APLICAO DAS PRIORIS NO INFORMATIVAS UNIFORME E GAMA NO MODELO WEIBULL

EXTENDIDO DE MARSHAL-OLKIN DE CONFIABILIDADE DE SOFTWARE DE ANALISE DE

DADOS



Eduardo Cardoso de Oliveira



RESUMO
Neste trabalho, o modelo Weibull estendido de Marshall-Olkin de dois parmetros analisado pelo mtodo de
Monte Carlo via Cadeia de Markov (MCMC) para calcular as estimativas de Bayes dos parmetros do modelo,
usando como distribuies priori as distribuies Uniforme e Gama. Para o desenvolvimento desse trabalho
supe-se que os parmetros tm conjunto no informativo de antecedentes e esto distribudos de forma
independente. De acordo com as suposies acima, usou-se o algoritmo Metropolis-Hastings no pacote estatstico
livre R para gerar amostras MCMC da distribuio a posteriori. Com base nas amostras geradas, podemos calcular
as estimativas dos parmetros de Bayes desconhecidos, e tambm calcular a estimativa de mxima verossimilhana
e intervalos de confiana associados aos estimadores para comparar os desempenhos dos estimadores de Bayes nas
prioris mencionadas com os estimadores clssicos.

Palavras-Chave
Modelo Weibull Estendido de Marshall-Olkin (MOEW), Estimao de parmetros, Estimador de Mxima
Verossimilhana (MLE), Estimao Bayesiana, Metodo de Monte Carlo via Cadeias de Markov (MCMC).


1. INTRODUO
O modelo estudado nesse trabalho foi apresentado por [21], esse modelo faz parte da famlia do modelo
Weibull expponenciado, que foi utilizada para analisar os dados em que a funo de taxa de risco pode ser
crescente, decrescente, em forma de banheira, ou unimodal [15], [16], [24], [27] e [28]. O modelo de Weibull
exponeciadas considerado como a intensidade da funo de processo de Poisson no homogneo na anlise de
softwares de confiabilidade em [4]. Comentrios detalhados sobre a Weibull exponenciada com vrias novas
medidas estatsticas so dadas em [17] e [25]. Jiang e Murthy [9] discuti a estimativa de parmetros do modelo por
abordagens grficas. A distribuio Weibull Estendida de Marshall-Olkin foi introduzida por Marshall e Olkin em
[13] e extensivamente estudada por [5]. Em [1] pode-se encontrar as relaes de recorrncia para nico e do produto
dos momentos de estatsticas de ordem generalizada (FOG) da distribuio Weibull Estendida de Marshall-Olkin.
O objetivo deste trabalho investigar algumas propriedades deste modelo, estimao de parmetros usando as
abordagens clssica e bayesiana.


1.1 Anlise do Modelo
De acordo com [21] o modelo Weibull Estendido construdo por um mtodo geral de introduo de
um parmetro a fim de expandir a famlia de modelos de Weibull [13] e [14].
Os parmetros e so referentes a forma e a inclinao, respectivamente. A funo densidade de
probabilidade da MOEW dada por

( )
1
( , , )
1 1
x
x
x e
f x
e
o
o
o
o
o

=

(1.1)


A partir da equao (1.1), a funo de distribuio dada por

( )
( ; , ) 1
1 1
x
x
e
F x
e
o
o

=

(1.2)

A partir de (1.2) pode-se obter a funo de sobrevivncia

( )
( ; , )
1 1
x
x
e
S x
e
o
o

=

(1.3)

A funo de risco do modelo MOEW dada por:

( )
1
( ; , )
1 1
x
x
h x
e
o
o
o
o

=

(1.4)

1.2 Grficos das funes
As Figuras 1 a 3 apresentam o comportamento das funes densidade de probabilidade, sobrevivncia e
de risco do modelo MOEW para diferentes e .

Figura 1: Funo densidade de probabilidade f(x), Funo de Sobrevivncia S(x) e Funo de Risco h(x) do
modelo MOEW para =0,5 e diferentes valores para .


Figura 2: Funo densidade de probabilidade f(x), Funo de Sobrevivncia S(x) e Funo de Risco h(x) do
modelo MOEW para =1 e diferentes valores para .

Figura 3: Funo densidade de probabilidade f(x), Funo de Sobrevivncia S(x) e Funo de Risco h(x) do
modelo MOEW para =2 e diferentes valores para .

A partir das figuras 1 a 3 pode-se fazer a caracterizao da funo densidade de probabilidade f(x),
observa-se pelas figuras que f(x) do modelo de MOEW pode assumir diferentes formas.
Caso 1: 1
(i) 1, f(x) seja decrescente em x
(ii) > 1, f(x) unimodal,

Caso 2: > 1
(i) > 1, f(x) unimodal
(ii) < 1, quando bastante pequeno, f(x) decrescente em x, enquanto que f(x) inicialmente
decresce rapidamente, em seguida, aumentando e eventualmente diminuindo quando suficientemente grande.

No que diz respeito a funo de risco pode-se observar pelas figuras 1 a 3 que em resumo, a
caracterizao da funo de risco como segue [13]:
(i) 1 e > 1, ou > 1 e 1, ento h(x) crescente.
(ii) 1 e < 1, ou <1 e 1, ento h(x) decrescente.
(iii) > 1 e < 1, ento h(x) inicialmente crescente e, eventualmente crescente, mas pode haver um
intervalo onde decrescente. Quando suficientemente pequeno, a curva de h(x) tem como ponto extremo o valor
mximo local (x = x
1
*
), e depois do ponto, tem forma de banheira. Isto implica que a curva de h(x) tem valor
mnimo um ponto extremo local, ou seja, o ponto de mudana (x = x
2
*
), que obtido atravs da resoluo

( ) ( )
( )
( )
( ) ( )
( )
( )
2 1 1
2
1 1 1 1
1 1
x x
x
x e x x e
e
o o
o
o o o
o o o

(1.5)
(iv) A equao acima (1.5) obtido a partir da equao (1.4), obtendo a primeira derivada em relao a
x. Existem duas solues possveis, a menor x
1
*
e a maior x
2
*
.
(v) < 1 e > 1, ento h(x) inicialmente decrescente e, eventualmente decresce, mas pode haver um
intervalo onde ela aumenta. Nesse caso, quando suficientemente grande, h dois pontos de valores extremos
locais: um est em x = x
1
*
e o outro em x = x
2
*
, que so obtidos a partir da equao. (1.5). Os pontos x
1
*
e x
2
*

correspondem s solues menor e maior, respectivamente.

1.1.1 Funo quantil
Para obter a distribuio contnua F(x), o percentil p, x
p
, para um determinado p, 0 < p <1, um nmero
tal que

( ) ( )
p p
P X x F x p s = = (1.6)
A funo quantil do modelo de MOEW podem ser obtidos atravs da resoluo

( )
1
log 1
1
p
p
x
p
o

| |

= +
| `
|

\ . )
(1.7)

1.1.2 Gerao de valores aleatrios
O valores aleatrios para o modelo de MOEW pode ser gerado a partir da expresso

( )
1
log 1 ; 0 1
1
u
x u
u
o

| |

= + < <
| `
|

\ . )
(1.8)
onde u tem a distribuio U(0, 1).


1.1.3 Funo de risco acumulada
A funo de risco acumulada definida como
( ) ( )
( )
1 log 1 log 1
1 1
x
x
e
H x F x
e
o
o

| |
= = |
|

\ .
(1.9)

1.1.4 Funo de falha media e Funo de sobrevivncia condicional
Outras duas funes relevantes ao uso da anlise de confiabilidade so as funes de risco mdio e de
sobrevivncia condicional. A funo de risco mdio de X dada por

( )
( )
, 0
H x
FRA x x
x
= > (1.10)

onde H(x) a funo de risco acumulada. A funo de sobrevivncia de X dada por
( )
( )
( )
( ) | , 0, 0, 0
S x t
S x t t x S
S x
+
= > > > (1.11)

respectivamente, onde F( ) a funo de distribuio de X. Similarmente para h(x) e FRA(x), a distribuio de X
pertence nova melhor do que a utilizada, exponencial, ou pior do que a nova utilizada, quando S(x | t) < S(x),
S(x | t) = S(x), ou S(x | t) > S(x), respectivamente.


2. ESTIMAO DE MXIMA VEROSSIMILHANA
Fazendo ( )
1
, ,
n
x x x = ser uma amostra aleatria de tamanho n do modelo MOEW(, ), ento o log
da funo de verossimilhana L(, ) pode ser escrito como [26];
( )
( )
1 1 1
log log log ( 1) log 2 log 1 1
i
n n n
x
i i
i i i
L n n x x e
o
o
o o

= = =
= + +

(2.1)

Portanto, para obter os estimadores de maxima verossimilhana de e ns podemos maximizar (2.1)
diretamente no que diz respeito aos parmetros e ou podemos resolver as duas equaes no lineares seguintes
usando procedimentos iterativos:

( )
( )
1 1 1
1 log
log
log log 2
1
i
n n n
i
x
i i i
x x
L n
x x x
e
o
o
o

o o
= = =

c
= +
c
+

(2.2)

( ) 1
log 1
2
1
i
n
x
i
L n
e
o

=
c
=
c
+

(2.3)

2.1 Matriz de Informao e Intervalos de Confiana Assintticos
Uma vez que os estimadores de mxima verossimilhana dos parmetros desconhecidos
( ) , u o =
no podem ser obtidos de formas fechadas, no fcil obter a distribuio exata dos estimadores de mxima
verossimilhana. Pode-se derivar assintoticamente intervalos de confiana destes parmetros quando > 0 e >
0.Uma abordagem mais simples para grandes amostras assumir que os estimadores de mxima verossimilhana
de e tm aproximadamente distribuio normal bivariada com mdia (, ) e matriz de covarincia I
0
-1
[11], em
que I
0
-1
o inverso da matriz de informao observada

( )
( )
( )
( ) ( )
1
2 2
2

, ,
1 1
0

, 2 2
2

, ,
log log

var cov ,

log log cov , var
L L
I H
L L
o o
o
o o
o o
o o
o
o

| |
c c

|
| |
c c c
|
|
= = =
|
|
c c |
|
\ .
|
c c c
\ .
(2.4)
A abordagem acima utilizado para derivar a 100 1 %
2
| |

|
\ .
de intervalos de confiana de parmetros
( ) , u o = como nas seguintes formas

( )
( )
2 2

z Var e z Var

o o (2.5)
Aqui,
2
z

representa a parte superior do percentil

2
| |
|
\ .
da distribuio normal padro.

3. ESTIMAO DOS PARMETROS E COMPARAO DOS RESULTADOS
Para a estimao dos parmetros do modelo MOEW utilizou-se o software estatstico R, gerou-se 1000
amostras aleatrias a partir da equao (1.8) de tamanho (10, 25, 50 e 100) com parmetros = 1 e = 1. Na
estimao Bayesiana utilizaram-se as distribuies a priori Uniforme e Gama.
As figuras a seguir apresentam os resultados das estimaes bayesianas com as distribuies a priori
Uniforme e Gama, elas apresentam os resultados na seguinte ordem, grfico da srie temporal do parmetro ,
grfico de autocorrelao amostral do parmetro , grfico da srie temporal do parmetro , grfico de
autocorrelao amostral do parmetro , grfico da posteriori do parmetro estimado pelo MCMC, grfico da
posteriori do parmetro estimado pelo EMV, grfico da posteriori do parmetro estimado pelo MCMC, grfico
da posteriori do parmetro estimado pelo EMV e histograma da densidade amostral de X.



UNIFORME GAMA

Figura 4: Resultados da estimao bayesiana com as prioris Uniforme e Gama com parmetros = 1 e = 1 para o modelo
MOEW, com tamanho amostral n=10.

UNIFORME GAMA

Figura 5: Resultados da estimao bayesiana com as prioris Uniforme e Gama com parmetros = 1 e = 1 para o modelo
MOEW, com tamanho amostral n=25.
UNIFORME GAMA

Figura 6: Resultados da estimao bayesiana com as prioris Uniforme e Gama com parmetros = 1 e = 1 para o modelo
MOEW, com tamanho amostral n=50.
UNIFORME GAMA

Figura 7: Resultados da estimao bayesiana com as prioris Uniforme e Gama com parmetros = 1 e = 1 para o modelo
MOEW, com tamanho amostral n=100.
Pelas figuras, pode-se observar em todos os casos ouve convergncia da cadeia para a distribuio de
interesse. A Tabela 1 apresenta os resultados para que se possa fazer a comparao dos resultados obtidos pela
estimao clssica e estimao bayesiana.

Tabela 1: Resultados comparativos da estimao clssica por mxima verossimilhana e estimao bayesiana com as
prioris Uniforme e Gama com parmetros = 1 e = 1 para o modelo MOEW, com tamanho amostral n=10, 25, 50 e 100.
Alfa ( = 1) Beta ( = 1)
N = 10 ML Uniforme Gama ML Uniforme Gama
Mdia 1,178 1,134 1,133 1,157 1,115 1,116
Desvio Padro 0,289 0,262 0,262 0,669 0,302 0,303
EQM 0,160 0,106 0,105 0,719 0,081 0,085
Eficincia 0,660 0,653 0,113 0,118
Probabilidade de cobertura 0,954 0,947 0,948 0,876 0,973 0,976
Taxa Aceitao 0,371 0,370 0,350 0,349
N = 25 ML Uniforme Gama ML Uniforme Gama
Mdia 1,055 1,042 1,043 1,021 1,027 1,029
Desvio Padro 0,161 0,154 0,154 0,363 0,176 0,176
EQM 0,035 0,026 0,026 0,142 0,019 0,020
Eficincia 0,746 0,755 0,137 0,141
Probabilidade de cobertura 0,951 0,965 0,965 0,909 0,982 0,985
Taxa Aceitao 0,232 0,231 0,212 0,211
N = 50 ML Uniforme Gama ML Uniforme Gama
Mdia 1,029 1,023 1,024 1,015 1,016 1,016
Desvio Padro 0,110 0,107 0,107 0,254 0,123 0,123
EQM 0,015 0,013 0,013 0,071 0,010 0,010
Eficincia 0,826 0,827 0,146 0,145
Probabilidade de cobertura 0,941 0,954 0.954 0,934 0,975 0.979
Taxa Aceitao 0,270 0,270 0,239 0,238
N = 100 ML Uniforme Gama ML Uniforme Gama
Mdia 1,011 1,009 1,009 1,010 1,006 1,005
Desvio Padro 0,076 0,074 0,075 0,178 0,086 0,086
EQM 0,006 0,005 0,005 0,031 0,004 0,004
Eficincia 0,857 0,860 0,139 0,138
Probabilidade de cobertura 0,949 0,960 0,960 0,983 0,957 0,981
Taxa Aceitao 0,269 0,271 0,236 0,237

Pela Tabela 1 observa-se que em todos os tamanhos amostrais a estimao bayesiana apresentou
estimativas melhores que as estimativas clssicas com alta probabilidade de cobertura, quase todas acima de 95%,
exceto a probabilidade de cobertura do parmetro para a estimao bayesiana tanto para priori uniforme quanto
para priori Gama. Todas as taxas de aceitao ficaram dentro do intervalo recomendado(de 20% a 40%).
Observa-se ainda no que diz respeito ao erro quadrtico mdio que a priori Gama apresenta maior
eficincia, em todas as amostras. A priori Uniforme apresenta melhor desempenho para n=100.

4. CONCLUSO
Este trabalho um estudo inicial no que diz respeito a metodologia de estimao dos parmetros do
modelo Weibull Estendido de Marshall-Olkin, atravs da estimao clssica via Estimados de Mxima
Verossimilhana e estimao Bayesiana pelo mtodo MCMC.
No que diz respeito aos parmetros estimados para as amostras simuladas observou-se que os
estimadores bayesianos obtiveram melhor desempenho em relao aos estimadores de mxima verossimilhana, e
entre os estimadores bayesianos a priori Gama teve melhor desempenho em todos os tamanhos amostrais em
relao a priori Uniforme. O estimador bayesiano com priori Gama apresentou maior probabilidade de cobertura
em todos os tamanhos amostrais estudados, sendo assim dentre os estimadores utilizados o estimador bayesiano via
MCMC com priori Gama apresentou melhor performance.
Na continuidade desse trabalho sero trabalhadas outras prioris, tais como Priori de Jeffrey, Priori de
Zellner (MDIP), Priori Cpula, Priori de Tibshirani e Priori de Referncia.

5. REFERNCIAS
[1] Athar, H., Nayabuddin and Khwaja, S. K. (2012). Relations for moments of generalized order statistics
fromMarshall-Olkin extended Weibull distribution and its characterization, ProbStat Forum, Vol. 5, October
2012, 127-132.
[2] Chen, M. H. and Shao, Q. M. (1999). Monte Carlo estimation of Bayesian credible intervals and HPD
intervals, Journal of Computational and Graphical Statistics. 8(1).
[3] Chen, M., Shao, Q. and Ibrahim, J.G. (2000). Monte Carlo Methods in Bayesian Computation, Springer,
NewYork.
[4] Cid, J. E. R. and Achcar, J. A., (1999). Bayesian inference for nonhomogeneous Poisson processes in software
reliability models assuming nonmonotonic intensity functions, Computational Statistics & Data Analysis
32:147159.
[5] Ghitany, M.E., Al-Hussaini, E.K., Al-Jarallah, R.A. (2005) Marshal-Olkin extended Weibull Distribution,
Journal of Applied Statistics 32(10), 1025-1034.
[6] Hornik, K., (2004). The R FAQ (on-line). Available at http://www.ci.tuwien. ac.at/~hornik/R/.
[7] Ihaka, R.; Gentleman, R.R. (1996). R: A language for data analysis and graphics, Journal of Computational
and Graphical Statistics, 5, 299314.
[8] Jalote, P. (1991). An Integrated Approach to Software Engineering. Springer Verlag, New York.
[9] Jiang, R. and Murthy,D.N.P. (1999). Exponentiated Weibull family: A graphical approach, IEEE Transactions
on Reliability, 48(1), 6872.
[10] Kumar, V. and Ligges, U. (2011). reliaR : A package for some probability distributions. http://cran.r-
project.org/web/packages/reliaR/index.html. Volume 18 No.4, March 2011
[11] Lawless, J. F., (2003). Statistical Models and Methods for Lifetime Data, 2
nd
ed., John Wiley and Sons, New
York.
[12] Lyu M.R., (1996). Handbook of Software Reliability Engineering, IEEE Computer Society Press, McGraw
Hill, 1996.
[13] Marshall, A.W., Olkin, I. (1997). A new method for adding a parameter to a family of distributions with
application to the Weibull and Weibull families. Biometrika, 84(3): 641-652.
[14] Marshall, A. W., Olkin, I. (2007). Life Distributions: Structure of Nonparametric, Semiparametric and
Parametric Families. Springer, New York.
[15] Mudholkar, G.S. and Srivastava, D.K. (1993). Exponentiated Weibull family for analyzing bathtub failure-rate
data, IEEE Transactions on Reliability, 42(2), 299-302.
[16] Mudholkar, G.S., Srivastava, D.K., and Freimer, M. (1995). The exponentiated Weibull familya reanalysis of
the busmotor-failure data, Technometrics, 37(4), 436445.
[17] Nassar, M.M., and Eissa, F. H. (2003). On the Exponentiated Weibull Distribution, Communications in
Statistics -Theory and Methods, 32(7), 1317 1336.
[18] R Development Core Team (2008). R: A language and environment for statistical computing. R Foundation for
Statistical Computing, Vienna, Austria. ISBN 3-900051-070, URL http://www.R-project.org.
[19] Singpurwalla, N.D. and S. Wilson (1994). Software Reliability Modeling. International Statistic. Rev., 62
3:289317.
[20] Srivastava, A.K. and Kumar V. (2011). Analysis of Software Reliability Data using Exponential Power Model.
International Journal of Advanced Computer Science and Applications, Vol. 2, No. 2, February 2011, 38-45.
[21] Srivastava, A.K. and Kumar V. (2011). Software Reliability Data Analysis with Marshall-OlkinExtended
Weibull Model using MCMC Method for Non-Informative Set of Priors, International Journal of Computer
Applications, Vol. 18, No. 4, March 2011, 31-39.
[22] Thomas, A. (2007). OpenBUGS, URL http://mathstat.helsinki.fi/openbugs/.
[23] Thomas, A. (2010). OpenBUGS Developer Manual, Version 3.0.2. URL http://mathstat.helsinki.fi/openbugs/
[24] Zhang T,Xie M (2007) Failure data analysis with extended Weibull distribution. Commun Statist Simul Comp,
36:579592.
[25] Tang,Y., Xie,M., Goh,T.N.(2003).Statistical analysis of a Weibull extension model. Communications in
Statistics:Theory & Methods 32(5):913 928.
[26] Wang,R.H., Fei,H.F.(2003).Uniqueness of the maximum likelihood estimate of the Weibull distribution
tampered failure rate model. Communications in Statistics:Theory & Methods 32:2321 2338.
[27] Xie,M., Tang,Y., Goh,T.N.(2002).A modified Weibull extension with bathtub-shaped failure rate function.
Reliability Engineering System Safety 76(3):279 285.
[28] Xie,M., Goh,T.N., Tang,Y.(2004).On changing points of mean residual life and failure rate function for some
generalized Weibull distributions.Reliability Engineering &System Safety 84:293 299.