| Summary: | 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 in Θ). Para obtener las distribuciones predictivas bayesianas, se implementará la metodología MCMC, la cual exige calibración, diseño, implementación y validación de algoritmos apropiados.<br>In reliability studies it is common to not know the population parameters, therefore, it becomes necessary to collect a sample in order to estimate the parameters of the assumed probability distribution. Bayesian methods allow to incorporate subjective information about uncertainties regarding the parameter or parameters of interest. From the bayesian point of view, the uncertainty about the true value of a parameter of interest θ in the population, is modeled by the prior density function π(θ), (θinΘ). We will implement the methodology MCMC to obtain the predictive bayesian distributions, which requires the calibration, design, implementation, in addition to the validation of appropriate algorithms.
|
|---|
