Beruflich Dokumente
Kultur Dokumente
=
(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