The development of the theory and a

The development of the theory and application of Monte Carlo Markov Chain methods, vast improvements
in computational capabilities, and emerging software alternatives have made it possible for more
frequent use of Bayesian methods in reliability applications. Bayesian methods, however, remain controversial
in reliability (and some other applications) because of the concern about from where the needed prior
distributions should come. On the other hand, there are many applications where engineers have solid prior
information on certain aspects of their reliability problems based on physics of failure or previous experience
with the same failure mechanism. For example, engineers often have useful but imprecise knowledge about
the e↵ective activation energy in a temperature-accelerated life test or about the Weibull shape parameter
in the analysis of fatigue-failure data. In such applications, the use of Bayesian methods is compelling, as
it o↵ers an appropriate compromise between assuming that such quantities are known and assuming that
nothing is known. In this paper, we compare the use of Bayesian methods with the traditional maximumlikelihood
methods for a group of examples, including the analysis of field data with multiple censoring,
accelerated life-test data, and accelerated degradation-test data.

ผลลัพธ์ (ไทย) 2:

การพัฒนาของทฤษฎีและการประยุกต์ใช้ Monte Carlo มาร์คอฟเชนวิธีการปรับปรุงใหญ่
ในความสามารถในการคำนวณและทางเลือกซอฟแวร์ที่เกิดขึ้นใหม่ได้ทำให้มันเป็นไปได้มากขึ้น
ใช้บ่อยของวิธีการแบบเบย์ในการใช้งานความน่าเชื่อถือ วิธีการแบบเบย์ แต่ยังคงอยู่ในความขัดแย้ง
ในความน่าเชื่อถือ (และบางโปรแกรมอื่น ๆ ) เนื่องจากความกังวลเกี่ยวกับจากที่จำเป็นก่อนที่
จะมาแจกแจง บนมืออื่น ๆ ที่มีการใช้งานมากที่มีวิศวกรที่มั่นคงก่อนที่
ข้อมูลเกี่ยวกับบางแง่มุมของปัญหาความน่าเชื่อถือของพวกเขาขึ้นอยู่กับฟิสิกส์ของความล้มเหลวหรือประสบการณ์ที่ผ่านมา
กับความล้มเหลวของกลไกเดียวกัน ตัวอย่างเช่นวิศวกรมักจะมีความรู้ที่เป็นประโยชน์ แต่ไม่แน่ชัดเกี่ยวกับ
พลังงานกระตุ้นe↵ectiveในการทดสอบอุณหภูมิเร่งชีวิตหรือประมาณพารามิเตอร์รูปร่าง Weibull
ในการวิเคราะห์ข้อมูลความเหนื่อยล้าความล้มเหลว ในการใช้งานเช่นการใช้วิธีการแบบเบย์เป็นที่น่าสนใจในขณะที่
มันo↵ersประนีประนอมระหว่างสมมติว่าปริมาณดังกล่าวเป็นที่รู้จักและสมมติว่า
ไม่มีอะไรที่เป็นที่รู้จักกัน ในบทความนี้เราเปรียบเทียบการใช้วิธีการแบบเบย์ที่มี maximumlikelihood แบบดั้งเดิม
วิธีการสำหรับกลุ่มตัวอย่างรวมทั้งการวิเคราะห์ข้อมูลเขตที่มีเซ็นเซอร์หลาย
ชีวิตเร่งข้อมูลการทดสอบและข้อมูลการทดสอบการย่อยสลายเร่ง

ผลลัพธ์ (ไทย) 3:

การพัฒนาทฤษฎีและการประยุกต์ใช้ของ Monte Carlo Markov วิธีการ
การปรับปรุงมากมายในความสามารถในการคำนวณ และทางเลือกที่ซอฟต์แวร์ใหม่ได้ทำให้มันเป็นไปได้สำหรับการใช้งานบ่อย
วิธีการคชกรรมในการใช้งาน ) คชกรรมวิธีการ อย่างไรก็ตาม ยังคงแย้ง
ความน่าเชื่อถือ และบางโปรแกรมอื่น ๆ ) เนื่องจากความกังวลเกี่ยวกับจากที่จำเป็นก่อน
แจกมา บนมืออื่น ๆ มีหลายโปรแกรมที่วิศวกรต้องมีข้อมูลก่อน
แข็งในบางแง่มุมของความน่าเชื่อถือของปัญหาบนพื้นฐานของฟิสิกส์ของความล้มเหลวหรือประสบการณ์เดิม
กับกลไกความล้มเหลว เดียวกัน ตัวอย่างเช่นวิศวกรมักจะได้ประโยชน์แต่คลุมเครือเกี่ยวกับ
E ↵ ective กระตุ้นพลังงานในอุณหภูมิเร่งทดสอบชีวิต หรือ เกี่ยวกับแบบรูปพารามิเตอร์
ในการวิเคราะห์ความล้าข้อมูล ในการใช้งาน เช่น ใช้วิธีของเบส์เป็นที่น่าสนใจ ,
มัน O ↵ ERS การประนีประนอมที่เหมาะสมระหว่างสมมติว่าปริมาณดังกล่าวเป็นที่รู้จักและสมมติว่า
ไม่มีอะไรเป็นที่รู้จักกันในกระดาษนี้เราเปรียบเทียบการใช้วิธีการแบบดั้งเดิมโดย
ด้วยวิธีการกลุ่มตัวอย่าง ได้แก่ การวิเคราะห์ข้อมูลภาคสนามหลายตัด
เร่งข้อมูลทดสอบชีวิตและเร่งข้อมูลทดสอบการย่อยสลาย