UMĚLÁ INTELIGENCE V AUTOMOTIVE / David et al.

3) transformace dat na relativní hodnoty dle charakteru dat; 4) vyjádření distribuční funkce nebo funkce bezporuchovosti Weibullova roz dělení pravděpodobnosti dle charakteru dat; 5) stanovení komplexního kritéria (účelové funkce) pro optimalizaci parametrů; 6) optimalizace parametrů Weibullova rozdělení s využitím evolučních metod. Popis dílčích etap navrženého algoritmu: Analýza statistického vzorku dat Při této analýze nejprve dojde k nahraní reálných experimentálních dat do algo ritmu, kde se provede statistická vzorkovací analýza a filtrace dat. Cílem této fáze je elimi nace chybných a neplatných dat a identifikovat základní statistické parametry načtených dat, čímž se následně zpřesňuje stanovení parametrů Weibullova rozdělení. [4.29] Pro statistická šetření této analýzy pracujeme s třemi typy souborů dat – základní, výběrové a neúplné soubory dat. V ideálním případě bychom měli mít k dispozici základní statistický soubor [4.30] pro analýzu. Nicméně kvůli jejich obrovskému rozsahu, vysokým nákladům a komplexitě je to v praxi nemožné. Proto se výhradně spoléháme na statistické výběrové soubory. Tyto soubory jsou používány především k analýzám, protože zobecnění z dat výběro vého souboru je považováno za dostatečně přesné a reprezentativní z hlediska daného účelu zkoumání. [4.29], [4.30] Informace o chování technických zařízení získáváme z analýzy provozního pro cesu, která je zaznamenána v podobě původního záznamu. Tento záznam obsahuje ob vykle velké množství číselných dat, které nejsou uspořádané. Data jsou zaznamenána v pořadí, jak jsou zjištěna v provozních podmínkách, a proto není v této podobě možné identifikovat žádné společné vlastnosti daného výběrového souboru. Pro vyhodnocení statistických dat je důležité vytvořit systematický soubor, kte rý zahrnuje proces, během kterého se jednotlivá měřená data seskupují do kategorií. Namísto původních dat z výběrového souboru se využívají reprezentativní hodnoty pro každou kategorii a počty hodnot v jednotlivých kategoriích. Tyto informace jsou ná sledně prezentovány v přehledné formě, což umožňuje aspoň částečně odhadnout určité vztahy mezi nimi. Z analýzy upravených údajů získáváme důležité statistické informace o vlastnos tech souboru dat. Tyto informace poskytují celkový pohled na klíčové statistické vlast nosti zkoumaných údajů. Správně vybrané a správně vypočítané charakteristiky sledo vaného souboru dat, za dodržení podmínek jejich platnosti, obsahují v rámci jednoho nebo několika málo čísel souhrnné informace o podstatných statistických vlastnostech zkoumaného souboru dat, které jsou v něm obsaženy v původním zápisu. [4.28] Nejčastěji používanými statistickými charakteristiky pro analýzu a interpretaci dat patří aritmetický průměr, který poskytuje prostřední hodnotu výběru, a minimální a maximální hodnota, které určují rozsah datové sady. Kromě toho jsou také důležité charakteristiky variability, jako je variační rozpětí, výběrový rozptyl, variační koeficient a směrodatná odchylka, které poskytují informace o rozptýlení hodnot výběru. Pro vi zuální znázornění parametrů statistického souboru je běžně používáno několik metod,

42