Livello: Intermedio
Funzione lavorativa: analista/scienziato/ingegnere
William Q. Meeker, Professore illustre di statistica, Iowa State University
Christopher Gotwalt, JMP, Direttore della ricerca statistica e dello sviluppo, SAS
Lo sviluppo della teoria e dell'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 utilizzo dei metodi bayesiani nelle applicazioni di affidabilità. I metodi bayesiani, tuttavia, rimangono controversi nell'affidabilità (e in altre applicazioni) a causa della preoccupazione su dove dovrebbero provenire le distribuzioni a priori necessarie. D'altro canto, ci sono molte applicazioni in cui gli ingegneri hanno solide informazioni a priori su determinati aspetti dei loro problemi di affidabilità basate sulla fisica del guasto o sulla precedente esperienza con lo stesso meccanismo di guasto (ad esempio, una conoscenza imprecisa dell'energia di attivazione in un test di durata accelerato dalla temperatura o sul parametro di forma di Weibull nell'analisi dei dati di guasto per fatica). In tali applicazioni, l'uso dei metodi bayesiani offre un compromesso appropriato, se non convincente, tra l'assunto che tali quantità siano note e l'assunto che non si sappia nulla. In questa presentazione, confronto l'uso dei metodi bayesiani con i tradizionali metodi di massima verosimiglianza per una serie di esempi tra cui l'analisi dei dati di guasto sul campo, i dati di test di durata accelerati e i dati di test di degradazione accelerati.
