Beruflich Dokumente
Kultur Dokumente
Modelos de Confiabilidade
Viosa 2007
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 1
1. Introduo
2. Estimao No Paramtrica
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 2
647 1 1060 1 2686 1 2729 0
675 1 1183 1 2729 1 2729 0
dados.conf<-read.csv2(conf.csv, dec= .)
attach(dados.conf)
mod.np<-survfit(Surv(tempo, tipo))
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 3
867 40 1 0.650 0.0616 0.540 0.783
893 39 1 0.633 0.0622 0.522 0.768
930 38 1 0.617 0.0628 0.505 0.753
937 37 1 0.600 0.0632 0.488 0.738
976 36 1 0.583 0.0636 0.471 0.722
1008 35 1 0.567 0.0640 0.454 0.707
1040 34 1 0.550 0.0642 0.437 0.691
1051 33 1 0.533 0.0644 0.421 0.676
1060 32 1 0.517 0.0645 0.405 0.660
1183 31 1 0.500 0.0645 0.388 0.644
1329 30 1 0.483 0.0645 0.372 0.628
1334 29 1 0.467 0.0644 0.356 0.612
1379 28 1 0.450 0.0642 0.340 0.595
1380 27 1 0.433 0.0640 0.324 0.579
1633 26 1 0.417 0.0636 0.309 0.562
1769 25 1 0.400 0.0632 0.293 0.545
1827 24 1 0.383 0.0628 0.278 0.528
1831 23 1 0.367 0.0622 0.263 0.511
1849 22 1 0.350 0.0616 0.248 0.494
2016 21 1 0.333 0.0609 0.233 0.477
2282 20 1 0.317 0.0601 0.218 0.459
2415 19 1 0.300 0.0592 0.204 0.442
2430 18 1 0.283 0.0582 0.189 0.424
2686 17 1 0.267 0.0571 0.175 0.406
2729 16 1 0.250 0.0559 0.161 0.388
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 4
Figura 1. Estimativas de confiabilidade de Kaplan-Meier
1.0
0.8
0.6 Estimativas de Kaplan-Meier
R(t)
0.4
0.2
0.0
3. Estimao Paramtrica
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 5
minimizao da soma de quadrados das distncias dos pontos em relao reta
ajustada.
Esse mtodo tambm pode ser chamado de posio da regresso em Y (rank
regression on Y), pois as estimativas dos parmetros so baseadas na funop de
desconfiabilidade estimada [S(t)] obtida com base no clculo da posio da mediana
ou da mdia ou de Kaplan-Meier modificado ou no.
Para o clculo de S(t), considere que os valores da amostra t1, t2, ..., tr, tr+1, ...,
tn, arranjados em ordem crescente, onde ti o tempo de falha de ordem i observado.
Assim, t1 o menor tempo e tr o maior tempo de falha de n observaes que
falharam ou censuraram. Neste caso, podem ser usados quaisquer um dos quatro
mtodos mencionados:
i 0,3
S(ti) = (posio da mediana segundo Bernard);
n + 0,4
i
S(ti) = (posio da mdia segundo Herd-Johnson);
n +1
i 0,5
S(ti) = (posio de Kaplan-Meier modificado por Hazen);
n
i
S(ti) = (posio de Kaplan-Meier).
n
0 = Y 1X ;
r r
r X Y i i
X Y
i =1
i i i =1
r
i =1
1 = 2
.
r
r
Xi
X i2 i =1
i =1 r
y i = 0 + 1 x i .
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 6
Como exemplo para todas as distribuies estudadas, considere os dados
contidos no arquivo mquad.csv que possui nove falhas e uma censura. O arquivo de
dados ser lido da seguinte forma:
dados.mq<-read.csv2(mquad.csv,dec=.)
dados.mq
tempo tipo
10 1
25 1
35 1
45 1
50 1
55 1
65 1
75 1
90 1
90 0
attach(dados.mq)
yi = -1[S(ti)];
xi = ti;
T = 0 sT (estimador de T);
1
sT = (estimador de T).
1
Para calcular S(ti) pelo mtodo da posio da mediana segundo Bernard, no R,
tem-se:
s.t<-ppoints(10, 0.3)
s.t
[1] 0.06730769 0.16346154 0.25961538 0.35576923 0.45192308 0.54807692
[7] 0.64423077 0.74038462 0.83653846 0.93269231
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 7
O ltimo valor (0,9326931) deve ser desconsiderado, pois se refere censura.
Para eliminar o ltimo valor de s.t e calcular yi no R, tem-se:
s.t<-s.t[1:9]
Ynorm<-qnorm(s.t)
Ynorm
[1]-1.4961469 -0.9803304 -0.6445316 -0.3697907 -0.1208042 0.1208042
[7] 0.3697907 0.6445316 0.9803304
tempo.f<-c(10,25,35,45,50,55,65,75,90)
mod.norm<-lm(Ynorm~tempo.f)
summary(mod.norm)
Call:
lm(formula = Ynorm ~ tempo.f)
Residuals:
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 8
Min 1Q Median 3Q Max
-0.124934 -0.044614 -0.001480 0.045434 0.128105
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -1.755617 0.061971 -28.33 1.76e-08 ***
tempo.f 0.031788 0.001122 28.33 1.76e-08 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
dp<- 1/0.031788
dp
[1] 31.45841
m<- -(-1.755617*dp)
m
[1] 55.22892
t 55,22892 .
R = 1 -
31,45841
Y = 0 sY (estimador de Y);
1
sY = (estimador de Y), em que Y= ln(T).
1
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 9
Como S(ti) e yi j foram calculados anteriormente, o vetor xi = ln(ti) ser obtido
da seguinte forma no R:
X<-log(tempo.f)
mod.ln<-lm(Y~X)
summary(mod.ln)
Call:
lm(formula = Y ~ X)
Residuals:
Min 1Q Median 3Q Max
-0.2623950 -0.2041550 -0.0001219 0.1707134 0.3225779
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -4.4386 0.4918 -9.025 4.19e-05 ***
X 1.1378 0.1292 8.809 4.90e-05 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
sy<- 1/1.1378
sy
[1] 0.878889
my<- -(-4.4386*sy)
my
[1] 3.901037
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 10
Portanto, a estimativa da funo de confiabilidade dada por:
t 3,901037
R = 1 -
0,878889
= e 0 (estimador de ).
Yexp<- log(-log(1-s.t))
B0<-mean(Yexp)-1*mean(X)
B0
[1] -4.446482
exp(-B0)
[1] 85.3262
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 11
0
1
= e (estimador de );
= 1 (estimador de ).
Como S(ti), yi e xi, j foram calculados anteriormente, para obter os
mod.wei<-lm(Yexp~X)
summary(mod.wei)
Call:
lm(formula = Yexp ~ X)
Residuals:
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -6.44400 0.37820 -17.04 5.88e-07 ***
X 1.53197 0.09933 15.42 1.16e-06 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
al<-exp(6.444 / 1.53197)
al
[1] 67.11105
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 12
3.2. Mtodo de Mxima Verossimilhana
dados.para<-read.csv2(estpara.csv,dec=.)
dados.para
tempo tipo x
10 1 1
25 1 1
35 1 1
45 1 1
50 1 1
55 1 1
65 1 1
75 1 1
90 1 1
90 0 1
attach(dados.para)
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 13
Para ver as estimativas, deve-se usar a funo summary. A mdia estimada
est no item Intercept e o desvio padro estimado no item Scale.
summary(mod.norm)
Call:
survreg(formula = Surv(tempo, tipo) ~ x, dist = "gaussian")
Value Std. Error z p
(Intercept) 55.32 8.822 6.27 3.60e-10
x 0.00 0.000 NaN NaN
Log(scale) 3.32 0.242 13.71 8.28e-43
Scale= 27.6
Gaussian distribution
Loglik(model)= -43.8 Loglik(intercept only)= -43.8
Chisq= 0 on 1 degrees of freedom, p= 1
Number of Newton-Raphson Iterations: 3
n= 10
Scale= 0.693
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 14
Chisq= 0 on 1 degrees of freedom, p= 1
Number of Newton-Raphson Iterations: 3
n= 10
Scale fixed at 1
Exponential distribution
Loglik(model)= -45.8 Loglik(intercept only)= -45.8
Chisq= 0 on 1 degrees of freedom, p= 1
Number of Newton-Raphson Iterations: 4
n= 10
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 15
summary(mod.wei)
Call:
survreg(formula = Surv(tempo, tipo) ~ x, dist = "weibull")
Value Std. Error z p
(Intercept) 4.142 0.168 24.7 2.25e-134
x 0.000 0.000 NaN NaN
Log(scale) -0.703 0.281 -2.5 1.25e-02
Scale= 0.495
Weibull distribution
Loglik(model)= -43.5 Loglik(intercept only)= -43.5
Chisq= 0 on 1 degrees of freedom, p= 1
Number of Newton-Raphson Iterations: 6
n= 10
exp(4.142) # Aplicando o exponencial para obter
[1] 62.92855
4. Distribuies
Deste modo, uma representao para este caso dada por: T ~ N (T, T ). Na
2
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 16
Como pode-se observar na figura 4.2, o produto 2 melhor que o produto 1 em
termos de durabilidade. Para os produtos 1 e 2, existe uma probabilidade de 0,5 para
os itens falharem antes dos tempos t = 100 e t = 120, respectivamente.
No R, o grfico ser construdo da seguinte forma:
plot(function(t){dnorm(t,mean=100,sd=10)},xlim=c(0,180),ylab=f(t),xlab=t,lty=1)
plot(function(t){dnorm(t, mean=120,sd=20)},xlim=c(0,180),add=T, lty=2)
legend(topright, c(p1,p2), lty=c(1,2)) # Legenda
t
F(t) = T
T
Na figura 3, so apresentadas as formas das duas funes de
desconfiabilidades, referentes aos produtos 1 e 2.
No R, o grfico ser construdo da seguinte forma:
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 17
Figura 3. Funes de desconfiabilidades da distribuio normal
t
R(t) = 1 T
.
T
Na figura 4, so apresentadas as formas das duas funes de confiabilidades
referentes aos produtos 1 e 2. Como pode-se observar, o produto 2 possui uma funo
de confiabilidade com um decrscimo menos acentuado que a do produto 1, o que
caracteriza uma melhor confiabilidade para o primeiro produto.
No R, o grfico ser construdo da seguinte forma:
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 18
Figura 4. Funes de confiabilidades da distribuio normal
f(t)
A funo de taxa de falha associada varivel T igual a: h(t) = .
R(t)
Na figura 5, so apresentadas as formas das duas funes das taxas de falhas,
referentes aos produtos 1 e 2.
No R, o grfico construdo da seguinte forma:
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 19
Figura 5. Funes de taxas de falhas da distribuio normal
Deste modo, uma representao para este caso dada por: T ~ LN (Y, Y ).
2
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 20
e (2 Y + Y ) (e Y 1) .
2 2
T =
exp(4.6+(0.1^2/2)) # T1
[1] 99.98298
sqrt(exp(2*4.6+0.1^2)*(exp(0.1^2)-1)) # T1
[1] 10.02335
exp(4.8+(0.2^2/2)) # T2
[1] 123.9651
sqrt(exp(2*4.8+0.2^2)*(exp(0.2^2)-1)) # T2
[1] 25.04303
y Y
F(t) = .
Y
y Y
R(t) = 1 .
Y
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 21
plot(function(t){1-plnorm(t, mean=4.6, sd=0.1)}, xlim=c(0,180), ylab= R(t), xlab= t,
lty=1)
plot(function(t){1-plnorm(t, mean=4.8, sd=0.2)}, xlim=c(0,180), add=T, lty=2)
legend(topright, c(p1,p2), lty=c(1,2)) # Legenda
f(t)
A funo de taxa de falha associada varivel T igual a: h(t) = .
R(t)
No R, o grfico construdo da seguinte forma:
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 22
A funo de desconfiabilidade da varivel T dada por:
t
F(t) = 1 e .
plot(y = 1, x=1, ylim=c(0.004, 0.014), xlim=c(0, 700), ylab= h(t), xlab= t, type= n) #
Gerar o grfico em branco para incluir os limites
abline(a=c(1/100,1/100), b=c(0,700), lty=1) # Gerar h(t)1
abline(a=c(1/120,1/120), b=c(0,700), lty=2) # Gerar h(t)2
legend(topleft, c(p1,p2), lty=c(1,2), title=Legenda) # Legenda
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 23
4.4. Distribuio de Weibull
1
T = 1 + ;
2 1
T = 1 + 2 1 + .
T1 = 95,1351 e T1 = 11,4457;
T2 = 116,8205 e T2 = 7,2401.
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 24
A funo de desconfiabilidade da varivel T dada por:
t
F(t) = 1 e .
Captulo 5 Modelos de Confiabilidade Gustavo Mello Reis Jos Ivo Ribeiro Jnior 25