وایبول چیست؟

نویسندگان: آدام باهرت و فرد شنکلبرگ

تحلیل وایبول ابزاری است که برای توصیف رفتار یک مجموعه داده استفاده می‌شود. ارزش توصیف یک مجموعه داده، توانایی پیش‌بینی نرخ خرابی برای همان جمعیت یا جمعیتی مشابه است. ورودی تحلیل وایبول، زمان خرابی برای همه قلم‌های خراب و زمان اجرا برای قلم‌های عملیاتی است. فرضیات مربوط به مجموعه داده‌ها برای اطمینان از گنجاندن اطلاعات صحیح در تحلیل بسیار مهم هستند. این ممکن است شامل تحلیل علت ریشه‌ای خرابی‌ها باشد تا بتوان آنها را به عنوان فرسودگی یا استرس ناشی از استفاده توصیف کرد. جدا کردن این دو مجموعه داده مفید خواهد بود زیرا توصیف و رفتار آنها با عوامل وایبول کاملاً متفاوت خواهد بود.

وایبول بسیار پویا است و در واقع می‌تواند توزیع‌های دیگری مانند نرمال، لگاریتمی نرمال و نمایی را به درستی نشان دهد. تحلیل وایبول، توصیف یک مجموعه داده را با مقادیری برای متغیرهایی مانند «پارامتر شکل»، «پارامتر مقیاس» و «پارامتر مکان» ایجاد می‌کند. شکل‌های وایبول استفاده از این مقادیر در معادله وایبول، پیش‌بینی نرخ شکست جمعیت را در نقاط زمانی آینده امکان‌پذیر می‌کند. این یک ابزار بسیار قدرتمند برای تصمیم‌گیری در برنامه است، همانطور که بعداً نشان خواهم داد. بیایید این مفهوم پیش‌بینی رفتار از طریق توصیف را به اصطلاحات ساده‌تری که با آنها آشنا هستیم، تبدیل کنیم تا نحوه عملکرد آن را بهتر درک کنیم. ساده‌ترین نسخه از این نوع تحلیل داده‌ها چیزی بود که همه ما در مدرسه ابتدایی انجام می‌دادیم. ما دو نقطه روی یک نمودار داریم. اگر فرض کنیم این دو نقطه بخشی از یک خط هستند، می‌توانیم پس از توصیف مجموعه داده‌ها، پیش‌بینی کنیم که سایر نقاط خط کجا خواهند بود. در این حالت، تنها چیزی که باید توصیف کنیم، شیب و نقطه تقاطع با محور Y است. معادله «y=mx+b» است. «x» و «y» مختصات هر نقطه روی خط هستند. «m» شیب خط و «b» نقطه تقاطع «y» است. سپس می‌توانید هر مقدار دیگری از «x» یا «y» را وارد کنید و مقدار مختصات رفت و برگشتی را محاسبه کنید. اگر «محور x» زمان بود، می‌توانستید مقدار «y» را در هر نقطه زمانی بعدی محاسبه کنید.