Beruflich Dokumente
Kultur Dokumente
## Einleitung
Ein geeignetes Verfahren zur Identifizierung von potentiellen Modellkandidaten
und zur ersten Abschätzung von Modellparametern ist die Methode des
_Probability Plotting_, die zu den grafischen Anpassungstechniken _(GOF - Goodness
of Fit)_
zählt.
Die Weibullverteilung lässt sich in ihrer zweiparametrigen Form durch die folgende
Verteilungsfunktion charakterisieren:
$$F(t)=1-exp\left[ -\left(\frac{t}{T}\right)^b\right]$$
Damit die Verteilungsfunktion im Wahrscheinlichkeitsnetz eine lineare Gestalt
annimmt,
müssen die nachstehenden Transformationen bzgl. der Achsen vorgenommen werden:
* Abszisse: $x = ln(t)$
* Ordinate: $y = ln\lbrack -ln(1-F(t))\rbrack$
Um die Methode des _Probability Plotting_ anwenden zu können, benötigt man eine
Schätzung für die kumulative Verteilungsfunktion. In der Praxis hat sich der
nicht-parametrische Medianrang-Schätzer nach *Benard und Bos-Levenbach* etabliert:
$$\hat{F}(t_i)\approx \frac{i - 0,3}{n + 0,4} ,\\ i \in \lbrace 1, 2, ..., n\
rbrace.$$
if (!require(tidyverse)) {
install.packages("tidyverse") # Installationsroutine
require(tidyverse) # Einbinden des Packages
}
```
## Aufgabe 1 - Weibull-Wahrscheinlichkeitsnetz und Parameterschätzung
Gegeben sind 10 Ausfälle und die dazugehörende Laufleistung `t` (in km). Bestimmen
Sie die Ausfallwahrscheinlichkeiten mit dem nicht-parametrischen Medianrang-
Schätzverfahren.
Visualisieren Sie anschließend Ihr Ergebnis im Weibull-Wahrscheinlichkeitsnetz und
bestimmen Sie die Weibullparameter b und T.
# Probability Plotting:
plot_points <- plot_prob(x = mr_df$characteristic, y = mr_df$prob, event =
mr_df$status,
distribution = "weibull", title_main = "Weibull - Wahrscheinlichkeitsnetz",
title_x = "Laufleistung in km", title_y = "Ausfallwahrscheinlichkeit in %",
title_trace = "Ausfälle")
plot_points
```
# Zur Bestimmung der Parameter sucht man sich nun relevante Punkte auf der
Weibullgeraden:
# Abschätzung von T: Das 63,21% Quantil liegt bei ca. 70000, was T entspricht.
# Abschätzung von b: Steigungsbestimmung, bei p2 = 0,6321 ist t2 = T = 70000
# und bei p1 = 0,30 ist t1 = 37000.
T_1 <- 70000
b_1 <- (SPREDA::qsev(0.6321) - SPREDA::qsev(0.3)) / (log(T_1) - log(37000))
# Weibullparameter
c(T_1, b_1)
```
Wiederholen Sie das Vorgehen für die Lognormalverteilung. Durch welches Modell
lassen
sich die Daten besser erklären?
# Wahrscheinlichkeitsschätzung:
mr_cycle <- mr_method(x = cycle, method = "benard")
mr_cycle
# Probability Plotting:
plot_points_weib <- plot_prob(x = mr_cycle$characteristic, y = mr_cycle$prob,
event = mr_cycle$status, distribution = "weibull",
title_main = "Weibull - Wahrscheinlichkeitsnetz",
title_x = "Lastzyklenanzahl", title_y = "Ausfallwahrscheinlichkeit in %",
title_trace = "Ausfälle")
plot_points_weib