Niveau : Intermédiaire
Fonction du poste : Analyste / Scientifique / Ingénieur
William Q. Meeker, professeur émérite de statistiques, Université d'État de l'Iowa
Christopher Gotwalt, JMP, directeur de la recherche et du développement statistiques, SAS
Le développement théorique et l'application des méthodes de chaîne de Markov de Monte-Carlo, les importantes améliorations des capacités de calcul et l'émergence d'alternatives logicielles, notamment dans JMP, ont permis une large utilisation des méthodes bayésiennes dans les applications de fiabilité. Cependant, ces méthodes restent controversées en fiabilité (et dans d'autres applications) en raison des préoccupations concernant l'origine des distributions a priori nécessaires. D'autre part, il existe de nombreuses applications où les ingénieurs disposent d'informations a priori solides sur certains aspects de leurs problèmes de fiabilité, basées sur la physique de la défaillance ou sur une expérience antérieure du même mécanisme de défaillance (par exemple, une connaissance imprécise de l'énergie d'activation lors d'un essai de durée de vie accélérée par la température ou du paramètre de forme de Weibull dans l'analyse des données de défaillance par fatigue). Dans de telles applications, l'utilisation des méthodes bayésiennes offre un compromis approprié, voire convaincant, entre supposer que ces quantités sont connues et supposer que rien n'est connu. Dans cet exposé, je compare l'utilisation des méthodes bayésiennes aux méthodes traditionnelles du maximum de vraisemblance pour un ensemble d'exemples incluant l'analyse de données de défaillance sur le terrain, de données d'essais de durée de vie accélérée et de données d'essais de dégradation accélérée.
