Documente Academic
Documente Profesional
Documente Cultură
Alexandru BOROIU
dr. ing. Andrei-Alexandru BOROIU
FIABILITATE.
APLICAŢII MICROSOFT EXCEL
Referenţi ştiinţifici:
- Prof. univ. dr. ing. Viorel NICOLAE
- Conf. univ. dr. ing. Ionel VIERU
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
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.
6
1. MODELAREA FIABILITǍŢII
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.
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%
11
Proporţia valorilor aberante va rezulta utilizând funcţia NORM.DIST din
programul Microsoft Excel pentru x = 2.697959.
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.
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.
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
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).
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
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
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
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.
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
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
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 )
1 1
ln ln ln ln ln( t ) ln (4)
R(t ) 1 F (t )
Y X c (5)
unde:
1
Y ln ln ln{ ln[1 F (t )]} , X ln( t ) şi c ln (6)
1 F (t )
c ln (7)
35
c
e
(8)
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
c 15.689
e
e 4.0748
47.00483 47ore
37
4.0748
t
R (t ) e 47
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
39
40
1.6. Modelarea fiabilitǎţii prin legea Weibull triparametricǎ
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)
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 )
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
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
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
c 13.609
e
e 3.6199
42.9268 43ore
3.6199
t 4
R(t ) e 43
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
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.
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
𝑦 = 0.024 ∙ 𝑥 − 0.5235
0.5235
0 = 0.024 ∙ 𝑎 − 0.5235 ⇒ 𝑎 = = 21.8 𝑜𝑟𝑒
0.024
1 + 0.5235 1.5235
1 = 0.024 ∙ 𝑏 − 0.5235 ⇒ 𝑏 = = = 63.5 𝑜𝑟𝑒
0.024 0.024
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
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
ba
D 36.4 6.1ore
2 3
ba 6.1
0.14
m 3 ( a b) 42.6
• 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)
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
• funcţia de nefiabilitate:
• funcţia de fiabilitate:
𝑅 (𝑡 ) = 1 − 𝐹 (𝑡 )
• frecvenţa defectǎrii:
• rata defectǎrii:
𝑓(𝑡)
𝑧 (𝑡 ) = [𝑜𝑟𝑒 −1 ]
𝑅(𝑡)
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
𝑦 = 0.0196 ∙ 𝑒 0.0695∙𝑥
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)
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
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
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
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
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
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!
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.
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:
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).
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
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
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.
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
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
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
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
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 )
R(50) 0.277
F (40 / 50) R(50 / 40) 0.47
R(40) 0.589
75
3. VALIDAREA FIABILITǍŢII PRIN ÎNCERCǍRI SECVENŢIALE
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.
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
10
5
0
-5 0 200 400 600 800 1000 1200 1400
t [ore]
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]
83
Astfel, considerând valoarea de referinţă a mediei pentru acceptare M0 = 50 ore
(şi menţinând valoarea M1 = 40 ore), rezultǎ valorile din tabelul urmǎtor.
40
30
20
r
10
0
0 200 400 600 800 1000 1200 1400
-10
-20
t [ore]
40
30
20
r
10
0
0 200 400 600 800 1000 1200 1400
-10
-20
t [ore]
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
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:
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:
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:
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:
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
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
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
27. Huairui, G., Mingxiao, J., Wendai, W. - A Method for Reliability Allocation
with Confidence Level, Reliability and Maintainability Symposium, Colorado Springs,
2014
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
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
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
40. Zhao, J. - Robust parameter estimation in the Weibull and the Birnbaum -
Saunders distribution, All Theses. 1429, August 2012
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