Exemple pour la fonction Diagramme d'identification de répartition (troncature arbitraire)

Un ingénieur de fiabilité souhaite évaluer la fiabilité d'un nouveau type de silencieux et calculer la proportion de réclamations de garantie qui peut être attendue avec une garantie de 50 000 miles. L'ingénieur collecte les données de défaillance sur les anciens et les nouveaux types de silencieux. La défaillance des silencieux a été inspectée tous les 10 000 miles.

L'ingénieur enregistre le nombre de défaillances tous les 10 000 miles. Par conséquent, les données sont tronquées arbitrairement. Avant d'analyser les données de défaillance des nouveaux silencieux à l'aide de l'analyse de répartition paramétrique (troncature arbitraire), l'ingénieur utilise le diagramme d'identification de répartition (troncature arbitraire) pour sélectionner un modèle de distribution pour l'analyse.

  1. Ouvrez le fichier de données échantillons, FiabilitéSilencieux.MTW.
  2. Sélectionnez Stat > Fiabilité/Survie > Analyse de répartition (troncature arbitraire) > Diagramme d'identification de répartition.
  3. Dans la zone Variables initiales, saisissez DébNouv.
  4. Dans la zone Variables finales, saisissez FinNouv.
  5. Dans la zone Colonnes d'effectifs (facultatif), saisissez FréqNouv.
  6. Sélectionnez Spécifier. Vérifiez que les lois par défaut sont sélectionnées (Weibull, Log-normale, Exponentielle et Normale).
  7. Cliquez sur OK.

Interprétation des résultats

Sur le diagramme de probabilité de Weibull, les points se trouvent approximativement sur la ligne droite. Par conséquent, la loi de Weibull fournit un ajustement correct. L'ingénieur décide donc d'utiliser la loi de Weibull pour modéliser les données pour l'analyse de répartition paramétrique (troncature arbitraire).

Minitab affiche également un tableau des percentiles et un tableau des durées moyennes avant défaillance (MTTF), qui indiquent les temps de défaillance calculés pour chaque loi. Vous pouvez comparer les valeurs calculées pour déterminer dans quelle mesure les conclusions peuvent varier selon la loi utilisée. Si plusieurs lois s'ajustent correctement aux données, vous pouvez utiliser celle qui fournit les résultats les plus prudents.

Diagramme d'identification de répartition : Début = DébNouv et Fin = FinNouv

En utilisant les effectifs dans FréqNouv

Adéquation de l'ajustement Loi de Anderson-Darling distribution (ajust) Weibull 7,278 Log-normale 7,322 Exponentielle 8,305 Normale 7,291
Tableau des percentiles Loi de IC normal de 95 % distribution Pourcentage Percentile Erreur type Inférieur Supérieur Weibull 1 37265,1 938,485 35470,3 39150,6 Log-normale 1 43817,7 688,033 42489,7 45187,2 Exponentielle 1 941,789 32,5296 880,143 1007,75 Normale 1 39810,3 1047,34 37757,6 41863,1 Weibull 5 49434,9 841,147 47813,5 51111,3 Log-normale 5 51458,9 624,451 50249,5 52697,5 Exponentielle 5 4806,55 166,019 4491,93 5143,21 Normale 5 50694,9 810,524 49106,3 52283,5 Weibull 10 56006,1 759,186 54537,7 57514,0 Log-normale 10 56063,1 585,905 54926,4 57223,3 Exponentielle 10 9873,05 341,017 9226,79 10564,6 Normale 10 56497,5 699,183 55127,1 57867,8 Weibull 50 77639,9 501,312 76663,5 78628,7 Log-normale 50 75850,3 576,625 74728,5 76988,9 Exponentielle 50 64952,9 2243,49 60701,3 69502,3 Normale 50 76966,0 514,756 75957,1 77974,9
Tableau des durées moyennes avant défaillance (MTTF) Loi de IC normal de 95 % distribution Moyenne Erreur type Inférieur Supérieur Weibull 76585,0 488,71 75633,1 77549 Log-normale 77989,9 615,96 76792,0 79207 Exponentielle 93707,3 3236,67 87573,5 100271 Normale 76966,0 514,76 75957,1 77975

Diagramme d'identification de répartition de DébNouv

En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique