초록 ▼

여러 개의 비정상 포아손 과정들로 이루어진 합성모형에 대한 베이지안 계산이 연구의 중심사항이다. 베이지안 추론을 위해 Markov Chain Monte Carlo(MCMC) 방법이 사용되었고, 특히 데이터 확장(Data Augmentation) 방법의 이용은 베이지안 추론을 쉽게 만들었다. 데이터 확장을 위해 잠재변수(Latent Variable)가 도입되었으며, 이 잠재변수는 합성모형의 고장이 발생할 경우 어느 부속에서 발생하였는지를 가르친다. 또한 새로운 베이지안 방법을 통하여 합성모형과 합성모형을 이루고 있는 부속 모형들을 비

여러 개의 비정상 포아손 과정들로 이루어진 합성모형에 대한 베이지안 계산이 연구의 중심사항이다. 베이지안 추론을 위해 Markov Chain Monte Carlo(MCMC) 방법이 사용되었고, 특히 데이터 확장(Data Augmentation) 방법의 이용은 베이지안 추론을 쉽게 만들었다. 데이터 확장을 위해 잠재변수(Latent Variable)가 도입되었으며, 이 잠재변수는 합성모형의 고장이 발생할 경우 어느 부속에서 발생하였는지를 가르친다. 또한 새로운 베이지안 방법을 통하여 합성모형과 합성모형을 이루고 있는 부속 모형들을 비교 하였으며, 예측력을 통한 모형 결정도 연구되었다.

Abstract ▼

Bayesian inference for the superposition of nonhomogeneous Poisson processes is studied. A Markov chain Monte Carlo method with data augmentation is developed to compute the features of the posterior distribution. For each observed failure epoch, a latent variable is introduced that indicates which

Bayesian inference for the superposition of nonhomogeneous Poisson processes is studied. A Markov chain Monte Carlo method with data augmentation is developed to compute the features of the posterior distribution. For each observed failure epoch, a latent variable is introduced that indicates which component of the superposition model gives rise to the failure. This data augmentation approach facilitates specification of the transitional kernel in the Markov chain. Moreover, new Bayesian tests are developed for the full superposition model against simpler submodels. Model determination by a predictive likelihood approach is studied.

목차 Contents

• 표지...1
• -목차-...2
• 제출문...3
• 연구계획서 요약문...4
• 연구결과 요약문...7
• PROJECT SUMMARY...8
• Ⅰ. 서 론...9
• Ⅱ. 연구방법 및 이론...11
• Ⅲ. 결과...12
• 1. 베이지안 추정...12
• 2. 축소 모형과 완정 모형간의 모형선택...14
• 3. 모형의 적합성 및 선택...15
• Ⅳ. 결론...17
• Ⅴ. 인용문헌...18
• 논문발표 목록서...20
• 자체평가서...21