Beispiel für Verteilungsidentifikation (beliebige Zensierung)

Ein Produktionssicherheitstechniker möchte die Zuverlässigkeit eines neuen Typs von Schalldämpfern auswerten und den Anteil von Garantieansprüchen schätzen, der bei einer Garantie auf 50.000 Meilen zu erwarten ist. Der Techniker erfasst Ausfalldaten sowohl für den alten als auch für den neuen Typ von Schalldämpfern. Die Schalldämpfer wurden alle 10.000 Meilen auf einen Ausfall geprüft.

Der Techniker zeichnet die Anzahl der Ausfälle für jedes Intervall von 10.000 Meilen auf. Daher sind die Daten beliebig zensiert. Vor dem Analysieren der Ausfalldaten für die neuen Schalldämpfer mit der Option „Verteilungsgebundene Analyse (beliebige Zensierung)“ wählt der Techniker mit der Option „Verteilungsidentifikation (beliebige Zensierung)“ ein Verteilungsmodell für die Analyse aus.

  1. Öffnen Sie die Beispieldaten Schalldämpferzuverlässigkeit.MTW.
  2. Wählen Sie Statistik > Zuverlässigkeit/Lebensdauer > Verteilungsanalyse (beliebige Zensierung) > Verteilungsidentifikation aus.
  3. Geben Sie im Feld Startvariablen die Spalte StartNeu ein.
  4. Geben Sie im Feld Endvariablen die Spalte EndeNeu ein.
  5. Geben Sie im Feld Häufigkeitenspalten (optional) die Spalte HäufNeu ein.
  6. Wählen Sie Angeben aus. Vergewissern Sie sich, dass die Standardverteilungen (Weibull, Lognormal, Exponential und Normal) ausgewählt sind.
  7. Klicken Sie auf OK.

Interpretieren der Ergebnisse

Im Weibull-Wahrscheinlichkeitsnetz folgen die Punkte annähernd der Geraden. Daher bietet die Weibull-Verteilung eine gute Anpassung. Der Techniker entscheidet sich, die Daten für die verteilungsgebundene Analyse (beliebige Zensierung) mit der Weibull-Verteilung zu modellieren.

In Minitab werden außerdem eine Tabelle der Perzentile und eine Tabelle der mittleren Zeit bis zum Ausfall (MTTF) angezeigt, die berechnete Ausfallzeiten für jede Verteilung enthalten. Sie können die berechneten Werte vergleichen, um festzustellen, ob Sie bei anderen Verteilungen andere Schlussfolgerungen ziehen würden. Wenn mehrere Verteilungen gut an Ihre Daten angepasst sind, empfiehlt es sich, die Verteilung zu wählen, die die konservativsten Ergebnisse liefert.

Verteilungsidentifikation: Start = StartNeu und Ende = EndeNeu

Unter Verwendung der Häufigkeiten in HäufNeu

Güte der Anpassung Anderson-Darling Verteilung (kor) Weibull 7,278 Lognormal 7,322 Exponential 8,305 Normal 7,291
Perzentiltabelle Normales 95%-KI Verteilung Prozent Perzentil Standardfehler Untergrenze Obergrenze Weibull 1 37265,1 938,485 35470,3 39150,6 Lognormal 1 43817,7 688,033 42489,7 45187,2 Exponential 1 941,789 32,5296 880,143 1007,75 Normal 1 39810,3 1047,34 37757,6 41863,1 Weibull 5 49434,9 841,147 47813,5 51111,3 Lognormal 5 51458,9 624,451 50249,5 52697,5 Exponential 5 4806,55 166,019 4491,93 5143,21 Normal 5 50694,9 810,524 49106,3 52283,5 Weibull 10 56006,1 759,186 54537,7 57514,0 Lognormal 10 56063,1 585,905 54926,4 57223,3 Exponential 10 9873,05 341,017 9226,79 10564,6 Normal 10 56497,5 699,183 55127,1 57867,8 Weibull 50 77639,9 501,312 76663,5 78628,7 Lognormal 50 75850,3 576,625 74728,5 76988,9 Exponential 50 64952,9 2243,49 60701,3 69502,3 Normal 50 76966,0 514,756 75957,1 77974,9
Tabelle für MTTF Normales 95%-KI Verteilung Mittelwert Standardfehler Untergrenze Obergrenze Weibull 76585,0 488,71 75633,1 77549 Lognormal 77989,9 615,96 76792,0 79207 Exponential 93707,3 3236,67 87573,5 100271 Normal 76966,0 514,76 75957,1 77975

Verteilungsidentifikation für StartNeu

Durch Ihre Nutzung dieser Website stimmen Sie zu, dass Cookies verwendet werden. Cookies dienen zu Analysezwecken und zum Bereitstellen personalisierter Inhalte.  Lesen Sie unsere Richtlinien