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
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) veuc_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
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
- \mu: log ömür ölçeğinde konum; \sigma: ölçek. Weibull için \eta=e^\mu, \beta=1/\sigma.
- \varphi, \Phi: standart normal yoğunluk ve dağılım.
- Koddaki
fit$loglik[2]zaman ölçeğindeki log-olabilirlik;logL_logsütunulogL_zaman + Σ log t(arızalarda) ile yazılır (150–157).
Koddaki tercih
Kestirim survival::survreg(Surv(t, o) ~ 1, dist = …) ile yapılır (112–122). survreg log ömür ölçeğinde çalışır, parametreleri (\mu,\ \log\sigma) ile verir ve fit$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):
\mathrm{SH}(\hat\sigma)=\hat\sigma\,\mathrm{SH}(\log\hat\sigma). Weibull'da (130–134)
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
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
(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
2,5iki yüzdelik (2 ve 5) üretir ve şablon bunu notla bildirir (gv_yuz_virgul); %2,5 için2.5ya da2,5; 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.
survreguyarısı (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
MRRw2pdeğerlerini yeniden üretmek içinsira_formulu = ortancaseçin. - 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).