Distribución predictiva bayesiana para modelos de pruebas de vida vía MCMC

• CARLOS JAVIER BARRERA ^[2] ; JUAN CARLOS CORREA ^[1]
  1. [1] Universidad Nacional de Colombia

     Universidad Nacional de Colombia

     Colombia

     
  2. [2] Instituto Tecnológico Metropolitano Institución Universitaria (ITM) Facultad de Ciencias Básicas
• Localización: Revista Colombiana de Estadística, ISSN-e 2389-8976, ISSN 0120-1751, Vol. 31, Nº. 2, 2008, págs. 145-155
• Idioma: español
• Títulos paralelos:
  • The Bayesian Predictive Distribution in Life Testing Models via MCMC
• Enlaces
  • Texto completo
• Dialnet Métricas: 8 Citas
• Resumen
  • español

    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.

  • English

    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), (θ\inΘ). 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.

• Referencias bibliográficas
  • Casella, G.,George. (1992). `Explaining the Gibbs Sampler´. The American Statistician. 46. 167-174
  • Christensen, R.,Huffman, M.. (1985). `Bayesian Point Estimation Using the Predictive Distribution´. The American Statistician. 39. 319-321
  • Dunsmore, I.. (1974). `The Bayesian Predictive Distribution in Life Testing Models´. Technometrics. 16. 455-460
  • Hewett, J.. (1968). `A Note on Prediction Intervals Based on Tartial Observations in Certain Life Test Experiments´. Technometrics. 10....
  • Hill, G.. (2002). Bayesian Methods. Chapman and Hall.
  • Kalbfleisch, J. D.. (1971). Likelihood Methods of Prediction. `Foundations of Statistical Inference´. 378-392
  • Kao, E.. (1997). An Introduction to Stochastic Processes. Duxbury Press.
  • Komaki, F.. (2001). `A Shrinkage Predictive Distribution for Multivariate Normal Observables´. Biometrika. 88. 859-864
  • Kwiatkowski, D.,Phillips, P.,Schmidt, P.. (1992). `Testing the Null Hypothesis of Stationarity Against the Alternative of a Unit Root´....
  • (2007). R Development Core Team, R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. Vienna.