Livello: intermedio
Funzione di lavoro: analista / scienziato / ingegnere
Industria: produzione
William Q. Meeker, Distinguished Professor of Statistics, Iowa State University
Christopher Gotwalt, JMP, direttore della ricerca e dello sviluppo statistici, SAS
Lo sviluppo della teoria e l'applicazione dei metodi Monte Carlo Markov Chain, i grandi miglioramenti nelle capacità computazionali e le alternative software emergenti, specialmente in JMP, hanno reso possibile l'ampio uso di metodi bayesiani nelle applicazioni di affidabilità. I metodi bayesiani, tuttavia, rimangono controversi nell'affidabilità (e in altre applicazioni) a causa della preoccupazione per la provenienza delle necessarie distribuzioni precedenti. D'altra parte, ci sono molte applicazioni in cui gli ingegneri hanno una solida informazione preventiva su alcuni aspetti dei loro problemi di affidabilità basati sulla fisica del fallimento o precedenti esperienze con lo stesso meccanismo di fallimento (es. Conoscenza imprecisa dell'energia di attivazione in una vita accelerata dalla temperatura test o sul parametro di forma di Weibull nell'analisi dei dati di rottura a fatica). In tali applicazioni, l'uso di metodi bayesiani offre un compromesso appropriato, se non addirittura convincente, tra l'assumere che tali quantità siano note e supponendo che nulla sia noto. In questo discorso, paragono l'uso dei metodi bayesiani con i metodi tradizionali di massima verosimiglianza per una serie di esempi, tra cui l'analisi dei dati di errore di campo, dati di test di durata accelerata e dati di test di degradazione accelerata.
