분포 ID 그림(우측 중도절단)
중도절단 열과 함께 고장 시간을 입력합니다. 도구는 Weibull, Lognormal, Exponential, Normal, Logistic, Loglogistic 분포를 최대우도법으로 적합하고, 각 분포의 확률 척도 위에 Nelson-Aalen 추정값을 적합선 및 신뢰 한계와 함께 그리며 상관계수로 순위를 매깁니다. 모수적 분포 분석이나 분포 개관 그림 전에 사용합니다. 상위 분포 간의 작은 차이는 거의 의미가 없습니다.
최종 검토
핵심 요점
분포 ID 그림(우측 중도절단)은 우측 중도절단된 단위가 있는 고장 시간에 여섯 가지 분포를 적합하고 각각의 확률도를 그려 수명 분포를 선택하도록 돕습니다. 가장 직선에 가까운 그림이 가장 잘 맞는 분포입니다.
목적
분포 ID 그림(우측 중도절단)은 신뢰성이나 백분위수를 추정하기 전에 수명 분포를 선택하도록 돕습니다. 제거되었거나 아직 가동 중인(우측 중도절단) 단위를 포함하는 동일한 고장 시간 데이터에 일반적인 여섯 가지 분포를 적합하고 각각의 확률도를 그립니다. 점이 직선에 가장 가까운 분포가 가장 잘 맞습니다. 모수적 분포 분석이나 분포 개관 그림 전의 첫 단계로 사용합니다.
주요 기능
- Weibull, Lognormal, Exponential, Normal, Logistic, Loglogistic 분포를 한 번에 적합합니다.
- 중도절단 열과 중도절단 값을 통해 우측 중도절단 데이터를 처리합니다.
- 확률도의 상관계수로 분포의 순위를 매깁니다.
- 분포마다 확률도 패널을 하나씩 제공하며, 적합선, 그 신뢰 한계, 고장 점이 표시됩니다.
- 데이터에 적합할 수 없었던 분포가 있으면 알려 줍니다.
통계적 방법
중도절단 열에서 중도절단 값과 같은 행은 우측 중도절단(마지막으로 관찰되었을 때 단위가 고장나지 않았음)이고 그 외의 모든 행은 고장입니다. 여섯 가지 분포는 각각 모든 행에 최대우도법으로 적합되며, 고장은 밀도 f(t)를, 중도절단된 단위는 생존 확률 S(t) = 1 − F(t)를 우도에 기여합니다.
그려지는 점은 고장 시간과 Nelson-Aalen 방법에 의한 누적 고장 확률의 비모수 추정값이며, 이 방법은 각 고장 시간에 위험에 노출된 중도절단 단위를 고려합니다. 각 패널은 해당 분포가 직선으로 그려지도록 축을 변환합니다. 시간 축은 Weibull, Lognormal, Loglogistic에서는 로그 척도이고 Normal, Logistic, Exponential에서는 선형이며, 확률 축은 이에 맞는 척도(백분율로 표시)를 사용합니다. 빨간 선은 같은 척도에서 적합된 분포의 누적분포함수입니다. 각 패널에는 Minitab과 같은 방식으로 Confidence level에서의 양측 신뢰 한계(점선)도 표시됩니다. 즉 각 백분율 p에 대해 적합된 분포의 백분위수 t_p를 구하고, 그 분산은 로그 우도의 헤세 행렬 역행렬로부터 델타 방법으로 구하며, 구간은 Weibull, Lognormal, Exponential, Loglogistic에서는 ln(t_p)에서, Normal과 Logistic에서는 t_p에서 구성합니다. 한계에서 크게 벗어난 점은 적합이 좋지 않음을 나타냅니다.
각 패널의 상관계수는 그려진 x 값(시간, 또는 로그 축에서는 ln(시간))과 고장 점의 변환된 확률 사이의 Pearson 상관입니다. 1에 가까운 값은 점이 직선에 가깝다는 뜻입니다. 상위 분포 간의 작은 차이가 어느 한쪽이 더 잘 맞는다는 증거는 아니므로, 특히 꼬리 부분을 포함해 패널을 살펴보고 공학적 지식도 고려하십시오. 예를 들어 고장 시간에는 보통 Weibull을 선택합니다.
입력 항목 및 옵션
항목 | 설명 |
Variable | 필수. 고장까지의 시간이며, 제거되었거나 아직 가동 중인 단위는 중도절단까지의 시간입니다. |
Use censoring column | 필수. 중도절단 값과 같은 행은 우측 중도절단이고 그 외의 모든 행은 고장입니다. 모든 행에 값이 있어야 합니다. |
Censoring value | 중도절단된 단위를 나타내는 중도절단 열의 값입니다. 기본값은 0이며, 따라서 1 = 고장입니다. |
Confidence level (%) | 기본값은 95이며 범위는 50~99.99입니다. 각 적합선 주위에 그려지는 신뢰 한계를 설정합니다. |

그림 1 — 예제의 옵션: 80 °C에서의 권선 시험 시간(Temp80), 중도절단 열 Cens80, 중도절단 값 0.
출력 설명
- Correlation ranking — 각 분포와 그 상관계수를 가장 좋은 것부터 나쁜 것 순으로 표시합니다.
- Messages — 적합할 수 없었던 분포가 있으면 그 이유와 함께 표시합니다.
- Distribution ID Plot — 순위 순서대로 분포마다 확률도 패널이 하나씩 있으며, 제목에 상관계수(r)가 표시되고 고장 점, 적합선, 그 신뢰 한계가 나타납니다.
- Download를 통한 PDF 내보내기.

그림 2 — 권선 시험 시간 50개의 상관 순위와 확률도: Normal, Weibull, Loglogistic은 0.989에 가깝고, Exponential은 0.956으로 확연히 가장 나쁩니다.
계산 예제
신뢰성 엔지니어가 터빈 엔진 권선 50개를 80 °C에서 시험합니다. 시험 중 37개가 고장나고 13개는 고장나기 전에 제거되어 그 시간은 중도절단됩니다. 엔지니어는 수명 백분위수를 추정하기 전에 어떤 분포가 데이터를 설명하는지 알고자 합니다. Cens80은 고장이면 1, 제거된 권선이면 0이므로, 엔지니어는 Variable = Temp80, Use censoring column = Cens80, Censoring value = 0으로 설정합니다.
상관계수는 Normal 0.9890, Weibull 0.9886, Loglogistic 0.9883, Lognormal 0.9844, Logistic 0.9837, Exponential 0.9559입니다. 상위 네 개는 사실상 동률이므로 데이터만으로는 이들 중에서 선택할 수 없습니다. Exponential은 확연히 가장 나쁘며, 이 패널에는 뚜렷한 곡선이 나타나므로 고장률이 일정하지 않아 임의 고장을 가정하는 모형은 오해를 불러올 수 있습니다.
엔지니어에게는 Weibull이 합리적인 선택입니다. 다른 분포만큼 잘 맞고, 음수 시간을 줄 수 없으며, 형상 모수로 고장이 초기 고장인지, 임의 고장인지, 마모 고장인지 알 수 있기 때문입니다. 후보 분포는 꼬리 부분에서 가장 크게 다르므로, 엔지니어는 낮은 쪽과 높은 쪽 끝의 패널을 확인하고, 극단 백분위수가 중요하다면 둘 이상의 분포에서 얻은 추정값을 비교합니다. 다음 단계는 Weibull을 사용한 분포 개관 그림 또는 모수적 분포 분석입니다.
자주 묻는 질문
분포 ID 그림에서 상관계수는 어떻게 해석합니까?
그려진 x 값과 고장 점의 변환된 확률 사이의 Pearson 상관입니다. 1에 가까운 값은 점이 직선에 가깝다는 뜻입니다. 상위 분포 간의 작은 차이가 어느 한쪽이 더 잘 맞는다는 증거는 아니므로, 특히 꼬리 부분을 포함해 패널을 살펴보고 공학적 지식을 활용하십시오.
우측 중도절단된 단위는 어떻게 처리합니까?
중도절단 열에서 중도절단 값(기본값 0)과 같은 행은 우측 중도절단, 즉 마지막으로 관찰되었을 때 단위가 고장나지 않았음을 뜻하며 그 외의 모든 행은 고장입니다. 최대우도 적합에서 고장은 밀도를, 중도절단된 단위는 생존 확률을 우도에 기여하며, Nelson-Aalen 그림의 점은 위험에 노출된 중도절단 단위를 고려합니다.
여러 분포가 똑같이 잘 맞으면 어느 분포를 선택해야 합니까?
권선 예제에서는 Normal, Weibull, Loglogistic, Lognormal이 사실상 동률이었고 Exponential은 확연히 가장 나빠, 고장률이 일정하지 않음을 보여 주었습니다. Weibull은 다른 분포만큼 잘 맞고, 음수 시간을 줄 수 없으며, 형상 모수로 고장이 초기 고장인지, 임의 고장인지, 마모 고장인지 알 수 있어 합리적인 선택이었습니다.
분포 ID 그림 다음에는 무엇을 합니까?
다음 단계는 선택한 분포로 분포 개관 그림 또는 모수적 분포 분석을 수행하여 신뢰성이나 수명 백분위수를 추정하는 것입니다. 후보 분포는 꼬리 부분에서 가장 크게 다르므로, 극단 백분위수가 중요하다면 낮은 쪽과 높은 쪽 끝의 패널을 확인하고 둘 이상의 분포에서 얻은 추정값을 비교하십시오.
