在逐次Ⅱ型截尾样本下,讨论以Gumbel极值分布为边缘分布,Gumbel Copula为连接函数的相依竞争失效模型参数的极大似然估计(MLE)和Bayes估计.对于参数MLE,提出与生存函数成正比的两阶段估计(Inference for the margins,IFM).对于Bayes估计...在逐次Ⅱ型截尾样本下,讨论以Gumbel极值分布为边缘分布,Gumbel Copula为连接函数的相依竞争失效模型参数的极大似然估计(MLE)和Bayes估计.对于参数MLE,提出与生存函数成正比的两阶段估计(Inference for the margins,IFM).对于Bayes估计,证明了Gumbel极值分布尺度参数的对数凹性,采用混合ARS(Adaptive Re-jection Sampling Algorithm)和MH(Metropolis-Hastings)抽样方法实现参数估计.模拟结果表明,当两失效机理关联性较弱时,两种估计结果相差不大,但关联性提高时,Bayes估计优于IFM估计.展开更多
基金supported by Knowledge Innovation Programs of the Chinese Academy of Sciences(KGCX2-YW-223)the Hundred Talent Program of the Chinese Academy of Sciences(A1097)+2 种基金the National Basic Research Program of China(973 Program,2009CB220004,2011CBA00803)the Knowledge Innovation Programs of the Chinese Academy of Sciences(KSCX2-YW-G-073,KSCX2-YW-373-2)the Knowledge Innovation Programs of Dalian Institute of Chemical Physics,CAS(K2010A3)~~
文摘在逐次Ⅱ型截尾样本下,讨论以Gumbel极值分布为边缘分布,Gumbel Copula为连接函数的相依竞争失效模型参数的极大似然估计(MLE)和Bayes估计.对于参数MLE,提出与生存函数成正比的两阶段估计(Inference for the margins,IFM).对于Bayes估计,证明了Gumbel极值分布尺度参数的对数凹性,采用混合ARS(Adaptive Re-jection Sampling Algorithm)和MH(Metropolis-Hastings)抽样方法实现参数估计.模拟结果表明,当两失效机理关联性较弱时,两种估计结果相差不大,但关联性提高时,Bayes估计优于IFM估计.
文摘基于逐次二型截尾样本,用Bayes方法估计可靠度R=P(Y<X),并对未观测样本进行预测,其中随机变量X和Y均服从参数未知的BS分布(Birnaum-Saunders distribution).首先,在不同损失函数下分析BS分布参数和可靠度的Bayes估计.由于Bayes估计不能得到显式表达式,因此采用基于Metropolis-Hastings(MH)抽样的Markov Chain Monte Carlo(MCMC)方法估计分布参数和可靠度.其次,考虑不同损失下未观测样本的Bayes点预测以及给定可信水平下的区间预测.最后使用两组实例进行模拟.