Mixture failure rate: A study based on cross-entropy and MCMC method
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F17%3A10238402" target="_blank" >RIV/61989100:27240/17:10238402 - isvavai.cz</a>
Výsledek na webu
<a href="http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8024325" target="_blank" >http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8024325</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/DT.2017.8024325" target="_blank" >10.1109/DT.2017.8024325</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Mixture failure rate: A study based on cross-entropy and MCMC method
Popis výsledku v původním jazyce
In this paper, the parameters and reliability characteristics of the mixture of the failure time distribution are estimated based on a complete sample using both Markov Chain Monte Carlo (MCMC) method and maximum likelihood estimation via cross-entropy (CE) algorithm. While maximum likelihood estimation is the most frequently used method for parameter estimation, MCMC has recently emerged as a good alternative. The most popular MCMC method, called the Metropolis-Hastings algorithm, is used to provide a complete analysis of the concerned posterior distribution. A simulation study is provided to compare MCMC with CE, and differences between the estimates obtained by the two approaches are evaluated. © 2017 IEEE.
Název v anglickém jazyce
Mixture failure rate: A study based on cross-entropy and MCMC method
Popis výsledku anglicky
In this paper, the parameters and reliability characteristics of the mixture of the failure time distribution are estimated based on a complete sample using both Markov Chain Monte Carlo (MCMC) method and maximum likelihood estimation via cross-entropy (CE) algorithm. While maximum likelihood estimation is the most frequently used method for parameter estimation, MCMC has recently emerged as a good alternative. The most popular MCMC method, called the Metropolis-Hastings algorithm, is used to provide a complete analysis of the concerned posterior distribution. A simulation study is provided to compare MCMC with CE, and differences between the estimates obtained by the two approaches are evaluated. © 2017 IEEE.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10103 - Statistics and probability
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2017
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the International Conference on Information and Digital Technologies, IDT 2017
ISBN
978-1-5090-5688-0
ISSN
—
e-ISSN
neuvedeno
Počet stran výsledku
10
Strana od-do
373-382
Název nakladatele
IEEE
Místo vydání
Piscataway
Místo konání akce
Žilina
Datum konání akce
5. 7. 2017
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000426916900061