İki yönlü kuvvet dağılımına dayalı istatistiksel güvenilirlik analizi

TEZ12493 Tez (Doktora) -- Çukurova Üniversitesi, Adana, 2019. Kaynakça (s. 95-101) var. XIII, 117 s. :_tablo ;_29 cm. İstatistik güvenilirlik analizi çalışmaları kapsamında, bir bileşenin veya birden fazla bileşenden oluşan sistemlerin çalışır durumda kalma olasılıkları sağ kalım rastgele değişkenleri kullanılarak modellenir. İki yönlü kuvvet (TSP) dağılımı ise sınırlı bir [??,??] aralığında değerler alan ve bir eşik noktasına sahip yaşam süresi verilerini modellemede oldukça kullanışlıdır. Bu çalışma kapsamında, ilk olarak TSP dağılımının temel güvenilirlik göstergeleri ele alınarak, bu dağılıma sahip bir bileşenin zamana bağlı olarak değişimi incelenmiştir. Ayrıca, güvenilirlik ve tehlike oranı tahminleri en çok olabilirlik (ML) ve Bayes yöntemleri kullanılarak farklı kayıp fonksiyonları altında hesaplanmıştır. Ardından, istatistiksel güvenilirlik analizi çalışmalarında önemli bir yer tutan stokastik gerilim-mukavemet güvenilirliği basit ve çok bileşenli sistemler varsayımları altında incelenerek ML ve Bayes tahmin yöntemleri ile elde edilmiştir. Yapılan tüm ML tahminleri için bootstrap güven aralıkları, Bayes tahminleri için ise en yüksek sonsal yoğunluk güven aralıkları Markov zinciri Monte Carlo (MCMC) algoritması yardımıyla elde edilmiştir. Elde edilen tüm hesaplama yöntemleri, simülasyon ve gerçek veri uygulamalarıyla örneklendirilmiştir. Within the scope of the statistical reliability analysis studies, the probability of a component or systems consisting of more than one component to be operational is modeled using survival random variables. The two-sided power (TSP) distribution is useful in modeling life-time data that have values on a limited [??,??] range and have a threshold. In this study, by considering the basic reliability indices of the TSP distribution, change over the time of a component which is modelled by the TSP distribution is examined, firstly. Furthermore, reliability and hazard rate estimates are calculated under different loss functions using maximum likelihood (ML) and Bayesian methods. Then, stress-strength reliability, which has importance in statistical reliability analysis studies, is examined under assumptions of simple and multi-component systems and estimated by ML and Bayesian estimation methods. The bootstrap confidence intervals for all ML estimates and the highest posterior density confidence intervals for Bayesian estimates by using Markov chain Monte Carlo (MCMC) algorithm are obtained. All obtained calculation methods are compared with simulations and exemplified with real data applications.