Zum Inhalt

Competing Risk Analysis in Constant Stress Partially Accelerated Life Tests Under Censored Information

  • 27.04.2022
Erschienen in:

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Dieser Artikel präsentiert eine umfassende Studie über konkurrierende Risikoanalysen in Stresstests mit teilweise beschleunigtem Leben (CSPALT) unter zensurierten Informationen. Der Schwerpunkt liegt auf der Fréchet-Verteilung, einem in der Extremwerttheorie weit verbreiteten Modell im Rahmen von Typ-I- und Typ-II-Zensursystemen. Die Studie stellt ein neuartiges Rahmenwerk zur Schätzung von Parametern in CSPALT im Rahmen konkurrierender Risikopläne vor, einschließlich des Aufbaus von Wahrscheinlichkeitsfunktionen, Fisher Information Matrix und Varianzkovarianzmatrix. Die Autoren führen eine Simulationsstudie durch, um die Leistung der Schätzer zu bewerten und die praktischen Anwendungen von CSPALT im industriellen Umfeld hervorzuheben. Der Artikel schließt mit der Betonung der Robustheit und Stabilität des vorgeschlagenen Testdesigns, der Ermutigung zur weiteren Erforschung verschiedener Versagensmodelle und Zensurplänen.

Sie sind noch kein Kunde? Dann Informieren Sie sich jetzt über unsere Lizenzmodelle:

Einzelzugang

Starten Sie jetzt Ihren persönlichen Einzelzugang. Erhalten Sie sofortigen Zugriff auf mehr als 170.000 Bücher und 540 Zeitschriften - pdf-Downloads und Neu-Erscheinungen inklusive.

Jetzt ab 54,00 € pro Monat!                                        

Mehr erfahren

Zugang für Unternehmen

Nutzen Sie Springer Professional in Ihrem Unternehmen und geben Sie Ihren Mitarbeitern fundiertes Fachwissen an die Hand. Fordern Sie jetzt Informationen für Firmenzugänge an.

Erleben Sie, wie Springer Professional Sie in Ihrer Arbeit unterstützt!

Beraten lassen
Titel
Competing Risk Analysis in Constant Stress Partially Accelerated Life Tests Under Censored Information
Verfasst von
Intekhab Alam
Sadia Anwar
Lalit Kumar Sharma
Aquil Ahmed
Publikationsdatum
27.04.2022
Verlag
Springer Berlin Heidelberg
Erschienen in
Annals of Data Science / Ausgabe 5/2023
Print ISSN: 2198-5804
Elektronische ISSN: 2198-5812
DOI
https://doi.org/10.1007/s40745-022-00401-z
Dieser Inhalt ist nur sichtbar, wenn du eingeloggt bist und die entsprechende Berechtigung hast.
    ADVERTORIAL

    KI ohne Großprojekt und Risiko starten

    Mit freundlicher Unterstützung von:
    • ​​​​​​​Dell Technologies, Intel und Microsoft.
    Bildnachweise
    Schmalkalden/© Schmalkalden, NTT Data/© NTT Data, Verlagsgruppe Beltz/© Verlagsgruppe Beltz, ibo Software GmbH/© ibo Software GmbH, Sovero/© Sovero, Axians Infoma GmbH/© Axians Infoma GmbH, Prosoz Herten GmbH/© Prosoz Herten GmbH, Stormshield/© Stormshield, MACH AG/© MACH AG, OEDIV KG/© OEDIV KG, Rundstedt & Partner GmbH/© Rundstedt & Partner GmbH, Doxee AT GmbH/© Doxee AT GmbH , Governikus GmbH & Co. KG/© Governikus GmbH & Co. KG, Vendosoft/© Vendosoft, Conceptboard Cloud Service GmbH/© Vendosoft, Matrix42 GmbH/© Matrix42 GmbH, Videocast 1: Standbild/© Springer Fachmedien Wiesbaden, givve Bezahlkarte - digitale Effizienz trifft menschliche Nähe/© givve