Optimal Sample Size Determination based on Bayesian Reliability and Value of Information
Notice bibliographique
Résumé
In the structural reliability analysis, the probabilistic distributions of basic random variables may contain uncertainties arising from the imperfect knowledge from which the distributions are elicited. It subsequently introduces uncertainty into the calculated failure probability Pf, which may affect the decision-making. To reduce the uncertainty of the failure probability estimation, it is desirable to collect samples of the basic random variables and use these samples to update the corresponding probability distributions. In this work, the relationship between the sample size of the basic random variable and variance of the estimated failure probability is derived by using the Bayesian pre-posterior analysis, based on which the optimal sample size criterion is established. To make the pre-posterior analysis and criterion applicable to a wide range of distributions, continuous random variables are discretized at first. The probability mass functions of the discretized random variables are then assigned Dirichlet prior distributions. The total probability theorem is employed to express Pf in terms of PMFs of the discretized variables and conditional failure probabilities corresponding to given values of discretized variables. Then the prior, posterior and pre-posterior analysis of Pf are carried out. The optimal sample size criterion to maximize the expected net gain of sampling is developed based on the result of the pre-posterior analysis of Pf and quadratic loss function. An example of determining the optimal number of burst tests for collecting the samples of model error of the burst capacity model for corroded pipelines is used to illustrate the proposed criterion. Moreover, the sensitivity analysis indicates that the optimal sample size is insensitive to the discretization of the basic random variables, but sensitive to the equivalent sample size of the prior Dirichlet distribution.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».