Distribución predictiva bayesiana para modelos de pruebas de vida vía mcmc
En el estudio de la confiabilidad es muy frecuente el desconocimiento de parámetros poblacionales; por tanto, es necesario recoger información muestral relevante para la estimación de estos a través de distribuciones de probabilidad, conocidas como distribución a priori. Los métodos bayesianos permi...
| Autores: | , |
|---|---|
| Tipo de recurso: | artículo |
| Estado: | Versión publicada |
| Fecha de publicación: | 2008 |
| País: | Colombia |
| Institución: | Universidad Nacional de Colombia |
| Repositorio: | Repositorio UN |
| Idioma: | español |
| OAI Identifier: | oai:repositorio.unal.edu.co:unal/40625 |
| Acceso en línea: | https://repositorio.unal.edu.co/handle/unal/40625 http://bdigital.unal.edu.co/30722/ |
| Access Level: | acceso abierto |
| Palabra clave: | a priori distribución predictiva fiabilidad MCMC Prior Predictive Distribution Reliability |
| Sumario: | En el estudio de la confiabilidad es muy frecuente el desconocimiento de parámetros poblacionales; por tanto, es necesario recoger información muestral relevante para la estimación de estos a través de distribuciones de probabilidad, conocidas como distribución a priori. Los métodos bayesianos permiten incorporar opiniones subjetivas acerca de incertidumbres con respecto al parámetro o vector de parámetros de interés. La incertidumbre acerca del verdadero valor de un parámetro de interés θ en la población es modelada por la función de densidad a priori π(θ), (θ ϵ ϴ). Para obtener las distribuciones predictivas bayesianas, se implementará la metodología MCMC, la cual exige calibración, diseño, implementación y validación de algoritmos apropiados. |
|---|