mais le physique de le humain comme échecs devrait être constante . Et donc notre données ne devrait pas changement beaucoup . Mais supposant nous avoir le économie bêtas et le alphas changement , dans autre mots , est le emplacement de ces changement ? Et le données dit , Ouais , que étaient rejetant le nul hypothèse que le données sont pas trottinette à travers ce X axe à travers le années . Il y a a changement . Maintenant regarder à l'emplacement et échelle , il regard comme c'est marginal .
Je suis Je vais parler plus , quand nous obtenons vers le bas à le Weibull ici, le réel Weibull données . Le Weibull regarder à y a-t-il a différence dans le bêta , dans le pentes ou dans le propagé de le données année à année. C'est droite sur le bord de être rejetant le nul hypothèse que ils sont situé , que ils sont en fait le même sur le pentes . Si toi vouloir à regarder à différent distributions à travers le années , toi peut en fait faire a statistique test à voir si des choses sont changement à travers temps , le distributions de ton fiable données .
Droite . Donc, quoi suis I oubli ? Laisser moi glisser dos sur ici à le PowerPoint . Quoi Je suis pas faire , Je suis pas considérant censuré données . I ne le faites pas avoir le données pour tout le monde qui est toujours vivant . Le retraités sont toujours vivant , mais I juste ne le faites pas avoir accéder à il . Donc, I pensée , Bien , qu'est-ce que que en allant à faire à mon analyse ? Bien , I peut jouer autour avec le données I avoir et aller dos dans temps . Pour exemple , I peut aller dos à 2007 et I peut traiter le 2013 et 2018 données comme censuré données parce que I savoir que ceux retraités sont toujours vivant . Juste à voir comment il affecte mon analyse , le fait que Je suis pas y compris censuré données . I a fait faire que . I est allé dos et gâché autour avec que . Je vais montrer toi a petit peu de il , mais I n'a pas vraiment trouver dehors beaucoup . Comme notre super ami George Boîte que modèles autour le pratique questions , comment faux faire ils avoir à être à pas être utile ?
Et I vraiment n'a pas trouver rien utile dans faire que . Mais I volonté montrer toi à moins quoi I a fait . À convaincre moi-même que pas ayant que le données pour le retraité toujours vivant, est pas a problème . Si nous regarder à le ... Laisser moi tabuler mon données réel rapide . Si I regarder à le âge , le année de le données contre si ou pas I suspendu le données , quoi I a fait est I a pris le 2018 données et suspendu il et travail mon chemin dos à 2013 .
Nous a fait un analyse sur 2013 en utilisant le trois années de données et alors en utilisant le 2018 données comme suspendu données . De cours , I avait à prendre le données depuis 2018 et I avait à soustraire cinq depuis il parce que que serait être le âge dans 2013 . JE n commande à inclure que suspendu données , I avait à ajuster leur âge par conséquent comme Bien . Mais I aussi a fait que pour 2007 . Laisser moi montrer toi dans tabulaire format , I créé a colonne appelé Suspendre 2007 où I a pris le données depuis 2018 et 2013 et aussi suspendu il .
I a pris dehors mon données de connu décès et moitié mon données comme suspendu données , personnes OMS sont toujours vivant . Toi peut voir que ... Laisser moi montrer toi quoi que a fait à le données . Pour le âge sur 2013 données toujours vivant , toi peut voir que c'est essentiellement le 2018 données moins le cinq années . Si I regarder à le réel âge ici . Si nous regarder à le signifier âge , essentiellement ce est le signifier âge pour le 2018 données . Par suspension , I essentiellement juste soustrait désactivé le cinq années ici . Et traité hors du suspendu données .
Et le même va pour le 2007 données . T ici plutôt , I croire , Je juste soustrait désactivé neuf années, et cinq années pour le 18 à 2013 données . Quand I a écrit le analyse de ceux , Je suis juste en allant à montrer toi sur le PowerPoint glisser quoi il regard comme parce que il travaux dehors pratique pour moi à saut dos et quatrième entre ces deux à montrer toi le différence . Quoi I trouvé était que ce était mon original données et alors ce est le données traitement 2018 données suspendu et faire le analyse de 2013 données .
Toi peut voir que le zone de intérêt où Je suis vraiment concerné à propos est où Je suis passage que peut être 90% probabilité . Il n'a pas changement beaucoup à tous . Et alors ce est lancement le 2018 et 2013 données actifs pendant le analyse basé sur 2007 données et le 2001 données. Toi peut voir que il vraiment n'a pas changement le courbe beaucoup dans le zone que I soins à propos . Que a donné moi le confort que I vraiment suis pas manquant beaucoup par pas censure dehors le données .
I signifier par pas ayant ce censuré données . Comment a fait I calculer mon 90% confiance intervalles ? Je suis en allant à juste montrer toi dans PowerPoint comment I a fait ce juste dans le intérêt de temps . I peut utiliser le quantile profileur et regarder à le 5% 95% probabilité et calculer mon 90% confiance intervalles . Typiquement , quoi vous allez voir pour données et dans ce cas , c'est 66 années vieux, 96 années vieux . Mais vraiment quoi I soins à propos est le supérieur limite . I seulement soins à propos mon 90% probabilité . Et dans ce cas il était âge 94 .
Basé sur ce analyse , I maintenant savoir que I vouloir à être 90% bien sûr I ne le faites pas courir dehors de argent . I devrait plan à en direct à être 94 . Ce est basé sur mon historique données . Quantification que incertitude , ce est essentiellement ... A petit peu humour tonifier dans .
Le suivant phase dans ce était à essayer et chiffre dehors ... Je suis en allant à lancer dans a petit peu de prime matériel ici au-delà le Situation Life Fit . Ici nous avoir ce outil appelé le Pension Outil. Nous pourrait en fait mettre dans le année étaient en allant à se retirer, et nous pourrait aussi supposer a salaire augmenter et a non base , lequel est, essentiellement, quoi toi serait appel a prime dans privé industrie .
Nous pourrait mettre ceux dans ce outil et il serait cracher dehors notre pension, notre estimé mensuel pension . I pensée , Bien , que n'a pas aide moi beaucoup. Quoi I vouloir à faire est, I vouloir à inverse- ingénieur que outil donc que I avoir le profileur à bricoler avec . I est allé dans le JMP et I créé a Réponse Surface modèle , et I essentiellement saisir trois différent âge à retraite , 62 , 65 et 68 .
I a fait trois différent salaire augmentations et I essayé trois différent basé récompenses comme Bien . Laisser moi tirer données sur ici . Ce est quoi le données regardait comme quand I couru le expérience . Je suis juste en allant à montrer toi le le captures d'écran depuis JMP plutôt que faire un réel JMP analyse parce que Je suis comme 20 minutes déjà et je veux faire bien sûr I avoir assez temps à couverture tous de ce .
Quand I créé ce expérience , vous allez avis que le court sont trié . C'est d'accord parce que Je suis faire a ordinateur simulation donc, I ne le faites pas avoir à inquiétude à propos cachette variables comme le température dans le chambre , le humidité et le opérateurs . Je suis en allant à obtenir le même répondre indépendamment de de le commande que I couru ce . Donc, c'est Plus facile pour moi à faire le outil à courir eux dans commande . Mais quand toi faire que conception de expériences , toi vouloir à randomiser ton courir . Faire pas courir eux dans commande dehors de commodité . Si toi faire, toi sentir, d'accord, ton ensemble de souches volonté dire toi que toi peut utiliser le comment à ensemble facile, comment changements avec le changement, fonctionnalité dans JMP à faire bien sûr toi faire que correctement par en utilisant quelques blocage .
Mon entrées étaient tous orthogonal . I couvert tous combinaisons de le... Mon âge à retraite , le trois différent âge et le trois différent mois basé récompenses et le trois différent salaire augmenter pourcentages . Ce est le regarder à le analyse toi peut faire quand tu es paramètre en haut ton expérience dans JMP. Toi peut faire bien sûr que ton principal effets sont seulement corrélé à eux-mêmes . Et que il y a minimal corrélation à autre variables , dans deux facteur interaction est aussi a quadrillé terme depuis I a fait a Réponse Surface modèle.
Mais le filet résultat était a bon prédiction profil et Je suis en allant à aller devant et juste courir ce et montrer toi . Prédiction profileur . Quand I ensemble en haut le expérience , I dire JMP. Quand toi ensemble en haut un expérience dans JMP , c'est bon parce que il donne toi ces scripts déjà dans ton données tableau . Je suis juste en cours d'exécution le modèle données tableau . Et JMP dit , Oh , I savoir quoi toi vouloir modéliser , parce que I était ici quand toi ensemble en haut le expérience. Et il donne moi mon Y et il donne moi mon Xs .
Il court mon a analyse pour moi . I peut maintenant utiliser le profileur JMP, plutôt que ayant à mettre dans un âge, salaire augmenter, et une base non prix dans que outil et obtenir un nombre dehors . Maintenant I avoir le profileur Je renverse conçu leur outil essentiellement. I peut voir quoi mon mensuel avantage est en allant à être contre a salaire augmenter , non base, où toi voir que non base prix n'a pas vraiment avoir beaucoup effet. Salaire augmenter , pas beaucoup effet . Et de cours , âge comme nous serait attendre, avoir le la plupart effet .
Quoi faire I faire avec ce information ? Bien , quoi I vraiment soins à propos est mon durée de vie avantage . Et Je suis aussi Je suis concerné à propos inflation . Donc, I ajouté quelques formules à ce . I ajouté a durée de vie avantage , lequel est juste mon mensuel avantage fois comment long Je suis en allant à en direct . Si toi vouloir à regarder à le formule , toi peut voir c'est essentiellement mon mensuel avantage fois comment long Je suis en allant à en direct . Et c'est mon durée de vie avantage .
C'est quoi I vraiment soins à propos , est comment beaucoup argent suis-je va obtenir dans mon durée de vie . I savoir si I se retirer plus tôt , Je suis en allant à obtenir moins argent . C'est a Non cerveau . Mais I vouloir à savoir , est là a indiquer de décroissant retours. W poule I regardait à le âge à retraite , mon durée de vie avantage pour 80 , 84 et 98 créé trois séparé colonnes pour ceux données volonté être le colonne. Tous ces les données veulent l être fourni à toi comme Bien , si toi vouloir à bricoler avec il .
Mais quoi toi peut voir est a durée de vie avantage pour vieillissement . C'est en fait a indiquer de décroissant retours. Où I pourrait comme Bien juste se retirer à 65 parce que Je suis en allant à obtenir moins argent , mais Je suis en allant à obtenir il pour a plus long période de temps . Maintenant , comme que débuts à augmenter, si mon durée de vie à âge 84 , Il s'avère que mon durée de vie avantage serait avoir a été a petit peu mieux suspendu sur là . Et comme I obtenir plus vieux , de cours , Je suis mieux désactivé en attendant comme long comme I peut à se retirer .
Mais I vraiment ne le faites pas savoir . I ne le faites pas savoir quoi que nombre est . Mon meilleur deviner est 84 . Que était le cinquantième percentile sur mon ajuster . Si I vouloir à être vraiment conservateur , Je suis regarder à 90 . Mais I aussi recherché à regarder à comment inflation importe . I regardait à le présent valeur, I mettre a formule dans JMP . Il y a en fait a formule pour présent valeur . Laisser moi expliquer [inaudible 00:26:05] Je vais montrer je te le dis réel rapide .
Dans JMP toi peut en fait utiliser a formule similaire à quoi Exceller a et calculer ce présent valeur. Et que ajuste pour inflation . Ce est quoi ton l'argent valeur maintenant, relatif à quoi tu es prédiction , le avenir inflation taux est en allant à être annuel inflation taux . À 0% ce présent valeur est juste ton durée de vie . Le nombre de paiements tu es en allant à avoir à travers ton durée de vie fois le paiement montant essentiellement , mais toi obtenir pénalisé comme inflation va en haut , il devient moins et moins . Si I regarder juste à le inflation présent valeur données ... Si I juste modèle ceux , quoi I remarqué était ... Je vais les faire petit plus gros donc toi peut voir eux .
I remarqué que quand mon salaire augmenter est plus petit, inférieur ... Ce est a deux facteur interaction . Toi peut voir le pentes changement . Que était quelques petit salaire augmentations , lequel sont probablement pas irréaliste dans le à venir avenir . Là est a indiquer de décroissant retour quand nous pénaliser pour inflation . À inférieur inflation , là est pas que grand de a avantage à attendez à se retirer . Une fois I frapper à propos 65 ou donc , c'est départ à aplatir dehors . Vraiment le différence n'est-ce pas que grand .
Si nous regarder à le prédit valeur , ces sont pas mon réel Nombres . Ces étaient basé sur censure le données en utilisant a facteur de hauteur de 4 000 $ a mois , lequel est le typique retraité revenu . I remarqué que comme I peser , il aplatit dehors donc il n'a pas vraiment payer à attendez à se retirer . Je suis en utilisant ce information à aide moi décider quand I vraiment vouloir à se retirer . Droite maintenant , Je vais être 62 dans Peut , donc Je suis départ à approche le capacité à faire ce .
Probablement en allant à attendez à 64 , 65- travail à où le différence dans mon présent valeur est pas que grand . C'est a petit rapide prime sur comment I utiliser le designer expériences fonctionnalité dans JMP à inverse- ingénieur ce . Dans résumé , I regardait à le retraité la mort données et I ensemble le Vie Distribution et Ajuster La vie par X, I regardait à quatre différent temps périodes et remarqué peut être nous a fait obtenir a petit peu plus sain et plus sain dans 2013 , mais par 2018 que avoir aplati dehors . I faire avoir quelques 2021 données que I ne le faites pas avoir dans ce présentation, mais suivant année à le conférence dans Espagne dans Mars , que c'est en fait joli plat depuis 2013 à 20 18 à 2021 . Étaient vraiment pas obtenir plus sain , vie plus long . C'est en allant à aide moi avec mon décision . I a pris a coutume conçu expérience en bonus matériel ici , et I inverse- conçu ce web basé applet que nous avoir et utilisé le profileur à remplacer que un données indiquer à a temps . A vraiment cool chose , toi peut faire dans JMP . I serait prendre questions ici si étaient vivant .
Et avec que , I vouloir à dire un dernier chose . I vraiment vouloir à consacrer ce présentation à mon frère , OMS I perdu a couple de années il y a à cerveau cancer , OMS était seulement 15 mois plus jeune que moi . Il était a compagnon Mot de passe et aussi a compagnon JMP utilisateur . Quelques de toi peut avoir de lui à le JMP conférence et donc je suis dédier ce à lui . Remercier toi très beaucoup .
