Computação, Universidade de São Paulo - USP, Caixa Postal 668, CEP , São Carlos, SP, Brasil.
|
|
- Vinícius Aveiro
- 5 Há anos
- Visualizações:
Transcrição
1 USO DE MÉTODOS BAYESIANOS EM TESTES DE VIDA ACELERADOS ASSUMINDO A DISTRIBUIÇÃO WEIBULL-EXPONENCIADA E O MODELO LEI DE POTÊNCIA INVERSA Denlton da Slva VIEIRA 1 Jorge Alberto ACHCAR 1 Vcente Garbay CANCHO 2 RESUMO: Neste artgo, exploramos o uso de técncas de Monte Carlo va Cadeas de Markov MCMC) para desenvolver uma análse Bayesana para testes de vda acelerados consderando a dstrbução Webull-exponencada e o modelo da le de potênca nversa. Assumndo dados com censura de tpo II, consderamos uma análse clássca e uma análse Bayesana assumndo densdades a pror nformatvas para os parâmetros do modelo, onde obtemos a densdade predtva para uma observação futura e propomos um crtéro que pode ser usado em problemas de controle de qualdade. Ilustramos a metodologa com um exemplo numérco. PALAVRAS-CHAVE: Dstrbução Webull-exponencada; testes de vda acelerados; densdades predtvas; MCMC. 1 Introdução Um teste de vda acelerado TVA) de um produto é comumente usado para reduzr o tempo de teste e os custos operaconas. O teste é realzado submetendo-se as undades em teste a condções de estresse mas severas que as de uso normal. Por exemplo, se as falhas por corrosão ocorrem sob temperatura e umdade sob condções normas, então o mesmo tpo de corrosão acontecerá mas rapdamente em um ambente úmdo sob temperatura elevada. Exstem város métodos para a 1 Departamento de Estatístca, Unversdade Federal de São Carlos - UFSCar, CEP , São Carlos, SP, Brasl. E-mal: densnog@yahoo.com.br / achcar@power.ufscar.com.br 2 Departamento de Matemátca Aplcada e Estatístca, Insttuo de Cêncas Matemátcas e de Computação, Unversdade de São Paulo - USP, Caxa Postal 668, CEP , São Carlos, SP, Brasl. E-mal: garby@cmc.usp.br Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36,
2 condução de um teste acelerado. O método mas smples tanto do ponto de vsta físco quanto da análse e nferênca estatístca e que será adotado, é conhecdo como teste acelerado de estresse constante Nelson, 1990). Esse teste acelerado envolve a escolha de város níves de um ou mas tpos de varável estresse, e daí se executa um teste de vda de estresse constante para cada uma das combnações dos níves de estresse. Os resultados obtdos nas condções aceleradas são extrapoladas para as condções normas de uso. Uma análse paramétrca de dados de TVA depende em grande parte do modelo escolhdo para a dstrbução do tempo de vda e a relação dos parâmetros com a varável de estresse. Para a relação parâmetroestresse, exstem alguns modelos empírcos comumente usados em engenhara, tas como o modelo de Arrhenus, Eyrng e de Potênca Inversa. Procedmentos para nferêncas com essa formulação são dscutdos em Nelson 1990), Mann; Schafer e Sngpurwalla 1974). Normalmente, na ndústra de componentes manufaturados, tas como semcondutores, é usado um TVA para determnar a confabldade dos produtos produzdos e para verfcar se o processo em uma lnha de produção está sob controle. Por exemplo, os engenheros de qualdade com o obetvo de mnmzar o custo e o tempo do expermento, consderam uma amostra aleatóra de componentes em que todas as undades são submetdas a teste com níves de estresse, V = V 1,...,V k ), mas severos do que os usuas durante um período fxo de tempo Y. Eles verfcam que a lnha de produção está sob controle se a proporção de undades na amostra é menor do que uma quantdade especfcada, por um procedmento baseado em um teste de hpóteses. Freqüentemente, os engenheros da qualdade precsam encontrar o nível adequado de estresse e o período de tempo necessáro para o teste de vda acelerado. Neste artgo é consderada a dstrbução Webull-exponencada Mudholkar; Srvatava e Fremer, 1995) para os tempos de vda dos componentes, a Le de Potênca nversa para a relação parâmetro-estresse. Assumndo um esquema de censura do tpo II, sto é, o número de observações completas é fxado e a densdade a pror nformatva para os parâmetros do modelo é a Webull-exponencada - Le de Potênca Inversa, determnamos a dstrbução de uma observação futura no nível de estresse V e com essa dstrbução é construído um planeamento de TVA que pode ser usado em controle de qualdade. Na Seção 2, descreveremos o modelo Webull-exponencada-Le de Potênca Inversa. Na Seção 3, apresentaremos o procedmento de estmação de máxma verossmlhança e dscutremos um teste de aderênca para o modelo Webull - Le de Potênca Inversa e para o modelo exponencal-le de Potênca nversa que são casos partculares do modelo Webull-exponencada. Na Seção 3, dscutremos o procedmento de nferênca bayesana do modelo Webull-exponencada - Le de Potênca Inversa e obtemos a densdade predtva de uma observação futura a partr da qual construímos um planeamento de teste de vda para ser usado no controle de qualdade. Um exemplo na Seção 5 lustra a metodologa apresentada. 18 Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36, 2006
3 2 Modelo Webull-exponencada le de potênca nversa Sea T 0 uma varável aleatóra que representa o tempo de vda de um componente com função de densdade Webull-exponencada, ft p,θ,λ ) = pθλ [1 exp λ t) p )] θ 1 exp[ λ t) p ]λ t) p 1, t 0 1) onde p > 0, θ > 0 são os parâmetros de forma e λ > 0 é o parâmetro de escala sob o nível de estresse Le de Potênca Inversa, sto é, λ = V β α 2) onde α e β são parâmetros desconhecdos tas que α > 0, < β < e V denota o -ésmo nível de estresse. Esse modelo será chamado Modelo Webullexponencada-Le de Potênca Inversa WE - PI). Como casos partculares, podemos obter o modelo exponencal - Le de Potênca Inversa E - PI) quando p = 1, θ = 1 e quando θ = 1 temos o modelo Webull-Le de Potênca Inversa W - PI). Alternatvamente a relação entre o parâmetro de escala e nível de estresse dada em 2) pode ser representado pela relação, λ = exp β 0 + β logv )), sendo < β 0 = logα) <. A le de potênca nversa consderada neste artgo é adequada para modelar o efeto de uma varável estresse em mutas aplcações ndustras por exemplo, voltagem). Outras formas paramétrcas para modelar o efeto da varável de estresse também poderam ser consderados ver por exemplo, Nelson, 1990). A função de sobrevvênca para T, defnda por St p,θ,λ ) = PT t), é dada por St p,θ,λ ) = 1 [1 exp λ t) p )] θ. 3) A função rsco de T, defnda por ht p,θ,λ ) = ft p,θ,λ )/St p,θ,λ ), é obtda pela expressões 1) e 3) e dada por ht p,θ,λ ) = pθλ [1 exp λ t))] θ 1 exp λ t) p )λ t) p 1 [1 1 exp λ t) p )) θ ] 4) O modelo Webull-exponencada WE) apresenta funções de rsco do tpo bathtub banhera ), unmodal e monótona, sto é, ht p,θ,λ ) é ) monótona crescente se p 1 e pθ 1, ) monótona decrescente se p 1 e pθ 1, ) forma de bathtub se p > 1 e pθ < 1 e v) unmodal se p < 1 e pθ > 1. As monotoncdades em ) e ) são estrtas exceto para a dstrbução exponencal correspondente a p = θ = 1. A Fgura 1, mostra alguns casos especas da função rsco 4). Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36,
4 ht) t WE0,5;0.5;0.01) WE5;0,1;0.01) WE0,6;12;0.25) WE4;4;0.0125) Fgura 1 - Funções de rsco do modelo Webull-exponencada WEp,θ,λ)). As propredades da dstrbução WE foram estudadas em detalhe por Mudholkar e Hutson 1996), Nassar e Essa 2003) e Nadaraah e Gupta 2005). Aplcações da dstrbução WE em análse de dados de confabldade e de sobrevvênca podem ser encontradas em Mudholkar; Srvatava e Fremer 1995). Cancho; Bolfarne e Achcar 1999) apresentam análse clássca e bayesana dos modelos regressão Webull-exponencada com dados censurados e Cancho e Bolfarne 2001) apresentam o modelo de mstura Webull-exponencada para análse de dados de sobrevvênca com fração de cura. 3 Análse clássca do modelo Webull-exponencada le potênca nversa Consdere um TVA com esquema de censura de tpo II com k níves de estresse V, = 1,...,k, sto é, o expermento termna quando r falhas são observadas entre as n undades colocadas em teste no -ésmo nível de estresse. Temos t 1,t 2,...,t r observações não-censuradas e n r observações censuradas guas a t r. A função de verossmlhança para os parâmetros do modelo WE - PI, γ = p,θ,α,β) T, dado o conunto de observações, é dada por: 20 Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36, 2006
5 Lγ D) θ r p r α pr k r r =1 =1=1 [ k r 1 exp =1=1 k t ) p 1 exp 1 k r [ k 1 1 exp =1 t p )] θ 1 t p r )] θ n r ) t p =1=1 5) onde D é o conunto de todas as observações e r = k r representa o número total de falhas observadas. Os Estmadores de Máxma Verossmlhança EMV) para p, θ, λ, α, e β são valores que maxmzam a função de verossmlhança em 5), o que equvale a maxmzar o logartmo da função de verossmlhança, lγ D) = loglγ D)), dada por, =1 k k r lγ D) r logp) rp logα) + βp r logv ) + p 1) logt ) 6) 1 k r =1=1 +r logθ) + =1 k r t p + θ 1) log =1=1 [ k n r )log 1 =1 =1=1 1 exp 1 exp t p r ) t p ) ] θ Equvalentemente, os EMV resultam da solução do sstema de equações Sγ) = 0, com Sγ) = lγ D) p, lγ D) θ, lγ D) α, lγ D) β ). Inferêncas para γ = p,θ,λ,α,β) T podem ser obtdas da dstrbução normal assntótca para os EMV ˆγ = ˆp, ˆθ, ˆλ, ˆα, ˆβ) T Cox e Hnkley, 1974), sto é, ˆp, ˆθ, ˆα, ˆβ) N p,θ,α,β),i 1 ˆp, ˆθ, ˆα, ˆβ) ) 7) onde Iˆp, ˆθ, ˆα, ˆβ) é a matrz de nformação observada. O teste de aderênca do modelo Webull contra a classe de alternatvas rrestrtas é complexo. Contudo, restrngndo para o modelo WE podemos usar a estatístca da razão de verossmlhança Cox e Hnkley, 1974) para testar a adequabldade do submodelo Webull Le Potênca Inversa W - PI). A hpótese nula, H 01 : θ = 1 corresponde ao submodelo Webull e H 02 : θ = p = 1 correspondente ao submodelo exponencal Le de Potênca Inversa do modelo ). Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36,
6 WE - PI). Se uma destas hpóteses ou ambas são reetadas na classe da famíla WE os submodelos são questonáves. A estatístca da razão de verossmlhança para testar a adequabldade do W - PI, sto é, H 01 : θ = 1 contra H 01 : θ 1, é dada por, Λ 1 = 2 l α w, β w, p w,θ = 1 D) lˆα, ˆβ, ˆp, ˆθ D) ) 8) onde α w, β w e p w são os EMV dos parâmetros do W - PI e ˆα, ˆβ, ˆp e ˆθ são os EMV dos parâmetros WE - PI. Sob H 01, Λ 1 tem-se dstrbução qu-quadrado com um grau de lberdade para tamanhos amostras sufcentemente grandes. Smlarmente para testar a adequabldade do modelo exponencal, a estatístca da razão de verossmlhança é dada por: Λ 2 = 2 l α e, β e,p = 1,θ = 1 D) lˆα, ˆβ, ˆp, ˆθ D) ), 9) onde α e e β e são os EMV dos parâmetros exponencal Le de Potênca Inversa. Sob a hpótese H 02 : θ = p = 1, Λ 2 tem-se dstrbução qu-quadrado com 2 graus de lberdade para tamanhos amostras sufcentemente grande. 4 Análse bayesana do modelo WE le potênca nversa Como fo dscutdo na seção anteror, a dstrbução dos EMVs somente são conhecdas assntotcamente, tornando-se assm um problema séro uma vez que em geral, trabalha-se com amostras não muto grandes. Um procedmento alternatvo que pode contornar esse problema é o uso de métodos bayesanos. O uso de métodos bayesanos, além de ser uma alternatva de análse, permte anda a ncorporação de conhecmento a pror por meo de uma densdade a pror que sea nformatva. Caso não exsta conhecmento a pror, ou sea dfícl expressá-lo, consdera-se densdades a pror não nformatvas. Para representar o grau de conhecmento sobre os parâmetros α, β, p e θ, consderamos as seguntes dstrbuções a pror: α Γa 1,b 1 ), 10) β Nµ,σ 2 ), p Γa 2,b 2 ), θ Γa 3,b 3 ), onde Γa,b ) denota uma dstrbução Gama com méda a /b e varânca a /b 2, Nµ,σ 2 ) denota uma dstrbução Normal com méda µ e varânca σ 2, e a, b, = 1,2,3 e µ, σ 2 são constantes fxadas, baseadas na nformação a pror de um especalsta e da análse prelmnar dos dados. Assumndo ndependênca entre os parâmetros, a densdade a pror conunta para α, β, p e θ é dada por: πα,β,p,θ) α a1 1 p a2 1 θ a3 1 exp αb 1 pb 2 θb 3 1 β µ)2 2σ2 ) 11) 22 Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36, 2006
7 Combnando 5) e 11), a densdade a posteror conunta de α, β, p e θ é dada por, πα,β,p,θ D) k r r =1 =1=1 k t ) p 1 α a1 pr 1 p a2+r 1 θ a3+r 1 exp αb 1 pb 2 θb 3 1 β µ)2 2σ2 exp 1 k r t p =1=1 [ k r 1 exp =1=1 [ k 1 1 exp =1 t p )] θ 1 t p r )] θ ) n r ) onde D denota o conunto de dados observados. Observe que a densdade a posteror conunta 12) não é uma densdade padrão, portanto só podemos avalar as densdades a posteror margnas por meo de métodos de aproxmação, tas como o método de Laplace Terney e Kadane, 1986) ou usando métodos de smulação de Monte Carlo va Cadeas de Markov MCMC), tas como Gbbs samplng Casela e George, 1992), Metropols Hastngs Chb e Greenberg, 1995) e o método de amostragem por reeção adaptatva Glks e Wld, 1992), usada comumente na amostragem Gbbs. Nesta análse consderamos os métodos de smulação por serem de smples mplementação computaconal. Para obtermos uma amostra a posteror das densdades margnas de α, β, p e θ, fazemos uso do algortmo de Gbbs Samplng que se basea em sucessvas gerações das dstrbuções condconas a posteror de πα β,p,θ,d), πβ α,p,θ,d), πp α,β,θ,d), πθ α,p,β,d). Da densdade a posteror conunta dada em 12) podemos mostrar que as densdades condconas a posteror para o algortmo de Gbbs são dadas por πα β,p,θ,d) α a1 pr 1 exp αb 1 1 k r [ k r 1 exp =1=1 [ k 1 1 exp =1 t p )] θ 1 t p r )] θ t p =1=1 n r ) 12), 13) Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36,
8 πβ α,p,θ,d) exp k r =1 1 β µ)2 2σ2 exp 1 k r ) k =1 [ k 1 1 exp =1 r =1 t p r [ t p =1=1 1 exp )] θ n r ) t p )] θ 1, 14) πp α,β,θ,d) α pr p a2+r 1 k exp pb 2 1 k r [ k r 1 exp =1=1 t p =1=1 [ k 1 1 exp =1 r r =1 =1=1 t p k t ) p 1 )] θ 1 15) t p r )] θ n r ) e πθ α,β,p,d) θ a3+r 1 exp θb 3 ) [ k r 1 exp V )] βp t p θ 1 =1=1 [ k 1 1 exp =1 t p r )] θ n r ). 16) Observe que as densdades dadas em 13), 14), 15) e 16) não são conhecdas e precsamos usar o algortmo de Metropols Hastngs para gerar amostras para α, β, p e θ. Alternatvamente, podemos usar o Algortmo Reeção Adaptatva ARS) para gerar amostras para α, β, p e θ. O algortmo ARS está mplementada no software BUGS Spegelhalter; Best e Glks, 1997). 24 Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36, 2006
9 4.1 Densdade predtva para uma observação futura A densdade predtva para uma observação futura em T n+1), onde n = k n =1 é o número de observações em teste, consderando um nível de estresse V é dada por ver, por exemplo, Press, 1989), f t n+1) t,ṽ) = f t n+1) λ,p,θ)πα,β,p,θ D)dαdpdθdβ = Ef t n+1) α,β,p,θ) 17) onde πα,β,p,θ t,ṽ) é a dstrbução a posteror conunta de α, β, p e θ dada por 12) e f t n+1) λ,p,θ) é dada em 1) com λ = V β α. A ntegral em 17) não tem uma solução analítca. Neste caso podemos usar métodos aproxmados de ntegração, tas como o método de Laplace Terney e Kadane, 1986); métodos de ntegração numérca ou usando métodos de smulação de MCMC. Como caso especal, suponha que temos S amostras Gbbs geradas da dstrbução a posteror para α, β, p e θ, sto é, {α s),β s),p s),θ s) ),s = 1,...,S, }; uma estmatva de Monte Carlo de 17), é dada por: ˆf t n+1) D) = 1 S S p s) θ s) V β s=1 s) α s) V βs) exp t n+1) α s) V βs) t n+1) α s) p s) V βs) 1 exp t n+1) α s). p s) p s) 1 θ s) 1. 18) Densdade predtva consderando θ = 1, p e β conhecdos Quando θ = 1 em 5), a função de verossmlhança para α, p e β dado o conunto de observações é dada por, Lα,β,p D) onde A p) = r =1 k ) pr r r =1 k r t p 1 =1=1 exp 1 k í =1 A p) ) 19) t p + n r )t p r. Observe que 19) é função de verossmlhança do modelo Webull Le de Potênca, onde o parâmetro de escala λ = V β α muda Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36,
10 a cada nível de estresse. Consderando que p e β em 19) são conhecdos, pode-se mostrar que a densdade a pror de Jeffreys Box e Tao, 1973) para α é dada por πα) 1 α. Combnando a densdade a pror não-nformatva de Jeffreys e 19) encontramos que a densdade a posteror para α com p e β conhecdos dada por: πα D) = Usando o resultado + 0 α pr+1) exp + 0 α pr+1) exp k 1 α p =1 1 x p+1) e ax α dx = 1 α a p α a função densdade a posteror para α é dada por, k α p =1 Γ p α ) A p) ) A p) dα 20) ), 21) πα D) = [ k p =1 ] r A p) Γr) exp 1 k =1 α pr+1) A p) ). 22) por, Com θ = 1, em 1) a função densdade de T n+1) dado os parâmetros é dada f t n+1) λ,p) = pλ tn+1) λ ) p 1 exp tn+1) λ ) p ), 23) que é função de densdade da dstrbução Webull com parâmetro p e λ = V β α. Como dscutdo anterormente supondo que β e p em 23) são conhecdos, a função densdade predtva para uma observação futura em um nível do estresse V, é dada por, f t n+1) D) = [ r [ t n+1) p ] r C t p 1 n+1) C p + p t p 1 n+1) ] r+1 t n+1) > 0. 24) onde C = k A p). A função de densdade em 24) é a densdade da dstrbução de Pareto. =1 26 Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36, 2006
11 De 24) pode-se demonstrar que o valor esperado para T n+1) é dado por, [ k ] r A p) E =1 T n+1) D) = r 1) t p 1 r > 1 25) n+1)p, e sua varânca é dada por, V ar T n+1) D) = k ) 2 r A V β + d =1 r 1) 2 r 2)V 2βp t 2p 2, r > 2. 26) n+1)p2 4.2 Uso da densdade predtva em controle de qualdade Podemos usar a densdade predtva f t n+1) D) para formular procedmentos em controle de qualdade em testes de vda acelerados. Normalmente, engenheros de qualdade seleconam amostras aleatóras de cada lote de componentes manufaturados para verfcar se o processo em uma lnha está sob controle. Para mnmzar o custo e o tempo do expermento, eles consderam undades em teste de vda com altos níves de estresse V por um período de tempo fxo, Y. Usando a densdade predtva 17) e consderando uma probabldade 1 γ, pode-se encontrar valores de Y, tal que PrT n+1) > Y D) = 1 γ, sto é, PrT n+1) > Y D) = Y ft n+1) D)dt n+1) = 1 γ. 27) Como a equação 27) não tem uma solução analítca, podemos obter valores de Y por meo de um método numérco por exemplo, o método de quadratura Gausana) ou usando o método da composção ver, por exemplo, Tanner e Wong, 1987), onde 1 γ é fxado. No caso com θ = 1 e β e p conhecdos, a densdade predtva para uma observação futura é dada em 24). Nesse caso a equação em 27) resulta em, PrT n+1) > Y D) = Y r C t p n+1) + C ) r pt p 1 n+1) ) r+1 dt n+1) = 1 γ 28) onde C = k A p). Resolvendo a ntegral dada 28), encontramos, =1 C ) r 1 Y p + C ) r = 1 γ 29) A partr de 29), é possível então determnar os valores de Y e V. Assm, Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36,
12 fxando-se um nível V de estresse o período de tempo Y a ser consderado no teste de vda acelerado é dado por: [ C[1 1 γ) 1 r ] Y = 1 γ) 1 r ] 1 p 30) fxando-se o período de tempo Y de aplcação do teste de vda acelerado fxo, nível de estresse V a ser consderado é dado por: V = [ C 1 1 γ) 1 r+c 1 γ) 1 r Y p ] 1 βp 31) Encontrados os valores de Y e V tas que, PrT n+1) > Y D) = 1 γ sea satsfeto, e defnndo π = PrT n+1) Y D), podemos colocar m undades novas para serem testadas no nível de estresse, V, e observar seus tempos de sobrevvênca durante um período fxo de tempo Y e consderar o teste de hpóteses, H 0 : π γ lote aprovado na nspeção por amostragem) contra H 1 : π > γ lote não aprovado na nspeção por amostragem) supondo que o número x de falhas observadas no período de tempo Y, no nível de estresse V, na amostra de tamanho m, tenha uma dstrbução Bnomal, sto é, X Bnm,π ). Sea W o número de componentes que falharam W m) durante o teste. Se m é grande m 30) então temos, W N { mπ ;mπ 1 π ) }, e um crtéro de controle da qualdade pode ser baseado no teste de hpótese usual, sto é, o lote não será aprovado na nspeção por amostragem se Z z α, onde Z = W mπ mπ 1 π ) N {0,1}, e α é o nível de sgnfcânca e z α é tal que PrZ z α ) = α. 5 Aplcação Para lustrar a metodologa apresentada anterormente consderamos o conunto de dados completos sem censuras ntroduzdo por Nelson 1990) Tabela 3.1, p.129). Os dados referem-se ao tempo de ruptura de um tpo de solamento de fludos sob város níves de voltages kv). Na Tabela 1, apresentamos algumas meddas descrtvas desse conunto de dados. Esses dados foram analsados com uma perspectva clássca por Nelson 1990), consderando a dstrbução Webull para o tempo de vda e a le de potênca nversa para a varável de estresse. 28 Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36, 2006
13 Tabela 1 - Estatístcas descrtvas dos dados de tempo de ruptura de um tpo de solamento de fludos Níves de voltage V ) n Méda Medana Desvo padrão , , , ,22 110,29 422, ,78 43,40 71, ,16 13,95 59, ,36 6,50 18, ,61 2,58 6, ,92 0,73 0, Análse clássca Para os dados de Nelson 1990) Tabela 1), austando o modelo paramétrco Webull-exponenca Le de Potênca Inversa, as estmatvas de máxma verossmlhança EMV) foram obtdas maxmzando-se o log-verossmlhança dada em 6) e utlzando a sub-rotna MaxBFGS do aplcatvo Ox. As EMV dos parâmetros dos modelos WE - PI são dadas por ˆα = 5, , ), ˆβ = 17,6541,6483), ˆp = 0,600830,19344), ˆθ = 1, 62660, 99458). Cada valor entre parênteses ao lado das estmatvas representa a raz quadrada do correspondente elemento dagonal de I 1 ˆα, ˆβ, ˆp, ˆθ) onde Iα, β, p, θ) é a matrz de nformação observada. Se admtrmos normaldade assntótca para a dstrbução dos EMV, I 1 ˆα, ˆβ, ˆp, ˆθ) corresponde à estmatva da matrz de covarânca assntótca, e pode ser utlzada para obter nferêncas sobre os parâmetros. A estatístca da razão de verossmlhança para testar H 01 : θ = 1 em 8) resultou em Λ 1 = 0,71147, com valor estmado de p-valor gual 0,599, ndcando um auste adequado do Modelo Webull Le de Potênca Inversa. As estmatvas de máxma verossmlhança desvo padrões assntótcos) dos Modelos Webull Le de Potênca Inversa foram dadas por, ˆα = 1, , ), ˆβ = 17, 7301, 6068) e ˆp = 0, , ). A estatístca da razão de verossmlhança para testar H 01 : θ = 1;p = 1 em 9) resultou em Λ 2 = 10, graus de lberdade) com uma estmatva do p-valor< 0,007, que ndcou um auste nadequado do Modelo Exponencal Le de Potênca Inversa para o conunto de dados de Nelson 1990). 5.2 Análse Bayesana Modelo Webull-exponencada Le de Potênca Inversa Para analsarmos os dados de Nelson 1990) descrtos anterormente, com uma perspectva Bayesana, ncalmente é consderando o modelo Webull-Exponencada Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36,
14 Le de Potênca Inversa 1) com λ = exp β 0 + β logv )) e densdade a pror dada em 10), com β 0 = logα) N0,10 6 ), β N0,10 6 ), p Γ0,1,0,1) e θ Γ0,1,0,1). Com essa escolha foram geradas duas cadeas paralelas cada uma com terações; montorou-se a convergênca da amostras Gbbs usando o método de Gelman e Rubn 1992) que utlza a técnca de análse de varânca para determnar se mas terações são necessáras. Para cada parâmetro as prmeras terações foram descartadas para elmnar o efeto dos valores ncas, em seguda foram tomadas amostras de 20 em 20 totalzando uma amostra fnal de tamanho O amostrador de Gbbs fo mplementado usando o aplcatvo Wnbugs. Na Tabela 2, reportamos o resumo a posteror dos parâmetros do modelo untamente com os resultados da estmatva dos fatores de redução de escala potêncal ˆR Gelman e Rubn, 1992), para todos os parâmetros. Observamos valores bastante próxmos de um, o que ndca que as cadeas convergram. Tabela 2 - Sumáro a posteror para o Modelo Webull-exponencada Le de Potênca Inversa Parâmetros Méda Medana D.P Int. Cred. 95%) ˆR β 0 64,94 64,85 5,413 55,31 ; 76,32) 1,017 β 1 18,00 17,97 1,506 15,36 ; 21,2) 1,001 p 0,603 0,575 0,194 0, ; 1,062000) 1,001 θ 2,151 1,693 1,611 0,03713 ; 6,528) 0,993 Na Fgura 2, temos as densdades a posteror margnas aproxmadas para o modelo de regressão Webull-Exponencada Le de Potênca Inversa consderando os pontos amostras gerados. Modelo Webull Le de Potênca Inversa Como fo anterormente observado, o modelo WE - PI em 1) com θ = 1 é o modelo Webull Le de Potênca Inversa W - PI). Para analsar os dados de Nelson 1990), consderamos agora o modelo W - PI, em que, como no caso da análse do modelo WE - PI, o parâmetro de forma p é suposto constante e o parâmetro de escala muda com o nível de estresse por meo da relação Le de Potênca Inversa), λ = exp β 0 + β logv )). Consderando as densdades a pror para os parâmetros do modelo W - PI, com, β 0 = logα) N0,10 6 ), β N0,10 6 ) e p Γ0,1,0,1), com essa escolha geramos duas cadeas separadas de Gbbs, cada uma com terações e utlzamos o método de Gelman e Rubn 1992) para verfcar a convergênca das cadeas. Para cada parâmetro as prmeras terações foram descartadas para elmnar o efeto do valores ncas e daí foram tomadas amostras de 10 em 10 o que totalza uma amostra fnal de tamanho As quantdades a posteror de nteresse obtdas a partr das amostras seleconadas são dadas na Tabela 3, onde observamos que os fatores de redução 30 Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36, 2006
15 Densty Densty beta_ beta_1 Densty Densty p θ Fgura 2 - Densdades margnas a posteror aproxmadas dos parâmetros do modelo Webull-exponencada le de potênca nversa. potencal são menores de 1.1 ˆR < 1.1), ndcando a convergênca das amostras geradas. Tabela 3 - Sumáro a posteror para o modelo Webull le de potênca nversa Parâmetros Méda Medana D.P. Int. Cred. 95%) ˆR β 0 65,11 65,1 4,675 0,3207 ; 74,58) 0,9916 β 1 17,8 17,8 1,337 15,33 ; 20,51) 0,9959 p 0,7656 0,7636 0, ,6376 ; 0,9025) 1,0001 Na Fgura 3, temos as densdades margnas a posteror aproxmadas consderando os pontos amostras gerados. Para comparar o auste dos modelos Webull-Exponencada Le de Potênca Inversa 1) e Webull Le de Potênca Inversa, aos dados de Nelson1990), usamos alguns crtéros Bayesanos exstentes, como o crtéro BIC Bayes Informaton Crteron) e o crtéro DIC Devance Informaton Crteron) ver, Spegelhalter; Best e Glks, 2002). Na Tabela 4, reportamos a estmatva do BIC e do DIC baseada nas amostras Gbbs de cada modelo. As estmatvas do BIC e DIC, ndcam que o modelo Webull Le de Potênca Inversa se austa melhor aos dados de Nelson1990). Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36,
16 Densty Densty beta_0 beta_1 Densty p Fgura 3 - Densdades margnas a posteror aproxmadas dos parâmetros do modelo Webull le de potênca nversa. Podemos chegar a mesma conclusão ao observar o ntervalo de credbldade do parâmetro θ no modelo WE - PI, pos contém o valor θ = 1. Tabela 4 - Crtéros BIC e DIC Modelo BIC DIC Webull Le de Potênca Inversa 608, ,000 Webull-exponencada Le de Potênca Inversa 612, ,500 Uso de densdade predtva em controle de qualdade Aplcando o procedmento descrto na Subseção 4.2, mostramos na Fgura 4, as densdades predtvas aproxmadas para uma observação futura Y n+1), consderando os níves de estresse V = 26,28,30,32,34,36,38. A aproxmação é baseada no método de composção, sto é, com as amostras a posteror dos parâmetros do modelo WE - PI, geramos para cada nível de estresse, uma amostra predtva de tamanho ; com essa amostra obtemos uma aproxmação das 32 Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36, 2006
17 densdades predtvas de uma observação futura. Na Tabela 5 apresentamos uma estmatva para Y n+1) dada em 27) consderando 1 γ = 0,90. Tabela 5 - Valores de Y para V fxo com 1 γ = 0,90, consderando o modelo WE - PI V Y n+1) 882,1 224,8 63,55 19,78 6,616 2,399 0,9109 Densty Densty Y_n+1) Y_n+1) Densty Densty Y_n+1) Y_n+1) Fgura 4 - Densdade predtva para uma observação futura para níves de estresse, V = 26,28,30,32,34,36,38. Usamos a densdade predtva dada em 27) com θ = 1 e β e p conhecdos para determnar V e Y, para o problema de controle de qualdade. Neste caso assumndo β = 17,73 e p = 0,77656, na Tabela 6, apresentamos os valores de Y dados em 30) para valores fxos de V, com 1 γ = 0,90. Os valores de V dada em 31) para valores fxos de Y é reportado na Tabela 6. Esses resultados podem ser de grande nteresse para os engenheros de qualdade. Por exemplo, se o nteresse é verfcar se os componentes de um determnado lote estão sob controle, consderando uma probabldade de sobrevvênca após Y gual a 0.90, e temos para o expermento Y = 50 undades de tempo pela Tabela 6); o expermento deve ser realzado a um nível de estresse Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36,
18 Tabela 6 - Valores de Y e V com 1 γ = 0,90, consderando o W - PI com β e p conhecdos V fxo Y fxo V Y Y V 26 65, , , , , , , , , , , , , ,18390 V = 25,38689 kv). Smlarmente, suponha que por questões técncas somente é possível testar os componentes em V = 32 kv); pela Tabela 6, deve-se conduzr o expermento até Y = 1,64975 undades de tempo. Em ambos expermentos deve-se submeter m undades ao nível de estresse V, no período fxo de tempo Y e observar a proporção de undades que falham, p. Se p 0,10, o lote está sob controle; do contráro, está fora de controle. Conclusões Consderando a dstrbução Webull-exponencada para os tempos de vda, podemos observar que o uso de métodos bayesanos em teste de vda acelerados podem ser de grande nteresse prátco na análse do modelo Le de Potênca Inversa. O procedmento bayesano é baseado em métodos de Monte Carlo va cadeas de Markov MCMC), a mplementação do método é smples, não exge um conhecmento computaconal avançado e as nferêncas obtdas são bastante precsas e torna-se uma boa alternatva aos métodos clásscos usuas. Também, usando a densdade predtva de uma observação futura desenvolvemos um procedmento para o controle de qualdade de um lote de componentes que tem grande aplcabldade em ndústras de váras áreas. VIEIRA, D. S.; ACHCAR, J. A; CANCHO, G. V. Use of bayesan methods n accelerated lfe tests assumng an exponentated-webull dstrbuton and a power nverse law model. Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36, Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36, 2006
19 ABSTRACT: In ths paper, we explored the use of Chans Markov Monte Carlo MCMC) technques to develop a Bayesan analyss for accelerated lfe tests consderng the Webull-exponentated dstrbuton. Assumng type II censored data, we consdered a classc analyss and a Bayesan analyss assumng nformatve prors for the parameters of the model, where we obtaned the predctve densty for a future observaton and proposed a crteron that can be used n qualty control problems. We llustrated the methodology wth a numerc example. KEYWORDS: Exponentated-Webull dstrbuton; accelerated lfe tests; predctve denstes; MCMC. Referêncas BOX, G. E. P.; TIAO, G. C. Bayesan nference statstcal analyss. New York: Addson-Wesley, p. CANCHO, G. V.; BOLFARINE, H. Modellng the presence of mmunes by usng the exponentated-webull model. J. Appl. Stat., Abngton, v.28, p , CANCHO, G. V.; BOLFARINE, H.; ACHCAR, J. A. A Bayesan analyss for the Exponentated-Webull dstrbuton. J. Appl. Stat. Sc., New York, v.8, n.4, p , CASELLA, G.; GEORGE, E. I. Explanng the Gbbs Sampler. Am. Stat., Washngton, v.46, p , CHIB, S.; GREENBERG, E. Understandng the Metropols-Hastng algorthm. Am. Stat., Washngton, v.49, n.4, p , COX, D. R.; HINKLEY, D. V. Theoretcal statstcs. Chapman and Hall, 1974, 519p. GELMAN, A.; RUBIN, D. B. Inference from teratve smulaton usng mul- tple sequences wth dscusson). Stat. Sc., Hayward, v.7, p , GILKS, W. R.; WILD, P. Adaptve reecton samplng for Gbbs samplng. J. R. Stat. Soc. Ser. C, London, v.41, p , MANN, N. R.; SCHAFER, R. E.; SINGPURWALLA, N. D. Methods for statstcal analyss of relablty and lfe data. New York: Wley, p. MUDHOLKAR, G. S.; HUTSON, A. D. The exponentated Webull famly: some propertes and a flood data applcaton. Commun. Stat. Theory Meth., New York, v.25, p , MUDHOLKAR, G. S.; SRIVATAVA, D. K.; FREIMER, M. The exponentated Webull famly: a reanalyss of the bus-motor falure data. Techonometrcs, Washngton, v.37, p , NADARAJAH, S.; GUPTA, A. K. On the moments of the exponentated Webull dstrbuton. Commun. Stat. Theory Meth., New York, v.34, p , Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36,
20 NASSAR, M. M.; EISSA, F. H. On the exponentated Webull dstrbuton. Commun. Stat. Theory Meth., New York, v.32, p , NELSON, W. Accelerated testng-statstcal models, test plans and data analyss. New York: John Wley & Sons, p. PRESS, S. J. Bayesan statstcs: prncples, models and aplcatons. New York: John Wley & Sons, p. SPIEGELHATER, D. J.; BEST, N. G.; GILKS, W. BUGS-Bayesan nference usng Gbbs samplng: verson 0.6. Cambrgde: MCR Boestatstcs Unt, p. SPIEGELHATER, D. J. et al. Bayesan measures of model complexty and ft wth dscusson). J. R. Stat. Soc. Ser. B, London, v.64 p , TANNER, M. A.; WONG, W. H. The calculaton of posteror dstrbutons by data augmentaton wth dscusson). J. Am. Stat. Assoc., Washngton, v.82, p , TIERNEY, L.; KADANE, J. B. Accurate approxmatons for posteror moments and margnal denstes. J. Am. Stat. Assoc., Washngton, v.81, p.82-86, Recebdo em Aprovado após revsão em Rev. Mat. Estat., São Paulo, v.24, n.2, p.17-36, 2006
UMA REPARAMETRIZAÇÃO PARA A FUNÇÃO DE CONFIABILIDADE CONSIDERANDO O MODELO DE REGRESSÃO VALOR EXTREMO COM DADOS DE TEMPO DE VIDA ACELERADO
UMA REPARAMETRIZAÇÃO PARA A FUNÇÃO DE CONFIABILIDADE CONSIDERANDO O MODELO DE REGRESSÃO VALOR EXTREMO COM DADOS DE TEMPO DE VIDA ACELERADO Vera Luca D. TOMAZELLA José Carlos FOGO 2 RESUMO: Neste trabalho,
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisANÁLISE DE SOBREVIVÊNCIA UTILIZANDO DENSIDADES A PRIORI COM DADOS AMPLIADOS
ANÁLISE DE SOBREVIVÊNCIA UTILIZANDO DENSIDADES A PRIORI COM DADOS AMPLIADOS Josenldo de Souza CHAVES Josemar RODRIGUES 2 RESUMO: Neste trabalho, apresentamos uma análse Bayesana para dados clíncos exponencas
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
Leia maisInferência Estatística e Aplicações II. Edson Zangiacomi Martinez Departamento de Medicina Social FMRP/USP
Inferênca Estatístca e Aplcações II Edson Zangacom Martnez Departamento de Medcna Socal FMRP/USP edson@fmrp.usp.br Métodos Bayesanos Edson Zangacom Martnez Cênca Hoje, julho de 2006 Thomas Bayes Thomas
Leia maisANÁLISE BAYESIANA DA CONFIABILIDADE DE ITENS SUBMETIDOS A TESTES DE DEGRADAÇÃO
ANÁLISE BAYESIANA DA CONFIABILIDADE DE ITENS SUBMETIDOS A TESTES DE DEGRADAÇÃO Rodolfo Romualdo da Slva Insttuto Mltar de Engenhara (IME) Pça Gen Tbúrco 80 Urca Ro de Janero RJ CEP 90-70 (romu@skydome.com.br)
Leia maisALGORITMOS PARA DADOS AUMENTADOS
ALGORITMOS PARA DADOS AUMNTADOS. INTRODUÇÃO Dos algortmos baseados na consderação de dados latentes. Temos os dados efetvamente observados e de uma manera convenente aumentamos esses dados ntroduzndo os
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisUniversidade de São Paulo Escola Superior de Agricultura Luiz de Queiroz Departamento de Ciências Exatas
Unversdade de São Paulo Escola Superor de Agrcultura Luz de Queroz Departamento de Cêncas Exatas Prova escrta de seleção para DOUTORADO em Estatístca e Expermentação Agronômca Nome do canddato (a): Questão
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia mais2. VARIÁVEIS ALEATÓRIAS
VARIÁVEIS ALEATÓRIAS 0 Varável aleatóra Ω é o espaço amostral de um epermento aleatóro Uma varável aleatóra é uma função que atrbu um número real a cada resultado em Ω Eemplo Retra- ao acaso um tem produzdo
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisIdentidade dos parâmetros de modelos segmentados
Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisEstimação Bayesiana das Fragilidades Individuais de Pacientes em Tratamento de Hemodiálise
Estmação Bayesana das Fragldades Indvduas de Pacentes em Tratamento de Hemodálse Grazela Dutra Rocha Gouvêa 2 Vera Lúca Damasceno Tomazella 3 João Domngos Scalon 4 Introdução Em análse de sobrevvênca consdera-se,
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisImplementação Bayesiana
Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia maisPUCPR- Pontifícia Universidade Católica Do Paraná PPGIA- Programa de Pós-Graduação Em Informática Aplicada PROF. DR. JACQUES FACON
1 PUCPR- Pontfíca Unversdade Católca Do Paraná PPGIA- Programa de Pós-Graduação Em Informátca Aplcada PROF. DR. JACQUES FACON LIMIARIZAÇÃO ITERATIVA DE LAM E LEUNG Resumo: A proposta para essa sére de
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisD- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS
D- MÉTODO DAS APROXIMAÇÕES SUCESSIVAS O método das apromações sucessvas é um método teratvo que se basea na aplcação de uma fórmula de recorrênca que, sendo satsfetas determnadas condções de convergênca,
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisRevista Ceres ISSN: X Universidade Federal de Viçosa Brasil
Revsta Ceres ISSN: 0034-737X ceresonlne@ufv.br Unversdade Federal de Vçosa Brasl Almeda Marques da Slva, Natascha; Munz, Joel Augusto; Fonseca e Slva, Fabyano; De Aquno, Luz Henrque; De Moraes Gonçalves,
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisEstatística. 8 Teste de Aderência. UNESP FEG DPD Prof. Edgard
Estatístca 8 Teste de Aderênca UNESP FEG DPD Prof. Edgard 011 8-1 Teste de Aderênca IDÉIA: descobrr qual é a Dstrbução de uma Varável Aleatóra X, a partr de uma amostra: {X 1, X,..., X n } Problema: Seja
Leia maisRobustecendo a distribuição normal
Robustecendo a dstrbução normal Marcos Rafael Noguera Cavalcante Dssertação apresentada ao Insttuto de Matemátca e Estatístca da Unversdade de São Paulo para obtenção do título de Mestre em Cêncas Programa:
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisDissertação de Mestrado
Dssertação de Mestrado O Modelo Paramétrco de Webull B-varado Para Modelagem de Dados com Censura Intervalar Por Fernanda Carla Álvares Das Dnz Orentadora Marta Afonso Fretas Belo Horzonte, 9 de outubro
Leia maisIMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO
IMPLEMENTAÇÃO DO MÉTODO DE FATORAÇÃO DE INTEIROS CRIVO QUADRÁTICO Alne de Paula Sanches 1 ; Adrana Betâna de Paula Molgora 1 Estudante do Curso de Cênca da Computação da UEMS, Undade Unverstára de Dourados;
Leia mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a de novembro de 00, Ro de Janero/RJ ERRO DE DIAGNÓSTICO EM AMOSTRAGEM ZERO-DEFEITOS COM RETIFICAÇÃO: DETERMINAÇÃO DO TAMANHO ÓTIMO DE INSPEÇÃO Roberto da
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisUM MODELO DE DEGRADAÇÃO BAYESIANO COM APLICAÇÕES PARA MANUTENÇÃO E DETERMINAÇÃO DE GARANTIA
UM MODELO DE DEGRADAÇÃO BAYESIANO COM APLICAÇÕES PARA MANUTENÇÃO E DETERMINAÇÃO DE GARANTIA Rívert Paulo Braga Olvera DEP-UFMG Av. Presdente Antôno Carlos, 667. Belo Horzonte - MG,Brasl. lamabarsta@gmal.com
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisModelagem do crescimento de clones de Eucalyptus via modelos não lineares
Modelagem do crescmento de clones de Eucalyptus va modelos não lneares Joselme Fernandes Gouvea 2 Davd Venanco da Cruz 3 Máco Augusto de Albuquerque 3 José Antôno Alexo da Slva Introdução Os fenômenos
Leia maisUM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS
UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisTESTE DO QUI-QUADRADO - Ajustamento
Exemplo 3: Avalar se uma moeda ou um dado é honesto; Em 100 lances de moeda, observaram-se 65 coroas e 35 caras. Testar se a moeda é honesta. 1 H 0 : a moeda é honesta; H 1 : a moeda não é honesta; 2 α
Leia mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia maisÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO
Anas Eletrônco ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO Anderson Takash Hara, Heraldo Takao Hashgut, Antôno Carlos Andrade
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisMODELO RECEPTOR MODELO RECEPTOR MODELO RECEPTOR. Princípio do modelo:
MODELO RECEPTOR Não modela a dspersão do contamnante. MODELO RECEPTOR Prncípo do modelo: Atacar o problema de dentfcação da contrbução da fonte em ordem nversa, partndo da concentração do contamnante no
Leia maisANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS. Palavras-chave: Tensões térmicas, Propriedades variáveis, Condução de calor, GITT
ANÁLISE DAS TENSÕES TÉRMICAS EM MATERIAIS CERÂMICOS Dnz, L.S. Santos, C.A.C. Lma, J.A. Unversdade Federal da Paraíba Laboratóro de Energa Solar LES/DTM/CT/UFPB 5859-9 - João Pessoa - PB, Brasl e-mal: cabral@les.ufpb.br
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisDomínio de atração de distribuições α-estáveis sob modelos de mistura finita
nas do CNMC v.2 ISSN 1984-820X omíno de atração de dstrbuções α-estáves sob modelos de mstura fnta Cra E. Guevara Otnano, Cáta Regna Gonçalves, epto de Estatístca e Matemátca, UnB, 70910-900 Brasla-F E-mal:
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisUNIVERSIDADE FEDERAL DE MINAS GERAIS JORIA MARTINHO GONÇALVES SOLUÇÕES PARA O PROBLEMA DE SEPARAÇÃO QUASE-COMPLETA EM REGRESSÃO LOGÍSTICA
UNIVERSIDADE FEDERAL DE MINAS GERAIS JORIA MARTINHO GONÇALVES SOLUÇÕES PARA O PROBLEMA DE SEPARAÇÃO QUASE-COMPLETA EM REGRESSÃO LOGÍSTICA BELO HORIZONTE 28 JORIA MARTINHO GONÇALVES SOLUÇÕES PARA O PROBLEMA
Leia maisEQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI)
EQUAÇÕES DIFERENCIAIS ORDINÁRIAS (EDO) PROBLEMA DO VALOR INICIAL (PVI) Introdução Seja a segunte equação derencal: d ( ) ; d para. que é reerencado com o problema do valor ncal. Essa denomnação deve-se
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisEletroquímica 2017/3. Professores: Renato Camargo Matos Hélio Ferreira dos Santos.
Eletroquímca 2017/3 Professores: Renato Camargo Matos Hélo Ferrera dos Santos http://www.ufjf.br/nups/ Data Conteúdo 07/08 Estatístca aplcada à Químca Analítca Parte 2 14/08 Introdução à eletroquímca 21/08
Leia maisDinâmica Estocástica. Instituto de Física, outubro de Tânia Tomé - Din Estoc
Dnâmca Estocástca Insttuto de Físca, outubro de 2016 1 Dnâmcas estocástcas para o modelos defndos em redes Sstema defndo em um retculado em um espaço de d dmensões Exemplo: rede quadrada d=2 em que cada
Leia maisLeis de conservação em forma integral
Les de conservação em forma ntegral J. L. Balño Departamento de Engenhara Mecânca Escola Poltécnca - Unversdade de São Paulo Apostla de aula Rev. 10/08/2017 Les de conservação em forma ntegral 1 / 26 Sumáro
Leia maisAplicações de Estimadores Bayesianos Empíricos para Análise Espacial de Taxas de Mortalidade
Aplcações de Estmadores Bayesanos Empírcos para Análse Espacal de Taxas de Mortaldade Alexandre E. dos Santos, Alexandre L. Rodrgues, Danlo L. Lopes Departamento de Estatístca Unversdade Federal de Mnas
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia mais