dr. habil. ing.

Alexandru BOROIU
dr. ing. Andrei-Alexandru BOROIU

FIABILITATE.
APLICAŢII MICROSOFT EXCEL

Editura Universit ăţii din Piteşti

2022
 Editura Universitãtii din Pitesti
Str. Târgu din Vale, nr.1,
110040, Piteşti, jud. Argeş
tel/fax: 40348 45.31.23

Copyright © 2022 – Editura Universităţii din Piteşti

Toate drepturile asupra acestei ediţii sunt rezervate
Editurii Universităţii din Piteşti.
Nicio parte din acest volum nu poate fi reprodusă
sub orice formă, fără permisiunea scrisă a autorilor

Editor: lector univ. dr. Sorin FIANU

Referenţi ştiinţifici:
- Prof. univ. dr. ing. Viorel NICOLAE
- Conf. univ. dr. ing. Ionel VIERU

Descrierea CIP a Bibliotecii Naţionale a României

BOROIU, ALEXANDRU

Fiabilitate - Aplicaţii Microsoft Excel / dr. habil. ing. Alexandru

Boroiu, dr. ing. Andrei-Alexandru Boroiu. - Piteşti: Editura Universităţii
din Piteşti, 2022
Conţine bibliografie
Index
ISBN 978-606-560-730-9

I. Boroiu, Andrei-Alexandru

004
 CUPRINS

PREFAŢǍ 5

1. MODELAREA FIABILITǍŢII 7
1.1. Identificarea valorilor aberante cu ajutorul diagramei BoxPlot 7
1.2. Estimarea funcţiei de repartiţie F(t) 21
1.3. Modelarea fiabilitǎţii cu operatorul Trandlane 22
1.4. Modelarea fiabilitǎţii prin legea normalǎ 29
1.5. Modelarea fiabilitǎţii prin legea Weibull biparametricǎ 33
1.6. Modelarea fiabilitǎţii prin legea Weibull triparametricǎ 41

2. OPERAREA CU MODELELE DE FIABILITATE 51

2.1. Operare cu modelul liniar 51
2.2. Operare cu modelul polinomial de ordin 2 55
2.3. Operare cu modelul exponenţial 57
2.4. Operare cu modelul normal 59
2.5. Operare cu modelul Weibull 63
2.5.1. Modelul Weibull - 2p 63
2.5.2. Modelul Weibull - 3p 67
2.6. Operare cu modelul binomial 72

3. VALIDAREA FIABILITǍŢII PRIN ÎNCERCǍRI SECVENŢIALE 76

4. FUNCŢII EXCEL UTILIZATE LA MODELARE SAU OPERARE 85

4.1. Funcţia BETA.INV 85
4.2. Funcţia CORREL 87
4.3. Funcţia AVERAGE 89
4.4. Funcţia STDEV.S 93
4.5. Funcţia WEIBULL.DIST 92
4.6. Funcţia NORM.DIST 99
4.7. Funcţia NORM.INV 102

3
 4.8. Funcţia GAMMA 104
4.9. Funcţia BINOM.DIST 107
4.10. Funcția RSQ (R Squared) 109
4.11. Funcția PEARSON 111

BIBLIOGRAFIE 113

4
 PREFAŢǍ

Cartea de faţǎ este rezultatul activitǎţii realizate în sistem online in ultimii doi
ani la disciplinele ce trateazǎ fiabilitatea de la programele de studii Autovehicule
Rutiere, Automotive Engineering for a Sustainabale Mobility şi Transporturi şi
Siguranţǎ Rutierǎ, când a trebuit sǎ descoperim noi metode şi instrumente pentru
modelarea fiabilitǎţii şi operarea cu modelele de fiabilitate, care sǎ permitǎ
desfǎşurarea activitǎţilor didactice prin platformele informatice dedicate
învǎţǎmântului online.
Acest mod de lucru ne-a condus la utilizarea unor instrumente informatice
existente în pachetul de programe Microsoft Office, program de birou accesibil
oricǎrui utilizator, şi realizarea în timp real a aplicaţiilor la aceste discipline cu studenţii,
lucru care înainte era posibil doar pentru laboratoarele dotate cu reţele de
calculatoare.
Astfel au existat condiţii pentru a dezvolta o metodologie completǎ pentru
realizarea unui studiu de fiabilitate, bazatǎ în exclusivitate pe instrumente de care
dispune în ultimii ani programul Microsoft Excel.
Ca urmare, cartea a fost conceputǎ ca o aplicaţie completǎ pentru un caz anume
(o anumitǎ bazǎ de date) şi prezintǎ toate etapele prin care este finalizat studiul de
fiabilitate:
- modelarea fiabilitǎţii (identificarea valorilor aberante cu diagrama Boxplot,
estimarea funcţiei de repartiţie cu funcţia BETA.INV, identificarea unor modele de
fiabilitate prin regresie cu ajutorul operatorului Trandlane, dezvoltarea modelului
normal cu funcţia NORM.DIST şi a modelului Weibull cu funcţia WEIBULL.DIST);
- operarea cu modelele de fiabilitate identificate (cu fomulele algebrice
cunoscute pentru modelele liniar, polinomial de ordin 2 şi exponenţial, cu funcţia
NORM.DIST pentru modelul normal, cu funcţia WEIBULL.DIST şi cu funcţia GAMMA
pentru modelul Weibull, cu funcţia BINOM.DIST pentru modelul binomial).
Metodele utilizate, bazate în exclusivitate pe programul Microsoft Excel, permit
realizarea studiilor de fiabilitate fǎrǎ a mai fi necesarǎ utilizarea cunoscutelor
instrumente clasice:

5
 - diagrame de probabilitate pentru identificarea modelului de fiabilitate (cum
este graficul Henry pentru modelul normal şi graficul Allan-Plaît pentru modelul
Weibull);
- tabele cu valori ale funcţiilor utilizate pentru operare (tabelul cu valorile
funcţiei Laplace pentru modelul normal; tabelul cu valorile funcţiei Gamma pentru
modelul Weibull);
- mnemonice pentru determinarea anumitor mǎrimi (cum este triunghiul lui
Pascal, utillizat pentru modelul binomial).
În ultima parte a cǎrţii sunt prezentate funcţiile Excel care au fost utilizate în
aplicaţia complexǎ realizatǎ (în etapa de modelare sau etapa de operare), pentru o
facilǎ aplicare a acestora în orice alte studii similare.
Apreciem cǎ aceastǎ carte prezintǎ atributele dorite – utilitate, originalitate şi
durabilitate, astfel cǎ va constitui un suport util şi accesibil pentru realizarea studiilor
de fiabilitate.
Dorim sǎ mulţumim referenţilor acestei lucrǎri pentru aprecierile formulate, ca
şi tuturor celor care vor exprima sugestii, propuneri sau observaţii cu privire la
conţinutul şi forma de prezentare a lucrǎrii – utile pentru îmbunǎtǎţirea activitǎţii pe
care o desfǎşurǎm în domeniul fiabilitǎţii.

Piteşti, ianuarie 2022 Autorii

6
 1. MODELAREA FIABILITǍŢII

1.1. Identificarea valorilor aberante cu ajutorul diagramei BoxPlot

Modelarea fiabilitǎţii se bazeazǎ pe valorile unuia dintre indicatori statistici ai

fiabilitǎţii, calculate pe baza datelor disponibile – valorile timpilor de defectare pentru
un eşantion cu produsele respective, utilizate în condiţii asemǎnǎtoare.
Aproape întotdeauna este preferatǎ pentru modelare funcţia de nefiabilitate F,
ce exprimǎ probabilitatea ca la un anumit moment t produsul sǎ se defecteze (deci
exprimǎ riscul defectǎrii la momentul t). Aceasta deoarece acest indicator are un
caracter cumulativ (valoarea sa creşte în timp, pe mǎsurǎ ce se defecteazǎ produsele)
şi este favorabil, deci, pentru modelare.
Pentru ca prelucrarea statisticǎ a datelor sǎ se justifice, este necesar ca
distribuţia datelor disponibile sǎ fie statisticǎ, ceea ce înseamnǎ sǎ fie suficient de
numeroasǎ şi sǎ fie omogenǎ.
În general, o bazǎ de date de peste 20 de valori este consideratǎ suficient de
mare pentru studiul fiabilitǎţii, iar în ceea ce priveşte omogenitatea datelor, acest
lucru se asigurǎ prin observarea unui eşantion de produse cu caracteristici identice,
fabricate în condiţii similare şi utilizate în condiţii asemǎnǎtoare.
Dar asigurarea condiţiei de omogenitate poate fi mai bine susţinutǎ dacǎ datele
disponibile sunt supuse unui test prin care sunt identificate eventualele valori
aberante (numite, uneori, şi valori anormale).
Cel mai simplu mod de a proceda pentru eliminarea unor eventuale erori
aberante este ordonarea acestora şi eliminarea celei mai mici şi celei mai mari valori
(valorile extreme ale şirului ordonat de valori), dar acest procedeu nu este justificat
ştiinţific şi este posibil ca valorile extreme eliminate sǎ nu fi fost aberante.
Existǎ, în schimb, posibilitatea sǎ se utilizeze instrumente speciale pentru
identificarea valorilor aberante, aşa cum este graficul special sau diagrama Boxplot.

7
 Diagrama Boxplot a fost introdusă în anul 1969 de John Tuckey [https://
ro.wikipedia.org/wiki/Boxplot] şi de atunci este folosită pe larg, fiind un indicator
statistic bogat în semnificaţii. Au fost dezvoltate programe de calcul speciale pentru
construcţia acesteia [http://www.alcula.com/calculators/statistics/box-plot/,
http://www.imathas.com/ stattools/ box plot.html, https://plot.ly/create/box-plot/#/
etc.], dar foarte la îndemânǎ este programul Excel din pachetul Microsoft Office.
Diagrama Boxplot oferă informații privind tendința centrală și forma unei
distribuții de date numerice. Ea reflectă grafic următoarele 5 valori ale unei distribuții:
valoarea minimă, prima quartilă, mediana, a treia quartilă și valoarea maximă. Graficul
prezintă, de asemenea, și valorile aberante (valorile situate mult în afara distribuției).
Astfel, valorile evidenţiate grafic sunt (v. figura următoare):
• Xmin: Valoarea minimă, este cea mai mică valoare observată din șirul de valori,
exceptând valorile aberante;

8
 • Q1: Quartila inferioară, delimitează cele mai mici 25% din valorile observate
(quartilele sunt cuantilele de 25%, adică oricare din cele 3 valori care divid datele
sortate în patru părți egale, fiecare parte reprezentând un sfert din populație);
• Me: Mediana, delimitează 50% din valori (intervalul cuprins între cea mai mică
valoare observată și mediană conţine 50% din valorile observate, iar intervalul cuprins
între valoarea mediană și cea mai mare valoare observată conține celelalte 50% din
valorile observate);
• Q3: Quartila superioară, delimitează cele mai mari 25% din valorile observate;
• Xmax: Valoarea maximă, este cea mai mare valoare observată, exceptând
valorile aberante;
• IQR: Intervalul dintre quartile (interquartilic), este intervalul cuprins între Q3
și Q1:

IQR = Q3 - Q1

• Valoarile aberante (outliers), sunt considerate valorile mai mici decât (Q1 -
1,5·IQR) sau valorile mai mari decât (Q3 + 1,5·IQR).

Intervalul IQR este reprezentat grafic printr-un dreptunghi (sau “cutie” = box,
în lb. engleză). În interiorul său se află mediana reprezentată grafic prin o linie ce
împarte cutia în două părţi. Intervalele (Xmin, Q1) și (Q3, Xmax) sunt reprezentate prin

9
două linii (sau „mustăți” = whiskers, în lb. engleză) trasate în exteriorul dreptunghiului.
De aceea, diagrama Boxplot mai este numită şi box and whiskers diagram. Valorile
aberante sunt reprezentate prin steluţe (*).
Reprezentarea grafică poate fi orizontală sau verticală, semnificațiile termenilor
rămânând aceleași.
Observaţie: “Mustăţile” se întind doar până la valorile extreme Xmin şi Xmax, deci
în general sunt asimetrice, iar lungimea maximă pe care o pot avea este egală cu 1,5
IQR.
O întrebare firească ce apare este următoarea: cât de exigente sunt condiţiile
diagramei Boxplot pentru a declara o valoare drept “valoare aberantă” sau outlier?
Singura modalitate pentru a oferi un răspuns este realizarea diagramei Boxplot
pentru distribuţia normală. Se ştie că, de regulă, sunt percepute ca aberante valorile
situate în afara intervalului (m – 3, m + 3), dar aceasta ca urmare a cunoscutei
“reguli a celor 3”, care este, totuşi, altceva (aplicând această regulă se consideră că
toate valorile distribuţiei sunt în acest interval; în realitate sunt 99,7%, iar în afara
intervalului sunt foarte puţine valori, 0,3%, astfel că pot fi neglijate în calculele
statistice) – v. figura de mai jos.

Chiar pe site-ul https://en.wikipedia.org/wiki/Box_plot există o reprezentare

grafică ce oferă răspunsul căutat (v. figura următoare): sunt considerate valori
aberante cele situate la distanţe mai mari de 2.698· (sau de cca 2.7· de medie.

10
 Deci diagrama Boxplot este sensibil mai exigentă în ceea ce priveşte valorile
aberante decât condiţia percepută (nejustificat) prin “regula celor 3”: în cazul legii
normale, sunt valori aberante cele din afara intervalului (m – 2.7·, m + 2.7·), aşa
cum se vede şi pe graficul de jos:

% outliers = 100 – (50 + 2·24.65) = 100 – (50 + 2·24.65) = 100 – 99.3 = 0.7%

Pentru a verifica dacǎ, într-adevǎr, diagrama Boxplot conduce la 0.7% valori

anormale pentru distribuţia normalǎ, vom folosi funcţia NORM.INV din programul
Microsoft Excel.
Considerând m = 0 si  = 1 (deci o distribuţie normalǎ normatǎ), vom gǎsi prima
cuartilǎ la distanţa 0.67448975· de medie. Deci intervalul interquartilic va fi
2·0.67448975 = 1.3489795, iar lungimea mustǎţii va fi 1.5·(2·0.67448975) =
3·0.67448975 = 2.02346925·.
Extremitǎţile mustǎţilor vor fi la distanţa 0.67448975· + 2.02346925· =
2.697959·, iar dincolo de acestea sunt valorile aberante.

11
 Proporţia valorilor aberante va rezulta utilizând funcţia NORM.DIST din
programul Microsoft Excel pentru x = 2.697959.

Astfel, de fiecare parte a distribuţiei normale existǎ 1 - 0.996511698 =

0.003488302 = 0.3488302% valori anormale.
Deci, rotunjnd valorile obţinute, a rezultat cǎ distribuţia normalǎ are dincolo de
(m ± 2.7· câte 0.35% valori anormale, deci în total 0.7% sau 7‰.

12
 Este interesant că în baza acestui instrument de identificare a valorilor
aberante, orice distribuţie normală are “valori anormale”, şi anume 0,7% din valori.
Dar la fel de interesant este şi faptul că există distribuţii care nu au valori
anormale, de exemplu distribuţia uniformă (sau progresia aritmetică) nu are valori
aberante (iar “mustăţile” sunt egale cu jumǎtate din intervalul interquartilic). Acest
lucru este evidenţiat în graficul următor (realizat cu programul
http://www.alcula.com/calculators/statistics/box-plot/), unde au fost utilizate 31 de
numere naturale consecutive (deci o rată a progresiei aritmetice egală cu 1).
Dar nu este vorba de un paradox, pentru că diagrama Boxplot are drept scop să
caracterizeze cât de grupate sunt datele numerice, în timp ce distribuţia normală este
altceva: ea caracterizează procesele normale, iar modelul teoretic are un domeniu de
valori infinit, astfel că orice distribuţie normală teoretică are şi valori foarte
îndepărtate de zona centrală (de intervalul interquartilic), deci are valori aberante.

A fost generatǎ baza de date ce va constitui obiectul aplicaţiilor prezentate în

continuare, prin imaginarea valorilor pentru timpii primei defectǎri a produselor ce

13
constituie un eşantion de 30 de produse, aşa cum sunt prezentate (ordinea
cronologicǎ, ce corespunde ordinii în care au fost achiziţionate) pe prima coloanǎ din
tabelul urmǎtor (coloana ti).

ti ti ordonat rank
12 12 1
78 19 2
37 26 3
35 26 4
36 29 5
29 34 6
38 35 7
36 36 8
43 36 9
40 36 10
49 37 11
46 38 12
64 40 13
59 42 14
84 42 15
26 43 16
34 44 17
26 46 18
42 46 19
52 47 20
70 49 21
36 50 22
44 50 23
42 52 24
46 56 25
50 59 26
50 64 27
56 70 28
47 78 29
19 84 30

14
 A fost realizat graficul BoxPlott şi s-a constatat cǎ existǎ 3 valori aberante
(outliers), care sunt valori extreme: 12, respectiv 78 şi 84. Aceste valori (marcate cu
roşu) vor fi eliminate din baza de date.

Vizualizând graficul Boxplot obţinut, devine interesant de explicat cum se obţin

valorile celor 3 cuantile, cǎci nu se regǎsesc printre valorile (numere întregi) din baza
de date. Pentru aceasta, cu funcţia Sort from Smallist to Largest au fost ordonate
crescǎtor datele din tabelul cu timpii (coloana a doua, unde se vede cǎ valorile
aberante sunt valori extreme, într-adevǎr) şi au fost notate numerele de ordine ale
datelor ierarhizate (coloana a treia, pentru numǎrul de ordine sau rank), de la 1 la 30.
Se constatǎ cǎ în ceea ce priveste cuartila a doua, adicǎ mediana, lucrurile sunt
simple: fiind 30 de valori, ea este media aritmeticǎ a valorilor cu numǎrul 15 şi numǎrul
16:

𝑡15 + 𝑡16 42 + 43
𝑄2 = = = 42.5
2 2

Dar pentru a înţelege mai bine cum s-au calculat celelalte douǎ cuartile, Q1 şi
Q3, sǎ imaginam urmǎtoarele situaţii: baze de date cu 4k, 4k+1, 4k+2 sau 4k+3 numere
naturale consecutive, de exemplu cu primele 8, 9, 10 sau 11 numere naturale.

15
 Numǎr de valori
4k 4k+1 4k+2 4k+3
1 1 1 1
2 2 2 2
3 3 3 3
4 4 4 4
5 5 5 5
6 6 6 6
7 7 7 7
8 8 8 8
9 9 9
10 10
11
Q1 = (3·2+3)/4 Q1 = (2+3)/2 Q1 = (2+3·3)/4 Q1 = 3
Me = (4+5)/2 Me = 5 Me = (5+6)/2 Me=6
Q3 = (6+3·7)/4 Q3 = (7+8)/2 Q3 = (3·8+9)/4 Q3 = 9

Rezultǎ urmǎtoarele diagrame Boxplot:

16
 Prin simpla vizualizare a graficelor se pot identifica relaţiile de calcul pentru cele
2 cuartile, Q1 si Q3, relaţii care au fost trecute pe ultima linie a tabelului de sus.
Dupǎ eliminarea celor 1 + 2 valori aberante, cu datele rǎmase a fost realizat un
nou grafic Boxplot, pentru cǎ acum este o altǎ mulţime de valori (27 de valori) şi este
posibil sǎ aparǎ iar valori aberante cu acest instrument (se opereazǎ în cascadǎ cu
Boxplot).

Se constatǎ cǎ în acest caz nu mai apar valori aberante (outlieri), deci

considerǎm cǎ a fost omogenizatǎ baza de date şi se va lucra în continuare doar cu
cele 27 valori rǎmase. Dacǎ mai apǎreau valori aberante, erau eliminate şi acestea şi
se relua procedeul pânǎ nu mai apǎreau deloc.
17
 1.2. Estimarea funcţiei de repartiţie F(t)

Pentru cele 27 de valori reţinute, ordonate crescǎtor şi notate cu numǎrul de

ordine (rank), este determinat estimatorul F(t) prin relaţiile algebrice şi, în final, prin
funcţia BETA.INV(p=0.5, i, 27+1-i), care pentru aceastǎ valoare a parametrului, p = 0.5,
se identificǎ chiar cu estimatorul considerat cel mai potrivit, Median Ranks (care
reprezintǎ valoarea pentru care probabilitatea ca valoarea corectǎ sǎ fie mai micǎ este
de 50%, ca şi valoarea pentru care probabilitatea ca valoarea corectǎ sǎ fie mai mare
în realitate).

Aceşti estimatori algebrici au fost utilizaţi în literaturǎ progresiv: iniţial se

recomanda utilizarea indicatorului i/(n+1) în locul indicatorului i/n atunci cand
numǎrul valorilor disponibile era sub 20, apoi a fost utilizat preponderent indicatorul
(i-0.5)/n, apoi (i-0.3)/(n+0.4), iar softurile dedicate (cum e pachetul software
www.reliasoft.com) dispun de regulǎ de doi estimatori: Median Ranks (care este
presetat, deci reomandat) şi Kaplan-Meyer.
Relaţiile de calcul şi rezultatele obţinute prin prelucrarea numerelor de ordine
i pentru cele 27 de valori reţinute sunt prezentate în tabelul de mai jos.

18
 Estimator F(t)
t Rank Naiv Weibull Hazen Benard Bloom MR
ordonat i (i-0.375)/ BETA.INV
i/n i/(n+1) (i-0,5)/n (i-0.3)/(n+0.4)
(n+0.25) (0.5,i,28-i)
19 1 0.037 0.036 0.019 0.026 0.023 0.025
26 2 0.074 0.071 0.056 0.062 0.060 0.061
26 3 0.111 0.107 0.093 0.099 0.096 0.098
29 4 0.148 0.143 0.130 0.135 0.133 0.134
34 5 0.185 0.179 0.167 0.172 0.170 0.171
35 6 0.222 0.214 0.204 0.208 0.206 0.207
36 7 0.259 0.250 0.241 0.245 0.243 0.244
36 8 0.296 0.286 0.278 0.281 0.280 0.281
36 9 0.333 0.321 0.315 0.318 0.317 0.317
37 10 0.370 0.357 0.352 0.354 0.353 0.354
38 11 0.407 0.393 0.389 0.391 0.390 0.390
40 12 0.444 0.429 0.426 0.427 0.427 0.427
42 13 0.481 0.464 0.463 0.464 0.463 0.463
42 14 0.519 0.500 0.500 0.500 0.500 0.500
43 15 0.556 0.536 0.537 0.536 0.537 0.537
44 16 0.593 0.571 0.574 0.573 0.573 0.573
46 17 0.630 0.607 0.611 0.609 0.610 0.610
46 18 0.667 0.643 0.648 0.646 0.647 0.646
47 19 0.704 0.679 0.685 0.682 0.683 0.683
49 20 0.741 0.714 0.722 0.719 0.720 0.719
50 21 0.778 0.750 0.759 0.755 0.757 0.756
50 22 0.815 0.786 0.796 0.792 0.794 0.793
52 23 0.852 0.821 0.833 0.828 0.830 0.829
56 24 0.889 0.857 0.870 0.865 0.867 0.866
59 25 0.926 0.893 0.907 0.901 0.904 0.902
64 26 0.963 0.929 0.944 0.938 0.940 0.939
70 27 1.000 0.964 0.981 0.974 0.977 0.975

Dintre estimatorii algebrici cel mai apropiat de Median Ranks pare a fi

estimatorul Benard, aşa cum se constatǎ examinand datele din tabel sau vizualizând
graficele estimatorilor în funcţie de timp din figura urmǎtoare. Se constatǎ ca cel mai
neadecvat este estimatorul “naiv”.
19
 Estimator F(t)
1.0

0.9

0.8

0.7

0.6

0.5
F

0.4

0.3

0.2

0.1

0.0
10 20 30 40 50 60 70 80
t

i/n i/(n+1) (i-0,5)/n (i-0.3)/(n+0.4) (i-0.375)/(n+0.25) BETA.INV

O comparaţie mai realistǎ între aceşti estimatori algebrici în ceea ce priveşte

mǎsura în care conduc la valori apropiate de Median Ranks se poate face determinând
suma diferenţelor absolute dintre valorile obţinute cu fiecare estimator algebric şi
valorile obţinute prin estimatorul Median Ranks, utilizând funcţia ABS.

Diferenţa absolutǎ faţǎ de Median Ranks

Rank
Naiv Weibull Hazen Benard Bloom
1 0.012 0.010 0.007 0.000 0.002
2 0.013 0.010 0.006 0.001 0.002
3 0.013 0.009 0.005 0.001 0.001
4 0.014 0.009 0.005 0.001 0.001
5 0.014 0.008 0.004 0.001 0.001
6 0.015 0.007 0.004 0.001 0.001
7 0.015 0.006 0.003 0.001 0.001
8 0.016 0.005 0.003 0.000 0.001
9 0.016 0.004 0.002 0.000 0.001
10 0.017 0.003 0.002 0.000 0.000
11 0.017 0.003 0.001 0.000 0.000
12 0.018 0.002 0.001 0.000 0.000

20
 13 0.018 0.001 0.000 0.000 0.000
14 0.019 0.000 0.000 0.000 0.000
15 0.019 0.001 0.000 0.000 0.000
16 0.019 0.002 0.001 0.000 0.000
17 0.020 0.003 0.001 0.000 0.000
18 0.020 0.003 0.002 0.000 0.000
19 0.021 0.004 0.002 0.000 0.001
20 0.021 0.005 0.003 0.000 0.001
21 0.022 0.006 0.003 0.001 0.001
22 0.022 0.007 0.004 0.001 0.001
23 0.023 0.008 0.004 0.001 0.001
24 0.023 0.009 0.005 0.001 0.001
25 0.024 0.009 0.005 0.001 0.001
26 0.024 0.010 0.006 0.001 0.002
27 0.025 0.010 0.007 0.000 0.002
Suma ABS 0.500 0.154 0.087 0.012 0.025

Într-adevǎr, suma cea mai micǎ a diferenţelor absolute faţǎ de MR este în cazul
estimatorului Benard (suma = 0.012), iar cea pentru indicatorul “naiv” este de departe
cea mai mare (suma = 0.500).
Evident, pentru modelarea fiabilitǎţii se va continua cu valorile estimate prin
utilizarea funcţiei BETA.INV.

21
 1.3. Modelarea fiabilitǎţii cu operatorul Trandlane

Programul Microsoft Excel dispune de operatorul Trandlane (Adǎugare linie de

tendinţǎ), prin care poate fi identificat modelul matematic de un anume tip
(exponenţial, liniar, logaritmic, putere, polinomial de un anumit ordin) ce descrie cât
mai fidel distribuţia valorilor estimate F, pe baza metodei celor mai mici pǎtrate.

Se obţine ecuaţia modelului matematic şi valoarea coeficientului de

determinare R2 (acesta caracterizeazǎ cât este de adecvat modelul matematic obţinut

22
pentru distribuţia experimentalǎ, adecvanţa fiind cu atat mai mare cu cât valoarea lui
R2 este mai apropiatǎ de 1).
Astfel, se va realiza graficul pentru distribuţia F(t) obţinutǎ cu funcţia BETA.INV
(pentru valoarea parametrului p = 0.5) şi se va comanda opţiunea Trandlane pentru
diversele funcţii, obţinând graficele urmǎtoare (cu afişarea relaţiei analitice a
modelului şi valorii R2).

F(t)
1.0
0.9
0.8
0.7
0.6
0.5
F

0.4
0.3
0.2
0.1
0.0
10 20 30 40 50 60 70 80
t

F(t)
1.0
0.9
0.8
y = 0.0196e0.0695x
0.7
R² = 0.8051
0.6
0.5
F

0.4
0.3
0.2
0.1
0.0
10 20 30 40 50 60 70 80
t

23
 F(t)
1.0

0.8
y = 0.024x - 0.5235
R² = 0.935
0.6

0.4
F

0.2

0.0
10 20 30 40 50 60 70 80
-0.2
t

Mai jos s-a comandat linia de tendinţǎ pentru modelul polinomial de ordin 2,
(ordinul minim, pentru care este cel mai simplu de utilizat ulterior).

F(t)
1.0

0.8
y = 0.9547ln(x) - 3.0467
0.6
R² = 0.9115
0.4
F

0.2

0.0
10 20 30 40 50 60 70 80
-0.2

-0.4
t

24
 F(t)
1.0

0.8

0.6
y = -0.0001x2 + 0.0361x - 0.7733
R² = 0.9426
0.4
F

0.2

0.0
10 20 30 40 50 60 70 80
-0.2
t

F(t)
1.0
0.9
0.8
y = 5E-06x3.0024
0.7
R² = 0.9248
0.6
0.5
F

0.4
0.3
0.2
0.1
0.0
10 20 30 40 50 60 70 80
t

Se constatǎ cǎ cele mai mari valori pentru R2 s-au obţinut pentru modelul
polinomial de ordin 2 (R2 = 0.9426) şi pentru modelul liniar (R2 = 0.935), deci acestea
ar fi cele mai adecvate pentru distribuţia F(t) existentǎ.
Trebuie precizatǎ diferenţa lui R2 faţǎ de celǎlalt indicator cunoscut, coeficientul
de corelaţie , acesta din urmǎ apreciind cât de liniarǎ este relaţia dintre douǎ mǎrimi,
de exemplu dintre estimatorul F şi unul din modelele propuse, pentru aceasta fiind
necesar sǎ se realizeze un grafic cu cele douǎ mǎrimi şi sǎ se determine trendul liniar
al acestora.
Coeficientul de determinare R2 este egal cu pǎtratul coeficientului de corelaţie
R (notat uneori cu ), ce se obţine cu funcţia CORREL, doar în cazul regresiei liniare!

25
 Coeficienţii de corelaţie obţinuti diferǎ de R2, aşa cum se vede în tabelul de mai
jos, unde au fost prelucrate datele cu modelul liniar şi modelul polinomial de ordin 2.
S-a utilizat funcţia CORREL de care dispune programul Microsoft Excel.

Modelul linear Modelul polinomial de ordin 2

t F(t)
y = 0.024·x - 0.5235 y = -0.0001·x2 + 0.0361·x - 0.7733
19 0.025 -0.0675 -0.1235
26 0.061 0.1005 0.0977
26 0.098 0.1005 0.0977
29 0.134 0.1725 0.1895
34 0.171 0.2925 0.3385
35 0.207 0.3165 0.3677
36 0.244 0.3405 0.3967
36 0.281 0.3405 0.3967
36 0.317 0.3405 0.3967
37 0.354 0.3645 0.4255
38 0.390 0.3885 0.4541
40 0.427 0.4365 0.5107
42 0.463 0.4845 0.5665
42 0.500 0.4845 0.5665
43 0.537 0.5085 0.5941
44 0.573 0.5325 0.6215
46 0.610 0.5805 0.6757
46 0.646 0.5805 0.6757
47 0.683 0.6045 0.7025
49 0.719 0.6525 0.7555
50 0.756 0.6765 0.7817
50 0.793 0.6765 0.7817
52 0.829 0.7245 0.8335
56 0.866 0.8205 0.9347
59 0.902 0.8925 1.0085
64 0.939 1.0125 1.1275
70 0.975 1.1565 1.2637
CORREL 0.9669 0.9704

26
 Coeficienţii de corelaţie obţinuti diferǎ, evident, de R2, aşa cum se vede în
tabelul de mai sus, dar reprezentând graficele cu cele douǎ mǎrimi, F şi tendinţa Liniar,
respectiv F şi tendinţa Polinomial de ordin 2, tendinţa liniarǎ a acestora aratǎ cǎ doar
în cazul modelului linear s-a obţinut R2 = 0.935 (deci, egal cu pǎtratul valorii lui R
obţinute cu funcţia CORREL), ca mai înainte, pe când pentru modelul polinomial de
ordin 2 valoarea este diferitǎ (era R2 = 0.9426, acum a rezultat R2 = 0.9417).

27
 Liniar(F)
1.4

1.2

1 y = 0.9354x + 0.0328
R² = 0.935
0.8

0.6

0.4

0.2

0
0.000 0.200 0.400 0.600 0.800 1.000 1.200
-0.2

Polinom(F)
1.4

1.2
y = 1.0674x + 0.0381
1 R² = 0.9417

0.8

0.6

0.4

0.2

0
0.000 0.200 0.400 0.600 0.800 1.000 1.200
-0.2

Astfel, se poate afirma cǎ în lipsa valorii lui R2 se poate aprecia corelaţia (liniarǎ)
dintre modelul propus şi distribuţia modelatǎ prin coeficientul de corelaţie .
Este important de precizat cǎ pentru situaţiile când vor fi identificate alte
modele prin altǎ cale decât Trandlane şi, deci, nu se dispune de valoarea R2, adecvanţa
modelului respectiv nu poate fi evaluatǎ riguros decât prin teste speciale, numite teste
de adecvanţǎ sau teste de verosimilitate, cum este testul Kolmogorov-Smirnov.

28
 1.4. Modelarea fiabilitǎţii prin legea normalǎ

Modelul normal este definit prin doi parametri: media aritmeticǎ a timpilor de
defectare (m) şi abaterea medie pǎtraticǎ a timpilor de defectare () în raport cu
media (în acest caz abaterea medie pǎtraticǎ poate fi numitǎ şi deviaţie standard şi
poate fi notatǎ cu s).
Se determinǎ cei doi parametri ai distribuţiei normale - media aritmeticǎ m cu
funcţia AVERAGE, şi deviaţia standard  pentru eşantion cu funcţia STDEV.S (S de la
Sample – eşantion, lb, engl.), pentru distribuţia celor 27 timpi de defectare, obţinându-
se valorile din capturile urmǎtoare.
Tebuie precizat cǎ existǎ şi funcţia STDEV.P, diferenţa dintre cele douǎ funcţii
constând în faptul cǎ STDEV.P se utilizeazǎ atunci când datele prelucrate reprezintǎ
întreaga populaţie (P este abrevierea de la Population), iar STDEV.S se utilizeazǎ atunci
când datele prelucrate constituie un eşantion ce reprezintǎ întreaga populaţie. În
relaţiile de calcul, diferenţa constǎ în faptul cǎ la numitor este n în cazul STDEV.P,
respectiv (n-1) în cazul STDEV.S.

29
 În scopul analizǎrii adecvanţei modelului obţinut se poate proceda astfel:
cunoscând valorile celor doi parametri se vor determina valorile funcţiei de repartiţie
F(t) pentru valorile celor 27 de timpi, conform tabelului de mai jos, utilizând funcţia
NORM.DIST (cu opţiunea cumulativ).

30
 Se obţin valorile pentru functia NORM.DIST cumulativǎ din tabelul de jos. Se
poate realiza şi graficul F(t) pentru cele 27 valori ale timpilor de defectare cu modelul
normal obţinut.

t F(t)
19 0.022
26 0.077
26 0.077
29 0.121
34 0.229
35 0.256
36 0.284
36 0.284
36 0.284 F norm
37 0.314 1.0
0.9
38 0.345 0.8
40 0.410 0.7
0.6
42 0.477 0.5
F

42 0.477 0.4
0.3
43 0.511 0.2
44 0.545 0.1
0.0
46 0.612 10 20 30 40 50 60 70 80
46 0.612 t
47 0.645
49 0.706
50 0.735
50 0.735
52 0.788
56 0.873
59 0.919
64 0.966
70 0.990

Pentru a verifica adecvanţa acestui model în comparaţie cu alte modele

obţinute, se poate face comparaţie între coeficienţii de corelaţie obţinuţi.

31
 Cum deja au fost determinaţi coeficienţii de corelaţie pentru modelul
polinomial de ordin 2 şi pentru modelul liniar (care s-au dovedit cele mai adecvate
modele), este necesar sǎ fie determinat coeficientul de corelaţie (cu funcţia CORREL)
dintre distribuţia valorilor obţinute pentru estimatorul F şi cele obţinute cu modelul
normal propus.

S-a obţinut valoarea de 0.9803, care este mai mare decât cele obţinute pentru
modelul polinomial de ordin 2 (0.9704) şi pentru modelul liniar (0.9669).
Deşi nu este strict un criteriu pentru a stabili cel mai adecvat model (ar trebui
aplicat un criteriu de adecvanţǎ sau de verosimilitate pentru asta), coeficientul de
corelaţie permite o orientare pentru comparaţia între diversele modele de fiabilitate.

32
 1.5. Modelarea fiabilitǎţii prin legea Weibull biparametricǎ

Modelul Weibull triparametric este definit prin urmǎtorii trei parametri:

•  – parametrul de localizare;
•  – parametrul de scarǎ;
•  – parametrul de formǎ.
Influenţa acestor parametri asupra modelului matematic Weibull poate fi
observatǎ prin modificarea graficului densitǎţii de probabilitate a timpului de
defectare (frecvenţa defectǎrilor) f(t) odatǎ cu modificarea unuia din parametri
[https://www.weibull.com/basics/parameters.html], aşa cum este prezentat în
graficele de mai jos.
Modelul Weibull biparametric reprezintǎ forma simplificatǎ a modelului
Weibull, deoarece el conţine numai doi parametri: parametrul de scarǎ  şi parametrul
de formǎ 

33
 Modelarea fiabilitǎţii prin legea Weibull (fie biparametricǎ, fie triparametricǎ)
se bazează pe liniarizarea legii Weibull prin două logaritmări succesive ale funcţiei de
fiabilitate dată de relaţia:


 t  
 
 
R (t )  e 
(1)

34
 Rezultă succesiv:


t  
ln R(t )    (2)
  


1 t  
ln    (3)
R(t )   

Logaritmând a doua oară, se obţine:

1 1
ln ln  ln ln   ln( t   )   ln  (4)
R(t ) 1  F (t )

care reprezintă o ecuaţie liniară de forma:

Y  X  c (5)
unde:

1
Y  ln ln  ln{ ln[1  F (t )]} , X  ln( t   ) şi c   ln  (6)
1  F (t )

Rezultă că în reţeaua probabilistă având pe ordonată scara Y şi pe abscisă scara

X, o distribuţie a datelor statistice definită prin legea Weibull de parametri ,  şi  se
va alinia după o dreaptă, denumită şi “dreapta Weibull”, având înclinarea egală tocmai
cu parametrul .
Conform relaţiei (4), coeficientul variabilei X este chiar parametrul de formă ,
iar termenul liber conţine parametrii  şi :

c   ln  (7)

Din această ultimă relaţie, cunoscând valoarea parametrului  se poate obţine

pe cale analitică parametrul , conform relaţiei:

35
 c

 e 
(8)

Pentru obtinerea modelului Weibull biparametric se considerǎ  = 0, astfel cǎ

relaţia analiticǎ de definiţie a modelului este mai simplǎ (modelul are doar doi
parametri,  si ), având forma urmǎtoare:


t 
  

R (t )  e 
(9)

Pentru liniarizarea modelului s-a lucrat în Microsoft Excel, obţinând valorile din
tabelul urmǎtor.

t ln t ln (1-F) ln[-ln(1-F)]
19 2.944 -0.026 -3.662
26 3.258 -0.063 -2.759
26 3.258 -0.103 -2.274
29 3.367 -0.144 -1.936
34 3.526 -0.187 -1.675
35 3.555 -0.232 -1.459
36 3.584 -0.280 -1.274
36 3.584 -0.329 -1.111
36 3.584 -0.381 -0.964
37 3.611 -0.436 -0.829
38 3.638 -0.495 -0.704
40 3.689 -0.557 -0.586
42 3.738 -0.623 -0.474
42 3.738 -0.693 -0.367
43 3.761 -0.769 -0.263
44 3.784 -0.851 -0.161
46 3.829 -0.941 -0.061
46 3.829 -1.039 0.039
47 3.850 -1.148 0.138
49 3.892 -1.271 0.240
50 3.912 -1.411 0.344

36
 50 3.912 -1.573 0.453
52 3.951 -1.767 0.569
56 4.025 -2.008 0.697
59 4.078 -2.325 0.844
64 4.159 -2.791 1.026
70 4.248 -3.675 1.302

În continuare a fost realizat graficul cu curba Y(X) şi apoi s-a realizat Trandlane
linear, obţinând dreapta Weibull y(x).

Graficul Weibull-2p
2
y = 4.0748x - 15.689
1 R² = 0.9799

0
ln(-ln(1-F))

0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
-1

-2

-3

-4
lnt

Din ecuaţia dreptei Weibull se obţine direct parametrul , acesta fiind egal cu
coeficientul variabilei x:

 = 4.0748

Parametrul  se obţine cu relaţia:


c 15.689

 e 
e 4.0748
 47.00483  47ore

Deci modelul Weibull biparametric este urmǎtorul:

37
 4.0748
 t 
 
R (t )  e  47 

În scopul analizǎrii adecvanţei modelului Weibull-2p obţinut se vor determina

valorile funcţiei de repartiţie F(t) pentru valorile celor 27 de timpi, conform tabelului
de mai jos, utilizând funcţia WEIBULL.DIST (de precizat cǎ în Excel aceastǎ funcţie
foloseste notaţia  pentru parametrul de scarǎ şi notaţia  pentru parametrul de
formǎ – deci diferit de literatura româneascǎ şi chiar de cea strǎinǎ).
Este important de precizat cǎ programul Microsoft Excel poate opera prin
funcţia WEIBULL.DIST doar pentru modele Weibull biparametrice, nu şi triparametrice,
aşa cum se observǎ chiar în captura urmǎtoare. Dar acest lucru nu ridicǎ probleme nici
pentru modelele Weibull triparametrice, deoarece funcţia WEIBULL.DIST poate fi
utilizatǎ şi în acest caz, printr-o simplǎ schimbare de variabilǎ: în locul variabilei t se va
introduce variabila (t-).

Pentru a evalua cât de adecvat este modelul Weibull biparametric obţinut

pentru distribuţia existentǎ, se poate determina gradul de corelaţie dintre valorile F şi
valorile obţinute cu modelul Weibull biparametric, conform datelor din tabelul
urmǎtor.

38
 t F Weibull-2p
19 0.025 0.025
26 0.061 0.086
26 0.098 0.086
29 0.134 0.130
34 0.171 0.234
35 0.207 0.260
36 0.244 0.286
36 0.281 0.286
36 0.317 0.286
37 0.354 0.314
38 0.390 0.343
40 0.427 0.404
42 0.463 0.469
42 0.500 0.469
43 0.537 0.501
44 0.573 0.534
46 0.610 0.600
46 0.646 0.600
47 0.683 0.632
49 0.719 0.694
50 0.756 0.724
50 0.793 0.724
52 0.829 0.779
56 0.866 0.870
59 0.902 0.920
64 0.939 0.970
70 0.975 0.994

Se utilizeazǎ funcţia CORREL şi se constatǎ cǎ rezultǎ un coeficient de corelaţie

foarte mare, de 0.9931, mai mare decât cele obţinute anterior (pentru modelul
normal, modelul polinomial de ordin 2 şi modelul liniar), ceea ce indicǎ o verosimilitate
ridicatǎ a modelului Weibull biparametric obţinut.

39
40
 1.6. Modelarea fiabilitǎţii prin legea Weibull triparametricǎ

Modelul Weibull triparametric are în plus faţǎ de modelul biparametric un al

treilea parametru, parametrul de localizare , care permite o mai bunǎ poziţionare a
începutului variaţiei funcţiei, astfel cǎ un model Weibull triparametric va fi mai adecvat
decât modelul Weibull biparametric, dar cu condiţia sǎ fie utilizatǎ valoarea potrivitǎ
pentru parametrul .
Este ştiut cǎ adecvanţa modelului obţinut (apreciatǎ prin valoarea parametrului
de determinare R2) depinde de valoarea parametrului de localizare , ba chiar funcţia
R2() prezintǎ un maxim, unic, astfel cǎ cel mai bun model Weibull triparametric ar fi
cel construit cu aceastǎ valoare optimǎ opt, aşa cum se prezintǎ în graficul urmǎtor,
realizat pe baza datelor obţinute prin regresii liniare succesive, adoptând diverse valori
pentru parametrul , pentru o aplicaţie concretǎ [12].

R2()
0.98

0.97

0.96

0.95

0.94
R2

0.93

0.92

0.91

0.9

0.89

0.88
0 20 40 60 80 100 120 140 160 180 200 220
 [ore]

41
 1.5000

1.0000
y = 1.0382x - 4.0975
0.5000 R² = 0.974
lnln(1/(1-F)) 0.0000
0.0000 1.0000 2.0000 3.0000 4.0000 5.0000
-0.5000

-1.0000

-1.5000

-2.0000

-2.5000

-3.0000
ln(t-206)

La fel, în lucrarea [33] sunt prezentate graficele variaţiei coeficientului de

corelaţie  (şi acesta caracterizeazǎ destul de bine adecvanţa modelului de fiabilitate,
ca şi R2) în funcţie de valoarea parametrului  pentru douǎ aplicaţii concrete, pe baza
unui program de calcul creat de autor pe baza metodei coeficientului de corelaţie (care
conduce în acest caz la rezultate mai bune decât metoda verosimilitǎţii maxime şi
decât metoda momentelor).

Se observǎ cǎ existǎ, într-adevǎr, un singur maxim al funcţiei (), care

corespunde valorii optime a parametrului , dar pot fi douǎ situaţii:
• opt se obţine în zona valorilor pozitive, destul de aproape de momentul de
începere al defecţiunilor (fig. din stânga) şi maximul funcţiei () este destul de
distinct, deci este recomandat pentru modelare (adecvanţa este net cea mai bunǎ
pentru opt);

42
 • opt se obţine în zona valorilor negative, foarte departe de momentul de
începere al defecţiunilor (fig. din dreapta) şi maximul funcţiei () este destul de puţin
distinct (funcţia prezintǎ, practic, un platou pe un domeniu larg al argumentului ),
constatându-se cǎ de la o anumitǎ valoare se obţine o creştere foarte redusǎ a
adecvanţei prin reducerea lui .
Se pune întrebarea dacǎ este potrivitǎ adoptarea unei valori pentru  dincolo
de valoarea de la care creşterea funcţiei () se estompeazǎ. Rǎspunsul la aceastǎ
intrebare este dat de valoarea care va rezulta prin modelare pentru parametrul 
(trebuie precizat cǎ prin adoptarea unei alte valori pentru parametrul localizare ,
modelul Weibull rezultat va avea alte valori şi pentru ceilalţi doi indicatori - parametrul
de scarǎ  şi parametrul de formǎ ), deoarece este ştiut cǎ pentru  > 6 senzitivitatea
modelului Weibull se diminueazǎ mult [32].
Ca urmare, se poate pune condiţia ca modelul obţinut sǎ nu conducǎ la o
valoare a lui mai mare de 6, iar acest lucru poate fi realizat şi în cazul în care se
utilizeazǎ un program de calcul pentru identificarea valorii opt, dar şi în cazul în care
valoarea opt se obţine prin încercǎri successive (prin tatonare), aşa cum se poate
realiza cu ajutorul programului Microsoft Excel aplicând succesiv regresia liniarǎ
pentru graficul Weibull obţinut cu funcţia cunoscutǎ:

1
ln ln   ln( t   )   ln 
1  F (t )

Pentru distribuţia ce constituie aplicaţia de faţǎ (cele 27 de valori al timpilor de

defectare), se iniţiazǎ procesul de modelare cu legea Weibull triparametricǎ prin
identificarea valorii celei mai potrivite pentru parametrul de localizare , valoarea opt.
Astfel, se continuǎ modelarea de la Weibull 2-p înlocuind variabila t cu t-,
adoptând pentru  divese valori şi urmǎrind obţinerea celei mai mari valori pentru R2.
Se va lucra cu programul Microsoft Excel prin tatonare (un rezultat direct şi
rapid s-ar obţine printr-un program special, dacǎ ar fi disponibil) şi se comparǎ
valoarea obţinutǎ pentru R2 cu cea obţinutǎ pentru  = 0 (modelul Weibull 2-p): R2 =
0.9799.
Cum prima valoare a timpului din distribuţia de date este t1 = 12, vom încerca
cu  =10.

43
 Graficul Weibull-3p,  = 10
2
y = 2.8873x - 10.412
1 R² = 0.9765

0
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
-1

-2

-3

-4

-5

S-a obţinut valoarea R2( = 10) = 0.9765, care este mai micǎ decât cea obţinutǎ
pentru  = 0. Aceasta înseamnǎ cǎ este posibil ca maximul R2() sǎ se obţinǎ pentru o
valoare a lui  situatǎ între 0 şi 10. Vom încerca cu cea de la jumǎtate:  =5.

Graficul Weibull-3p,  = 5
2

y = 3.503x - 13.085
1
R² = 0.9807
0
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
-1

-2

-3

-4

-5

S-a obţinut valoarea R2( = 5) = 0.9807, care este mai mare decât cele douǎ
precedente (obţinute pentru  = 0 si  = 10).
Deci maximul R2() este cu siguranţǎ între  = 0 şi  = 10, dar nu se ştie încǎ în
ce parte faţǎ de jumǎtatea intervalului,  = 5. Pentru a afla, vom încerca pentru una
din valorile  imediat vecinǎ, fie pentru  = 4.

44
 Graficul Weibull-3p,  = 4
2
y = 3.6199x - 13.609
1 R² = 0.9808

0
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
-1

-2

-3

-4

-5

Obţinem o valoare mai mare pentru R2 şi este posibil ca aceasta sa fie maximul
sau încǎ acesta nu a fost atins. Se tatoneazǎ în continuare, pentru  = 3.

Graficul Weibull-3p,  = 3
2
y = 3.7354x - 14.131
1 R² = 0.9807

0
0.0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5
-1

-2

-3

-4

-5

Se constatǎ cǎ valoarea R2 obţinutǎ este mai micǎ, deci maximul pentru R2 a

fost atins deja, pentru  = 4. Graficele prezentate mai sus au fost obţinute pe baza
datelor prezentate în tabelul urmǎtor.

ln t ln(t-10) ln(t-5) ln(t-4) ln(t-3) ln (1-F) ln[-ln(1-F)]

2.944 2.197 2.639 2.708 2.773 -0.026 -3.662
3.258 2.773 3.045 3.091 3.135 -0.063 -2.759

45
 3.258 2.773 3.045 3.091 3.135 -0.103 -2.274
3.367 2.944 3.178 3.219 3.258 -0.144 -1.936
3.526 3.178 3.367 3.401 3.434 -0.187 -1.675
3.555 3.219 3.401 3.434 3.466 -0.232 -1.459
3.584 3.258 3.434 3.466 3.497 -0.280 -1.274
3.584 3.258 3.434 3.466 3.497 -0.329 -1.111
3.584 3.258 3.434 3.466 3.497 -0.381 -0.964
3.611 3.296 3.466 3.497 3.526 -0.436 -0.829
3.638 3.332 3.497 3.526 3.555 -0.495 -0.704
3.689 3.401 3.555 3.584 3.611 -0.557 -0.586
3.738 3.466 3.611 3.638 3.664 -0.623 -0.474
3.738 3.466 3.611 3.638 3.664 -0.693 -0.367
3.761 3.497 3.638 3.664 3.689 -0.769 -0.263
3.784 3.526 3.664 3.689 3.714 -0.851 -0.161
3.829 3.584 3.714 3.738 3.761 -0.941 -0.061
3.829 3.584 3.714 3.738 3.761 -1.039 0.039
3.850 3.611 3.738 3.761 3.784 -1.148 0.138
3.892 3.664 3.784 3.807 3.829 -1.271 0.240
3.912 3.689 3.807 3.829 3.850 -1.411 0.344
3.912 3.689 3.807 3.829 3.850 -1.573 0.453
3.951 3.738 3.850 3.871 3.892 -1.767 0.569
4.025 3.829 3.932 3.951 3.970 -2.008 0.697
4.078 3.892 3.989 4.007 4.025 -2.325 0.844
4.159 3.989 4.078 4.094 4.111 -2.791 1.026
4.248 4.094 4.174 4.190 4.205 -3.675 1.302

Se reţine cǎ valoarea optimǎ pentru parametrul de localizare este  = 4, deci

modelul Weibull 3-p cel mai adecvat va rezulta prin prelucrarea relaţiei analitice
pentru dreapta Weibull din acest caz.
Obs: Aşa cum s-a afirmat şi mai înainte, cǎutarea lui  optim (cel mai adecvat)
se face urmǎrind valoarea maximǎ a lui R2, dar fǎrǎ a se depǎşi o valoare rezonabilǎ
pentru , fiind recomandat ca parametrul  sǎ nu depǎşeascǎ valoarea 6 (deoarece
pentru valori mai mari senzitivitatea modelului este prea micǎ, adicǎ la variaţii mici ale
argumentului funcţia este puţin sensibilǎ, deci simularea diverselor scenarii nu va fi
foarte relevantǎ). Astfel, cǎutarea înceteazǎ când parametrul  creşte pânǎ aproape

46
de valoarea 6, chiar dacǎ nu s-a ajuns la R2 maxim, şi se reţine modelul pentru care s-
a obţinut cea mai bunǎ valoare a lui R2 fǎrǎ ca  sǎ depǎşeascǎ valoarea 6.
Din ecuaţia dreptei Weibull se obţine direct parametrul , acesta fiind egal cu
coeficientul variabilei x:

 = 3.6199

Parametrul  se obţine cu relaţia:


c 13.609

 e 
e 3.6199
 42.9268  43ore

Deci modelul Weibull triparametric este urmatorul:

3.6199
 t 4 
 
R(t )  e  43 

Se calculeazǎ valorile F pentru acest model cu funcţia WEIBULL.DIST.

Pentru a evalua cât de adecvat este modelul Weibull triparametric obţinut

pentru distribuţia existentǎ, se poate determina gradul de corelaţie dintre valorile

47
estimate F şi valorile obţinute cu modelul Weibull triparametric adoptat, conform
datelor de mai jos.

Weibull-3p
t-4 F
(Weibull-2p pentru t-4)
15 0.025 0.022
22 0.061 0.085
22 0.098 0.085
25 0.134 0.132
30 0.171 0.239
31 0.207 0.265
32 0.244 0.292
32 0.281 0.292
32 0.317 0.292
33 0.354 0.320
34 0.390 0.350
36 0.427 0.411
38 0.463 0.474
38 0.500 0.474
39 0.537 0.507
40 0.573 0.539
42 0.610 0.603
42 0.646 0.603
43 0.683 0.634
45 0.719 0.695
46 0.756 0.723
46 0.793 0.723
48 0.829 0.777
52 0.866 0.865
55 0.902 0.914
60 0.939 0.965
66 0.975 0.991

Se utilizeazǎ operatorul CORREL, conform capturii urmǎtoare.

48
 A rezultat un coeficient de corelaţie foarte bun, de 0.9934, mai mare decât cel
obţinut la modelul Weibull biparametric (de 0.9931), şi mai mare decât toate celelalte
valori calculate la alte modele obţinute anterior (modelul normal, modelul polinomial
de ordin 2 şi modelul liniar), ceea ce înseamnǎ cǎ modelul Weibull triparametric
identificat pentru  = 4 prezintǎ verosimilitatea maximǎ, deci este cel mai indicat.
În ceea ce priveşte comparaţia cu modelul Weibull-2p obţinut anterior,
concluzia este, aşa cum era de aşteptat, cǎ modelul Weibull-3p obţinut în final (pentru
opt = 4 ore) prezintǎ verosimilitate mai mare decât modelul Weibull-2p, deoarece s-a
obţinut o valoare mai mare pentru R2: 0.9808, faţǎ de 0.9799.
Dar, în final, cel mai potrivit model matematic poate fi ales pe baza unui criteriu
unic (nu R2 obţinut prin diversele regresii – linarǎ, polinomialǎ, exponenţalǎ…), iar
singurul care poate fi utilizat este R2 determinat prin comparaţia distribuţiei estimate
F cu valorile obţinute pentru F cu fiecare model matematic analizat.
Astfel, se va utiliza funcţia Funcția RSQ (R Squared), bazatǎ pe Funcția
PEARSON, obţinându-se pentru cele 5 modele analizate valorile din tabelul urmǎtor.

R2 obţinut R2 obţinut prin

Modelul de fiabilitate F(t)
prin regresie funcţia Pearson
Liniar F(t) = 0.024·t - 0.5234 0.935 0.934979
F(t) = - 0.0001·t2 + 0.0361·t -
Polinomial de ordin 2 0.9425 0.941676
0.7733
Exponenţial F(t) = 0.0196·e0.0695·t 0.8051 0.612481

49
 NORM.DIST(t, m=42.66,  =
Normal 11.7, TRUE) - 0,989348
𝑡−42.66
sau 𝐹(𝑡) = 0.5 + Φ( )
11.7
WEIBULL.DIST(t,  =4.0748,  =
Weibull - 2p 47, TRUE) 0.9799 0.986266
𝑡 4.0748

𝐹(𝑡) = 1 − 𝑒 −(47)
WEIBULL.DIST(t-4,  =3.6199, 
Weibull - 3p = 43, TRUE) 0.9808 0.986875
𝑡−4 3.6199
−( )
𝐹 (𝑡 ) = 1 − 𝑒 43

Se observǎ cǎ doar în cazul regresiei liniare valorile pentru cei doi coeficienţi R 2
determinaţi pentru un model de fiabilitate coincid (marcate cu roşu în tabel), iar
pentru orice alt tip de regresie ele diferǎ.

Se constatǎ cǎ cele mai mari valori ale funcţiei RSQ (coeficientului de corelaţie
Pearson), aproape identice, se obţin pentru modelul normal, modelul Weibull – 2p şi
modelul Weibull – 3p, deci acestea sunt cele mai potrivite modele de fiabilitate pentru
distribuţia analizatǎ.
Dintre acestea se va alege modelul care este cel mai favorabil pentru operare,
în funcţie de indicatorii de fiabilitate ce urmeazǎ a fi determinaţi, aşa cum se va
prezenta în capitolul urmǎtor.

50
 2. OPERAREA CU MODELELE DE FIABILITATE

2.1. Operare cu modelul liniar

La modelul liniar variaţia indicatorilor de fiabilitate se produce începând cu t =

a şi se finalizeazǎ la momentul t = b, valorile a şi b putând fi determinate foarte simplu
din relaţia analiticǎ pentru acest model.
Ecuaţia pentru funcţia de repartiţie F(t) s-a obţinut pentru baza de date cu care
s-a lucrat (cele 27 de valori) cu operatorul Trandlane pentru opţiunea Linear:

𝑦 = 0.024 ∙ 𝑥 − 0.5235

unde y este funcţia de nefiabilitate F, iar x este timpul t (considerat cǎ se exprimǎ în

ore, în aplicaţiile urmǎtoare).
Astfel:
• a este valoarea lui x pentru care y = 0 (valoarea timpului t la care funcţia de
nefiabilitate F are valoarea 0):

0.5235
0 = 0.024 ∙ 𝑎 − 0.5235 ⇒ 𝑎 = = 21.8 𝑜𝑟𝑒
0.024

• b este valoarea lui x pentru care y = 1 (valoarea timpului t la care funcţia de

nefiabilitate F ajunge la valoarea 1):

1 + 0.5235 1.5235
1 = 0.024 ∙ 𝑏 − 0.5235 ⇒ 𝑏 = = = 63.5 𝑜𝑟𝑒
0.024 0.024

În continuare, cunoscând valorile pentru a şi b, se utilizeazǎ relaţiile cunoscute

pentru a determina indicatorii de fiabilitate pentru modelul liniar [12].

51
 Media şi mediana se determinǎ simplu, prin funcţia inversǎ a lui F(t), fiind egale
cu cuantila de 50% a timpului de funcţionare:

0.5 + 0.5235
0.5 = 0.024 ∙ 𝑡50% − 0.5235 ⇒ Me  m  𝑡50% = = 42.6 𝑜𝑟𝑒
0.024

sau, cunoscând pe a şi b, cu relaţia:

a  b 21.8  63.5
Me  m    42.6ore
2 2

Şi alte cuantile se pot obţine prin funcţia inversǎ a lui F(t), conform relaţiei:

𝑘
+ 0.5235
𝑡𝑘% = 100
0.024

Dispersia D, abaterea medie pǎtraticǎ  şi coeficientul de variaţie  se

determinǎ cu relaţiile cunoscute pentru modelul linear [12].

(b  a) 2 (63.5  42.6) 2 20.9 2

D    36.4ore2
12 12 12

ba
 D  36.4  6.1ore
2 3

 ba 6.1
    0.14
m 3 ( a  b) 42.6

Indicatorii care variazǎ cu timpul sunt urmǎtorii:

• funcţia de nefiabilitate:

𝐹 (𝑡 ) = 0.024 ∙ 𝑡 − 0.5235

52
 • funcţia de fiabilitate:

𝑅 (𝑡 ) = 1 − 𝐹 (𝑡 )

• frecvenţa defectǎrii:
𝑑𝐹 𝑑(0.024 ∙ 𝑡 − 0.5235)
𝑓 (𝑡 ) = = = 0.024 [𝑜𝑟𝑒 −1 ]
𝑑𝑡 𝑑𝑡

• rata defectǎrii:

𝑓(𝑡)
𝑧 (𝑡 ) = [𝑜𝑟𝑒 −1 ]
𝑅(𝑡)

Valorile obţinute (se restricţioneazǎ valorile utilizate pentru t, adicǎ domeniul

de definiţie, doar la cele ce conduc la R si F în limitele domeniului de valori, adicǎ 0...1,
şi care nu conduc la valori negative pentru indicatorul f) şi graficele rezultate sunt
prezentate în continuare.

t F R
0 0 1
a =21.8 0 1
b = 63.5 1 0
70 1 0

F(t), R(t)
1

0.8

0.6

0.4

0.2

0
0 10 20 30 40 50 60 70

F R

53
 t F R f z
0 0 1 0.024 0.024
21.9 0.002 0.998 0.024 0.024
25 0.077 0.924 0.024 0.026
30 0.197 0.804 0.024 0.030
35 0.317 0.684 0.024 0.035
40 0.437 0.564 0.024 0.043
45 0.557 0.444 0.024 0.054
50 0.677 0.324 0.024 0.074
55 0.797 0.204 0.024 0.118
60 0.917 0.084 0.024 0.287
63 0.989 0.012 0.024 2.087

f(t), z(t)
2.5

1.5

0.5

0
0 10 20 30 40 50 60 70

f z

54
 2.2. Operare cu modelul polinomial de ordin 2

Cu operatorul Trandlane pentru opţiunea Polinomial de ordin 2 s-a obţinut

ecuaţia:

y = -0.0001·x2 + 0.0361·x - 0.7733

unde y este funcţia de nefiabilitate F, iar x este timpul t.

Indicatorii care variazǎ cu timpul sunt urmǎtorii:

• funcţia de nefiabilitate:

𝐹 (𝑡 ) = −0.0001 ∙ t 2 + 0.0361 ∙ t − 0.7733

• funcţia de fiabilitate:

𝑅 (𝑡 ) = 1 − 𝐹 (𝑡 )

• frecvenţa defectǎrii:

𝑑𝐹 𝑑(−0.0001 ∙ t 2 + 0.0361 ∙ t − 0.7733)

𝑓 (𝑡 ) = =
𝑑𝑡 𝑑𝑡
= −0.0002 ∙ t + 0.0361 [𝑜𝑟𝑒 −1 ]

• rata defectǎrii:

𝑓(𝑡)
𝑧 (𝑡 ) = [𝑜𝑟𝑒 −1 ]
𝑅(𝑡)

Valorile obţinute (pentru t se dau doar valori ce conduc la R şi F in limitele 0...1

şi nu conduc la valori negative pentru f) şi graficele obţinute utilizând programul Excel
sunt urmǎtoarele:

55
 t F R f z
0 0 1 0 0
23 0.004 0.996 0.032 0.032
25 0.067 0.933 0.031 0.033
30 0.220 0.780 0.030 0.039
35 0.368 0.632 0.029 0.046
40 0.511 0.489 0.028 0.057
45 0.649 0.351 0.027 0.077
50 0.782 0.218 0.026 0.120
55 0.910 0.090 0.025 0.278
58 0.984 0.016 0.025 1.541
60 1 0
70 1 0

F(t), R(t)
1

0.8

0.6

0.4

0.2

0
0 10 20 30 40 50 60 70

F R

f(t), z(t)
2

1.5

0.5

0
0 10 20 30 40 50 60 70

f z

56
 2.3. Operare cu modelul exponenţial

Ecuaţia obţinutǎ cu operatorul Trandlane este:

𝑦 = 0.0196 ∙ 𝑒 0.0695∙𝑥

unde y este funcţia de nefiabilitate F, iar x este timpul t, adicǎ:

𝐹(𝑡) = 0.0196 ∙ 𝑒 0.0695∙𝑡

Se pot calcula:

𝑅(𝑡) = 1 − 𝐹(𝑡)

𝑑𝐹 𝑑(0.0196 ∙ 𝑒 0.0695∙𝑡 )
𝑓(𝑡) = = = 0.0196 ∙ 0.0695 ∙ 𝑒 0.0695∙𝑡 = 0.0695 ∙ 𝐹(𝑡)
𝑑𝑡 𝑑𝑡

𝑓(𝑡)
𝑧(𝑡) =
𝑅(𝑡)

Valorile obţinute (pentru t se dau doar valorile ce conduc la R si F în limitele

0...1 şi nu conduc la valori negative pentru f) şi graficele sunt prezentate mai jos.

t F R f z
0 0 1 0 0
1 0.021 0.979 0.001 0.001
5 0.028 0.972 0.002 0.002
10 0.039 0.961 0.003 0.003
15 0.056 0.944 0.004 0.004
20 0.079 0.921 0.005 0.006
25 0.111 0.889 0.008 0.009
30 0.158 0.842 0.011 0.013
35 0.223 0.777 0.016 0.020

57
 40 0.316 0.684 0.022 0.032
45 0.447 0.553 0.031 0.056
50 0.633 0.367 0.044 0.120
55 0.896 0.104 0.062 0.599
56.5 0.995 0.005 0.069 12.658
60 1 0
70 1 0

F(t), R(t)
1

0.8

0.6

0.4

0.2

0
0 10 20 30 40 50 60 70

F R

f(t), z(t)
15

10

0
0 10 20 30 40 50 60 70

f z

Calculul altor indicatori în afarǎ de F(t), R(t), f(t) şi z(t) este facil doar în cazul
modelului uniform, însǎ pentru modelul polinomial şi modelul exponenţial necesitǎ
calcule analitice, mai complexe.
58
 2.4. Operare cu modelul normal

Se cunosc valorile celor 2 parametri cu care s-a construit modelul normal,

calculaţi cu funcţiie respective din programul Excel:

Average 42.66667
StddevS 11.69484

Se vor determina valorile funcţiei de nefiabilitate F(t) pentru valori ale timpului
ce încep de la 5 la 75 ore (de mǎrime rezonabilǎ, care sǎ acopere un domeniu de ± 3
faţǎ de m, unde sunt aproape toate valorile distribuţiei, conform regulii celor 3), cu
un pas de 5 ore, cu ajutorul funcţiei NORM.DIST cumulativ.

Se vor determina valorile frecvenţei defectǎrilor f(t) pentru aceleaşi valori ale
timpului, dar cu ajutorul funcţiei NORM.DIST absolut şi se vor înmulţi cu valoarea
intervalului de timp, t = 5 ore.

59
 t F R f f*t z = f/R
5 0.001 0.999 0.000 0.001 0.000
10 0.003 0.997 0.001 0.003 0.001
15 0.009 0.991 0.002 0.010 0.002
20 0.026 0.974 0.005 0.026 0.005
25 0.065 0.935 0.011 0.054 0.012
30 0.139 0.861 0.019 0.095 0.022
35 0.256 0.744 0.028 0.138 0.037
40 0.410 0.590 0.033 0.166 0.056
45 0.579 0.421 0.033 0.167 0.079
50 0.735 0.265 0.028 0.140 0.106
55 0.854 0.146 0.020 0.098 0.134
60 0.931 0.069 0.011 0.057 0.164
65 0.972 0.028 0.006 0.028 0.196
70 0.990 0.010 0.002 0.011 0.229
75 0.997 0.003 0.001 0.004 0.262
Suma 0.200 0.998

Se observǎ cǎ suma valorilor frecvenţei este egalǎ cu 0.2, dar pentru a

demonstra cǎ a fost utilizat operatorul corect (NORM.DIST absolut), au fost înmulţite
valorile f cu mǎrimea intervalului t = 5 ore şi s-a verificat dacǎ suma valorilor obţinute
se apropie, într-adevǎr, de valoarea 1.
A rezultat valoarea sumei de 0.998, ceea ce confirmǎ cǎ acesta este operatorul
corect pentru frecvenţa absolutǎ.
Altfel, însumând valorile obţinute pentru f se obţine a cincea parte din valoare,
de 0.2, deoarece intervalul este de 5 unitǎţi, deci şi astfel se obţine o confirmare.
60
 Au fost reprezentate graficele celor 4 indicatori care variazǎ cu timpul: F(t), R(t),
f(t) şi z(t).

R(t), F(t)
1.0

0.8

0.6
R, F

0.4

0.2

0.0
0 10 20 30 40 50 60 70 80
t

F R

f(t), z(t)
0.30

0.25

0.20
f, z

0.15

0.10

0.05

0.00
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75
t

f z

Cuantilele se obţin cu funcţia NORM.INV, de exemplu timpul la care este

probabil ca 80% din produse sǎ se fi defectat este 52.5 ore.
În ceea ce priveşte modul şi mediana, acestea sunt egale cu media, deci:

𝑚 ≡ 𝑀𝑒 ≡ 𝑀𝑜 = 42.66 𝑜𝑟𝑒

61
Coeficientul de variaţie va fi:

𝜎 11.69484
𝜈= = = 0.274
𝑚 42.66667

62
 2.5. Operare cu modelul Weibull

Modelul Weibull biparametric este definit doar prin 2 indicatori (parametrul de

scarǎ  şi parametrul de formǎ ), iar modelul Weibull triparametric are 3 parametri
(are în plus parametrul de localizare ).
Programul Microsoft Excel opereazǎ doar cu modelul Weibull biparametric, dar
dacǎ este cunoscutǎ şi valoarea parametrului de localizare  se poate opera şi cu
modelul Weibull triparametric, deoarece în acest caz se va utiliza ca argument al
funcţiei din programul Excel argumentul (t-) în loc de argumentul t (modelul Weibull-
2p este, de fapt, un model Weibull-3p cu valoarea parametrului de localizare  = 0).
Problema o constituie însǎ identificarea celei mai potrivite valori pentru parametrul
de localizare , dar pentru aceasta pot fi create programe de calcul speciale sau se
poate lucra prin tatonare, aşa cum s-a prezentat în capitolul anterior.
Pentru operare se utilizeazǎ valorile parametrilor pentru cele douǎ modele
Weibull - biparametric si triparametric (de menţionat cǎ modelul Weibull-3p are în
plus faţǎ de modelul Weibull-2p parametrul de localizare , dar şi valorile parametrilor
 şi  sunt în general altele faţǎ de modelul Weibull-2p).

2.5.1. Modelul Weibull – 2p

Valorile parmetrilor ,  sunt cunoscute. Pentru medie şi dispersie (şi pentru
abaterea medie pǎtraticǎ) sunt necesare valorile funcţiei Gamma de argument (1/
+1) şi de argument (2/ +1), care se vor calcula cu funcţia GAMMA din programul
Microsoft Excel, rezultând valorile din tabelul de mai jos.

Weibull - 2p
 0
 4.0748
 47.005
1/ +1 1.245 Gamma(1/ +1) 0.907
2/ + 1 1.491 Gamma(2/ +1) 0.886

63
 Cu relaţiile utilizate pentru modelul Weibull [12] se determinǎ valorile pentru
parametrii urmǎtori (în relaţia pentru medie, evident  va fi egal cu 0):

1 
m        1
 

 2  1 
D   2    1   2   1
    

  D


 
m

Media m 42.65 ore

Dispersia D 270.50 ore2
Abaterea medie patraticǎ  16.45 ore
Coeficientul de variaţie  0.39

Observând domeniul de variaţie al timpilor de defectare, de la 19 ore la 70 ore,

se decide sǎ se calculeze valorile indicatorilor F, R, z şi f şi sǎ se reprezinta grafic variaţia
acestor indicatori în funcţie de timp pentru valori începând de la t = 0 ore, cu un pas
t = 10 ore, pânǎ se ajunge la valori de aproape 0 pentru F.

64
 Valorile pentru F(t) se determinǎ cu ajutorul funcţiei WEIBULL.DIST, cu
observaţia cǎ notaţiile indicatorilor sunt diferite faţǎ de cele utilizate mai înainte:
parametrul de formǎ este notat cu Alfa, iar parametrul de scarǎ este notat cu Beta!

𝐹 (𝑡 ) = 𝑊𝐸𝐼𝐵𝑈𝐿𝐿. 𝐷𝐼𝑆𝑇(𝑡, 𝛽, 𝜂, 𝑇𝑅𝑈𝐸)

Utilizând relaţiile generale sau specifice modelului Weibull [12] s-au obţinut
valorile din tabelul urmǎtor pentru cei 4 indicatori de fiabilitate ce variazǎ cu timpul şi
au fost reprezentaţi grafic R(t) şi F(t), respectiv f(t) şi z(t).

R(t )  1  F (t )

 1
f (t )   t   
z (t )    
R(t )    

f (t )  z (t )  R(t )

t F R=1-F z f=R·z
0 0.000 1.000 0.000 0.000
5 0.000 1.000 0.000 0.000
10 0.002 0.998 0.001 0.001

65
 15 0.009 0.991 0.003 0.003
20 0.030 0.970 0.006 0.006
25 0.073 0.927 0.012 0.013
30 0.148 0.852 0.022 0.026
35 0.260 0.740 0.035 0.047
40 0.404 0.596 0.053 0.089
45 0.567 0.433 0.076 0.175
50 0.724 0.276 0.105 0.379
55 0.850 0.150 0.141 0.936
60 0.933 0.067 0.184 2.742
65 0.976 0.024 0.235 9.950
70 0.994 0.006 0.295 46.815
75 0.999 0.001 0.365 299.843

R(t), F(t)
1.0

0.8

0.6
R, F

0.4

0.2

0.0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75
t

F R

f(t), z(t)
0.4

0.3
f, z

0.2

0.1

0.0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75
t

z f

66
 Pe graficul R(t) şi F(t) poate fi identificatǎ şi mediana, aceasta fiind timpul ce
corespunde intersecţiei dintre curbele R(t) şi F(t), de cca 43 ore.

2.5.2. Modelul Weibull – 3p

La fel s-a procedat pentru modelul Weibull triparametric, luând drept argument
valorile (t-) în loc de t, dat fiind cǎ funcţia WEIBULL.DIST poate opera doar cu modelul
Weibull biparametric.
În cadrul etapei de modelare a fost identificatǎ valoarea optimǎ pentru
parametrul de localizare, opt = 4 ore, alǎturi de valorile pentru parametrii şi ,
prezentate în tabelul urmǎtor.

Weibull - 3p
 4
 3.6199
 42.9268
1/ +1 1.276 Gamma(1/ +1) 0.901
2/ + 1 1.553 Gamma(2/ +1) 0.889

Valorile pentru funcţia Gamma din tabelul de sus au fost determinate tot cu
ajutorul funcţiei GAMMA din programul Excel.
Cu relaţiile prezentate deja la modelul biparametric se determinǎ valorile
pentru parametrii urmǎtori:

Media m 42.69 ore

Dispersia D 204.46 ore2
Abaterea medie patraticǎ  14.30 ore
Coeficientul de variaţie  0.33

Valorile pentru F(t) se determinǎ tot cu ajutorul funcţiei WEIBULL.DIST, aşa cum
se prezintǎ în captura de mai jos.

67
 Utilizând valorile obţinute pentru F(t) şi relaţiile precizate în tabel s-au obţinut
valorile din tabelul urmǎtor pentru cei 4 indicatori de fiabilitate ce variazǎ cu timpul şi
au fost reprezentaţi grafic, R(t) şi F(t), respectiv f(t) şi z(t).

t t- F R=1-F z f=R·z

5 1 0.000 1.000 0.000 0.000
10 6 0.001 0.999 0.000 0.000
15 11 0.007 0.993 0.002 0.002
20 16 0.028 0.972 0.006 0.006
25 21 0.072 0.928 0.013 0.012
30 26 0.150 0.850 0.023 0.019
35 31 0.265 0.735 0.036 0.026
40 36 0.411 0.589 0.053 0.031
45 41 0.571 0.429 0.075 0.032
50 46 0.723 0.277 0.101 0.028
55 51 0.845 0.155 0.132 0.020
60 56 0.927 0.073 0.169 0.012
65 61 0.972 0.028 0.212 0.006
70 66 0.991 0.009 0.260 0.002
75 71 0.998 0.002 0.315 0.001

68
 R(t), F(t) pentru  = 4
1.0

0.8

0.6
R, F

0.4

0.2

0.0
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75
t

F R

f(t), z(t) pentru  = 4

0.4

0.3
f, z

0.2

0.1

0.0
5 10 15 20 25 30 35 40 45 50 55 60 65 70 75
t

z f

Pe graficul R(t) si F(t) poate fi identificatǎ mediana - timpul ce corespunde

intersecţiei dintre curbele R(t) şi F(t): Me = cca 44 ore.

Observaţie:
Devine interesant ce domeniu de valori poate avea funcţia Gamma, care este
utilizatǎ la calculul mediei, dispersiei sau abaterii medii pǎtratice, în funcţie de
argumentele (1/ +1) şi (2/ +1).
Cum  este un numǎr pozitiv, argumentele vor avea doar valori pozitive
supraunitare (mai mari decât valoarea 1). Ca urmare, s-au calculat valorile funcţiei

69
GAMMA din programul Excel pentru valori ale argumentului începând de la valoarea
1 în sus, cu un pas de 0.1.
S-au calculat valorile pentru domeniul argumentului între 1 şi 6, dincolo de 6
deja creşterea valorilor funcţiei fiind foarte accentuatǎ.

Valorile obţinute sunt prezentate în tabelul urmǎtor.

x (x) x (x) x (x) x (x) x (x)

1 1.000
1.1 0.951 2.1 1.046 3.1 2.198 4.1 6.813 5.1 27.932
1.2 0.918 2.2 1.102 3.2 2.424 4.2 7.757 5.2 32.578
1.3 0.897 2.3 1.167 3.3 2.683 4.3 8.855 5.3 38.078
1.4 0.887 2.4 1.242 3.4 2.981 4.4 10.136 5.4 44.599
1.5 0.886 2.5 1.329 3.5 3.323 4.5 11.632 5.5 52.343
1.6 0.894 2.6 1.430 3.6 3.717 4.6 13.381 5.6 61.554
1.7 0.909 2.7 1.545 3.7 4.171 4.7 15.431 5.7 72.528
1.8 0.931 2.8 1.676 3.8 4.694 4.8 17.838 5.8 85.622
1.9 0.962 2.9 1.827 3.9 5.299 4.9 20.667 5.9 101.270
2 1.000 3 2.000 4 6.000 5 24.000 6 120.000

Graficul funcţiei Gamma, pe baza datelor din tabel, calculate pentru domeniul
de definiţie [0, 6] este prezentat mai jos şi se observǎ cǎ aceasta prezintǎ un nivel
foarte redus şi practic constant în zona valorilor mici ale argumentului (de la 1 la 4),
dupǎ care creşte din ce în ce mai accentuat.

70
 Gamma
140

120

100

80

60

40

20

0
1 2 3 4 5 6

Se constatǎ cǎ funcţia Gamma prezintǎ un minim pentru valoarea argumentului

egalǎ cu 1.5 (mai exact, minimul corespunde unui argument de 1.46), care poate fi
observat mai bine pe graficul urmǎtor, unde domeniul de definiţie este restrâns la
intervalul [1, 4].

Gamma
7

0
1 1.5 2 2.5 3 3.5 4

71
 2.6. Operare cu modelul binomial

Modelul binomial este unul dintre modelele utilizate pentru variabile discrete,
definit sugestiv prin probabilitatea extragerii de k ori a unei bile de aceeaşi culoare
dintr-o urnǎ cu n bile negre din care p% sunt de culoarea respectivǎ, bila revenind în
urnǎ dupǎ fiecare extragere (cazul extragerii cu revenire).
Acest model este foarte potrivit pentru determinarea numǎrului de defecţiuni
care apar în perioada de experimentare în ipotezele cǎ defectǎrile se produc în aceleaşi
condiţii şi în mod independent (defectǎrile sunt evenimente echiprobabile şi
independente).
Dacă R este probabilitatea de bună funcţionare, F – probabilitatea de defectare,
N0 – numărul de elemente supuse încercării, k – numărul de defecţiuni posibile în cele
N0 încercări (k poate lua numai valori întregi de la 0 la N0), atunci probabilitatea de a
se produce k defecţiuni este

Pk , N0  C Nk 0 F k R N0 k  C Nk 0 F k (1  F ) N0 k

deoarece acesta este termenul general al dezvoltǎrii binomiale:

( F  R) N0  C N0 0 F 0 R N0  C NN00 1 F 1 R N0 1  ...  C Nk 0 F k R N0 k  ...  C NN00 F N0 R 0  1

Astfel, considerând N0 = 10 piese, se pot determina valorile absolute pentru

defectarea a k piese din cele 10, pentru o anumitǎ valoare F (probabilitatea defectǎrii)
cu funcţia BINOM.DIST din programul Microsoft Excel.
Utilizând aceastǎ funcţie se evitǎ utilizarea metodelor din analiza combinatorie
sau, pentru valori mici ale lui N0, cunoscutul instrument grafic numit “triunghiul lui
Pascal” [12].

72
 De asemenea, cu funcţia BINOM.DIST se pot determina valorile cumulate
pentru defectarea a 0, 1, … k piese din cele 10 (adicǎ probabilitatea defectǎrii a maxim
k piese din cele 10), pentru o anumitǎ valoare F.

Pentru cele douǎ probabilitǎţi de defectare, 0.5 sau 0.2, rezultǎ valorile din
tabelul urmǎtor.

73
 p = 0.5 p = 0.2
k
abs cum abs cum
0 0.001 0.001 0.107 0.107
1 0.010 0.011 0.268 0.376
2 0.044 0.055 0.302 0.678
3 0.117 0.172 0.201 0.879
4 0.205 0.377 0.088 0.967
5 0.246 0.623 0.026 0.994
6 0.205 0.828 0.006 0.999
7 0.117 0.945 0.001 1.000
8 0.044 0.989 0.000 1.000
9 0.010 0.999 0.000 1.000
10 0.001 1.000 0.000 1.000

Se pot reprezenta graficele cu probabilitǎţile (absolute sau cumulate) pe baza

valorilor din tabelul de mai sus, calculate cu funcţia BINOM.DIST pentru cele douǎ
valori ale probabilitǎţii de defectare, deci ale funcţiei F.

Valori absolute pentru F = 0.5 Valori absolute pentru F = 0.2

0.3 0.4
0.3
0.2
Pk,10

Pk,10

0.2
0.1
0.1
0.0 0.0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
k k

Valori cumulate pentru F = 0.5 Valori cumulate pentru F = 0.2

1.0 1.0
0.8 0.8
Pk,10

0.6 0.6
Pk,10

0.4 0.4
0.2 0.2
0.0 0.0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
k k

74
 O problemǎ frecvent întâlnitǎ ce poate fi rezolvatǎ cu modelul binomial este
urmǎtoarea: care este probabilitatea sǎ nu se defecteze mai mult de k produse din N0
produse ce vor fi utilizate de la momentul t1 la momentul t2?
Pentru aceasta este necesar sǎ se determine creşterea nefiabilitǎţii F de la t1 la
t2 (egalǎ cu reducerea fiabilitǎţii R de la t1 la t2), aceasta fiind valoarea pentru funcţia
de nefiabilitate ce se va lua în calcul [12]:

R(t 2 )
F (t1 / t 2 )  R(t 2 / t1 ) 
R(t1 )

De exemplu: fie t1 = 40 ore, t2 = 50 ore, pentru care, conform modelului Weibull-

3p s-au gǎsit (pag. 67 din capitolul anterior) valorile R(t 1 = 40) = 0.589, R(t2 = 50) =
0.277, deci

R(50) 0.277
F (40 / 50)  R(50 / 40)    0.47
R(40) 0.589

Fie N0 = 10 produse urmǎrite şi k = 3. Utilizând funcţia BINOM.DIST cumulativǎ

din programul Excel rezultǎ cǎ probabilitatea de a nu se defecta mai mult de 3 produse
din cele 10 este de 22.5%, conform capturii de mai jos.

75
 3. VALIDAREA FIABILITǍŢII PRIN ÎNCERCǍRI SECVENŢIALE

Pentru demonstrarea unui anumit nivel de fiabilitate, se pot utiliza metodele

prezentate anterior pentru determinarea indicatorilor de fiabilitate, obiectivele de
fiabilitate fiind considerate îndeplinite (validate) dacă fiabilitatea determinată este cel
puţin egală cu valoarea impusă.
Dar aceste metodele de încercare solicită un timp de experimentare îndelungat
şi un volum mare al eşantionului supus încercărilor, ceea ce implică mari cheltuieli. În
scopul evitării acestui neajuns, pentru validarea fiabilităţii se pot utiliza metode prin
care nu se determină valoarea fiabilităţii, ci doar se demonstrează că aceasta sau un
alt indicator de fiabilitate are o valoare situatǎ într-un anumit interval precizat.
Astfel, se utilizează frecvent încercările secvenţiale sau progresive – o metodă
de încercare operativă şi economică, preluată din controlul calităţii (metodă pusă la
punct în 1943 şi dezvoltată prin lucrările lui Wald de la Universitatea Columbia).
În principiu, în cadrul acestei metode se supun încercărilor unul sau mai multe
produse şi atunci când apare o primă defecţiune se înregistrează şi timpul de
funcţionare cumulat. Dacă acest timp este inferior unei prime limite fixate prin planul
de încercări, încercarea se opreşte şi produsul se consideră necorespunzător. Dacă
este superior unei a doua limite, fixatǎ tot apriori, se consideră că produsul satisface
cerinţele de fiabilitate şi experimentările încetează. Dacă timpul cumulat se află între
cele două limite, nu se poate trage nici o concluzie asupra fiabilităţii produsului şi ca
urmare experimentările continuǎ [12].
În cadrul acestei metode nu se fixează nici numărul de produse încercate, nici
timpul de încercare, decizia se ia în funcţie de depăşirea sau nedepăşirea unor limite
fixate apriori. De asemenea, în cadrul acestor încercări nu se determină direct valoarea
fiabilităţii produsului, ci se stabileşte dacă ea se află la nivelul cerinţelor, de aceea
încercările secvenţiale sunt considerate un “control al fiabilităţii”. Acest procedeu
permite ca pe baza unor rezultate obţinute în urma încercării unui număr mic (dar
necunoscut iniţial) de exemplare să se verifice dacă durata de funcţionare reală până
la defectare va fi mai mare sau egală cu valoarea impusă.

76
 Acest tip de încercări este folosit în special în relaţiile contractuale dintre
furnizori şi beneficiari, pentru controlul fiabilităţii produselor, dar şi pentru verificarea
rapidă a fiabilităţii propriilor produse.
Datorită numărului redus de încercări, conform teoriei controlului statistic pot
apare două feluri de erori:
- eroarea de genul întâi sau riscul furnizorului, : pe baza rezultatelor obţinute
se stabileşte că produsul încercat nu îndeplineşte clauza de fiabilitate, cu toate că în
realitate ea este îndeplinită. Această eroare caracterizează riscul furnizorului,
probabilitatea producerii sale fiind .
- eroarea de genul doi sau riscul benficiarului, : în urma încercărilor se
stabileşte că produsul îndeplineşte clauza de fiabilitate, deşi în realitate el nu o
îndeplineşte. Ea caracterizează riscul beneficiarului, probabilitatea de a se produce
fiind .
Evident, probabilitatea de a nu prejudicia furnizorul printr-un rezultat incorect
este (1 – ), iar probabilitatea de a nu prejudicia beneficiarul este (1 – ).
Furnizorul şi beneficiarul, dacă stabilesc prin contract verificarea fiabilităţii prin
metoda secvenţială, vor trebui să stabilească de comun acord valorile riscurilor  şi .
Evident, fiecare doreşte să-şi asume un risc cât mai mic, dar cu cât valorile  şi  sunt
mai mici, cu atât încercările se vor prelungi mai mult. În practică, cel mai ades se
acceptă valorile:  = 5 % şi  = 10 %, iar actualmente pot fi şi mai mici (oricum însă, în
general riscul benficiarului este mai mare decât al furnizorului)
Pentru luarea deciziei se impune ca valoarea unui parametru de fiabilitate (cel
mai frecvent se utilizează valoarea mediei m, deoarece este uşor de calculat şi este
foarte relevantă pentru fiabilitate) obţinut în urma mai multor încercări, să se situeze
în afara celor două limite fixate apriori, M0 şi M1.
După metoda lui Wald, pe baza valorilor riscurilor  şi  se determinǎ
constantele A şi B cu formulele:

1 
A

şi

B
1

77
 Constanta A reprezintă raportul probabilităţii de a se refuza un produs
necorespunzător faţă de probabilitatea de a refuza un produs bun şi (date fiind valorile
uzuale pentru  şi ) este supraunitară.
Constanta B reprezintă raportul probabilităţii de a se accepta un produs
necorespunzător faţă de probabilitatea de a se accepta un produs bun şi este
subunitară.
Considerând că produsul se află în perioada vieţii utile, se adoptǎ modelul
Poisson (model exponenţial) pentru probabilitatea de a se produce r defecţiuni la
momentul t, astfel cǎ liniarizarea expresiilor exponenţiale se realizeazǎ prin
logaritmare, ceea ce conduce în final la dubla inegalitate cu termeni liniari pentru a se
ajunge la r defecţiuni:

a  bt  r  c  bt

unde:

1 1

ln B M M0 ln A
a ; b 1 ; c
 M0   M0  M 
ln   ln   ln  0 
 M1   M1   M1 

78
 Reprezentând într-un sistem de coordonate (t, r) cele două drepte paralele din
relaţia de dublǎ inegalitate se obţine graficul de mai sus, unde apar 3 regimuri:
- de validare a obiectivului de fiabilitate;
- de continuare a încercărilor;
- de invalidare a obiectivului de fiabilitate.
Din figură se constată că timpul minim necesar pentru experimentări (t min), se
determină la intersecţia axei timpului cu dreapta (a + bt), a cărei abscisă corespunde
lui r = 1.
Din expresiile analitice pentru constantele a, b şi c se observă că nu este posibil
să se adopte M0 = M1 deoarece se obţine ln (M0/M1) = 0, ceea ce conduce la
nedeterminare. Şi logic nu este permis acest lucru deoarece nu s-ar putea finaliza
încercarea niciodată (pe grafic ar apare doar domeniul de continuare a încercării).
Dacă valorile limită pentru medie, M0 şi M1, sunt foarte apropiate, zona de
nehotărâre este foarte largă. Pentru a îngusta această zonă, deci pentru a grăbi luarea
unei decizii, va trebui să se accepte valori rezonabile pentru acestea. De regulă se
adoptă M0 = (2…3)·M1.
Trebuie subliniat, totuşi, cǎ procedeul prezentat mai sus este adecvat doar în
cazul distribuţiei exponenţiale a timpului de bună funcţionare (legea exponenţială este
un caz particular al legii Poisson). În cazul altor legi de distribuţie, cum ar fi legea
normală, ce caracterizează perioada de uzură a produselor mecanice, se va construi
un grafic corespunzător.

Pentru aplicaţia din cartea de faţǎ se poate imagina urmǎtoarea cerinţǎ pentru
validarea fiabilitǎţii produsului:
Considerând:
• valoarea de referinţă a mediei pentru respingere, M1 = 40 ore;
• valoarea de referinţă a mediei pentru acceptare M0 = 80 ore;
• riscul producătorului,  = 0,05;
• riscul beneficiarului,  = 0.10,
să se verifice dacă produsele sunt corespunzătoare şi să se precizeze în ce moment
testul devine concludent, putând fi astfel oprit.

79
 Rezolvare:
Cu ajutorul programului Excel se calculează constantele:

1  1  0,1
A   18;
 0,05

 0,1 2
B   ;
1   1  0,05 19

2
ln
ln B
a  19  3.249 ;
M  80
ln  0  ln
 M1  40

1 1 1 1
 
M M0
b 1  40 80  0.01803 ore-1;
 M0  80
ln   ln
 M1  40

ln A ln 18
c   4.16693 .
M0 80
ln ln
M1 40
Sintetic, aceste mǎrimi ce vor fi utilizate pentru realizarea graficului încercǎrii
secvenţiale sunt prezentate în tabelul urmǎtor.

Riscul furnizorului  0.05

Riscul beneficiarului  0.1
Valoarea mediei pentru invalidare M1 40
Valoarea mediei pentru validare M0 80
Constantǎ de calcul pentru tǎietura
dreaptei superioare A 18

Constantǎ de calcul pentru tǎietura

dreaptei inferioare B 0.105263

Taietura inferioarǎ pe ordonatǎ a -3.24793

Panta dreptelor b 0.018034
Taietura superioarǎ pe ordonatǎ c 4.169925

80
 Timpul minim de experimentare are valoarea:

a  3.24793
a  b  t min  0  t min     180.803 ore
b 0.018034

Este evident cǎ valorile care vor fi utilizate vor fi din şirul cu toate cele 30 de
valori, dat fiind cǎ nu se practicǎ identificarea valorilor aberante în cazul încercǎrilor
secvenţiale în vederea eliminǎrii lor, deoarece nu se aşteaptǎ culegerea tuturor
datelor, ci timpii de defectare identificaţi sunt utilizaţi imediat ce apar defecţiunile.
Dar, totuşi, sunt douǎ scenarii posibile, amândouǎ urmând a fi luate în calcul:
Scenariul 1. Datele sunt culese prin încercarea produselor pe un stand de
încercǎri, deci este vorba de o încercare cu înlocuirea produselor defectate una dupǎ
alta [12], astfel cǎ se va utiliza şirul de valori ordonate cronologic (timpii de funcţionare
nu sunt ordonaţi în funcţie de mǎrimea lor);
Scenariul 2. Datele sunt culese din utilizarea realǎ a produselor, care sunt
lansate în exploatare în acelaşi moment, iar datele sunt culese pe mǎsurǎ ce apar
defectǎrile, deci aceste sunt obţinute (natural) chiar în ordinea mǎrimii lor (de la mic
la mare).
Cu ajutorul programului Excel, pentru cele 30 valori ale timpilor s-au calculat
mǎrimile ce definesc cele douǎ drepte paralele (superioarǎ şi inferioarǎ) şi graficul r(t).
pentru cele douǎ scenarii.
Au rezultat valorile prezentate în tabelele urmǎtoare şi graficele
corespunzǎtoare.

Scenariul 1 Scenariul 2
r stand tr stand t stand cumulat r utiliz tr utiliz t utiliz cumulat
1 12 12 1 12 12
2 78 90 2 19 31
3 37 127 3 26 57
4 35 162 4 26 83
5 36 198 5 29 112
6 29 227 6 34 146
7 38 265 7 35 181
8 36 301 8 36 217

81
9 43 344 9 36 253
10 40 384 10 36 289
11 49 433 11 37 326
12 46 479 12 38 364
13 64 543 13 40 404
14 59 602 14 42 446
15 84 686 15 42 488
16 26 712 16 43 531
17 34 746 17 44 575
18 26 772 18 46 621
19 42 814 19 46 667
20 52 866 20 47 714
21 70 936 21 49 763
22 36 972 22 50 813
23 44 1016 23 50 863
24 42 1058 24 52 915
25 46 1104 25 56 971
26 50 1154 26 59 1030
27 50 1204 27 64 1094
28 56 1260 28 70 1164
29 47 1307 29 78 1242
30 19 1326 30 84 1326

r(t) pt. scenariul 1, cu Mo = 80 ore

35
30
25
20
15
r

10
5
0
-5 0 200 400 600 800 1000 1200 1400
t [ore]

dreapta inf dreapta sup r

82
 r(t) pt. scenariul 2, cu Mo = 80 ore
35
30
25
20
15
r

10
5
0
-5 0 200 400 600 800 1000 1200 1400
t [ore]

dreapta inf dreapta sup r

Vizualizând graficele (sau analizând valorile din tabele), se identificǎ numǎrul

de ordine al defecţiunii dupǎ care se obţine verdictul: graficul r(t) depǎşeşte linia
superioarǎ, deci obiectivul de fiabilitate nu este îndeplinit: media m are o valoare
situatǎ sub 40 de ore (în condiţiile riscurilor de estimare  şi ).
Astfel, în scenariul 1 verdictul se obţine dupǎ a 19-a defectare şi dupǎ un timp
cumulat de încercare (care este egal cu timpul de aşteptare al verdictului!) de 814 ore
(dar încercǎrile pot fi accelerate, deci durata încercǎrii poate fi scurtatǎ faţǎ de
utilizarea în regim client), pe când în scenariul 2 verdictul se obţine dupǎ a 9-a
defectare, care apare dupǎ 36 de ore de utilizare în regim client (totuşi, pentru cele 30
produse urmarite, timpul de experimentare este de 36·30 = 1080 ore).
Concluzia care rezultǎ de aici este cǎ mult mai rapid se obţine verdictul în
scenariul 2, dar asta numai dacǎ utilizarea în regim client nu este prea sporadicǎ. Dar
în scenariul 1 sunt încercate numai 19 piese, pe când în scenariul 2 sunt urmǎrite 30
de piese, încercarea oprindu-se dupǎ defectarea a numai 9 produse.
O altǎ observaţie este foarte importantǎ: utilizând scenariul 2, valorile cele mai
mici ale timpilor de defectare sunt în prima parte a graficului, când curba r(t) se
apropie (din ce în ce mai încet, însǎ) de dreapta superioarǎ şi o poate chiar depǎşi (în
acest caz, verdictul va fi invalidarea obiectivului de fiabilitate), în caz contrar un verdict
de invalidare nu va fi posbil: curba r(t) se va îndepǎrta, fiind posibilǎ ajungerea la un
verdict contrar sau doar menţinerea în zona de incertitudine.
Se poate evidenţia şi faptul cǎ adoptarea unor limite prea strânse pentru
obiective poate prelungi încercǎrile foarte mult pânǎ la obţinerea unui verdict.

83
 Astfel, considerând valoarea de referinţă a mediei pentru acceptare M0 = 50 ore
(şi menţinând valoarea M1 = 40 ore), rezultǎ valorile din tabelul urmǎtor.

Valoarea minimǎ a mediei M1 40

Valoarea maximǎ a mediei M0 50
Taietura inferioarǎ pe ordonatǎ a -10.089
Panta dreptelor b 0.022407
Taietura superioarǎ pe ordonatǎ c 12.95297

r(t) pt. scenariul 1, cu Mo = 50 ore

50

40

30

20
r

10

0
0 200 400 600 800 1000 1200 1400
-10

-20
t [ore]

dreapta inf dreapta sup r

r(t) pt. scenariul 2, cu Mo = 50 ore

50

40

30

20
r

10

0
0 200 400 600 800 1000 1200 1400
-10

-20
t [ore]

dreapta inf dreapta sup r

Se observǎ cǎ graficul r(t) se menţine în zona de incertitudine în ambele

scenarii, chiar dupǎ defectarea întregului eşantion de 30 produse.
84
 4. FUNCŢII EXCEL UTILIZATE LA MODELARE SAU OPERARE

4.1. Funcţia BETA.INV

Descriere
Funcţia BETA.INV returnează inversa funcției de densitate a probabilității beta
cumulative (BETA.DIST).
Dacă probabilitate = BETA.DIST(x,... TRUE), atunci BETA.INV (probabilitate, ....)
= x. Repartiția beta poate fi utilizată în planificarea proiectelor pentru a modela timpii
probabili de finalizare, dându-se un timp de finalizare presupus și variabilitatea.

Sintaxă
BETA.INV(probabilitate,alfa,beta,[A],[B])
Sintaxa funcției BETA.INV are următoarele argumente:
 Probabilitate Obligatoriu. Este o probabilitate asociată cu repartiția beta.
 Alfa Obligatoriu. Este un parametru pentru repartiție.
 Beta Obligatoriu. Este un parametru pentru repartiție.
 A Opțional. Este o margine inferioară a intervalului valorilor lui x.
 B Opțional. Este o margine superioară a intervalului valorilor lui x.

Observații
 Dacă un argument este nenumeric, BETA. INV returnează #VALUE! .
 Dacă alfa ≤ 0 sau beta ≤ 0, BETA. INV returnează #NUM! .
 Dacă probabilitate ≤ 0 sau probabilitate > 1, BETA. INV returnează #NUM! .
 Dacă omiteți valorile pentru A și B, BETA.INV utilizează repartiția beta
cumulativă standard, astfel încât A = 0 și B = 1.
Dată fiind o valoare pentru probabilitate, BETA.INV caută acea valoare x astfel
încât BETA.DIST(x, alfa, beta, TRUE, A, B) = probabilitate. În concluzie, precizia
BETA.INV depinde de precizia lui BETA.DIST.

85
Exemplu

Date Descriere
0.685470581 Probabilitatea asociată cu repartiția beta
8 Parametru pentru repartiție
10 Parametru pentru repartiție
1 Limita inferioară
3 Limita superioară
Formulă Descriere Rezultat
Inversa funcției de densitate a probabilității beta
=BETA.INV(A2;A3;A4;A5;A6) 2
cumulative, pentru parametrii de mai sus.

86
 4.2. Funcţia CORREL

Descriere
Funcția CORREL returnează coeficientul de corelație a două zone de celule.
Utilizați coeficientul de corelație pentru a determina relația dintre două proprietăți.
De exemplu, examinați relația dintre temperatura medie a unei locații și utilizarea
instalațiilor de aer condiționat.

Sintaxă
CORREL(matrice1,matrice2)
Sintaxa funcției CORREL are următoarele argumente:
 matrice1 Obligatoriu. Este o zonă de valori de celule.
 matrice2 Obligatoriu. Este a doua zonă de valori de celule.

Observații
 Dacă un argument matrice sau referință conține text, valori logice sau celule
goale, acele valori sunt ignorate; cu toate acestea, celulele cu valori zero sunt
incluse.
 Dacă matrice1 și matrice2 au un număr diferit de puncte de date, CORREL
întoarce o #N/A.
 Dacă matrice1 sau matrice2 sunt goale sau dacă s (abaterea standard) a
valorilor lor este egală cu zero, CORREL întoarce o valoare #DIV/0! eroare.
 Atât cât coeficientul de corelație este mai apropiat de +1 sau -1, indică o
corelație pozitivă (+1) sau negativă (-1) între matrice. Corelația pozitivă
înseamnă că, dacă valorile dintr-o matrice cresc, valorile din cealaltă matrice
cresc de asemenea. Un coeficient de corelație care este mai apropiat de 0,
indică faptul că nu există o corelație slabă sau nu există.
 Ecuația pentru coeficientul de corelație este:

87
unde

sunt mediile pentru eșantioane, AVERAGE(matrice1) și AVERAGE(matrice2).

Exemplu
Următorul exemplu returnează coeficientul de corelație din cele două seturi de
date din coloanele A și B.

88
 4.3. Funcţia AVERAGE

Descriere
Returnează valoarea medie (media aritmetică) a argumentelor. De ex., dacă
intervalul A1: A20 conține numere, formula =AVERAGE (A1: A20) returnează media
acestor numere.

Sintaxă
AVERAGE(număr1, [număr2], ...)
Sintaxa funcției AVERAGE are următoarele argumente:
 Număr1 Obligatoriu. Primul număr, referință de celulă sau zona pentru care
doriți media.
 Număr2, ... Opțional. Numere suplimentare, referințe de celule sau zone
pentru care doriți media, până la 255.

Observații
 Argumentele pot fi numere sau nume, zone sau referințe de celule care conțin
numere.
 Valorile logice și reprezentările text ale numerelor pe care le tastați direct în
lista de argumente nu sunt contorizate.
 Dacă o zonă sau o celulă de referință conține text, valori logice sau celule goale,
acele valori sunt ignorate; însă, celulele cu valori zero sunt incluse în calcule.
 Argumentele care sunt valori de erori sau texte ce nu pot fi interpretate ca
numere cauzează erori.
 Dacă doriți să includeți valori logice și reprezentări text ale numerelor într-o
referință ca parte dintr-un calcul, utilizați funcția AVERAGEA.
 Dacă doriți să calculați numai media valorilor care respectă anumite criterii,
utilizați funcția AVERAGEIF sau funcția AVERAGEIFS.
Notă: Funcția AVERAGE măsoară tendința centrală, care este locația centrului
unui grup de numere într-o repartiție statistică. Cele mai obișnuite trei măsurători ale
tendinței centrale sunt:

89
  Media, care este media aritmetică și se calculează prin adunarea unui grup de
numere și împărțirea la numărul de elemente al grupului. De exemplu, media
numerelor 2, 3, 3, 5, 7 și 10 este 30 împărțit la 6, adică 5.
 Mediana, care este numărul din mijloc al unui grup de numere; adică jumătate
dintre numere au valori mai mari decât mediana și jumătate au valori mai mici.
De exemplu, mediana pentru 2, 3, 3, 5, 7 și 10 este 4.
 Modul, care este cel mai întâlnit număr dintr-un grup de numere. De exemplu,
modul pentru 2, 3, 3, 5, 7 și 10 este 3.
În cazul unei distribuții simetrice a unui grup de numere, aceste trei măsuri de
tendință centrală sunt identice. În cazul unei distribuții asimetrice a unui grup de
numere, pot fi diferite.
Sfat: Când faceți media aritmetică a celulelor, țineți cont de diferența dintre
celulele goale și cele care conțin valoarea 0, mai ales dacă ați debifat caseta de
selectare Afișare un zero în celule care au valoarea zero din caseta de dialog Opțiuni
Excel din aplicația desktop Excel. Când se selectează această opțiune, celulele goale nu
se contorizează, însă se numără valorile zero.
Pentru a găsi caseta de selectare Afișare un zero în celule care au valoarea zero:
 În fila Fișier, faceți clic pe Opțiuni, apoi, în categoria Complex, căutați sub
Afișare opțiuni pentru această foaie de lucru.

Exemplu

Date
10 15 32
7
9
27
2
Formulă Descriere Rezultat
=AVERAGE(A2:A6) Media numerelor din celulele A2 până la A6. 11
=AVERAGE(A2:A6; 5) Media numerelor din celulele A2 până la A6 și a numărului 5. 10
=AVERAGE(A2:C2) Media numerelor din celulele A2 până la C2. 19

90
91
92
 4.4. Funcţia STDEV.S

Descriere
Estimează abaterea standard pe baza unui eșantion (ignoră valorile logice și
textul din eșantioane).
Abaterea standard este o măsură a cât de mult sunt dispersate valorile față de
valoarea medie.

Sintaxă
STDEV.S(număr1,[număr2]...)
Sintaxa funcției STDEV.S are următoarele argumente:
 Număr1 Obligatoriu. Reprezintă primele argumente numerice
corespunzătoare unui eșantion dintr-o populație. Aveți de asemenea
posibilitatea să utilizați o singură matrice sau referință la o matrice în locul
argumentelor separate prin virgule.
 Număr2, ... Opțional. Reprezintă de la 2 până la 254 de argumente numerice
corespunzătoare unui eșantion dintr-o populație. Aveți de asemenea
posibilitatea să utilizați o singură matrice sau referință la o matrice în locul
argumentelor separate prin virgule.

Observații
 STDEV. S consideră că argumentele sale sunt un eșantion dintr-o populație.
Dacă datele dvs. reprezintă întreaga populație, atunci calculați abaterea
standard utilizând STDEV.P (S – abrevierea de la Sample, P - abrevierea de la
Population).
 Abaterea standard este calculată utilizând metoda „n-1”.
 Argumentele pot să fie numere sau nume, matrice sau referințe care conțin
numere.
 Valorile logice și reprezentările text ale numerelor pe care le tastați direct în
lista de argumente sunt contorizate.

93
  Dacă un argument este o matrice sau o referință, sunt luate în calcul numai
numerele din matrice sau din referință. Celulele goale, valorile logice, textele
sau valorile de erori din matrice sau din referință sunt ignorate.
 Argumentele care sunt valori de erori sau texte ce nu pot fi interpretate ca
numere cauzează erori.
 Dacă doriți să includeți valori logice și reprezentări text ale numerelor într-o
referință ca parte a unui calcul, utilizați funcția STDEVA.
 STDEV.S folosește formula următoare:

unde x este media pentru eșantion, AVERAGE(număr1,număr2,...) și n este

dimensiunea eșantionului.

Exemplu

Date
Rezistență
1345
1301
1368
1322
1310
1370
1318
1350
1303
1299
Formulă Descriere Rezultat
=STDEV.S(A2:A11) Abaterea standard a rezistenței la rupere. 27,46391572

94
95
 4.5. Funcţia WEIBULL.DIST

Descriere
Returnează repartiția Weibull. Utilizați această repartiție în analizele de
fiabilitate, cum ar fi calculul timpului mediu până la defectare al unui dispozitiv.

Sintaxă
WEIBULL.DIST(x,alfa,beta,cumulativ)
Sintaxa funcției WEIBULL.DIST are următoarele argumente:
 X Obligatoriu. Este valoarea la care va fi evaluată funcția.
 Alfa Obligatoriu. Este un parametru pentru repartiție.
 Beta Obligatoriu. Este un parametru pentru repartiție.
 Cumulativ Obligatoriu. determină forma funcției.

Observații
 Dacă x, alfa sau beta sunt nenumerice, WEIBULL. DIST returnează #VALUE! .
 Dacă x < 0, WEIBULL. DIST returnează #NUM! .
 Dacă alfa ≤ 0 sau dacă beta ≤ 0, WEIBULL. DIST returnează #NUM! .
 Ecuația pentru funcția de repartiție cumulativă Weibull este:

 Ecuația pentru funcția de densitate de probabilitate Weibull este:

 Când alfa = 1, WEIBULL.DIST întoarce repartiția exponențială cu:

96
Exemplu

Date Descriere
105 Valoarea la care se evaluează funcția
20 Parametrul alfa al distribuției
100 Parametrul beta al distribuției
Formulă Descriere (Rezultat) Rezultat
Funcția de repartiție cumulativă Weibull pentru
=WEIBULL.DIST(A2;A3;A4;TRUE) 0,929581
termenii de mai sus (0,929581)
Funcția densității de probabilitate Weibull
=WEIBULL.DIST(A2;A3;A4;FALSE) 0,035589
pentru termenii de mai sus (0,035589)

97
98
 4.6. Funcţia NORM.DIST

Descriere
Returnează repartiția normală pentru valorile specificate ale mediei și abaterii
standard. Această funcție are o plajă foarte largă de aplicabilitate în statistică, inclusiv
în testele ipotetice.

Sintaxă
NORM.DIST(x,media,dev_standard,cumulativ)
Sintaxa funcției NORM.DIST are următoarele argumente:
 X Obligatoriu. Este valoarea pentru care doriți să calculați repartiția.
 Media Obligatoriu. Este media aritmetică a repartiției.
 Dev_standard Obligatoriu. Este abaterea standard a repartiției.
 Cumulativ Obligatoriu. Este o valoare logică ce determină forma funcției.
Dacă cumulativ este TRUE, NORM. DIST returnează funcția de repartiție
cumulativă; dacă este FALSE, ea returnează funcția de densitate a probabilității.

Observații
 Dacă valoarea medie sau standard_dev sunt nenumerice, NORM. DIST
returnează #VALUE! .
 Dacă standard_dev ≤ 0, NORM. DIST returnează #NUM! .
 Dacă media = 0, dev_standard = 1 și cumulativ = TRUE, NORM.DIST întoarce
repartiția normală standard, NORM.S.DIST.
 Ecuația pentru funcția de densitate normală (cumulativ = FALSE) este:

 Atunci când cumulativ = TRUE, formula este integrala de la minus infinit la x a

formulei date.

99
Exemplu

Date Descriere
42 Valoarea pentru care doriți repartiția
40 Media aritmetică a repartiției
1,5 Abaterea standard a repartiției
Formulă Descriere Rezultat
Funcția de distribuție cumulativă pentru termenii
=NORM.DIST(A2;A3;A4;TRUE) 0,9087888
de mai sus
Funcția masă de probabilitate pentru termenii de
=NORM.DIST(A2;A3;A4;FALSE) 0,10934
mai sus

100
101
 4.7. Funcţia NORM.INV

Descriere
Returnează inversa repartiției normale cumulative pentru o medie și o abatere
standard specificate (funcţia NORM.INV este inclusǎ începând cu versiunea Excel 2016,
dar versiunea Excel 2007 dispune de funcţia NORMINV).

Sintaxă
NORM.INV(probabilitate,media,dev_standard)
Sintaxa funcției NORM.INV are următoarele argumente:
 Probabilitate Obligatoriu. Este o probabilitate corespunzătoare repartiției
normale.
 Media Obligatoriu. Este media aritmetică a repartiției.
 Dev_standard Obligatoriu. Este abaterea standard a repartiției.

Observații
 Dacă un argument este nenumeric, NORM. INV returnează #VALUE! .
 Dacă probabilitate <= 0 sau dacă probabilitate >= 1, NORM. INV returnează
#NUM!.
 Dacă standard_dev ≤ 0, NORM. INV returnează #NUM! .
 Dacă media = 0 și dev_standard = 1, NORM.INV folosește repartiția normală
standard (vedeți NORMS.INV).
Dată fiind o valoare pentru probabilitate, NORM.INV caută acea valoare x astfel
încât NORM.DIST(x, media, dev_standard, TRUE) = probabilitate. În concluzie, precizia
lui NORM.INV depinde de precizia lui NORM.DIST.

102
Exemplu

Date Descriere
0,908789 Probabilitatea corespunzătoare repartiției normale
40 Media aritmetică a repartiției
1,5 Abaterea standard a repartiției
Formulă Descriere Rezultat
Inversa repartiției cumulative normale pentru termenii
=NORM.INV(A2;A3;A4) 42,000002
de mai sus (42)

103
 4.8. Funcţia GAMMA

Descriere
Funcţia GAMMA returnează valoarea funcției gamma.

Sintaxă
GAMMA(număr)
Sintaxa funcției GAMMA are următoarele argumente:
 Număr Obligatoriu. Returnează un număr.

Observații
 GAMMA utilizează următoarea ecuație:

 Г(N+1) = N * Г(N)
 Dacă număr este un număr întreg negativ sau este 0, GAMMA returnează
#NUM!.
 Dacă număr conține caractere nevalide, GAMMA returnează valoarea #VALUE!.

Exemplu
Formulă Descriere Rezultat
=GAMMA(2,5) Returnează valoarea funcției gama pentru 2,5 (1,329). 1,329
=GAMMA(-3,75) Returnează valoarea funcției gama pentru -3,75 (0,268). 0,268
Returnează valoarea de eroare #NUM! deoarece 0 nu este un
=GAMMA(0) #NUM!
argument valid.
Returnează valoarea de eroare #NUM! deoarece un număr
=GAMMA(-2) #NUM!
întreg negativ nu este un argument valid.

104
105
106
 4.9. Funcţia BINOM.DIST

Descriere
Funcţia BINOM.DIST returnează probabilitatea individuală de repartiție
binomială (funcţia BINOM.DIST este inclusǎ începând cu versiunea Excel 2016, dar
versiunea Excel 2007 dispune de funcţia BINOMDIST)
Utilizați BINOM.DIST în probleme cu un număr fix de teste sau experimente,
unde rezultatele oricărui experiment sunt numai succese sau insuccese, când
experimentele sunt individuale și când probabilitatea de succes este constantă în tot
cursul experimentului. De exemplu, BINOM.DIST poate calcula probabilitatea ca doi
din următorii trei nou născuți să fie băieți.

Sintaxă
BINOM.DIST(număr_s,încercări,probabilitate_s,cumulativ)
Sintaxa funcției BINOM.DIST are următoarele argumente:
 Număr_s Obligatoriu. Este numărul de succese din experimente.
 Încercari Obligatoriu. Este numărul de experimente independente.
 Probabilitate_s Obligatoriu. Este probabilitatea de succes la fiecare
experiment.
 Cumulativ Obligatoriu. Este o valoare logică ce determină forma funcției.
Dacă argumentul cumulativ este TRUE, atunci BINOM.DIST întoarce funcția de
repartiție cumulativă, care este probabilitatea de a fi cel mult număr_s succese;
în cazul FALSE, funcția întoarce funcția de probabilitate de masă, care este
probabilitatea că sunt număr_s succese.

Observații
 Număr_s și încercări sunt trunchiate la întregi.
 Dacă number_s, încercări sau probability_s nu sunt numerice, BINOM. DIST
returnează #VALUE! .
 Dacă number_s < 0 sau number_s >, BINOM. DIST returnează #NUM! .
 Dacă probability_s < 0 sau probability_s > 1, BINOM. DIST returnează #NUM! .
 Funcția de probabilitate binomială de masă este:
107
 unde:

este COMBIN(n;x).
Repartiția binomială cumulativă este:

Exemplu

Date Descriere
6 Numărul de succese din experimente
10 Numărul de experimente independente
0,5 Probabilitatea de succes la fiecare încercare
Formulă Descriere Rezultat
Probabilitatea ca exact 6 din 10 experimente
=BINOM.DIST(A2;A3;A4;FALSE) 0,2050781
să fie de succes.

108
 4.10. Funcția RSQ (R Squared)

Descriere
Întoarce pătratul coeficientului de corelație de moment Pearson prin reperele de date
y_cunoscut și x_cunoscut. Pentru mai multe informații, vedeți Funcția PEARSON.
Valoarea r-pătrat poate fi interpretată ca proporția varianței în y atribuibilă varianței
în x.

Sintaxă
RSQ(cunoscute_y,cunoscute_x)
Sintaxa funcției RSQ are următoarele argumente:
 Cunoscute_y Obligatoriu. Este o matrice sau o zonă de repere de date.
 Cunoscute_x Obligatoriu. Este o matrice sau o zonă de repere de date.

Observații
 Argumentele pot să fie numere sau nume, matrice sau referințe care conțin
numere.
 Valorile logice și reprezentările text ale numerelor pe care le tastați direct în
lista de argumente sunt contorizate.
 Dacă un argument matrice sau referință conține text, valori logice sau celule
goale, acele valori sunt ignorate; oricum, celulele cu valori zero sunt incluse în
calcule.
 Argumentele care sunt valori de erori sau texte ce nu pot fi interpretate ca
numere cauzează erori.
 Dacă cunoscute_y și cunoscute_x sunt goale sau au un număr diferit de repere
de date, RSQ întoarce valoarea de eroare #N/A.
 Dacă known_y și ale known_x conțin numai un punct de date, RSQ returnează
valoarea #DIV/0! .
 Ecuația pentru valoarea r a coeficientului de corelație de moment Pearson este:

109
 unde x și y sunt mediile pentru eșantioane, AVERAGE(cunoscute_x) și
AVERAGE(cunoscute_y).
RSQ întoarce r2, care este pătratul coeficientului de corelație.

Exemplu
Copiați datele din exemplele din următorul tabel și lipiți-le în celula A1 a noii foi de
lucru Excel. Pentru ca formulele să afișeze rezultate, selectați-le, apăsați pe F2, apoi pe
Enter. Dacă trebuie, puteți ajusta lățimea coloanei pentru a vedea toate datele.

Date
Y cunoscut X cunoscut
2 6
3 5
9 11
1 7
8 5
7 4
5 4
Formulă Descriere Rezultat
Pătratul coeficientului de corelație de moment
=RSQ(A3:A9; B3:B9) 0,05795
Pearson prin punctele de date A3:A9 și B3:B9.

110
 4.11. Funcția PEARSON

Descriere
Întoarce coeficientul de corelație de moment Pearson, r, un indice adimensional
cuprins între -1,0 și 1,0 inclusiv și reflectă întinderea relației liniare dintre două seturi
de date.

Sintaxă
PEARSON(matrice1,matrice2)
Sintaxa funcției PEARSON are următoarele argumente:
 Matrice1 Obligatoriu. Este un set de valori independente.
 Matrice2 Obligatoriu. Este un set de valori dependente.

Observații
 Argumentele trebuie să fie numere sau nume, constante matrice sau referințe
care conțin numere.
 Dacă un argument matrice sau referință conține text, valori logice sau celule
goale, acele valori sunt ignorate; oricum, celulele cu valori zero sunt incluse în
calcule.
 Dacă matrice1 și matrice2 sunt goale sau au un număr diferit de repere de date,
PEARSON întoarce valoarea de eroare #N/A.
 Formula pentru coeficientul de corelație de moment Pearson, r, este:

unde x și y sunt mediile pentru eșantioane, AVERAGE(matrice1) și

AVERAGE(matrice2).

Exemplu
Copiați datele din exemplele din următorul tabel și lipiți-le în celula A1 a noii foi de
lucru Excel. Pentru ca formulele să afișeze rezultate, selectați-le, apăsați pe F2, apoi pe
Enter. Dacă trebuie, puteți ajusta lățimea coloanei pentru a vedea toate datele.
111
 Date
Valori independente Valori dependente
9 10
7 6
5 1
3 5
1 3
Formulă Descriere Rezultat
Coeficientul de corelație de moment Pearson
=PEARSON(A3:A7;B3:B7) 0,699379
pentru setul de date de mai sus

112
 BIBLIOGRAFIE

1. Andreescu, C., ş.a. – Aplicaţii numerice la studiul fiabilităţii automobilelor, Ed.

Magie, Bucureşti, 1996

2. Basumatary, H., Sreevalsan, E., Sasi, K-K. - Weibull Parameter Estimation — A

Comparison of different methods, Sage Journals, Wind Engineering, vol. 29, May 2005

2. Bejan C., Boroiu, A., ş.a. - Studiul comparativ al evoluţiei fiabilităţii

previzionale a motoarelor de autovehicule, contract de cercetare nr. 274/12.03.1994,
beneficiar: S.C. INAR S.A. Braşov

4. Boroiu, A. - Studiul teoretic şi experimental al menţinerii fiabilităţii

agregatelor transmisiei prin lucrări de mentenanţă, tezǎ de doctorat, Universitatea
Transilvania Braşov, 2000

5. Boroiu, A. – Fiabilitatea şi mentenabilitatea automobilelor, Ed. Univ. din

Piteşti, 2001

6. Boroiu, A. – Fiabilitatea autovehiculelor, Ed. Univ. din Piteşti, 2003

7. Boroiu, A. – Fiabilitatea autovehiculelor. Aplicaţii numerice, Ed. Univ. din

Piteşti, 2007

8. Boroiu, A. – Instrumente statistice utilizate în managementul calităţii, Ed.

Univ. din Piteşti, 2010

9. Boroiu, A., Ţîţu, M.A. - Managementul fiabilităţii şi mentenabilităţii

sistemelor, Ed. AGIR, Bucureşti, 2011

10. Boroiu, A. – Modelarea fiabilitǎţii autovehiculelor, Ed. Univ. din Piteşti, 2013

11. Boroiu, A-A. – Ingineria transporturilor. Aplicaţii, Ed. Univ. din Piteşti, 2019

12. Boroiu, A., Boroiu, A-A. – Vehicle reliability, Ed. Univ. din Piteşti, 2019

13. Boroiu, A., Nicolae, V., Ursu, C., Popa, O., Bîzgă, M., Sîrbu, A. – Reliability
study of oxygen sensor by incomplete tests, 10-th International Automotive Congress
“Automotive Engineering and Environment” CAR 2011, Piteşti
113
 14. Boroiu, A., Ţîţu, M.A., Oprean, C., Boroiu, A-A. – Improving reliability
modeling in the cases of truncated tests, 6-th International Conference on
Manufacturing Science and Education - MSE 2013, 12-15 iunie 2013, Sibiu

15. Boroiu, A., Ţîţu, M.A., Oprean, C., Boroiu, A-A. – Decrease product reliability
validation costs by nonconventional tests, 16-th International Conference of
Nonconventional Technologies - ICNcT 2013, 12-15 iunie 2013, Sibiu

16. Boroiu, A., Nicolae, V., Alssadi, O., Udma, T. - Proposal of an analytical
method based on linear regression for modeling reliability by Weibull law, 4rd
International Congress “Automotive and Integrated Transport Systems - AITS 2021”,
28-30 octombrie 2021, Chişinǎu

17. Boroiu, A., Pârlac, S., Boroiu, E. – Validarea fiabilităţii sistemelor mecanice
prin încercări fără defectări, 2-th Symposion “Durability and Reliability of Mechanical
Systems, Revista Fiability and Durability, Târgu Jiu, 22-23 Mai 2009

18. Boroiu, A., Bîzgă, M., Ursu, C., Baru, P. – Solutions to improve reliability
models used in warranty period, Scientific Bulletin Automotive Series, Year XX, no. 24
(1), University of Piteşti, 2014

19. Boroiu, A., Istrate, M., Bâldea, M., Boroiu, A-A. – Automotive maintenance
plan improvemenet based on distribution of failures times, în “Fiability and Durability”
no. 1/2016, Editura “Academica Brâncuşi”, Târgu-Jiu

20. Burlacu, G., Dăneţ, N., Brandabur, C., Duminică, T. – Fiabilitatea,

mentenabilitatea şi disponibilitatea sistemelor tehnice, Ed. MatrixRom, Bucureşti,
2005

21. Cordoş, N., Filip, N. – Fiabilitatea autovehiculelor, Ed. Todesco, Cluj-Napoca,

2000

22. Dorner, William - Using Microsoft Excel for Weibull Analysis,

https://www.qualitydigest.com/magazine /1999/

23. Elmahdy, Emad E. - A new approach for Weibull modeling for reliability life
data analysis, Applied Mathematics and Computation, 250, 2015

114
 24. Evans, James W., Kretschmann, David E., Green, David W. - Procedures for
Estimation of Weibull Parameters, USDA Forest Service, Forest Products Laboratory,
Madison, Wisconsin, USA, February 2019

25. Fernández, A., Vázquez, M. - Improved estimation of Weibull parameters

considering unreliability uncertainties, IEEE Transactions on Reliability, March 2011

26. Ghionea, F., Popa, E. – Rezolvare deterministǎ versus rezolvare fuzzy,

Buletinul AGIR, XXII, Suplimentul nr. 2/2016

27. Huairui, G., Mingxiao, J., Wendai, W. - A Method for Reliability Allocation
with Confidence Level, Reliability and Maintainability Symposium, Colorado Springs,
2014

28. Hirose, H. - Maximum Likellihood Estimation in the 3-parameter Weibull

Distribution – A look through the Generalized Extreme-value Distribution, vol. 3, IEEE
Transactions on Dielectrics and Electrical Insulation, 1996

29. Kapur, K.C., Lamberson, L.R. - Reliability in Engineering Design, Ed. McGraw
Kogakusha, Tokyo, 1976

30. Lei, Y. - Evaluation of three methods for estimating the Weibull distribution
parameters of chinese pine, Journal of Forest Science, 54 (12), 2008

31. Lyonnet, P. - La maintenance. Mathématiques et méthodes, Ed. Lavoisier,

Paris, 1988

32. McCool, J. - Inference on the Weibull location parameter, Journal of Quality

Technology, vol. 30, no. 2, April 1998

33. Morariu, C-O. - Cercetări privind fiabilitatea produselor industriale, Tezǎ de

abilitare, Universitatea Transilvania Braşov, 2017

34. Morariu, C–O., Şimon, A.E. - Estimation of the Weibull Location Parameter
through the Correlation Coefficient Method, Bulletin of the Transilvania University of
Brașov, Vol. 11 (46) – New Series, 2004

35. Nagy, T. - Fiabilitatea şi terotehnica autovehiculelor, Ed. Univ. Transilvania

din Braşov, 1998

115
 36. Palisson, F. - Détermination des paramètres du modèle de Weibull à partir
de la méthode de l’actuariat, Revue de statistique appliquée, tome 37, no 4, 1989

37. Pobočíková, I., Sedliačková, Z. - Comparison of four methods for estimating

the Weibull distribution parameters, Applied Mathematical Sciences, Vol. 8/83, 2014

38. Smith, C. - Introduction to Reliability in Design, Ed. McGraw Kogakusha,

Tokyo, 1976

39. Zaiontz, C. - Fitting a Weibull Distribution via Regression, 2021,

http://www.real-statistics.com /distribution-fitting/

40. Zhao, J. - Robust parameter estimation in the Weibull and the Birnbaum -
Saunders distribution, All Theses. 1429, August 2012

41. Zwingelstein, G. - La maintenance basée sur fiabilité, Ed. Hermes, Paris,

1996

42. * * * - Characteristics of Weibull distribution, https://www.weibull.com/

43. * * * - Inversa funcţiei densitate a probabilităţii beta cumulative,

https://www.scrigroup.com/ calculatoare/excel/BETAINV-Calculeaza-inversa-functiei

44. * * * - Life data analysis, https://www.reliasoft.com/products/weibull-life-

data-analysis-software

45. * * * - The Excel BETA.INV Function, https://www.excelfunctions.net/

46. * * * - 7 Funcţii statistice Excel, https://pdfcoffee.com/7-functii-statistice-

excel-pdf-free.html

47. * * * - Weibull++ Version 7. Life Data Analysis Reference, Reliasoft

Publishing, Tucson, 2008

48. * * * - http://www.alcula.com/calculators/statistics/box-plot/

49. * * * - http://www.reliasoft.com

50. * * * - https://en.wikipedia.org/wiki/boxplot

51. * * * - https://en.wikipedia.org/wiki/Reliability

52. * * * - https://en.wikipedia.org/wiki/Microsoft_Excel

116