MerQuR+Başvuru Kitabı

117. Güvenilirlik analizi: ömür dağılımları, olasılık grafiği ve B-ömürleri

Şablon kimliği: guvenilirlik · Kategori: kalite · Dil: R · Dosya: pro/sablonlar/kalite/guvenilirlik.R (satır 1–205; üstbilgi 1–72) · Örnek veri: _ornek/rulman_omru.csv · Paketler: survival 3.8-6 (R 4.5.3)

117.1 Ne işe yarar

Şablon, ortak değişkensiz tek bir popülasyonun ömür verisine (arıza ve sağdan sansürlü süreler) Weibull, log-lojistik ya da lognormal dağılım uydurur ve güvenilirlik mühendisliğinin olağan çıktılarını verir: parametre kestirimleri ve güven aralıkları, B-ömürleri (örn. B_{10}: örneklerin %10'unun bozulduğu süre) ve olasılık grafiği. Cevapladığı soru: "Bu parçanın ömrü hangi dağılıma uyuyor, ölçek ve biçimi nedir, yüzde 10'u ne zaman bozulur ve bu kestirim ne kadar belirsiz?" Model

\log T=\mu+\sigma W,

W standart uç değer (Weibull), lojistik (log-lojistik) ya da standart normal (lognormal) dağılımlıdır. Weibull için \eta=e^{\mu} (ölçek, karakteristik ömür: %63,2'nin bozulduğu süre) ve \beta=1/\sigma (biçim) de yazılır.

Ne zaman kullanılır?

  • Tek bir ürün ya da bileşen grubunun ömrü (rulman, kablo, ampul, bağlantı) modellenecekse; veri tam ya da sağdan sansürlü ise (test dönemi sonunda çalışmaya devam edenler).
  • Güvence ya da garanti süreleri (B_1, B_{10}), ortanca ömür ve belirsizlik aralığı isteniyorsa.
  • Olasılık grafiği ve sıra regresyonuyla ML'nin karşılaştırılması isteniyorsa.

Ne zaman kullanılmaz?

  • Ömür bir ya da birden çok ortak değişkene (sıcaklık, yük, doz) bağlıysa: temel programdaki Parametrik Sağkalım (AFT) analizi (kovaryatlı model); bu şablon yalnız tek popülasyon içindir.
  • Sol ya da aralık sansürlü veri varsa: şablon yalnız sağdan sansür kabul eder.
  • Aşırı uç değerler (blok maksimumu, eşik aşımı) soruluyorsa: uc_deger (Bölüm 122) ve uc_deger_py (Bölüm 123).
  • Çok az arıza varsa (3'ten az): şablon durur.
  • Yarı parametrik, ortak değişkenli ya da rekabet eden riskli sağkalım için: temel programdaki sağkalım analizleri.

Temel programla ilişki. Temel programdaki Parametrik Sağkalım (AFT) analizi aynı dağılımları (Weibull, log-lojistik, lognormal) ortak değişkenli olarak uydurur; bu şablon ortak değişkensiz modelin güvenilirlik çıktılarını (olasılık grafiği, B-ömürleri, sıra regresyonu, iki ölçekte olabilirlik) ekler.

117.2 Şablonun girdileri

Form dokuz [[param]] bloğundan kurulur (guvenilirlik.R:10–71). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Ömür · sure sayısal sütun · Değişkenler yok (zorunlu) pozitif sayılar Arıza ya da sansür süresi (10–14, 80–86).
Durum · durum sayısal sütun · Değişkenler boş yalnız 0 ve 1 1 = arıza, 0 = sağdan sansür; boşsa hepsi arıza (15–20, 77–88).
Dağılım · dagilim seçim · Model weibull weibull, loglogistic, lognormal Uydurulan model (21–27, 105–109).
Yüzdelikler · yuzdelik metin · Seçenekler 1, 10, 50 0–100 arası sayılar, virgül/boşlukla ayrılmış; noktalı virgül kullanılırsa virgül ondalıktır B-ömürleri (28–33, 92–103).
Güven düzeyi · guven ondalık · Seçenekler 0,95 0,5–0,999 GA düzeyi (34–41, 104).
Konum formülü · sira_formulu seçim · Seçenekler benard benard, herd_johnson, hazen, ortanca Sıra regresyonu konumu (42–48, 167, 172).
Regresyon yönü · sira_regresyon seçim · Seçenekler x_on_y x_on_y, y_on_x RRX ya da RRY (49–55, 177–180).
ML tolerans · tolerans ondalık · Gelişmiş 10^{-12} 10^{-16}–10^{-3} survreg.control(rel.tolerance) (56–63, 113–119).
ML en çok yineleme · en_cok_yineleme tamsayı · Gelişmiş 200 10–10000 survreg.control(maxiter) (64–71, 113–119).

Örnek ayar (ornek_param, satır 9): sure = milyon_devir, durum = durum, dagilim = weibull, yuzdelik = "10, 50" (varsayılan "1, 10, 50"'den farklıdır).

Şablonun kendi denetimleri (hepsi mq_hata ile çalıştırmayı durdurur):

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 76
Durum sütunu ömürle aynı "Durum sütunu ömür sütunuyla aynı olamaz." 78
Ömür \le0 "Ömürler pozitif olmalı." 86
Durum {0,1} dışında "Durum sütunu yalnız 0 (sansür) ve 1 (arıza) içermeli." 88
n<5 ya da arıza <3 "En az 5 gözlem ve 3 arıza gerekli." 90
Arıza süreleri tek değerli "Arıza süreleri sabit; dağılım uydurulamaz." 91
Yüzdelik 0–100 dışı ya da sayı değil "Yüzdelikler 0 ile 100 arasında sayılar olmalı (ör. 10, 50)." 102
Geçersiz dağılım "Geçersiz dağılım." 107
Model kestirilemedi "Model kestirilemedi: …" 119
Bilgi matrisi tersinemedi "Bilgi matrisi tersinemedi; standart hatalar hesaplanamadı." 124
Sıra regresyonu \hat\sigma\le0 "Sıra regresyonu pozitif ölçek vermedi." 181

Ömür ve durum sütunları mq_sayisal ile okunur (80). Eksik değerli satırlar notla çıkarılır (82–84): "N satır eksik değer nedeniyle çıkarıldı." Yüzdelik alanında, noktalı virgül yoksa, boşluksuz virgül liste ayırıcısıdır (92–101): 2,5 iki yüzdelik (2 ve 5) olur, %2,5 değil; bu durumda şablon bir not düşer ("boşluksuz virgül liste ayırıcısı sayıldı"). Ondalık için nokta (2.5) ya da noktalı virgülle ayrılmış liste kullanın: alanda ; varsa liste noktalı virgül ve boşlukla ayrılır ve virgül ondalık ayırıcı olur (2,5; 10 = %2,5 ve %10). 1, 10, 50 gibi boşluklu listeler eskisi gibi çalışır. Durum sütunu veri sekmesinde ikili ya da sayısal okunabilir; sayısal rol olduğundan sayı değeri R'ye ulaşır (Bölüm 1.3). Metin değerli durum sütunu ("arıza"/"sansür") form tarafından reddedilir.

Tohum. Şablon rastgelelik kullanmaz; sonuç belirleyicidir (Bölüm 1.3).

117.3 Örnek veri

rulman_omru.csv: Lieblein ve Zelen (1956) derin oluklu bilyalı rulmanların yorulma ömürleri (23 rulman, milyon devir; Lawless, 2003'te yeniden analiz edilmiştir). Dört sütun: milyon_devir (ömür), durum (hepsi 1), sansurlu_sure ve sansurlu_durum (ilk 18 en küçük ömür arıza; en büyük beş ömür 100 milyon devirde sağdan sansürlü). Eksik değer yok; dördü de sayısal ya da ikili okunur.

Değişken Rol Tür Özet
milyon_devir ömür sayısal 17,88 – 173,40; ortanca 67,80; 68,64 iki kez
durum durum sayısal 23 arıza
sansurlu_sure ömür (sansürlü sürüm) sayısal 17,88 – 98,64 ve 5 × 100
sansurlu_durum durum (sansürlü sürüm) ikili 18 arıza, 5 sansür

Bu bölümde kullanılan çalıştırmalar: gv_ornek (örnek ayar), gv_lognormal, gv_loglogistic, gv_ornek_ry (RRY), gv_sansur, gv_sansur_ln, gv_sansur_ll, gv_sansur_hj, gv_sansur_hz, gv_sansur_ry (sansürlü sürüm), gv_guven90 (\%90 GA, dört yüzdelik), gv_agir (60 gözlemde 8 arıza), gv_saat (30 arıza; saat ölçeği) ve sınır durumları (gv_yuz_virgul, gv_durum12, gv_durum_metin, gv_hepsi_sansur, gv_sifir, gv_sabit, gv_eksik, gv_kisa). Ek veriler veri_uret.py ile üretilmiştir (tohum 3).

117.4 Yöntem: formüller ve hesap adımları

Hesap sırası: (i) veri okunur, denetlenir; (ii) survreg ile iki parametreli konum-ölçek modeli uydurulur; (iii) parametre ve yüzdelik güven aralıkları; (iv) üç dağılımın log-olabilirlik ve AIC'si; (v) Johnson düzeltilmiş sıralarıyla sıra regresyonu; (vi) olasılık grafiği.

117.4.1 Konum-ölçek olabilirliği

w_i=(\log t_i-\mu)/\sigma ve \delta_i arıza göstergesi olmak üzere, log ömür ölçeğinde

\ell_{\log}(\mu,\sigma)=\sum_{i}\Bigl\{\delta_i\bigl[\log g(w_i)-\log\sigma\bigr]+(1-\delta_i)\log S(w_i)\Bigr\}.

Dağılıma göre g ve S: Weibull g(w)=e^{w-e^w}, S(w)=e^{-e^w}; lognormal g=\varphi, S=1-\Phi; log-lojistik g(w)=e^w/(1+e^w)^2, S(w)=1/(1+e^w). Zaman ölçeğindeki olabilirlik, her arıza için -\log t_i ek terimiyle

\ell_{\text{zaman}}=\ell_{\log}-\sum_{\delta_i=1}\log t_i.
  • \mu: log ömür ölçeğinde konum; \sigma: ölçek. Weibull için \eta=e^\mu, \beta=1/\sigma.
  • \varphi, \Phi: standart normal yoğunluk ve dağılım.
  • Koddaki fit$loglik[2] zaman ölçeğindeki log-olabilirlik; logL_log sütunu logL_zaman + Σ log t (arızalarda) ile yazılır (150–157).

Koddaki tercih

Kestirim survival::survreg(Surv(t, o) ~ 1, dist = …) ile yapılır (112–122). survreg log ömür ölçeğinde çalışır, parametreleri (\mu,\ \log\sigma) ile verir ve fit$var bu iki parametrenin kovaryansıdır. rel.tolerance ve maxiter formdan gelir. Uyarılar gizlenmez: withCallingHandlers her dağılımın survreg uyarılarını toplar (113–120) ve "Yakınsama uyarısı (dağılım): …" notuna yazar (158–161); karşılaştırma için uydurulan modelin uyarısı "karşılaştırma modeli" diye işaretlenir.

117.4.2 Standart hatalar ve güven aralıkları

\hat\mu için doğrudan, \hat\sigma için \log\sigma üzerinden asimptotik normal aralık (125–129):

\hat\mu\pm z_{1-\alpha/2}\,\mathrm{SH}(\hat\mu),\qquad \hat\sigma\,\exp\{\pm z_{1-\alpha/2}\,\mathrm{SH}(\log\hat\sigma)\},

\mathrm{SH}(\hat\sigma)=\hat\sigma\,\mathrm{SH}(\log\hat\sigma). Weibull'da (130–134)

\hat\eta=e^{\hat\mu},\ \ \mathrm{SH}(\hat\eta)=\hat\eta\,\mathrm{SH}(\hat\mu),\ \ \text{GA}=\exp(\hat\mu\pm z\,\mathrm{SH}(\hat\mu));\qquad \hat\beta=\frac1{\hat\sigma},\ \ \mathrm{SH}(\hat\beta)=\frac{\mathrm{SH}(\log\hat\sigma)}{\hat\sigma},\ \ \text{GA}=\frac1{\hat\sigma\,e^{\pm z\,\mathrm{SH}(\log\hat\sigma)}}.

Neden \log\sigma ve \log\eta ölçeği?

Pozitif parametrelerin Wald aralığı log ölçeğinde daha doğru normalliğe yaklaşır ve alt sınır sıfırın altına düşmez. Örnekte \sigma için [0{,}350;\,0{,}646], doğrudan Wald aralığı 0{,}476\pm1{,}96\cdot0{,}074 olsaydı [0{,}330;\,0{,}621] çıkardı: log ölçeği aralığı sağa yatırır.

117.4.3 Yüzdelikler (B-ömürleri) ve delta yöntemi

p yüzdeliği için w_p: Weibull \log(-\log(1-p)), lognormal \Phi^{-1}(p), log-lojistik \log\{p/(1-p)\}. Bu durumda

t_p=\exp(\mu+\sigma w_p),\qquad \mathrm{SH}(\log t_p)=\sqrt{V_{11}+(\sigma w_p)^2V_{22}+2\sigma w_pV_{12}},

V, (\mu,\log\sigma)'nın kovaryansıdır (141–143). Aralık log ölçeğinde \log t_p\pm z\,\mathrm{SH}(\log t_p)'nin üstelidir; tabloda SH =t_p\,\mathrm{SH}(\log t_p).

  • V_{11}=\mathrm{Var}(\hat\mu), V_{22}=\mathrm{Var}(\log\hat\sigma), V_{12} kovaryans (fit$var).
  • \partial\log t_p/\partial\mu=1, \partial\log t_p/\partial\log\sigma=\sigma w_p (delta yöntemi).

117.4.4 Model uyumu: \log L ve AIC

Weibull, lognormal ve log-lojistik her zaman uydurulur ve tabloya üç satır olarak yazılır (148–160): logL_zaman, logL_log ve \mathrm{AIC}=-2\,\ell_{\text{zaman}}+4 (iki parametre). Zaman ölçeğindeki AIC farkı modellerde aynı \sum\log t terimini içerdiğinden iki ölçekte de aynıdır; küçük AIC daha iyi uyumdur. Seçilmeyen dağılım kestirilemezse (nadir) satırı eksik değerle yazılır. Tablo başlığı logL_log sütununun log ömür ölçeğinde olduğunu söyler.

117.4.5 Sıra regresyonu ve olasılık grafiği

Gözlemler (t,\,-\delta) ile sıralanır (eşit sürede arıza önce; 138). Sansürsüz veride i. sıra i'dir; sansürde Johnson düzeltilmiş sırası (Johnson, 1964; Nelson, 1982): n gözlem, i. sıradaki gözlemin ters sırası n-i+1 olmak üzere, önceki düzeltilmiş sıra r_{\text{önce}} ile her arızada

\Delta_i=\frac{n+1-r_{\text{önce}}}{1+(n-i+1)},\qquad r_i=r_{\text{önce}}+\Delta_i

(168–173). Birikimli arıza olasılığı için konum formülü (sira_formulu):

Seçenek \hat F_i
benard (r_i-0{,}3)/(n+0{,}4)
herd_johnson r_i/(n+1)
hazen (r_i-0{,}5)/n
ortanca \mathrm{qbeta}(0{,}5;\ r_i,\ n-r_i+1) (tam ortanca sıra)

w_i=w(\hat F_i) ile (wfun, 109):

  • RRX (x_on_y, varsayılan): \log t_i=a+b\,w_i regresyonu (ömrün olasılık ölçeğine regresyonu): \hat\mu_{rr}=a, \hat\sigma_{rr}=b (179–180).
  • RRY (y_on_x): w_i=a+b\log t_i: \hat\sigma_{rr}=1/b, \hat\mu_{rr}=-a\,\hat\sigma_{rr}.

R^2 iki yönde aynıdır (r^2). Olasılık grafiğinde noktalar (\log t_i,\,w_i), mavi çizgi ML doğrusu (w=(\log t-\hat\mu)/\hat\sigma), turuncu kesikli çizgi sıra regresyonudur (194–204).

Neden Johnson düzeltilmiş sırası?

Sansürlü bir gözlem arızalardan önce bulunuyorsa, sonraki arızaların gerçek sırası sıra numarasından büyüktür: sansürlü gözlemin gerçek ömrü bilinmediğinden, onun sonraki arızalardan önce mi sonra mı bozulacağı belirsizdir. Düzeltilmiş sıra bu belirsizliği arızalar arasında paylaştırır (\Delta_i\ge1). Sansürlü gözlemlerin hepsi arızalardan sonra geliyorsa (\Delta_i=1) düzeltme yoktur: örnekteki sansürlü sürümde beş sansür 100 milyon devirde, en büyük arıza ise 98,64'tedir; bu yüzden r_i=i ve n=23 olduğundan konum formülünün paydasında 23 kalır.

Benard tam ortanca sıraya yaklaşıktır; tam ortanca sıra seçilebilir

Tam ortanca sıra \mathrm{qbeta}(0{,}5,\,i,\,n-i+1)'dir; Benard onun (i-0{,}3)/(n+0{,}4) yaklaşığıdır. Örnek veride Benard RRX \hat\eta=80{,}972, \hat\beta=2{,}248; tam ortanca sıralarla \hat\eta=80{,}947, \hat\beta=2{,}255 (bağımsız hesap; WeibullR MRRw2p çıktısıyla aynı). Fark yaklaşımdan gelir; sira_formulu = ortanca seçilirse şablon tam ortanca sıraları kullanır ve bu değerleri verir (80,9470 ve 2,2550). Varsayılan Benard'dır.

117.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
73–104 Paketi yükler; veriyi okur, eksik satırları notla çıkarır; ömür, durum, n, arıza, yüzdelik, güven denetimleri \alpha=1-\text{guven}; yüzdelik listesinde, noktalı virgül yoksa, boşluksuz virgül ayırıcıdır ve not düşülür (92–101).
105–109 Dağılım adı ve w_p işlevi wfun.
110–124 survreg uydurma ve fit$var denetimi Uyarılar toplanır ve notta yazılır.
125–139 \mu,\sigma, SH, GA tablosu; konsol satırı Weibull'da \eta,\beta eklenir.
140–145 Yüzdelik tablosu Delta yöntemi log ölçeğinde.
147–160 Weibull, lognormal ve log-lojistik uyumu: \log L, AIC; yakınsama uyarısı notu Üç satır.
162–192 Johnson sıraları, konum formülü, regresyon; sıra regresyonu tablosu; sansür notu Arıza olmayan satırlarda \hat F eksik kalır ve regresyona girmez (175).
194–204 Olasılık grafiği ML (mavi) ve sıra regresyonu (turuncu).

117.6 Elle hesap: örnek veride bağımsız yeniden hesap

Adım 1 — Olabilirlik. survreg kullanılmadan, log-olabilirlik Python'da Nelder–Mead ve BFGS ile, R'de optim ile doğrudan en büyüklenir (dogrulama/guvenilirlik/elle_hesap.py, r_dogrulama.R). Weibull: \hat\mu=4{,}405234, \hat\sigma=0{,}475724, \hat\eta=81{,}87833, \hat\beta=2{,}102059; \ell_{\text{zaman}}=-113{,}69129, \ell_{\log}=-18{,}23084 (=-113{,}69129+95{,}46045, 95{,}46045=\sum\log t_i). Lognormal: \hat\mu=4{,}150454, \hat\sigma=0{,}521649 (yayımlı 4,150 ve 0,522).

Adım 2 — Hessian. Negatif log-olabilirliğin Hessian'ı Richardson'lu merkezi farklarla alınır ve tersi V'dir: \mathrm{SH}(\hat\mu)=0{,}105039, \mathrm{SH}(\log\hat\sigma)=0{,}156362 (\mathrm{SH}(\hat\sigma)=0{,}074386); \hat\eta için GA [66{,}6437;\,100{,}5955], \hat\beta için [1{,}5472;\,2{,}8559].

Adım 3 — Yüzdelikler. B_{10}: w_{0{,}1}=\log(-\log0{,}9)=-2{,}2504; t_{10}=\exp(4{,}405234-2{,}2504\cdot0{,}475724)=28{,}0694; delta yöntemiyle SH 6,3154, GA [18{,}060;\,43{,}626]. Ortanca: 68,7774 [54,696; 86,483].

Adım 4 — Sıra regresyonu. Sansürsüz örnek veride r_i=i; Benard \hat F_i ile \log t'nin w'ye regresyonu: \hat\mu_{rr}=4{,}394108, \hat\sigma_{rr}=0{,}444861 (\hat\eta=80{,}9724, \hat\beta=2{,}2479), R^2=0{,}970344. Sansürlü sürümde (18 arıza, 5 sansür) Johnson düzeltilmiş sıraları elle yazılan R ve Python kodlarında şablonla aynı çıkar.

Adım 5 — Paket karşılaştırması. WeibullR::MLEw2p: \eta=81{,}8485, \beta=2{,}1046 (şablon 81,8783 ve 2,1021; paketin kendi kaba en büyükleme toleransı nedeniyle göreli fark 4\times10^{-4} ve 1\times10^{-3}); MRRw2p: 80,9470 ve 2,2550, tam ortanca sıralarla yazdığım bağımsız regresyonla birebir aynıdır; şablonun ortanca konum seçeneği de aynı değeri verir (80,947016 ve 2,255012).

117.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
Rulman, Weibull: \mu 4,40523441 4,40523441 4,40523449 1,7e−8 ✓
Rulman, Weibull: \sigma 0,47572407 0,47572406 0,47572415 8,5e−8 ✓
Rulman, Weibull: SH(\mu) 0,10503933 0,10503933 0,10503936 3,0e−8 ✓
Rulman, Weibull: SH(\sigma) 0,07438627 0,07438627 0,07438627 1,9e−9 ✓
Rulman, Weibull: \eta 81,87833405 81,87833354 81,87834026 7,6e−8 ✓
Rulman, Weibull: \beta 2,10205888 2,1020589 2,1020585 1,8e−7 ✓
Rulman, Weibull: GA(\eta) alt 66,64373885 66,6437386 66,64373997 1,7e−8 ✓
Rulman, Weibull: GA(\beta) üst 2,85589627 2,85589629 2,85589561 2,3e−7 ✓
Rulman, Weibull: t_{10} 28,06941401 28,06941424 — 8,0e−9 ✓
Rulman, Weibull: SH(t_{10}) 6,31537985 6,31537983 — 3,0e−9 ✓
Rulman, Weibull: GA(t_{10}) alt 18,0601031 18,06010334 — 1,3e−8 ✓
Rulman, Weibull: GA(t_{10}) üst 43,62610769 43,62610783 — 3,1e−9 ✓
Rulman, Weibull: t_{50} 68,77741335 68,77741308 — 3,9e−9 ✓
Rulman, Weibull: SH(t_{50}) 8,03853238 8,03853228 — 1,1e−8 ✓
Rulman, Weibull: GA(t_{50}) alt 54,69649874 54,69649862 — 2,2e−9 ✓
Rulman, Weibull: GA(t_{50}) üst 86,48327947 86,48327899 — 5,6e−9 ✓
Rulman, Weibull: \hat u (yayımlı 4,405) 4,40523441 4,405 — 5,3e−5 ✓
Rulman, Weibull: \hat b (yayımlı 0,476) 0,47572407 0,476 — 2,8e−4 ✓
Rulman, Weibull: \beta (yayımlı 2,102) 2,10205888 2,102 — 2,8e−5 ✓
Rulman, Weibull: \eta (yayımlı 81,88) 81,87833405 81,88 — 2,0e−5 ✓
Rulman: \log L (zaman), Weibull −113,69129093 −113,69129093 −113,69129093 8,7e−15 ✓
Rulman: \log L (log), Weibull −18,23083757 −18,23083757 −18,23083757 7,1e−14 ✓
Rulman: AIC, Weibull 231,38258186 231,38258186 231,38258186 1,3e−14 ✓
Rulman: \log L (zaman), lognormal −113,12856674 −113,12856674 −113,12856674 2,7e−14 ✓
Rulman: AIC, lognormal 230,25713347 230,25713347 230,25713347 2,2e−14 ✓
Rulman, RRX Benard: sıra regresyonu \mu 4,39410776 4,39410776 4,39410776 8,1e−16 ✓
Rulman, RRX Benard: sıra regresyonu \sigma 0,44486112 0,44486112 0,44486112 7,8e−16 ✓
Rulman, RRX Benard: sıra regresyonu \eta 80,97235179 80,97235179 80,97235179 2,8e−15 ✓
Rulman, RRX Benard: sıra regresyonu \beta 2,24789256 2,24789256 2,24789256 1,8e−15 ✓
Rulman, RRX Benard: sıra regresyonu R^2 0,97034392 0,97034392 0,97034392 1,0e−15 ✓
Rulman, RRY Benard: sıra regresyonu \mu 4,4015544 4,4015544 4,4015544 6,1e−16 ✓
Rulman, RRY Benard: sıra regresyonu \sigma 0,45845716 0,45845716 0,45845716 0 ✓
Rulman, RRY Benard: sıra regresyonu \eta 81,57757427 81,57757427 81,57757427 3,1e−15 ✓
Rulman, RRY Benard: sıra regresyonu \beta 2,18122888 2,18122888 2,18122888 6,1e−16 ✓
Rulman, RRY Benard: sıra regresyonu R^2 0,97034392 0,97034392 0,97034392 1,0e−15 ✓
Rulman, lognormal: \mu 4,15045449 4,15045449 4,1504545 6,9e−10 ✓
Rulman, lognormal: \sigma 0,52164933 0,52164934 0,52164951 1,7e−7 ✓
Rulman, lognormal: SH(\mu) 0,10877141 0,10877141 0,10877144 3,6e−8 ✓
Rulman, lognormal: SH(\sigma) 0,076913 0,076913 0,076913 2,4e−9 ✓
Rulman, lognormal: t_{10} 32,52255905 32,52255863 — 1,3e−8 ✓
Rulman, lognormal: SH(t_{10}) 4,77393768 4,77393775 — 1,3e−8 ✓
Rulman, lognormal: GA(t_{10}) alt 24,39147774 24,39147725 — 2,0e−8 ✓
Rulman, lognormal: GA(t_{10}) üst 43,36419706 43,36419682 — 5,4e−9 ✓
Rulman, lognormal: t_{50} 63,46283722 63,46283706 — 2,5e−9 ✓
Rulman, lognormal: SH(t_{50}) 6,90294198 6,90294207 — 1,3e−8 ✓
Rulman, lognormal: GA(t_{50}) alt 51,27823828 51,27823798 — 5,8e−9 ✓
Rulman, lognormal: GA(t_{50}) üst 78,54270823 78,54270829 — 7,8e−10 ✓
Rulman, lognormal: \hat\mu (yayımlı 4,150) 4,15045449 4,15 — 1,1e−4 ✓
Rulman, lognormal: \hat\sigma (yayımlı 0,522) 0,52164933 0,522 — 3,5e−4 ✓
Rulman, lognormal: sıra regresyonu \mu 4,15045449 4,15045449 4,15045449 4,3e−16 ✓
Rulman, lognormal: sıra regresyonu \sigma 0,55452376 0,55452376 0,55452376 8,9e−16 ✓
Rulman, lognormal: sıra regresyonu R^2 0,97954912 0,97954912 0,97954912 1,4e−15 ✓
Rulman, log-lojistik: \mu 4,15888931 4,15888931 4,1588893 1,6e−9 ✓
Rulman, log-lojistik: \sigma 0,29877274 0,29877274 0,2987728 5,7e−8 ✓
Rulman, log-lojistik: SH(\mu) 0,1090296 0,1090296 0,10902965 5,0e−8 ✓
Rulman, log-lojistik: SH(\sigma) 0,05152154 0,05152154 0,05152155 8,1e−9 ✓
Rulman, log-lojistik: t_{10} 33,19563852 33,19563866 — 4,1e−9 ✓
Rulman, log-lojistik: SH(t_{10}) 5,20815119 5,20815116 — 4,6e−9 ✓
Rulman, log-lojistik: GA(t_{10}) alt 24,40808876 24,40808893 — 6,8e−9 ✓
Rulman, log-lojistik: GA(t_{10}) üst 45,14693582 45,14693589 — 1,5e−9 ✓
Rulman, log-lojistik: t_{50} 64,0003985 64,00039841 — 1,4e−9 ✓
Rulman, log-lojistik: SH(t_{50}) 6,97793784 6,97793779 — 7,6e−9 ✓
Rulman, log-lojistik: GA(t_{50}) alt 51,6864274 51,6864274 — 5,0e−11 ✓
Rulman, log-lojistik: GA(t_{50}) üst 79,24809692 79,2480967 — 2,7e−9 ✓
Rulman, log-lojistik: sıra regresyonu \mu 4,15045449 4,15045449 4,15045449 4,3e−16 ✓
Rulman, log-lojistik: sıra regresyonu \sigma 0,31750449 0,31750449 0,31750449 1,1e−16 ✓
Rulman, log-lojistik: sıra regresyonu R^2 0,9822402 0,9822402 0,9822402 0 ✓
Sansürlü, Weibull: \mu 4,38595818 4,38595818 4,38595853 8,0e−8 ✓
Sansürlü, Weibull: \sigma 0,44647755 0,44647755 0,44647763 8,8e−8 ✓
Sansürlü, Weibull: SH(\mu) 0,10531609 0,10531609 0,10531607 2,1e−8 ✓
Sansürlü, Weibull: SH(\sigma) 0,0885062 0,0885062 0,08850622 1,9e−8 ✓
Sansürlü, Weibull: \eta 80,31514294 80,31514265 80,31517121 3,5e−7 ✓
Sansürlü, Weibull: \beta 2,2397543 2,23975429 2,23975385 2,0e−7 ✓
Sansürlü, Weibull: GA(\eta) alt 65,33595117 65,33595092 65,33597686 3,9e−7 ✓
Sansürlü, Weibull: GA(\beta) üst 3,30320772 3,3032077 3,30320709 1,9e−7 ✓
Sansürlü, Weibull: t_{10} 29,40661658 29,40661633 — 8,4e−9 ✓
Sansürlü, Weibull: SH(t_{10}) 6,73141276 6,73141277 — 2,0e−9 ✓
Sansürlü, Weibull: GA(t_{10}) alt 18,77578615 18,77578591 — 1,3e−8 ✓
Sansürlü, Weibull: GA(t_{10}) üst 46,05661204 46,05661186 — 3,8e−9 ✓
Sansürlü, Weibull: t_{50} 68,19139567 68,19139537 — 4,4e−9 ✓
Sansürlü, Weibull: SH(t_{50}) 7,59670243 7,59670243 — 5,4e−10 ✓
Sansürlü, Weibull: GA(t_{50}) alt 54,8155112 54,8155109 — 5,5e−9 ✓
Sansürlü, Weibull: GA(t_{50}) üst 84,8312155 84,83121522 — 3,4e−9 ✓
Sansürlü, Weibull: \log L (zaman), Weibull −91,93310892 −91,93310892 −91,93310892 6,7e−14 ✓
Sansürlü, Weibull: \log L (log), Weibull −20,64903549 −20,64903549 −20,64903549 3,0e−13 ✓
Sansürlü, Weibull: AIC, Weibull 187,86621785 187,86621785 187,86621785 6,4e−14 ✓
Sansürlü, Weibull: \log L (zaman), lognormal −91,19027037 −91,19027037 −91,19027037 1,9e−14 ✓
Sansürlü, Weibull: AIC, lognormal 186,38054074 186,38054074 186,38054074 1,6e−14 ✓
Sansürlü, Weibull, RRX Benard: sıra regresyonu \mu 4,33426571 4,33426571 4,33426571 6,1e−16 ✓
Sansürlü, Weibull, RRX Benard: sıra regresyonu \sigma 0,40383502 0,40383502 0,40383502 1,7e−15 ✓
Sansürlü, Weibull, RRX Benard: sıra regresyonu \eta 76,26893455 76,26893455 76,26893455 4,7e−15 ✓
Sansürlü, Weibull, RRX Benard: sıra regresyonu \beta 2,47625872 2,47625872 2,47625872 2,9e−15 ✓
Sansürlü, Weibull, RRX Benard: sıra regresyonu R^2 0,97153514 0,97153514 0,97153514 6,7e−16 ✓
Sansürlü, lognormal: \mu 4,16909016 4,16909018 4,16909022 1,3e−8 ✓
Sansürlü, lognormal: \sigma 0,55384904 0,55384903 0,55384922 1,8e−7 ✓
Sansürlü, lognormal: SH(\mu) 0,11959191 0,11959191 0,11959195 4,4e−8 ✓
Sansürlü, lognormal: SH(\sigma) 0,09727825 0,09727825 0,09727825 3,4e−9 ✓
Sansürlü, lognormal: t_{10} 31,79484168 31,7948425 — 2,6e−8 ✓
Sansürlü, lognormal: SH(t_{10}) 5,09671771 5,0967176 — 2,2e−8 ✓
Sansürlü, lognormal: GA(t_{10}) alt 23,22249813 23,22249908 — 4,1e−8 ✓
Sansürlü, lognormal: GA(t_{10}) üst 43,53157665 43,53157712 — 1,1e−8 ✓
Sansürlü, lognormal: t_{50} 64,65659848 64,65659928 — 1,2e−8 ✓
Sansürlü, lognormal: SH(t_{50}) 7,73240606 7,73240605 — 9,8e−10 ✓
Sansürlü, lognormal: GA(t_{50}) alt 51,14651359 51,14651438 — 1,6e−8 ✓
Sansürlü, lognormal: GA(t_{50}) üst 81,73530185 81,73530261 — 9,3e−9 ✓
Sansürlü, log-lojistik: \mu 4,16742471 4,16742471 4,16742475 9,4e−9 ✓
Sansürlü, log-lojistik: \sigma 0,32077389 0,32077389 0,32077396 6,5e−8 ✓
Sansürlü, log-lojistik: SH(\mu) 0,1169414 0,1169414 0,11694147 6,2e−8 ✓
Sansürlü, log-lojistik: SH(\sigma) 0,06324688 0,06324687 0,06324688 7,6e−9 ✓
Sansürlü, log-lojistik: t_{10} 31,90020477 31,90020516 — 1,2e−8 ✓
Sansürlü, log-lojistik: SH(t_{10}) 5,59352672 5,59352666 — 1,2e−8 ✓
Sansürlü, log-lojistik: GA(t_{10}) alt 22,62246516 22,62246563 — 2,1e−8 ✓
Sansürlü, log-lojistik: GA(t_{10}) üst 44,98285475 44,98285493 — 4,0e−9 ✓
Sansürlü, log-lojistik: t_{50} 64,54900538 64,54900523 — 2,2e−9 ✓
Sansürlü, log-lojistik: SH(t_{50}) 7,54845131 7,54845117 — 1,9e−8 ✓
Sansürlü, log-lojistik: GA(t_{50}) alt 51,32735103 51,32735112 — 1,7e−9 ✓
Sansürlü, log-lojistik: GA(t_{50}) üst 81,176488 81,1764875 — 6,1e−9 ✓
Sansürlü, RRX Herd–Johnson: sıra regresyonu \mu 4,34646096 4,34646096 4,34646096 8,2e−16 ✓
Sansürlü, RRX Herd–Johnson: sıra regresyonu \sigma 0,43502216 0,43502216 0,43502216 1,1e−15 ✓
Sansürlü, RRX Herd–Johnson: sıra regresyonu \eta 77,20474818 77,20474818 77,20474818 4,6e−15 ✓
Sansürlü, RRX Herd–Johnson: sıra regresyonu \beta 2,29873347 2,29873347 2,29873347 3,3e−15 ✓
Sansürlü, RRX Herd–Johnson: sıra regresyonu R^2 0,96974426 0,96974426 0,96974426 7,8e−16 ✓
Sansürlü, RRX Hazen: sıra regresyonu \mu 4,32356547 4,32356547 4,32356547 8,2e−16 ✓
Sansürlü, RRX Hazen: sıra regresyonu \sigma 0,37890419 0,37890419 0,37890419 1,6e−15 ✓
Sansürlü, RRX Hazen: sıra regresyonu \eta 75,45718944 75,45718944 75,45718944 5,1e−15 ✓
Sansürlü, RRX Hazen: sıra regresyonu \beta 2,6391896 2,6391896 2,6391896 4,0e−15 ✓
Sansürlü, RRX Hazen: sıra regresyonu R^2 0,97100682 0,97100682 0,97100682 1,0e−15 ✓
Sansürlü, RRY Benard: sıra regresyonu \mu 4,34522463 4,34522463 4,34522463 6,1e−16 ✓
Sansürlü, RRY Benard: sıra regresyonu \sigma 0,41566692 0,41566692 0,41566692 8,9e−16 ✓
Sansürlü, RRY Benard: sıra regresyonu \eta 77,10935649 77,10935649 77,10935649 4,2e−15 ✓
Sansürlü, RRY Benard: sıra regresyonu \beta 2,40577238 2,40577238 2,40577238 3,1e−15 ✓
Sansürlü, RRY Benard: sıra regresyonu R^2 0,97153514 0,97153514 0,97153514 6,7e−16 ✓
Sansürlü, log-lojistik, RRX: sıra regresyonu \mu 4,16818699 4,16818699 4,16818699 2,1e−16 ✓
Sansürlü, log-lojistik, RRX: sıra regresyonu \sigma 0,33675262 0,33675262 0,33675262 1,3e−15 ✓
Sansürlü, log-lojistik, RRX: sıra regresyonu R^2 0,97685439 0,97685439 0,97685439 4,4e−16 ✓
%90 GA: t_{1} alt 4,83575406 4,83575422 — 3,4e−8 ✓
%90 GA: t_{1} üst 17,42016327 17,42016348 — 1,2e−8 ✓
%90 GA: t_{10} alt 19,38699368 19,38699391 — 1,2e−8 ✓
%90 GA: t_{10} üst 40,64023623 40,64023639 — 3,9e−9 ✓
%90 GA: t_{50} alt 56,74848789 56,74848775 — 2,5e−9 ✓
%90 GA: t_{50} üst 83,35609921 83,35609876 — 5,4e−9 ✓
%90 GA: t_{90} alt 102,79031149 102,79031088 — 6,0e−9 ✓
%90 GA: t_{90} üst 144,21660089 144,21659843 — 1,7e−8 ✓
Ağır sansür (8/60), Weibull: \mu 4,82785549 4,82785553 4,82785774 4,7e−7 ✓
Ağır sansür (8/60), Weibull: \sigma 0,73250467 0,73250468 0,73250568 1,0e−6 ✓
Ağır sansür (8/60), Weibull: SH(\mu) 0,56924014 0,56924017 0,56924022 7,4e−8 ✓
Ağır sansür (8/60), Weibull: SH(\sigma) 0,25546672 0,25546673 0,25546683 1,1e−7 ✓
Ağır sansür (8/60), Weibull: \eta 124,94273266 124,94273728 124,94301344 2,2e−6 ✓
Ağır sansür (8/60), Weibull: \beta 1,36517901 1,36517898 1,36517712 1,4e−6 ✓
Ağır sansür (8/60), Weibull: GA(\eta) alt 40,94236363 40,94236317 40,94244969 2,1e−6 ✓
Ağır sansür (8/60), Weibull: GA(\beta) üst 2,70428702 2,70428699 2,70428152 2,0e−6 ✓
Ağır sansür (8/60), Weibull: t_{10} 24,03355366 24,03355369 — 9,3e−10 ✓
Ağır sansür (8/60), Weibull: SH(t_{10}) 6,43504274 6,43504289 — 2,3e−8 ✓
Ağır sansür (8/60), Weibull: GA(t_{10}) alt 14,22023251 14,22023236 — 1,1e−8 ✓
Ağır sansür (8/60), Weibull: GA(t_{10}) üst 40,61900544 40,61900596 — 1,3e−8 ✓
Ağır sansür (8/60), Weibull: t_{50} 95,52452957 95,52453254 — 3,1e−8 ✓
Ağır sansür (8/60), Weibull: SH(t_{50}) 46,58956392 46,58956736 — 7,4e−8 ✓
Ağır sansür (8/60), Weibull: GA(t_{50}) alt 36,72517366 36,7251733 — 9,9e−9 ✓
Ağır sansür (8/60), Weibull: GA(t_{50}) üst 248,4654214 248,46543929 — 7,2e−8 ✓
Saat ölçeği, Weibull: \mu 8,51963912 8,51963913 8,51963938 3,1e−8 ✓
Saat ölçeği, Weibull: \sigma 0,53335018 0,53335016 0,53335029 1,1e−7 ✓
Saat ölçeği, Weibull: SH(\mu) 0,1028605 0,1028605 0,10286054 3,3e−8 ✓
Saat ölçeği, Weibull: SH(\sigma) 0,07713107 0,07713107 0,07713109 2,2e−8 ✓
Saat ölçeği, Weibull: \eta 5012,24459219 5012,24466964 5012,24590616 2,6e−7 ✓
Saat ölçeği, Weibull: \beta 1,87494078 1,87494083 1,87494038 2,1e−7 ✓
Saat ölçeği, Weibull: GA(\eta) alt 4097,10634685 4097,10643274 4097,1071522 2,0e−7 ✓
Saat ölçeği, Weibull: GA(\beta) üst 2,48934492 2,48934498 2,48934444 1,9e−7 ✓
Saat ölçeği, Weibull: t_{1} 431,01750512 431,01754228 — 8,6e−8 ✓
Saat ölçeği, Weibull: SH(t_{1}) 172,401642 172,40164841 — 3,7e−8 ✓
Saat ölçeği, Weibull: GA(t_{1}) alt 196,79990154 196,79992607 — 1,2e−7 ✓
Saat ölçeği, Weibull: GA(t_{1}) üst 943,98466803 943,98471311 — 4,8e−8 ✓
Saat ölçeği, Weibull: t_{10} 1509,30611874 1509,30619431 — 5,0e−8 ✓
Saat ölçeği, Weibull: SH(t_{10}) 344,8759128 344,87591363 — 2,4e−9 ✓
Saat ölçeği, Weibull: GA(t_{10}) alt 964,44636811 964,44643697 — 7,1e−8 ✓
Saat ölçeği, Weibull: GA(t_{10}) üst 2361,9819986 2361,98206646 — 2,9e−8 ✓
Saat ölçeği, Weibull: t_{50} 4122,27050703 4122,27059396 — 2,1e−8 ✓
Saat ölçeği, Weibull: SH(t_{50}) 474,56457787 474,56457171 — 1,3e−8 ✓
Saat ölçeği, Weibull: GA(t_{50}) alt 3289,60951392 3289,60960858 — 2,9e−8 ✓
Saat ölçeği, Weibull: GA(t_{50}) üst 5165,69339344 5165,69346269 — 1,3e−8 ✓
WeibullR::MLEw2p \eta (rulman) 81,87833354 81,84853756 — 3,6e−4 ✓
WeibullR::MLEw2p \beta (rulman) 2,1020589 2,10462054 — 1,2e−3 ✓
WeibullR::MLEw2p \eta (sansürlü) 80,31514265 80,33582912 — 2,6e−4 ✓
WeibullR::MLEw2p \beta (sansürlü) 2,23975429 2,23943042 — 1,4e−4 ✓
WeibullR::MRRw2p \eta ↔ tam ortanca sıra (bağımsız) 80,94701638 80,94701638 — 5,3e−16 ✓
WeibullR::MRRw2p \beta ↔ tam ortanca sıra (bağımsız) 2,25501242 2,25501242 — 3,2e−15 ✓

Ölçütü karşılayan: 185/185. Bağımsız hesap, survreg kullanmadan konum-ölçek olabilirliğinin doğrudan en büyüklenmesi (Python: Nelder–Mead + BFGS, Richardson'lu sayısal Hessian; R: optim, BFGS) ve Johnson düzeltilmiş sıraları ile elle yazılmış sıra regresyonudur. "Yayımlı" satırlarında yayımlanan basamaklar kadar tolerans kullanılmıştır. WeibullR satırları paketin kendi kaba en büyükleme toleransı ve tam ortanca sıra kullanımı nedeniyle ayrı tutulmuştur: şablonun Benard yaklaşımı WeibullR'ın tam ortanca sıralarından \eta'da yaklaşık 3\times10^{-4}, \beta'da 3\times10^{-3} farklıdır (Bölüm 117.6).

117.7 Çıktıyı okuma

Örnek ayar (gv_ornek), konsol ve tablolar (kısaltılmış):

Weibull ML: n = 23, arıza = 23; η = 81,878, β = 2,102

 parametre         kestirim        SH     GA_alt     GA_ust
 EV konum μ        4.405234  0.105039   4.199361   4.611108
 EV ölçek σ        0.475724  0.074386   0.350153   0.646328
 Weibull ölçeği η 81.878334  8.600446  66.643739 100.595520
 Weibull biçimi β  2.102059  0.328687   1.547203   2.855896

 yuzde      sure        SH     GA_alt     GA_ust
    10 28.069414  6.315380  18.060103  43.626108
    50 68.777413  8.038532  54.696499  86.483279

 dagilim  logL_zaman   logL_log        AIC
 Weibull   -113.691291 -18.230838 231.382582
 Lognormal -113.128567 -17.668113 230.257133
 Log-lojistik -113.372259 -17.911805 230.744518

 parametre         kestirim
 EV konum μ        4.394108
 EV ölçek σ        0.444861
 Weibull ölçeği η 80.972352
 Weibull biçimi β  2.247893
 R2                0.970344

Şekil 117.1. Sansürlü sürümde Weibull olasılık grafiği: noktalar Johnson düzeltilmiş sıralarıyla; mavi çizgi en çok olabilirlik, turuncu kesikli çizgi sıra regresyonu. Dikey eksen \log(-\log(1-F)) ölçeğinde, yüzdelik işaretleriyle.

Öğe Ne yazar Nasıl yorumlanır
EV konum \mu, EV ölçek \sigma Log ömürde uç değer parametreleri \sigma küçüldükçe ömür dağılımı daralır.
\eta Weibull ölçeği %63,2'nin bozulduğu süre (81,9 milyon devir).
\beta Weibull biçimi \beta>1: yaşlanma (hazard artar); =1: üstel; <1: erken arıza. Burada 2,10 (GA 1,55–2,86, 1'i içermez).
Yüzdelikler t_p, SH, GA B_{10}=28{,}07: ilk %10 bozulma süresi; güvence süresi için GA alt sınırı (18,06) kullanılır.
\log L, AIC Üç dağılımın uyumu Küçük AIC daha iyi; Weibull ile lognormal farkı 1,1 (lognormal biraz daha iyi), log-lojistik 230,74: aralarındaki farklar ayrım için yetersiz.
Sıra regresyonu \hat\mu_{rr},\hat\sigma_{rr},R^2 ML ile yakınsa model tutarlıdır; R^2 doğrusallığın ölçüsüdür.

Sansürlü sürümde (gv_sansur) 18 arıza ve 5 sansürle: \hat\eta=80{,}315, \hat\beta=2{,}240 (GA 1,52–3,30), B_{10}=29{,}41 [18,78; 46,06]; sıra regresyonu RRX \hat\eta=76{,}27, \hat\beta=2{,}476. Aynı veride lognormal: \hat\mu=4{,}1691, \hat\sigma=0{,}5538; log-lojistik: \hat\mu=4{,}1674, \hat\sigma=0{,}3208.

Rapor cümlesi: 23 rulmanın ömrüne Weibull dağılımı uydurulmuştur (en çok olabilirlik): ölçek \eta=81{,}88 milyon devir (%95 GA 66,64–100,60), biçim \beta=2{,}10 (1,55–2,86). B_{10} ömrü 28,07 milyon devirdir (%95 GA 18,06–43,63); ortanca ömür 68,78 milyon devirdir. Lognormal dağılım biraz daha küçük AIC verdi (230,26 ve 231,38).

117.8 Sık hatalar ve tuzaklar

  • Yüzdelik alanında ondalık virgül. Boşluksuz 2,5 iki yüzdelik (2 ve 5) üretir ve şablon bunu notla bildirir (gv_yuz_virgul); %2,5 için 2.5 ya da 2,5; 10 (noktalı virgülle ayrılmış liste) yazın.
  • Durum kodlaması. 1 = arıza, 0 = sansür. 1 = sansür kodlu veri sessizce ters anlamla çıkar; {1, 2} kodlu veri hata verir (gv_durum12); metin kodlu ("arıza"/"sansür") sütun reddedilir (gv_durum_metin).
  • Eksik satır notla çıkar (gv_eksik: n=22; "1 satır eksik değer nedeniyle çıkarıldı").
  • Yakınsama uyarısı notta görünür. survreg uyarısı (ör. "Ran out of iterations and did not converge") sonuçla birlikte yazılır; uyarı varsa sonuca güvenmeyin. Çok az arıza ya da çok yüksek sansürle sonuçlara (özellikle \beta ve B_1) dikkat edin. 60 gözlemde 8 arızalı veride \beta'nın GA'sı [0{,}69;\,2{,}70]'dir (gv_agir): 1'i içerir.
  • Aralıklar asimptotiktir. Az arızalı veride (r\lesssim 15) Wald aralıkları iyimser olabilir; olabilirlik oranı ya da önyükleme aralıkları daha güvenilirdir.
  • Yüzdelikler aralık dışına çıkarsa dışsallama olur. B_1 ya da B_{0{,}1} gibi uç yüzdelikler veri aralığının çok altındadır; GA geniştir (örnekte B_1=9{,}18, %90 GA [4,84; 17,42]; gözlenen en küçük ömür 17,88).
  • Sıra regresyonu ML'den farklıdır. Küçük örnekte RR, ML'den \beta'da genelde yukarıdadır (2,25 ve 2,10; sansürlü 2,48 ve 2,24); güvence süresi için ML tercih edilir.
  • Benard, tam ortanca sıraya yaklaşıktır (\eta'da 3\times10^{-4} fark; 117.4.5); yayımlı MRRw2p değerlerini yeniden üretmek için sira_formulu = ortanca seçin.
  • Zaman ölçeği. Ömür saat gibi büyük ölçekli olsa da kestirimler ölçekle orantılı kayar (gv_saat: \hat\eta=5012{,}2); olasılık grafiğinin yatay ekseni \log t'dir.
  • Hazen ve Herd–Johnson. Sansürlü veride bu formüller düzeltilmiş sıralara uygulanır; sonuçlar Benard'dan farklıdır (\hat\eta=75{,}46 ve 77{,}20; Benard 76,27).

117.9 Uzman soruları

S1. `survreg` neden log ölçeğinde parametre verir ve V hangi ölçektedir?

survreg (\mu,\log\sigma)'yı kestirir; fit$var bu iki parametrenin asimptotik kovaryansıdır. \sigma=e^{\log\sigma}'ya geçerken delta yöntemi \mathrm{SH}(\sigma)=\sigma\,\mathrm{SH}(\log\sigma) verir. Bu parametrelemede \log\sigma için Wald aralığı pozitiflik kısıtını kendiliğinden sağlar.

S2. Zaman ve log ölçeğindeki log-olabilirlik neden farklıdır ve hangisi AIC için doğrudur?

\ell_{\text{zaman}}=\ell_{\log}-\sum_{\delta_i=1}\log t_i; fark Jacobian'dır. AIC'nin amacı aynı gözlemleri karşılaştırmaktır: iki model aynı veride aynı Jacobian'ı taşır, fark değişmez. Farklı ölçekler farklı değişkenin (T ya da \log T) yoğunluğunu en büyükler; ölçekler karıştırılırsa AIC karşılaştırılamaz (örnekte 231,38 ve 230,26 zaman ölçeğindendir).

S3. Weibull ve lognormal arasında nasıl seçim yapılır?

AIC farkı 1,1 (lognormal daha iyi) ayrım için yetersizdir. Olasılık grafiğinde Weibull için doğrusallık ve alt kuyruk uyumuna bakılır; B_{10} gibi alt kuyruk yüzdeliklerinde iki model farklı çıkar (Weibull 28,07; lognormal 32,52) ve bu fark GA'larından küçüktür. Alt kuyruk (güvence) önemliyse temkinli (Weibull, daha kısa B_{10}) seçim yapılır.

S4. RRX ile RRY ne zaman ayrışır?

RRX (\log t'nin w'ye regresyonu) ömrü yanıt sayar; RRY olasılık ölçeğini. Veri tam doğrusalsa ikisi aynıdır; saçılım büyükse RRY \hat\sigma'yı büyütür (örnek: RRX \hat\beta=2{,}248, RRY \hat\beta=2{,}181). Mühendislikte genelde RRX (ömür X ekseninde; ömür kestirimi için) kullanılır.

S5. Johnson düzeltilmiş sırası sansür başlangıçta ya da sonda olunca ne yapar?

Sansür tüm arızalardan sonra ise (sansurlu sürüm) arızalar 1,\dots,18 sıralarını alır ve düzeltme yoktur: örnekte beş sansür 100'de, en büyük arıza 98,64'tedir. Sansürlü gözlem arızalardan önceyse sonraki arızaların sırası \Delta>1 ile ilerler. Düzeltilmiş sıranın sonu r_{\max}\le n kalır.

S6. Güven aralığı neden asimptotik normal, ve alternatifler?

Wald aralığı bilgi matrisine dayanır; küçük örnekte sapabilir. Olabilirlik oranı (profil) aralığı ve önyükleme alternatiftir; şablon sunmaz. Kesin aralık yalnız tam ve tipi II sansürlü Weibull için pivotal niceliklerle vardır (Lawless, 2003).

S7. WeibullR ve temel programdaki Parametrik Sağkalım (AFT) ile fark?

Temel programdaki Parametrik Sağkalım (AFT) analizi ortak değişkenli modeldir ve bu şablonun olasılık grafiği ile B-ömürlerini sunmaz; ortak değişkensiz durumda iki analiz aynı dağılım ailelerini kestirir. WeibullR MLEw2p kendi optimizasyon toleransı nedeniyle 4\times10^{-4}–10^{-3} fark verir; MRRw2p tam ortanca sıralarla regresyon yapar ve Benard'a göre 3\times10^{-4} (\eta) ve 3\times10^{-3} (\beta) fark gösterir.

117.10 Kaynaklar

  • Johnson, L. G. (1964). The statistical treatment of fatigue experiments. Elsevier.
  • Lawless, J. F. (2003). Statistical models and methods for lifetime data (2. bs.). Wiley. https://doi.org/10.1002/9781118033005
  • Lieblein, J. ve Zelen, M. (1956). Statistical investigation of the fatigue life of deep-groove ball bearings. Journal of Research of the National Bureau of Standards, 57(5), 273–316. https://doi.org/10.6028/jres.057.033
  • Nelson, W. (1982). Applied life data analysis. Wiley. https://doi.org/10.1002/0471725234
  • Therneau, T. (2026). A package for survival analysis in R (R paketi, sürüm 3.8-6). https://CRAN.R-project.org/package=survival
  • WeibullR: Weibull analysis for reliability engineering (R paketi, sürüm 1.2.4). https://CRAN.R-project.org/package=WeibullR (yalnız doğrulamada kullanılmıştır).