Software Reliability Engineering im Infotainment - Georg-August ...
Software Reliability Engineering im Infotainment - Georg-August ...
Software Reliability Engineering im Infotainment - Georg-August ...
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
3.3.2 Passung der Modelle nach Anwendung der Modelle und<br />
Parameterschätzung<br />
Der zweite Schritt betrachtet die deskriptive und voraussagende Stärke eines Modells in<br />
Bezug auf die speziellen Daten, d.h. die Passung auf die spezifischen Daten. Es gibt<br />
mehrere Kriterien, um die Modelle auf ihre deskriptive („goodness of fit“) und<br />
voraussagende Fähigkeit und Stärke zu vergleichen (vgl. ausführlich Pham 2006, S.<br />
181).<br />
„Die Einschätzung der Eignung der Modelle ist aufgrund der Modellvielfalt und ihrer<br />
spezifischen Voraussetzungen für den Anwender kompliziert. Darüber hinaus ist neben<br />
der Bewertung der grundsätzlichen Eignung eines Modells eine Festlegung der<br />
Modellparameter erforderlich” (Liggesmeyer 2002, S. 451):<br />
Die Herausforderung besteht darin, die Modelle an die Daten anzupassen – also die<br />
empirische Verteilung der Fehlerhäufigkeit mit einer theoretischen Verteilung zu<br />
vergleichen – d.h. die zwei bis drei Parameter (siehe Kap. 3.2.3.2 und 3.2.3.3) zu<br />
best<strong>im</strong>men, was häufig über Max<strong>im</strong>um Likelihood Schätzungen gemacht wird (vgl.<br />
Pham 2006, S. 180; vgl. Liggesmeyer 2002, S. 452ff.; vgl. Huang et al. 2000, S. 76).<br />
Diese Likelihood-Funktion der stochastischen Prozesse ist jedoch meist analytisch nicht<br />
lösbar, weshalb numerische Opt<strong>im</strong>ierungsalgorithmen (z.B. Nelder-Mead-S<strong>im</strong>plex-<br />
Methode) eingesetzt werden. Dies erfordert ausführliche mathematische Prozesse, die<br />
den Rahmen dieser Masterarbeit jedoch überschreiten (vgl. M-SRAT o.Jg.).<br />
Um diese Parameter einer bekannten Funktion zu best<strong>im</strong>men, benötigt man das<br />
„kleinste Fehlerquadrate (Least Squares)“ Verfahren und das „Max<strong>im</strong>um-Likelihood“<br />
Verfahren sowie Chi-Quadrat, um ein ausgewähltes Zuverlässigkeitsmodell möglichst<br />
gut an die vorliegenden Ausfalldaten anzupassen. Einerseits ist das kleinste<br />
Fehlerquadrat definiert als das Quadrat der Abweichung zwischen jeder Beobachtung<br />
und dem Wert, den das Zuverlässigkeitsmodell an dieser Stelle liefert. Die Parameter<br />
ergeben als die Summe dieser Quadrate einen möglichst kleinen Wert. Wenn es so der<br />
Fall ist, so bewertet dieses Verfahren die entsprechenden Parameter als die beste<br />
Lösung. Andererseits ist das Ziel des Max<strong>im</strong>um-Likelihood-Verfahrens die freien<br />
Parameter so zu wählen, dass die Wahrscheinlichkeit max<strong>im</strong>iert wird, eine zur<br />
vorliegenden Beobachtung „ähnliche“ Beobachtung zu erzeugen (vgl. Liggesmeyer<br />
2002, S. 451; vgl. Tosteson; Demidenko 2002, S. 1057f.).<br />
30