Distinguishing between model- and data-driven inferences for high reliability statistical predictions

تخمین نقاط توزیع احتمالی نقش کلیدی در نظام مهندسی پیچیده ای دارد که هدف آن مشخص کردن احتمال کم بودن و حوادث پیچیده است. هنگامی که داده ها با استفاده از آزمایش های فیزیکی جمع آوری می شوند، فرضیه های توزیع آماری اغلب برای برداشتن رفتار دم برای ارزیابی قابلیت اطمینان استفاده می شود و به دلیل برداشت از یک مدل (آماری) غیرقابل اعتبار معرفی می شود. ابزارهای موجود برای ارزیابی مدل آماری مناسب، مانند توطئه احتمالی و خوبی از آزمون مناسب، به عدم ریسک مربوط به این برونپولیس می پردازند. در این کار، ما یک مؤلفه اعتبار سنج مدل جدید آماری را توسعه می دهیم و این معیار را به معیارهای اعتبار سنجی مدل مهندسی هدایت می کنیم. معیار اندازه گیری این است که چگونه برآورد دم دمایی پارامتری با یک مدل انعطاف پذیر تر انجام می شود که فرض های ضعیف را در مورد نقاط توزیع ایجاد می کند. توزیع پراتو توزیع عمومی مبتنی بر شدت ارزش برای مدل انعطاف پذیر تر استفاده می شود. مدل ها با استفاده از روش استنتاج بیزی که به طور پیش فرض نتیجه های منطقی محافظه کارانه زمانی که داده ها کم هستند، به روز می شوند. خواص روش برآورد در شبیه سازی آماری ارزیابی می شود و اثربخشی معیارهای پیشنهادی مربوط به معیارهای آماری استاندارد عمل با استفاده از مثال آموزشی در رابطه با نمونه واقعی مهندسی، اما اختصاصی، نشان داده شده است.