Level: Mittelstufe
Jobfunktion: Analyst / Wissenschaftler / Ingenieur
Industrie: Herstellung
William Q. Meeker, Distinguished Professor für Statistik, Iowa State University
Christopher Gotwalt, JMP, Direktor für statistische Forschung und Entwicklung, SAS
Die Entwicklung der Theorie und Anwendung der Monte-Carlo-Markov-Kettenmethoden, erhebliche Verbesserungen der rechnerischen Fähigkeiten und aufkommende Software-Alternativen, insbesondere in JMP, haben es möglich gemacht, Bayes'sche Methoden in Zuverlässigkeitsanwendungen umfassend einzusetzen. Bayesianische Methoden sind jedoch hinsichtlich der Zuverlässigkeit (und anderer Anwendungen) weiterhin umstritten, da Bedenken bestehen, woher die benötigten Vorverteilungen kommen sollen. Auf der anderen Seite gibt es viele Anwendungen, bei denen Ingenieure über fundierte Vorinformationen zu bestimmten Aspekten ihrer Zuverlässigkeitsprobleme verfügen, die auf Ausfallphysik oder früheren Erfahrungen mit demselben Ausfallmechanismus basieren (z. B. ungenaues Wissen über die Aktivierungsenergie in einer temperaturbeschleunigten Lebensdauer) Test oder über den Parameter der Weibull-Form bei der Analyse der Daten über Ermüdungsversagen). In solchen Anwendungen bietet die Verwendung von Bayes'schen Verfahren einen angemessenen, wenn nicht zwingenden Kompromiss zwischen der Annahme, dass solche Größen bekannt sind, und der Annahme, dass nichts bekannt ist. In diesem Vortrag vergleiche ich die Verwendung von Bayes'schen Methoden mit traditionellen Maximum-Likelihood-Methoden für eine Reihe von Beispielen, einschließlich der Analyse von Feldversagendaten, beschleunigten Lebensdauertestdaten und beschleunigten Degradationstestdaten.
