Niveau: intermédiaire
Fonction: Analyste / Scientifique / Ingénieur
Industrie: fabrication
William Q. Meeker, professeur distingué en statistique, Iowa State University
Christopher Gotwalt, JMP, directeur de la recherche et du développement statistiques, SAS
Le développement de la théorie et de l'application des méthodes de la chaîne de Markov de Monte-Carlo, les nombreuses améliorations apportées aux capacités de calcul et les alternatives logicielles émergentes, en particulier dans JMP, ont rendu possible l'utilisation généralisée des méthodes bayésiennes dans les applications de fiabilité. Les méthodes bayésiennes restent toutefois controversées en termes de fiabilité (et d’autres applications) en raison de la question de savoir d’où devraient provenir les distributions préalables nécessaires. Par ailleurs, dans de nombreuses applications, les ingénieurs disposent d’informations préalables fiables sur certains aspects de leurs problèmes de fiabilité, basées sur la physique de la défaillance ou sur l’expérience acquise avec le même mécanisme de défaillance (par exemple, connaissances imprécises sur l’énergie d’activation dans une vie accélérée test ou sur le paramètre de forme de Weibull dans l’analyse des données de rupture en fatigue). Dans de telles applications, l’utilisation de méthodes bayésiennes offre un compromis approprié, sinon convaincant, entre supposer que de telles quantités sont connues et supposer que rien n’est connu. Dans cet exposé, je compare l'utilisation des méthodes bayésiennes aux méthodes classiques de maximum de vraisemblance pour un ensemble d'exemples comprenant l'analyse des données de défaillance sur le terrain, des données de test de durée de vie accélérée et de données de test de dégradation accélérée.
