Niveau: intermédiaire
Fonction du poste: Analyste / Scientifique / Ingénieur
William Q. Meeker, professeur émérite de statistiques, Iowa State University
Christopher Gotwalt, JMP, directeur de la recherche et du développement statistiques, SAS
Le développement de la théorie et l'application des méthodes de Monte Carlo Markov Chain, de vastes améliorations des capacités de calcul et des alternatives logicielles émergentes, en particulier dans JMP, ont rendu possible une large utilisation des méthodes bayésiennes dans les applications de fiabilité. Les méthodes bayésiennes, cependant, restent controversées en termes de fiabilité (et d'autres applications) en raison du souci de savoir d'où devraient provenir les distributions préalables nécessaires. D'un autre côté, il existe de nombreuses applications dans lesquelles les ingénieurs disposent d'informations préalables solides sur certains aspects de leurs problèmes de fiabilité basés sur la physique de la défaillance ou sur une expérience antérieure avec le même mécanisme de défaillance (par exemple, une connaissance imprécise de l'énergie d'activation dans une vie à température accélérée. test ou sur le paramètre de forme de Weibull dans l'analyse des données de rupture par fatigue). Dans de telles applications, l'utilisation des 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 avec les méthodes traditionnelles du 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 des données de test de dégradation accélérée.
