I dati limitati causano scarse prestazioni (stime ad ampio intervallo). Non c'è modo di aggirare gli ampi intervalli se non quello di raccogliere più dati.
È meglio utilizzare quante più conoscenze scientifiche e ingegneristiche possibili sulla modalità di guasto quando si seleziona il modello invece di fare affidamento su una statistica del campione o su un criterio del modello. Questa dipendenza è ancora più rischiosa quando i dati sono così limitati. Il grafico delle probabilità mostra uno scarso supporto dai dati per questo modello.
Ciao comunità SAS
Abbiamo una serie di dati 12 punti dati intervallo censurato: (0-30, 0-30, 0-30s, 0-30, 0-30, 0-30, 0-30, 0-30, 0-30, 0 -30, 89-119, 97-127)minuti. I punti dati indicano l'intervallo di tempo in cui è stato osservato un guasto del nostro prodotto. Vogliamo calcolare il tempo in cui il 90% dei nostri prodotti fallisce (l'obiettivo è inferiore a 600 minuti). Di solito usiamo il menu di distribuzione della vita per adattare un modello ai nostri dati censurati. Scegliamo la distribuzione più adatta e utilizziamo la stima personalizzata per calcolare l'intervallo di confidenza per la probabilità di guasto di 0,90. Normalmente funziona perfettamente perché gli intervalli di dati censurati sono più diffusi, ma questo set di dati non consente una buona distribuzione adattata. Quindi otteniamo un intervallo di confidenza molto ampio del 95% per una probabilità di fallimento di 0,90. Qualche suggerimento su come aggirare questo problema?
