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: $y = ln\left[-ln\left(1-F(t)\right)\right]$
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.
# mr_df <-
# mr_df
# Probability Plotting:
# plot_points <-
# plot_points
```
# Zur Bestimmung der Parameter sucht man sich nun relevante Punkte auf der
Weibullgeraden:
# T_1 <-
# b_1 <-
# Weibullparameter
# c(T_1, b_1)
```
# mr_reg <-
# mr_reg
# mr_reg$coefficients
# plot_mr_reg <-
# plot_mr_reg
```
### Parameterschätzung - Maximum-Likelihood Methode
```{r, Aufgabe 1 - MLE}
# Anwendung der ML-Methode:
# mle <-
# mle
# mle$coefficients
# plot_mle_reg <-
# plot_mle_reg
```
# plot_all <-
# plot_all
```
Wiederholen Sie das Vorgehen für die Lognormalverteilung. Durch welches Modell
lassen
sich die Daten besser erklären?
# Wahrscheinlichkeitsschätzung:
# mr_cycle <-
# mr_cycle
# Probability Plotting:
# plot_points_weib <-
# plot_points_weib
# mrr_weib <-
# mrr_weib
# plot_points_lognorm <-
# plot_points_lognorm
# mrr_lognorm <-
# mrr_lognorm
# plot_reg_lognorm <-
# plot_reg_lognorm
```