Comparison of different estimators of P(Y<X) for two parameter Lindley distribution

Q: 이 논문에서 정의한 스트레스-강도 모델이란 무엇인가?

랜덤 강도 X를 가진 부품이 랜덤 스트레스 Y를 받을 때, 스트레스가 강도를 초과하는 순간 부품이 고장나는 현상을 설명하는 신뢰성 분석 모델이다. 부품이 정상적으로 작동하기 위해서는 강도가 스트레스보다 큰 X > Y 상태를 유지해야 한다.

Q: 이-모수 Lindley 분포를 따르는 시스템의 신뢰도 파라미터 R을 어떻게 추정하는가?

연구 결과, 최대 우도 추정법(MLE)과 베이즈 추정법을 통해 신뢰도 파라미터 R을 산출하며, 특히 소표본의 한계를 극복하기 위해 Boot-P와 Boot-t와 같은 비모수적 부트스트랩 방법을 적용하여 정밀한 신뢰구간을 도출한다.

Marwa KH. Hassan

학술저널

저자정보: Marwa KH. Hassan (Ain Shams University)

저널정보: 한국신뢰성학회 International Journal of Reliability and Applications International Journal of Reliability and Applications 제18권 제2호

오류 신고하기

피인용 0

검색

초록·키워드

Stress-strength reliability problems arise frequently in applied statistics and related fields. In the context of reliability, the stress–strength model describes the life of a component, which has a random strength X and is subjected to random stress Y. The component fails at the instant that the stress applied to it exceeds the strength and the component will function satisfactorily whenever X > Y. The problem of estimation the reliability parameter in a stress-strength model R = P[Y < X ] , when X and Y are two independent two-parameter Lindley random variables is considered in this paper. The maximum likelihood estimator (MLE) and Bayes estimator of R are obtained. Also, different confidence intervals of R are obtained. Simulation study is performed to compare the different proposed estimation methods. Example in real data is used as practical application of the proposed procedure.

#Bayes estimator #Boot-P method #Boot-t method #LD(θ, α ) #maximumlikelihood method #simulation #stress-strength model #two-parameter Lindley distribution(two parameter)

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

UCI(KEPA) : I410-ECN-0101-2018-323-001915178

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

피인용 자료 DBpia에 구축된 참고문헌을기준으로 집계되어, 타 사이트의피인용 수와 다를 수 있습니다.

댓글(0)

피인용 자료