Как определить вероятность отказа, если не было сбоев?


50

Мне было интересно, есть ли способ определить вероятность того, что что-то не получится (продукт), если у нас есть 100 000 продуктов в течение 1 года и без сбоев? Какова вероятность того, что один из следующих 10 000 проданных товаров потерпит неудачу?


4
Что-то подсказывает мне, что это не настоящая проблема надежности. Нет продуктов с таким низким уровнем отказов.
Аксакал

Вам нужна модель для распределения возможных коэффициентов успеха / неудач, прежде чем вы сможете что-то выводить из статистики в вероятности фактических показателей успеха / неудач. Ваше описание дает очень мало оснований для вывода / предположения о таком распределении.
RBarryYoung

1
@RBarryYoung, пожалуйста, проверьте предоставленные ответы - они предоставляют несколько интересных и обоснованных подходов к проблеме. Если вы не согласны с этими подходами, не стесняйтесь комментировать их или предоставить свой собственный ответ.
Тим

2
@Aksakal - такая низкая частота отказов не кажется невозможной, если это простой продукт с высокой стоимостью и таким высоким риском в случае отказа (например, хирургический инструмент), что он проходит уровни тестирования и проверки (и, возможно, независимый сертификация) до выпуска. Конечно, может быть и обратное, продукт может иметь такое низкое значение, что конечные пользователи просто не сообщают о проблемах с дефектными продуктами (наверняка, у производителей Gumball меньше 1/100000 зарегистрированных дефектов?), Потребитель просто отбрасывает это и пробует новый.
Джонни

@ Джонни, когда Motorola придумала они хвастались, что на 100 миллионов продуктов приходится 3 отказа или что-то в этом роде. 6σ
Аксакал

Ответы:


43

Вероятность того, что продукт выйдет из строя, безусловно, зависит от времени и использования. У нас нет никаких данных об использовании, и только с одним годом сбоев нет (поздравляю!). Таким образом, этот аспект (называемый функцией выживания ) не может быть оценен по вашим данным.

Однако вы можете думать о сбоях в течение одного года как о биномиальном распределении . У вас все еще нет сбоев, но сейчас это общая проблема. Простое решение состоит в том, чтобы использовать правило 3 , которое является точным при большом (что у вас, безусловно, есть). В частности, вы можете получить верхнюю границу односторонний 95% доверительного интервала (т.е. нижняя граница равна ) на истинной вероятности отказа в течение одного года . В вашем случае вы на 95% уверены, что ставка ниже . 0 3 / N 0,00003N03/N0.00003

Вы также спросили, как рассчитать вероятность отказа одного или нескольких из следующих 10 000. Быстрый и простой (хотя и экстремальный) способ расширить вышеприведенный анализ - просто использовать верхнюю границу в качестве базовой вероятности и использовать соответствующий биномиальный CDF, чтобы получить вероятность того, что не будет отказов. Используя код, мы могли бы сделать:, что дает шанс увидеть один или несколько сбоев в следующих 10 тысячах продуктов. Используя верхнюю границу, это не является оптимальной точечной оценкой вероятности, по крайней мере, одного отказа, скорее вы можете сказать, что очень маловероятно, что вероятность отказа превышает1 26 % ( Р + 1 ) / ( N + 2 ) Р р = 9,9998 × 10 - 06 1 +10 %0R1-pbinom(0, size=10000, prob=0.00003)0.2591851126%(признавая, что это несколько «волнистое» обрамление). Другая возможность состоит в использовании предложения @ amoeba об оценке из правила наследования Лапласа . Правило правопреемства гласит, что предполагаемая вероятность отказа равна , где - количество отказов. В этом случае , и вычисление для прогнозируемой вероятности отказов в следующие 10 000 составляет , принося , или . (F+1)/(N+2)Fp^=9.9998×10061+1-pbinom(0, size=10000, prob=9.9998e-06)0.0951612210%


3
+1. Я не слышал о «правиле 3» раньше. Интересно, есть ли какая-либо связь между правилом 3 и «правилом наследования Лапласа»? Согласно последнему (если я правильно его применяю), вероятность отказа может быть оценена как . 1/(N+2)
амеба говорит восстановить Монику

14
@amoeba Это правило 3 - это 95% односторонний предел доверия. Предположим, что счетчик ошибок имеет биномиальное распределение. Тогда вероятность увидеть отсутствие сбоев составляет . Чтобы сделать это больше , решите для . Используя для малого , мы решение . Так как , мы получаем . Это «правило 3». Это стоит знать, потому что теперь вы знаете, как изменить «3», если хотите настроить уровень достоверности, и вы также можете инвертировать его, чтобы найти минимальное необходимое для определения скорости( 1 - р ) п 5 % ( 1 - р ) п0,05 р журнал ( 1 - р ) - р р р - журнал ( 0,05 ) / п 0,05 = 1 / 20 е 3 р 3 / n n p(n,p)(1p)n5%(1p)n0.05plog(1p)ppplog(0.05)/n0.05=1/20e3p3/nnp или выше.
whuber

1
@amoeba, как я уже упоминал, я взял форму до вероятности отказа. Я считаю, что другой априор привел бы к значительно другим результатам.
Яир Даон

1
Ваше редактирование прошло успешно (+1). Однако это поднимает вопросы толкования. Мы не «уверены», что вероятность составляет не более потому что мы не полностью уверены в истинном базовом шансе. У нас нет «верхней границы» на , а только верхний доверительный предел. Когда вы даете прогноз на будущее событие, вам необходимо (а) оценить его и (б) установить границы для него. Посмотрите на это так: дайте нам границы когда , независимо, при условии . Эти оценки являются интервал предсказания для на основе .p Y X Бином ( n , p ) Y Бином ( m , p ) X = 0 Y X26%pYXBinomial(n,p)YBinomial(m,p)X=0YX
whuber

2
Yay для "Правило трех". Я впервые увидел это много лет назад в короткой заметке для «Журнала Американской медицинской ассоциации» jama.jamanetwork.com/article.aspx?articleid=385438
DWin

25

Вы можете принять байесовский подход. Обозначим вероятность отказа и считаем ее случайной величиной. Априори, прежде чем увидеть результаты экспериментов, вы можете поверить, что . Если вы доверяете инженерам сделать этот продукт надежным, возможно, вы можете взять или около того. Это зависит от вас. Затем вы можете использовать теорему Байеса для вычисления апостериорного распределения . Обозначим событие , которое вы наблюдали ( эксперименты с нулевыми неудач).thetas ; ~ U ( 0 , 1 ) & thetas ; ~ U ( 0 , 0,1 ) θ A пΘΘU(0,1)ΘU(0,0.1)θAn

Θp(θ)np(A|θ)nθ

p(Θ=θ|A)=p(A|Θ=θ)p(Θ=θ)p(A)=p(A|θ)p(θ)p(A|θ)p(θ)dθ.
Все просто: равномерно, поэтому является некоторой константой. Поскольку вы запускаете экспериментов, - это просто вероятность отсутствия сбоев в испытаниях Бернулли с вероятностью неудачи .Θp(θ)np(A|θ)nθ

Когда у вас есть вы становитесь золотом: вы можете вычислить вероятность любого события путем интегрирования:B P ( B ) = p ( B | θ ) p ( θ | A ) d θp(θ|A)BP(B)=p(B|θ)p(θ|A)dθ

Ниже я работаю над подробным решением, следуя вышеуказанному подходу. Я возьму несколько стандартных ярлыков.

Пусть предшествующим будет . Тогда: Константа нормализации равна - см. Бета-функцию на страницах Википедии и бета-распределение . Итак, , что является бета-распределением с параметрами .p ( θ | A ) p ( A | θ ) 1 = ( 1 - θ ) n . p ( A ) = p ( A | θ ) p ( θ ) d θ B ( 1 , n + 1 ) p ( θ | A )U(0,1)

p(θ|A)p(A|θ)1=(1θ)n.
p(A)=p(A|θ)p(θ)dθB(1,n+1) 1,n+1p(θ|A)=(1θ)nB(1,n+1)1,n+1

Обозначим вероятность без сбоев в продукции в следующем году . Вероятность хотя бы одного отказа составляет . Тогда B 1 - P ( B ) 1 - P ( B ) = 1 - ( 1 - θ ) m ( 1 - θ ) nmB1P(B)

1P(B)=1(1θ)m(1θ)nB(1,n+1)dθ=B(1,n+m+1)B(1,n+1)

что примерно равно , используя . Не очень впечатляет? Я взял равномерное распределение по вероятности отказа. Возможно, вы лучше верите в своих инженеров.л = 100 , 000 , т = 10 , 0000.1n=100,000,m=10,000


3
Кажется странным не найти фактическое решение для такой простой проблемы, особенно когда метод выглядит таким многообещающим. Вы предполагаете, что расчеты сложны?
whuber

2
@whuber Я не забыл это, я думал, что этот последний шаг очевиден. Что я имел в виду под «не впечатляющим», так это то, что вероятность сбоя в 10% все еще велика по сравнению с отсутствием отказов в первых 100 000 прогонов. Кроме того, спасибо за комментарий, касающийся сопряженных пар, я подумал, что это может привести к путанице в ОП и отвлечь их от того, что важно, и, следовательно, пропустить его.
Яир Даон

3
Очевидно, что да, но когда вы в итоге получите значение 0,9, это число увидят люди, почти независимо от того, что вы скажете об этом в предыдущем тексте. Чтобы вас не неправильно поняли, всегда полезно четко указать, какой ответ вы предлагаете. (+1 за улучшенный ответ, кстати)
whuber

3
Действительно, независимо от вашей веры в ваших инженеров, не удивительно, что, если вы наблюдаете испытаний без сбоев, вы должны в среднем ожидать около сбоев в следующих испытаниях, и, следовательно, ожидать по крайней мере одного сбой с вероятностью , что примерно равно для малых . Таким образом, 100 000 успешных испытаний дают примерно 10% ожидаемой вероятности как минимум одного сбоя в течение следующих 10 000 испытаний. k k n 1 - e - k k kn1kkn1ekkk
Ильмари Каронен

2
@whuber Ваше предположение, что предшествующее не имеет значения, не верно в случае нулевых отказов. Это сильно зависит от наклона около нуля, например, плоский равномерный априор (бета 1,1) и предварительный Джеффрис (бета 0,5, 0,5) дадут существенно разные апостериорные.
Эрик

12

Вместо того, чтобы вычислять вероятность, почему бы не предсказать, сколько продуктов может потерпеть неудачу?

Моделирование наблюдений

В этой области продуктов, а еще . Предположим, что их неудачи независимы и постоянны с вероятностью .м = 10000 рn=100000m=10000p

Мы можем смоделировать эту ситуацию с помощью биномиального эксперимента: из коробки билетов с неизвестной пропорцией билетов «сбой» и билетов «успех», возьмите билетов (с заменой, чтобы вероятность неудачи остается прежней). Количество неудач среди первых билетов - пусть это будет -й количество неудач среди оставшихся билетов, призывающий , что .1 - p m + n = 110000 n X m Yp1pm+n=110000nXmY

Обрамление вопроса

В принципе, и могут быть чем угодно. То , что мы заинтересованы в том, есть шанс , что учитывая , что (с любое число в ). Поскольку сбои могут возникать где угодно среди всех билетов, причем каждая возможная конфигурация имеет одинаковую вероятность, это определяется путем деления числа -подмножеств вещей на количество -подмножеств всех вещей:0 Y m Y = u X + Y = u u { 0 , 1 , , m } n + m u m u n + m0Xn0YmY=u X+Y=uu{0,1,,m}n+mumun+m

p(u;n,m)=Pr(Y=u|X+Y=u)=(mu)(n+mu)=m(m1)(mu+1)(n+m)(n+m1)(n+mu+1).

Для расчета можно использовать сопоставимые формулы, когдаX=1,2,.

Верхняя предел предсказания1α (УПЛ) для числа неудач в этих последних билетов, , задается наименьшим ( в зависимости от ) , для которых . t α (X;n,m)uXp(u;n,m)αmtα(X;n,m)uXp(u;n,m)α

интерпретация

UPL следует интерпретировать с точки зрения риска использования , который оценивается до того, как наблюдается или Другими словами, предположим, что это был год назад, и вас просят порекомендовать процедуру для прогнозирования количества сбоев в следующих продуктах после появления первых . Ваш клиент спрашиваетX Y m ntαXYmn

Какова вероятность того, что ваша процедура будет недооценивать ? Я не имею в виду в будущем, когда у вас будет больше данных; Я имею в виду прямо сейчас, потому что я должен принимать решения прямо сейчас, и единственные шансы, которые у меня будут в наличии, - это те, которые можно вычислить в данный момент ».Y

Ваш ответ может быть,

В настоящее время вероятность не больше, чем , но если вы планируете использовать меньший прогноз, вероятность превысит .ααα

Результаты

Для , и мы можем вычислить, что м = 10 4 X = 0n=105m=104X=0

p(0,n,m)=1; p(1,n,m)=1110.091; p(2,n,m)=9091099990.0083;

Таким образом, наблюдаяX=0 ,

  • Для достоверности до (т. При ), прогнозируйте, что в следующих продуктах будет не более сбой .1α=90.9%9.1%αtα(0;n,m)=110,000

  • Для достоверности до (то есть, когда ), предскажите, что в следующих продуктах будет не более сбоев .0,8 % & le ; & alpha ; < 9,1 % т & alpha ; ( 0 ; п , т ) = 2 10 , 00099.2%0.8%α<9.1%tα(0;n,m)=210,000

  • И т.п.


Комментарии

Когда и почему этот подход будет применяться? Предположим, ваша компания производит много разных продуктов. Наблюдая за показателями каждого в поле, ему нравится предоставлять гарантии, такие как «полная бесплатная замена любого отказа в течение одного года». Имея пределы прогнозирования количества сбоев, вы можете контролировать общие затраты на обеспечение этих гарантий. Поскольку вы производите много продуктов и ожидаете, что сбои произойдут из-за случайных обстоятельств, не зависящих от вас, опыт работы с каждым продуктом будет независимым. Имеет смысл контролировать свой риск в долгосрочной перспективеα αn, Время от времени вам, возможно, придется платить больше требований, чем ожидалось, но в большинстве случаев вы будете платить меньше. Если платить больше, чем было объявлено, может оказаться губительным, вы установите на крайне малый размер (и, скорее всего, вы бы также использовали более сложную модель отказов!). В противном случае, если затраты незначительны, вы можете жить с низким уровнем доверия (высокий ). Эти расчеты показывают, как сбалансировать доверие и риски.αα

Обратите внимание, что нам не нужно вычислять полную процедуру . Мы ждем, пока не появится а затем просто выполним вычисления для этого конкретного (здесь ), как показано выше. В принципе, тем не менее, мы могли бы провести вычисления для всех возможных значений в самом начале.X X X = 0 XtXXX=0X

Байесовский подход (описанный в других ответах) привлекателен и будет хорошо работать, если результаты не сильно зависят от предыдущих. К сожалению, когда частота отказов настолько низка, что наблюдается очень мало (или не отказов), результаты чувствительны к выбору предшествующего.


+1, но кажется неправильным. p(0,n,m)=1
говорит амеба: восстанови Монику

1
@COOLSerdash, потому что , а члены для не равны нулю. up(u,n,m)=1u=1,2...
говорит амеба: восстанови Монику

1
Причина, по которой вы получаете , как отмечает @amoeba, заключается в том, что ваш самом деле не , а скорее (и, таким образом, должно действительно обозначаться, например, как или что-то подобное). У меня возникли некоторые затруднения, когда я буду в точности следовать тому, что вы делаете с этим позже, но я уверен, что, как бы то ни было, это, к сожалению, не является правильным решением проблемы. up(u;n,m)>1p(u;n,m)=(mu)(n+mu)Pr(Y=u|X=0)Pr(Y=u|X+Y=u) = Pr(X=0|X+Y=u)p(0;n,m,u)
Илмари Каронен

1
@IlmariKaronen Спасибо за ваши комментарии. Вы правы в том, что мне следовало бы охарактеризовать немного более четко, потому что это не распределение вероятностей по - это условная вероятность - но я считаю, что сам ответ, тем не менее, является правильным, и я Я очень уверен, что такой подход к вычислению пределов предсказания является как правильным, так и традиционным. Я буду редактировать этот пост, чтобы уточнить эти моменты. p(u;n,m)u
whuber

1
@ Ilmari Я уже сделал редактирование - вы можете увидеть это в истории редактирования. Я предполагаю, что нет априор, и только применяю определение интервала предсказания к этой проблеме. Если вы хотите оспорить, является ли это «статистически значимым», тогда вы обнаружите, что сами подвергаетесь сомнению этой стандартной конструкции. См., Например, Hahn & Meeker, Статистические интервалы (J. Wiley 1991).
whuber

9

Ниже приведен байесовский ответ на вопрос «Из 10000 новых продуктов, сколько, как ожидается, выйдет из строя, если все прежние 100 000 произведенных не выйдут из строя?», Но вы должны учитывать чувствительность к различным приоритетам.

Предположим, что условно независимы и одинаково распределены при заданном таком, что , и используют сопряженный предшествующий , с .X1,,XnΘ=θX1Θ=θBernoulli(θ)ΘBeta(a,b)a,b>0

Для имеем m<n

E[i=m+1nXi|X1=0,Xm=0]=i=m+1nE[XiX1=0,Xm=0].

Для мы имеем в котором мы использовали .m+1in

E[XiX1=0,Xm=0]=Pr(Xi=1X1=0,Xm=0)=01Pr(Xi=1Θ=θ)fΘX1,,Xm(θ0,,0)dθ=Γ(m+a+b)Γ(m+a+b+1)Γ(a+1)Γ(a)=am+a+b,
ΘX1=0,,Xm=0Beta(a,m+b)

Подключив ваши номера, с единообразным априором ( ) вы ожидаете частоту отказов около , в то время как джеффрисоподобный априор ( ) дает вам интенсивность отказов близка к .a=1,b=110%a=1/2,b=1/25%

Это прогнозирующее ожидание не выглядит хорошим резюме, потому что прогнозирующее распределение сильно искажено. Мы можем пойти дальше и вычислить прогнозирующее распределение. Так как кондиционирование, как мы делали до того, как получили для .

i=m+1nXi|Θ=θBin(nm+2,θ),
Pr(i=m+1nXi=t|X1=0,Xm=0)=(nm+2t)Γ(m+a+b)Γ(a)Γ(m+b)Γ(t+a)Γ(nt+2)Γ(n+a+2),
t=0,1,,nm+2

Я закончу это позже, вычисляя прогнозный интервал.95%


3
+1 за демонстрацию того, что результат чувствителен к форме априора около 0. (Стоит отметить, что, поскольку функция правдоподобия сильно сконцентрирована вблизи нуля, когда велико, это единственная часть априора, которая действительно имеет значение. Например, для предшествующего a ожидание приблизительно пропорционально , но почти не зависит от . Аналогично, для единообразный , на самом деле не имеет большого значения, является ли или , но все изменится кардинально, если мы подобный .)mBeta(a,b)am+a+bamabU(0,1)U(0,0.01)U(0.01,1)
Илмари Каронен

6

Используя подход Лапласа к проблеме восхода , мы получаем вероятность того, что продукт выйдет из строя в течение года . Далее, вероятность того, что из новых продуктов не выйдет из строя в течение года, равна Следовательно, вероятность того, что по крайней мере один продукт из выйдет из строя в следующем году, равна Для значение равно . В случае whuber , на самом деле довольно высокий.

p=1100000+1
n
(1p)n
n
1(11100001)n
n=10000P100000.095P2000000.87

Конечно, вы должны продолжать обновлять свои данные, пока продано больше товаров, в конце концов один из них потерпит неудачу.


Этот ответ представляется неверным: расчет для одного будущего восхода солнца не распространяется просто путем умножения. В конце концов, предположим, что число были заменены на . Будете ли вы утверждать, что вероятность отказа составляет ? Вы должны сравнить свой ответ с анализом в ответе Яир Даон и с соответствующими комментариями. 10,000200,000200000/1000012
whuber

@whuber, исправил это
Аксакал

1
(1) Либо вы просчитались, либо ваш "200000" является опечаткой для "20000". (Вы должны получить около .) (2) Ваш анализ теперь воспроизводит часть выводов Яир Даона, но без преимущества полного апостериорного распределения. 0.865
whuber

@whuber, да, это был один меньше нуля
Аксакал

5

На этот вопрос было дано несколько хороших ответов, но недавно у меня была возможность просмотреть несколько ресурсов по этой теме, и поэтому я решил поделиться результатами.

Существует множество возможных оценок для данных с нулевыми ошибками. Обозначим как количество отказов и как размер выборки. Оценка максимального правдоподобия вероятности отказа, учитывая, что эти данныеk=0n

(1)P(K=k)=kn=0

Такая оценка довольно неудовлетворительная, поскольку тот факт, что в нашей выборке мы не наблюдали сбоев, вряд ли доказывает, что они вообще невозможны. Исходя из данных, полученных на основе данных, можно предположить, что существует некоторая вероятность отказа, даже если не было замечено (пока). Наличие априорных знаний приводит нас к использованию байесовских методов, рассмотренных Bailey (1997), Razzaghi (2002), Basu et al (1996) и Ludbrook and Lew (2009).

Среди простых оценок «верхняя граница» оценки, которая предполагает (Bailey, 1997)

что было бы не логично, чтобы оценщик для P в случае с нулевым отказом давал вероятность, превышающую вероятность, предсказанную оценщиком максимального правдоподобия в случае с одним отказом, разумную верхнюю границу

определяется как

(2)1n

можно упомянуть. Согласно обзору Ludbrook and Lew (2009), другие возможности - это «правило троек» (см. Здесь , Wikipedia или Eypasch et al, 1995)

(3)3n

или другие варианты:

(4)3n+1

«Правило 3.7» Ньюкомба и Альтмана (или 3.6):

(5)3.7n

«Новое правило четырех»:

(6)4n+4

но, как заключили Лудбрук и Лью (2009), «правило троек» «почти бесполезно» и «правило 3,6» (и 3,7) «имеют серьезные ограничения - они крайне неточны, если первоначальный размер выборки меньше 50». и они не рекомендуют методы (3) - (6), предлагающие скорее использовать правильные байесовские оценки (см. ниже).

Среди байесовских оценок можно упомянуть несколько разных. Первая такая оценка, предложенная Бэйли (1997)

(7)10.51n

для оценки медианы при равномерном

(8)10.51n+1

или для оценки среднего при таком предварительном

(9)1n+2

еще один подход, предполагающий экспоненциальную картину отказов с постоянной частотой отказов (распределения Пуассона), дает

(10)1/3n

если мы используем бета-версию с параметрами и мы можем использовать формулу (см. Раззаги, 2002):бab

(11)aa+b+n

что при приводит к равномерному априорному (9). Предполагая, что Джеффри до это приводит ка = б = 0,5a=b=1a=b=0.5

(12)12(n+1)

Обычно рекомендуются байесовские формулы (7) - (12). Basu et al (1996) рекомендует (11) с информативным априором, когда доступны некоторые априорные знания. Поскольку не существует единственного наилучшего метода, я бы предложил рассмотреть литературу до вашего анализа, особенно когда мало.n


Бейли, RT (1997). Оценка по данным без сбоев. Анализ риска, 17 , 375-380.

Раззаги, М. (2002). Об оценке вероятности биномиального успеха с нулевым вхождением в выборку. Журнал современных прикладных статистических методов, 1 (2), 41.

Ludbrook, J. & Lew, MJ (2009). Оценка риска редких осложнений: достаточно ли «правило трех»? ANZ журнал хирургии, 79 (7‐8), 565-570.

Eypasch, E., Lefering, R., Kum, CK, и Troidl, H. (1995). Вероятность неблагоприятных событий, которые еще не произошли: статистическое напоминание. BMJ 311 (7005): 619–620.

Basu, AP, Gaylor, DW, & Chen, JJ (1996). Оценка вероятности возникновения опухоли для редкого рака с нулевым появлением в образце. Нормативная токсикология и фармакология, 23 (2), 139-144.


1
Отличный обзор того, что там!
AlefSin

Что касается комментариев, начинающихся с "нескольких байесовских оценщиков ...", то, как правило, не ясно, относится ли данный комментарий к формуле над ним или под ней. Вы можете сделать это понятнее?
gung - Восстановить Монику

2

Вам действительно нужно вернуться к дизайнерам вашей продукции. Это фундаментальная инженерная проблема, а не наблюдательная статистическая. У них будет представление о вероятности отказа каждого компонента и об этой вероятности полного отказа всего собранного продукта. Они могут дать вам ожидаемое количество сбоев в течение всего срока службы продукта.

Гражданский инженер проектирует мост, чтобы иметь проектную жизнь 120 лет. У каждого компонента моста есть небольшая вероятность отказа. Каждая загрузка имеет небольшой шанс быть превышенным. Чтобы сделать мост экономически выгодным, полный обвал может произойти только один раз в 2400 лет, что намного дольше, чем будет эксплуатироваться мост. Неудивительно, что мост не разрушается ни в год 1, ни во второй год, ни в год 120. То есть, он не рухнул, говорит вам очень мало. Его различные шансы на провал со временем могут быть оценены только оригинальными дизайнерами.


0

Это похоже на проблему, с которой я столкнулся, когда мы внедрили новый производственный процесс, чтобы устранить сбои в производстве.

Новая система не вызывала сбоев, поэтому люди задавали один и тот же вопрос: как мы можем предсказать частоту отказов? В вашем случае, поскольку вы предусмотрели период, в течение которого сбой может произойти, не заботясь о том, когда сбой произошел в течение этого периода, временные эффекты были удалены. И это просто случай, если что-то не удалось или нет. С этим оговорено - дальше с моим ответом.

Интуитивно понятно, что нам нужен хотя бы один сбой, чтобы рассчитать частоту отказов. Однако в этом предположении есть неявная ошибка. Мы никогда не будем рассчитывать частоту отказов. Это потому, что мы имеем дело с образцом. Таким образом, мы можем только оценить диапазон вероятных отказов. Способ сделать это - найти распределение для частоты отказов. Распределение, которое выполняет работу в этом случае, является бета-распределением, где параметры: α = n + 1 и β = N - n + 1

Примечание: N - это размер выборки, а n - количество сбоев (в вашем случае 0)

Для вашего сценария распределение частоты отказов показано ниже. введите описание изображения здесь ,

Затем вы должны передать это распределение в соответствующую формулу биномиальной вероятности, чтобы получить распределение вероятности отказа одной единицы (это можно сделать аналитически или с использованием метода Монте-Карло). Я подозреваю, что цифры будут очень низкими.

Обратите внимание, что этот процесс применим независимо от количества сбоев в вашем первом наборе.

Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.