Estimación bayesiana y clásica de la fiabilidad de esfuerzo-resistencia para modelos inversos de vida útil Weibull
Autores: Bi, Qixuan; Gui, Wenhao
Idioma: Inglés
Editor: MDPI
Año: 2017
Acceso abierto
Artículo científico
2017
Estimación bayesiana y clásica de la fiabilidad de esfuerzo-resistencia para modelos inversos de vida útil Weibull
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Problema
Estimación
Estrés-fuerza
Fiabilidad
Modelos de vida de Weibull
Estimador de máxima verosimilitud
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 32
Citaciones: Sin citaciones
En este documento, consideramos el problema de estimar la fiabilidad de la resistencia-estres para modelos de vida inversa Weibull que tienen los mismos parámetros de forma pero diferentes parámetros de escala. Obtenemos el estimador de máxima verosimilitud y su distribución asintótica. Dado que el estimador clásico no tiene formas explícitas, proponemos un estimador de máxima verosimilitud aproximado. Se obtienen el intervalo de confianza asintótico y dos intervalos bootstrap. Utilizando la técnica de muestreo de Gibbs, se obtiene el estimador bayesiano y el intervalo creíble correspondiente. Se utiliza el algoritmo de Metropolis-Hastings para generar variables aleatorias. Se realizan simulaciones de Monte Carlo para comparar los métodos propuestos. Se realiza un análisis de un conjunto de datos reales.
Descripción
En este documento, consideramos el problema de estimar la fiabilidad de la resistencia-estres para modelos de vida inversa Weibull que tienen los mismos parámetros de forma pero diferentes parámetros de escala. Obtenemos el estimador de máxima verosimilitud y su distribución asintótica. Dado que el estimador clásico no tiene formas explícitas, proponemos un estimador de máxima verosimilitud aproximado. Se obtienen el intervalo de confianza asintótico y dos intervalos bootstrap. Utilizando la técnica de muestreo de Gibbs, se obtiene el estimador bayesiano y el intervalo creíble correspondiente. Se utiliza el algoritmo de Metropolis-Hastings para generar variables aleatorias. Se realizan simulaciones de Monte Carlo para comparar los métodos propuestos. Se realiza un análisis de un conjunto de datos reales.