Expectation Maximization Algorithm for One Shot Device Accelerated Life Testing with Weibull Lifetimes, and Variable Parameters over Stress
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In reliability analysis, accelerated life-tests are commonly used for inducing more failures, thus obtaining more lifetime information in a relatively short period of time. In this paper, we study binary response data collected from an accelerated life-test arising from one-shot device testing based on a Weibull lifetime distribution with both scale and shape parameters varying over stress factors. Log-linear link functions are used to connect both scale and shape parameters in the Weibull model with the stress factors. Because no failure times of units are observed, we use the EM algorithm for computing the maximum likelihood estimates (MLEs) of the model parameters. Moreover, we develop inferences on the reliability at a specific time, and the mean lifetime at normal operating conditions. This method of estimation is then compared with Fisher scoring and least-squares methods in terms of mean square error as well as tolerance value, computational time, and number of cases of divergence. The asymptotic confidence intervals and parametric bootstrap confidence intervals are also developed for some parameters of interest. A transformation approach is also proposed for constructing confidence intervals. A simulation study is then carried out to demonstrate that the proposed estimators perform very well for data of the considered form. Such accelerated one-shot device testing data can also be found in survival analysis. For an illustration, we consider here an application of the proposed algorithm to mice tumor toxicology data from a study involving the development of tumors with respect to risk factors such as sex, strain of offspring, and dose effects.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle