Kayıt değerleri altında stres‑dayanım modelinde güvenilirlik analizi ve uygulamalı doğrulama

Neden rekor kırmak günlük güvenilirlik için önemlidir

Uçak parçalarından spor performansına ve şehir havası kirliliğine kadar sürekli aynı soruyu sorarız: bir sistem üzerine binen yükleri karşılaması ne kadar olasıdır? İstatistikçiler bunu “stres–dayanım” güvenilirliğiyle ifade eder: bir parçanın dayanımının karşılaştığı stresten daha büyük olma olasılığı. Bu makale, sadece en uç gözlemleri—yani rekor kıran değerleri—kullanarak, nadir ve uç olayların baskın olduğu durumlarda bu olasılığı tahmin etmek için yeni araçlar geliştirir; tüm veri noktalarını kullanmaz.

Gerçek dünyada stres ve dayanımı karşılaştırmak

Bir stres–dayanım bakışında “stres”, bir sistemin maruz kaldığı yükü—örneğin bir kanada etki eden türbülans veya hava kirliliğinde ani sıçramalar—temsil ederken, “dayanım” sistemin bu yükle başa çıkma kapasitesini gösterir. Ana nicelik, dayanımın stresi aşma olasılığıdır. Özellikle uç değerleri içeren birçok modern veri seti uzun kuyruklar gösterir: çoğu değer ılımlıdır, ancak birkaç tanesi çok büyüktür. Yazarlar hem stres hem de dayanımı ters üstel Pareto olarak adlandırılan esnek, uzun kuyruklu bir dağılımla modellerler. Bu seçim, başarısızlığa yol açan nadir ama önemli uç olayları yakalamayı kolaylaştırır.

Rekor kıran gözlemlerden en iyi şekilde yararlanmak

Her gözlemi kullanmak yerine çalışma, üst rekor değerlerine odaklanır: bir ölçüm dizisindeki yeni yüksekliklerin ardışıklığı. Bunlar iklim kayıtları, finans veya sporda olduğu gibi yeni “rekorların” dikkat çektiği ve depolanan tek özetler olabildiği alanlarda doğal özetlerdir. Yazarlar önce sadece stres ve dayanım dağılımlarını tanımlayan iki şekil parametresine bağlı basit bir güvenilirlik formülü türetir. Ardından bu parametrelerin klasik (frequentist) kestirimlerini, rekor veriye özgü maksimum olabilirlik yöntemleriyle oluşturur ve bunlardan dayanımın stresi aşma olasılığının bir tahminini ve yaklaşık hata paylarını elde ederler.

Belirsizliğin klasik ve Bayesçi yaklaşımlarını harmanlamak

Klasik kestirimlerin ötesinde makale, veriyi bilinmeyen parametreler hakkındaki ön bilgileri açıkça birleştiren bir aile Bayesçi yöntem geliştirir. Yazarlar az bilgi içeren (bilgisiz) ön bilgileri ve önceki deneyimi yansıtacak şekilde ayarlanmış bilgi içeren ön bilgileri ele alırlar. Ayrıca dengeli kare-hata kaybı ve hataları bir yönde diğerine göre daha maliyetli sayan iki asimetrik alternatif dahil olmak üzere birkaç “kayıp fonksiyonu” ile fazla veya eksik tahmini cezalandırmanın farklı yollarını incelerler. Ortaya çıkan matematik karmaşık olduğundan, temel olasılık modelinden örneklemek ve istenen güvenilirlik tahminlerini ile güven aralıklarını yaklaşık hesaplamak için Markov zinciri Monte Carlo algoritmalarına—Gibbs örneklemesi ve Metropolis–Hastings—güvenirler.

Yöntemleri simülasyon ve gerçek verilerle test etmek

Bu yaklaşımların ne kadar iyi çalıştığını değerlendirmek için yazarlar kapsamlı bilgisayar deneyleri yürütürler. Bilinen koşullar altında yapay rekor veri setleri üretip, farklı yöntemlerin gerçek güvenilirliğe ne kadar yakınlaştığını karşılaştırırlar. Sadece ortalama doğruluğu değil, kestirimlerin kararlılığını ve aralık kestirimlerinin genişliğini ve kapsama oranını da incelerler. Birçok senaryoda, dengeli kare-hata kaybı altında Bayesçi kestirimler, hem klasik kestirimlerden hem de asimetrik kayıp kullanan Bayesçi kestirimlerden daha kesin olur. Çalışma ayrıca bootstrap aralıkları ve Bayesçi en yüksek ardıl yoğunluk aralıkları dahil olmak üzere çeşitli aralık kestirimlerini karşılaştırır. Genel olarak, yüzdelik tabanlı bootstrap aralıkları daha karmaşık bootstrap‑t yaklaşımından daha iyi performans gösterirken, bilgi içeren ön bilgilerin kullanıldığı Bayesçi aralıklar genelde daha kısa olup hâlâ gerçek güvenilirliği daha sık kapsar.

Futbol gollerinden hava kirliliği uçlarına

Yazarlar ardından yöntemlerini iki gerçek veri seti üzerinde uygular. İlkinde, iki sezonda Avrupa Şampiyonlar Ligi maçlarında atılan ilk golün dakikaları kaydedilir; ilk maç ve rövanş karşılaştırılır. Burada “stres” ve “dayanım” rolleri, eşleşmenin hangi tarafında erken atakların daha sık görüldüğünü karakterize etmeye yardımcı olur. İkinci veri seti, Long Beach, California’da neredeyse yirmi yıl boyunca aylık kükürt dioksit konsantrasyonlarını, ilkbahar ve yaz sonu düzeylerini karşılaştırarak kapsar. Her iki durumda da ters üstel Pareto modeli, çarpık ve ağır kuyruklu veriye birkaç rakip dağıtımdan daha iyi uyar. Bu veri setlerinden çıkarılan sadece üst rekorları kullanarak Bayesçi yöntemler, yine simülasyon bulgularını yansıtarak klasik yöntemlerden daha stabil güvenilirlik kestirimleri üretirler.

Güvenilirliği değerlendirmek için ne anlama geliyor

Genel okuyucu için ana çıkarım şudur: makale, sadece rekor kıran uç değerlerin mevcut olduğu ve altındaki davranışın uzun kuyruklu olduğu durumlarda “ne kadar güvenli, yeterince güvenli?” sorusunu nicelendirmenin ilkesel bir yolunu sunar. Hem stresi hem de dayanımı esnek bir dağılımla dikkatle modelleyerek ve modern Bayesçi hesaplamayı kullanarak, yazarlar nispeten seyrek verilerden hayatta kalma veya başarısızlık olasılıklarına ilişkin güvenilir tahminler ile gerçekçi belirsizlik bantlarının elde edilebileceğini gösterir. Sonuçlar, bu tür durumlarda dengeli hata muamelesi yapan Bayesçi yaklaşımların en güvenilir cevapları verdiğini ve bu fikirlerin mühendislik bileşenlerinden spor zamanlamasına ve çevresel riske kadar uç olayların önemli olduğu alanlarda uygulanabileceğini öne sürer.

Atıf: Hassan, A.S., Alballa, T., Alshawarbeh, E. et al. Reliability analysis in stress-strength model under record values with practical verification. Sci Rep 16, 14460 (2026). https://doi.org/10.1038/s41598-026-39638-6

Anahtar kelimeler: stres‑dayanım güvenilirliği, kayıt değerleri, Bayesçi kestirim, ağır kuyruklu veri, mühendislik güvenilirliği