William Q. Meeker, professeur émérite de statistique, Iowa State University
Peng Liu, développeur principal de statisticiens de recherche, JMP
L'analyse des données de dégradation est utilisée pour évaluer la fiabilité, la distribution des temps de défaillance ou la distribution de la durée de conservation de nombreux types de produits différents, notamment les lasers, les LED, les batteries et les produits chimiques et pharmaceutiques. La modélisation des processus de dégradation met en lumière les mécanismes de défaillance physico-chimiques sous-jacents, fournissant une meilleure justification de l'extrapolation qui est nécessaire dans les tests accélérés. De plus, les données de dégradation fournissent des informations beaucoup plus riches sur la fiabilité, par rapport aux données de temps jusqu'à l'événement. En effet, en utilisant des données de dégradation appropriées, il est possible de faire des inférences de fiabilité même si aucune défaillance n'a été observée.
Les données de dégradation, cependant, posent des défis particuliers à la modélisation et à l'inférence. Cet exposé décrit la nouvelle plate-forme de dégradation par mesures répétées dans JMP 17, qui utilise une modélisation hiérarchique bayésienne de pointe pour estimer les probabilités et les quantiles de distribution en fonction du temps de défaillance. Les méthodes que nous présentons sont mieux ancrées théoriquement par rapport aux autres approches existantes. Outre les avantages, les méthodes bayésiennes posent des défis particuliers, tels que la nécessité de spécifier des distributions a priori. Nous décrivons nos recommandations pour cette étape importante dans le flux de travail d'analyse bayésienne. Dans cette conférence, nous guidons le public à travers cette nouvelle approche passionnante et stimulante, de la théorie aux spécifications du modèle et, enfin, à l'interprétation des résultats. Les présentateurs concluent la conférence par une démonstration en direct.
