Especifique as opções de estimativa para Curva de crescimento paramétrica

Estat > Confiabilidade/sobrevivência > Análise de sistema reparável > Curva de crescimento paramétrica > Estimativa

Neste tópico

Método de estimação
Modelo de processo
Intervalos de confiança

Método de estimação

Selecione um método para estimar os parâmetros de distribuição.

Verossimilhança Máxima: Estime os parâmetros de distribuição por meio da maximização da função de verossimilhança.
VM Condicional: Estime os parâmetros de distribuição por meio da maximização da função de verossimilhança condicional. Se você usar esse método, o Minitab fornece as estimativas de erro padrão e o intervalo de confiança apenas para o valor da forma.
Mínimos Quadrados: Estime os parâmetros de distribuição ajustando uma linha de regressão para os pontos em um gráfico de probabilidade. Se você usar esse método, o Minitab não fornece estimativas para erros padrão e intervalos de confiança.

Observação

Para obter mais informações sobre os resultados que podem ser obtidos com cada método de estimativa, acesse Estimativa de parâmetros por curvas de crescimento.

Modelo de processo

Com base na existência de uma tendência na taxa de falha/reparação, selecione um modelo de processo.

Processo de Lei de Potência: Selecione esta opção para modelar os dados usando um processo power-law. Use um processo power-law para modelar tempos de falha/reparo que tenham uma taxa de aumento, diminuição ou mantenham constante. A taxa de reparo para um processo power-law é uma função do tempo.
Observação
Se você usar o método de estimativa da máxima verossimilhança (padrão), o modelo power-law é também conhecido como o modelo AMSAA ou modelo Crow-AMSAA. Se você usar a estimativa de mínimos quadrados, o método do modelo de estimativa power-law também é chamado o modelo de Duane. Para obter mais informações, vá para Métodos e fórmulas para modelos paramétricos em Curva de crescimento paramétrica.
- Estimar parâmetros de forma: Selecione para fazer com que o Minitab estime o parâmetro de forma a partir dos dados da amostra.
- Definir parâmetro de forma: Selecione esta opção para especificar o valor do parâmetro de forma. Em seguida, digite uma constante numérica positiva. O valor inserido pode estar baseado em uma análise de distribuição ou no conhecimento do processo histórico.
Processo de Poisson: Selecione esta opção para modelar os dados usando um processo de Poisson. Use para modelar tempos de falha/ reparo que se mantêm estáveis ao longo do tempo. O processo de Poisson é o modelo estatístico mais simples para descrever a taxa de falha de um sistema reparável. No entanto, só é apropriado para um sistema que não apresenta melhora ou piora, uma suposição que é difícil de ser encontrada na prática.

Intervalos de confiança

Nível de confiança: Insira um nível de confiança entre 0 e 100. Em geral, um nível de confiança de 95% funciona bem. Um nível de confiança de 95% indica que é possível ter 95% de confiança de que o intervalo contenha o verdadeiro parâmetro da população. Isto é, se fossem coletadas 100 amostras aleatórias da população, haveria a expectativa de que 95 das amostras produzissem intervalos com o valor real para o parâmetro da população (se todos os dados pudessem ser coletados e analisados).; Um nível de confiança mais baixo, como 90%, produz um intervalo de confiança mais estreito e pode reduzir o tamanho amostral ou o tempo de teste necessário. No entanto, a probabilidade de que o intervalo de confiança contenha o parâmetro da população diminui.; Um nível de confiança mais alto, como 99%, aumenta a probabilidade de que o intervalo de confiança contenha o parâmetro da população. No entanto, o teste pode exigir um tamanho amostral maior ou um tempo de teste mais longo para se obter um intervalo de confiança que seja suficientemente estreito para ser útil.
Intervalos de confiança: A partir da lista suspensa, indique se deseja que o Minitab exiba um intervalo de confiança bilateral (Bilateral) ou um intervalo de confiança unilateral (Limite inferior ou Limite superior). Um intervalo unilateral geralmente requer menos observações e menos tempo de teste para apresentar-se como estatisticamente confiável a respeito de uma conclusão. Muitos padrões de confiabilidade são definidos em termos do cenário de pior caso, o que é representado por um limite inferior.