Les données limitées entraînent de mauvaises performances (estimations à intervalle large). Il n'y a pas moyen de contourner les intervalles larges, sauf pour collecter plus de données.
Il est préférable d'utiliser autant de connaissances scientifiques et techniques sur le mode de défaillance que possible lors de la sélection du modèle au lieu de s'appuyer sur une statistique d'échantillon ou un critère de modèle. Cette dépendance est encore plus risquée lorsque les données sont si limitées. Le diagramme de probabilité présente une mauvaise prise en charge des données de ce modèle.
Salut la communauté SAS
Nous avons un ensemble de données 12 points de données d'intervalle censurés : (0-30, 0-30, 0-30s, 0-30, 0-30, 0-30, 0-30, 0-30, 0-30, 0 -30, 89-119, 97-127)minutes. Les points de données indiquent l'intervalle de temps pendant lequel une défaillance de notre produit a été observée. Nous voulons calculer le temps auquel 90 % de nos produits échouent (l'objectif est inférieur à 600 minutes). Habituellement, nous utilisons le menu de distribution de vie pour ajuster un modèle à nos données censurées. Nous choisissons la distribution la mieux ajustée et utilisons une estimation personnalisée pour calculer l'intervalle de confiance pour la probabilité de défaillance de 0,90. Normalement, cela fonctionne parfaitement bien car les intervalles de données censurés sont plus étalés, mais cet ensemble de données ne permet pas une bonne distribution ajustée. Par conséquent, nous obtenons un intervalle de confiance très large de 95 % pour une probabilité de défaillance de 0,90. Une suggestion sur la façon de contourner cela?
