Professional Documents
Culture Documents
Completo de Texto:
En este anlisis Bayesian del artculo para un polivinlicoDistribucin de Weibull usando
priors informativos se discute. Esta distribucin se presenta tpicamente cuando los datos
son el mnimo de varias veces de fracaso de Weibull de riesgos competentes. Para realizar
los cmputos Bayesian, la simulacin usando el dechado de Gibbs se sugiere. Esto se puede
utilizar para encontrar momentos posteriores, la funcin de densidad marginal de
probabilidad posterior, y el riesgo o la confiabilidad proftico.
1,1 introduccin
El anlisis de los datos del curso de la vida es un rea muy activa en estadsticas tericas y
aplicadas. Se presenta en anlisis biomdico de la supervivencia y en anlisis de la calidad y
de confiabilidad. El modelo ms conocido y ms de uso general para analizar datos del curso
de la vida esDistribucin de Weibull, que generaliza la distribucin exponencial
permitiendo el aumento o disminuyendo ndices de fracaso. Desafortunadamente, incluso
este modelo es a menudo inadecuado, pues los ndices de fracaso del nonmonotone no son
infrecuentes en la prctica.
Muchos de los ndices de fracaso comnmente considerados del nonmonotone tienen formas
de la baera. Por ejemplo, Prentice (1975) introdujo una distribucin F generalizada; Hjorth
(el an o 80) propuso a una familia del tres-parmetro con el aumento de, disminuyendo, y
baera-form ndices de fracaso; Stacy (1982) consideraba a una familia gamma
generalizada; y Beetz (1982) y poseer, Subramanian, y Saunders (1986) consideraban
mezclas de distribuciones de Weibull. Una cuenta razonablemente completa de los modelos
para los ndices de fracaso baera-formados fue proporcionada por Rajarshi y Rajarshi
(1988). Para el rea relacionada del anlisis de valor extremo, el uso de una distribucin del
valor extremo del dos-componente (vase, por ejemplo, Arnell y Gabriela 1988 y Fiorentino,
Versace, y Rossi 1985) ha aparecido en la literatura hidrolgica. En este artculo eran
consideran la familia polivinlica-Weibull de distribuciones, que se presenta en los escenarios
de los riesgos competentes de Weibull, por ejemplo en los ejemplos siguientes.
Ejemplo 1,1 (en teora de confiabilidad). Suponga que el fracaso de un producto puede
ocurrir debido a una causa inicial (e.g., error de fabricacin) o una causa a largo plazo (e.g.,
wearout). Es con frecuencia razonable asumir que estas dos causas afectan al producto
independientemente y tienen (Weibull) W ([[theta] .sub.1], [.sub.1 [beta]]) y W ([[theta]
.sub.2], [.sub.2 [beta]]) las distribuciones. La poca de fracaso del producto es entonces el
mnimo de estos tiempos de fracaso (independientes), y la funcin resultante de la
confiabilidad (cdf 1-the) del producto es [EXPRESIN MATEMTICA NO REPRODUCTIVA EN
EL ASCII]. La distribucin correspondiente se llama el BIDistribucin de Weibull. Como
otro ejemplo, tirada, Goodrich, Hecht, y McCulum (1990) investig el comportamiento
mecnico de la cermica seleccionada del nitruro de silicio ([Si.sub.3], [N.sub.4]), que son
materiales del candidato para los motores de calor avanzados. Encontraron que en las
temperaturas altas, el tiempo al fracaso parece seguir un BIDistribucin de Weibull, con
crecimiento de grieta lento y acumulacin del dao que es las dos causas (de la
independiente) del fracaso.
[CUADRO 1 OMITIDO]
Por supuesto, ms de dos causas del fracaso o los riesgos competentes pueden ser
considerados. As consideraremos el modelo polivinlico-Weibull general.
Dejado [theta] = ([[theta] .sub.1],, [[theta] los .sub.m]) y [beta] = ([.sub.1 [beta]], [los
.sub.m [beta]]). Asuma que las unidades de r estn probadas independientemente, con sus
edades teniendo el pdf comn (1). Deje [t.sub.1],, [t.sub.n] sea los tiempos de fracaso
observados, y deje [t*.sub.1],, [t*.sub.r-n sea los tiempos observados en la prueba de las
unidades que todava no han fallado. La funcin de probabilidad entonces est
donde
Observe que no existen las suficientes estadsticas simples y que los acercamientos clsicos
al problema son difciles.
1,4 avance
Extensin del producto y de la adicin en (2) resultados en expresin con los trminos
[m.sub.n]. Por ejemplo, si m = 3 y n = 20, all es [3.sup.20] = 3, 486.784.399 trminos. El
cmputo va la extensin de la fuerza bruta no es as tpicamente posible. El propsito de
este artculo es mostrar cmo el anlisis Bayesian puede sin embargo ser hecho, usando un
acercamiento del muestreo de Gibbs. Con la introduccin de variables auxiliares y el uso del
muestreo registro-cncavo del rechazo, el anlisis es muy eficiente de cmputo.
La seccin 2,1 da las distribuciones anteriores que sern utilizadas y describe brevemente
mtodos de evaluacin anterior. Las secciones 2,2, 2,3, y 2,4 describen cmo utilizar el
muestreo de Gibbs para simular del trasero, y la seccin 2,5 discute la valoracin usando
estos valores simulados. La seccin 3 da los ejemplos numricos para un BIDistribucin de
Weibull, para ilustrar la eficacia del muestreo de Gibbs.
Asuma que [[theta] .sub.1],, [[theta] los .sub.m], dado [beta], sea independiente y que es
la densidad anterior [[theta] .sub.j] de dado [[theta] .sub.j]
Porque la forma especfica en (4) se requiere para [[pi] .sub.1j], porque stos son priors
condicionales dados [.sub.j [beta]], l es til para enumerar los mtodos de sacar [a.sub.j] y
[b.sub.j] una vez que se ha especificado el anterior marginal.
Opcin 1: Especifique los primeros dos momentos marginales para [[theta] .sub.j]. Asuma
que [[MU] .sub.1j] y [[MU] .sub.2j] son los primeros y segundos momentos de [[theta]
.sub.j]. Porque [EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII], entonces
[a.sub.j] y [b.sub.j] puede ser determinado solucionando las ecuaciones
Opcin 2: Especifique dos cuantiles marginales de [[theta] .sub.j]. Observe que [EXPRESIN
MATEMTICA NO REPRODUCTIVA EN EL ASCII], donde [x.sub.2] (2 [a.sub.j]; .) es el cdf
[[ji]] de la distribucin .sup.2 con 2 grados [a.sub.j] de libertad. Si [q.sub.j] ([[alfa] .sub.1]
y [q.sub.j] ([[alfa] .sub.2] es [[alfa]] el cuantil .sub.2 de la distribucin marginal de [[theta]
.sub.j], despus [a.sub.j] y [b.sub.j] puede ser obtenida solucionando las ecuaciones [la
EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII]
Opcin 3: Especifique dos cuantiles profticos. Observe que es la confiabilidad proftica por
el tiempo componente de fracaso del jth
Para el muestreo eficiente de Gibbs, introducimos las variables al azar auxiliares siguientes.
Asuma que [t.sub.i] = minuto ([X.sub.il],, [X.sub.im], donde [X.sub.il],, [X.sub.im] (1
[inferior o igual] i [inferior o igual] n) es variables al azar independientes para dado [theta] y
[beta] y el ~W [X.sub.ij] ([[theta] .sub.j], [.sub.j [beta]]. As [X.sub.ij] puede ser
interpretado como (posiblemente sin realizar o no visto) la poca de fracaso para la unidad i,
debida arriesgar el J. Para 1 [inferior o igual] i [inferior o igual] n y 1 [inferior o igual] j
[inferior o igual] m, define [I.sub.ij] = I ([t.sub.i] = [X.sub.ij]), donde est la funcin I (*)
de indicador, y denota, [I.sub.i] = ([I.sub.i1],, [I.sub.im], I = ([I.sub.1],, [I.sub.n]),
[I.sub. (- i)] = {[I.sub.k]: 1 [inferior o igual] k [inferior o igual] n, k [igual a] i}, [X.sub.i] =
([X.sub.i1],, [X.sub.im]), X = ([X.sub.1],, [X.sub.n]), [X.sub. (- i)] = {[X.sub.k]: 1
[inferior o igual] k [inferior o igual] n, k [no igual a] j}, y [[theta] .sub. (- j)] = {[[theta]
.sub.k]: 1 [inferior o igual] k [inferior o igual] m, k [no igual a] j} = {[.sub.k [beta]]: 1
[inferior o igual] k [inferior o igual] m, k [no igual a] j}.
1. Utilice los indicadores I = ([I.sub.1],, [I.sub.n] de la causa del fracaso como variables al
azar auxiliares. Deje x = (t, t*) y [XI] = ([theta], [beta], [I.sub.1],, [I.sub.n] (vase el
apndice), y muestree recurrentemente de las distribuciones condicionales [pi] ([[theta]
.sub.j]|t, t*, [[theta] .sub. (- j)], [beta], I,), [pi] ([.sub.j [beta]]|t, t*, [theta], [.sub [beta].
(- j)], I], y [pi] ([I.sub.i]|t, t*, [theta], [beta], [I.sub. (- i)).
2. Utilice los tiempos de fracaso competentes del riesgo X = ([X.sub.1],, [X.sub.n]) como
variables al azar auxiliares. Deje x = (t, t* y [XI] = ([theta], [beta], [X.sub.1],, [X.sub.n]),
y muestree recurrentemente de las distribuciones condicionales [pi] ([[theta] .sub.i]|t, t*,
[[theta] .sub. (- j)], [beta], X], [pi] (.sub [beta]. (- j)], X), y [pi] ([X.sub.i]|t, t*. [theta],
[beta], [X.sub. (- i)]).
donde S ([.sub.j [beta]] es dado por (3) y [N.sub.j] = [[SIGMA] .sub.i=j.sup.n] [I.sub.ij].
El lado derecho de (5) no depende de [[theta] .sub. (- j)] y .sub [beta]. (- j), y la
distribucin condicional de [EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII],
dada (t, t *, [[theta] .sub. (- j)], [beta], I), es JG ([a.sub.j] + [N.sub.j], S ([.sub.j [beta]])
+ [b.sub.j]). Por lo tanto, para simular una observacin de la densidad (5), primero genere
una variable al azar Y del gamma ([a.sub.j] + [N.sub.j], 1) distribucin; entonces
[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII] tiene la densidad deseada.
Una discusin similar a sa en la prueba del teorema 2,1 rinde el teorema siguiente.
Teorema 2,2. La densidad condicional de [I.sub.i] (en cuanto a medida de cuenta), dada (t,
t*, [theta], [beta], [I.sub. (- i)]), es
Teorema 2,3. La densidad condicional de [.sub.j [beta]], dada (t, t *, [theta], [.sub [beta].
(- j), I], es registro-cncavo.
Wilks y Wild (1990) utilizaron una versin adaptante del muestreo del rechazo para simular
de un trasero condicional registro-cncavo en el muestreo de Gibbs. Encontramos una
versin algo diferente del rechazo el muestrear para ser ms eficaces aqu; esta versin se
describe en el apndice B. Una manera fcil de muestrear una variable al azar de una
densidad por trozos exponencial tambin se da. Junto, estos algoritmos permiten el
muestrear de la densidad condicional [pi] ([.sub.j [beta]]|t, t*, I, [theta], [.sub [beta]. (-
j)]).
Suponga que ([[theta] .sub.k, j], 1 [inferior o igual] m; [.sub.k [beta], j,] 1 [inferior o igual]
m; [I.sub.k, ij,] 1 [inferior o igual] i [inferior o igual] n, 1 [inferior o igual] j [inferior o igual]
m), k = 1,, M, es las muestras obtenidas del dechado de Gibbs. Entonces el medio y la
variacin posteriores de [[theta] .sub.j] estn aproximadamente cerca [EXPRESIN
MATEMTICA NO REPRODUCTIVA EN EL ASCII] y [EXPRESIN MATEMTICA NO
REPRODUCTIVA EN EL ASCII] la covariacin posterior de [[theta] .sub.j] y [[theta] .sub.j],
es [^.cov] ([[theta] .sub.j], son [^.cov] ([[theta] .sub.j], [theta] .sub.j],|datos) = 1 (M -
[M.sub.1)
3. EJEMPLOS NUMRICOS
[CUADRO 2 OMITIDO]
[CUADRO 3 OMITIDO]
[CUADRO 4 OMITIDO]
Deje p ([XI] | x) sea una densidad posterior general con [XI] = ([XI],, [XI]) [miembro de]
[R.sub.d]. Estamos interesados en [integral] [florn] ([XI] p ([XI]| x) d [XI]. Suponga que las
distribuciones condicionales completas, [p.sub.i] ([XI] |x, [[XI] .sub.j], j [no igual a] i), est
disponible para muestrear. Geman y Geman (1984) introdujeron un algoritmo para computar
[integral] [florn] ([XI] p ([XI]| x) d [XI], designada el dechado de Gibbs. Su algoritmo, un
esquema de puesta al da markoviano, procede como sigue.
A partir de un sistema de cualquier valor inicial ([[XI] .sub.0, 1], [[XI] .sub.0, 2],, [[XI]
.sub.0, d]), genere [[XI] .sub.1, 1] de [p.sub.1] ([[XI] .sub.1]|x, [[XI] .sub.0, 2],, [[XI]
.sub.0, d]), entonces [[XI] .sub.1, 2] de [p.sub.2] ([XI]|x, [[XI] .sub.1, 1], [[XI] .sub.0,
3],, [[XI] .sub.0, d]), y as sucesivamente hasta [[XI] .sub.0, d] de [p.sup.d] ([XI] d|x,
[[XI] .sub.1, 1],, [[XI] .sub.1, d-1]. Entonces repita el proceso, usando [XI] .sub.1, 1],,
[[XI] .sub.1, 2],, [[XI] .sub.1, d]) como los valores iniciales. Iteracin Continue,
terminando con [[XI] .sub. M, 1], [[XI] .sub. M, 2],, [[XI] .sub. M, d]) despus de M tales
iteraciones. Bajo condiciones suaves, [EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL
ASCII] aqu [M.sub.1]) est el tamao de muestra desechado del marcar a fuego. Adems,
la densidad marginal de [[XI] .sub.k] se puede estimar por la densidad finita de la mezcla
[EXPRESIN MATEMTICA NO REPRODUCTIVA EN EL ASCII] que esto es llamada Rao-
negro-wellization por Gelfand y Smith (1990). Para otras discusiones del dechado de Gibbs,
vea el trabajo de Gelfand y Smith (1990), Casella y George (1992), Ritter y Tanner (1992), y
Roberts (1992).
Aqu presentamos un algoritmo para muestrear de la densidad [pi] ([.sub.j [beta]]|*) = [pi]
([[beta.sub.j]|t, t*, I, [theta], [.sub [beta]. (- j)]). El algoritmo no requiere la obtencin del
supremum de [pi] ([[beta.sub.j]|*). sta es una versin explcita del algoritmo del aceptar-
rechazo para muestrear de una densidad registro-cncava (Devroye 1986). Porque la
densidad anterior de [.sub.j [beta]] es registro-cncava, la ayuda [.sub.j [beta]] debe ser un
intervalo y se denota cerca ([c.sub.j], [d.sub.j]), donde 0 < [infinito] [de c.sub.j] [inferior o
igual] [d.sub.j] [inferior o igual]. Denote al lado derecho de (10) por h ([.sub.j [beta]]).
Entonces [pi] ([.sub.j [beta]] | .) iguala exp (h ([.sub.j [beta]])), hasta un constante de la
normalizacin.
* el paso 1. elige [s.sub.1] y [s.sub.3] de modo que h ([s.sub.1]) >0 > h ([s.sub.3]).
Observe que si seleccionado originalmente [s.sub.1] tiene h ([s.sub.1] [inferior o igual] 0,
uno puede substituir simplemente [s.sub.1] por ([c.sub.j] + [s.sub.1]) /2. Del lema 3,1,
[s.sub.1] con el h ([s.sub.3] >0 se puede encontrar en un nmero finito de tales pasos.
Semejantemente, [s.sub.3] el h satisfactorio ([s.sub.3]) <0 puede ser encontrado.
* el paso 4. define una funcin del sobre y una funcin que exprime cerca [EXPRESIN
MATEMTICA NO REPRODUCTIVA EN EL ASCII] y
[h.sub.L] (s) = [[h ([s.sub.2]) - h ([s.sub.1])]/[[s.sub.2] - [s.sub.1]]] s + [[[s.sub.2] h
([s.sub.1]) - [s.sub.1] h ([s.sub.2])]/[[s.sub.2] - [s.sub.1]]], si [s.sub.1] [inferior o igual] s
[inferior o igual] [s.sub.2], = [[h ([s.sub.3]) - h ([s.sub.2])]/[[s.sub.3] - [s.sub.2]]] s +
[[[s.sub.3] h ([s.sub.2]) - [s.sub.2] h ([s.sub.3])]/[[s.sub.3] - [s.sub.2]]], si [s.sub.2]
[inferior o igual] s [inferior o igual] [s.sub.3], = - [infinito], si no, (A.1)
[.sub.j [beta]] el .sub.j] generado en el paso 4 tiene la densidad condicional deseada, [pi]
([.sub.j [beta]]|t, t*.I, [theta], [betha] .sub. (- j). Un ejemplo de una funcin del sobre y de
una funcin que exprime se puede considerar de la figura A.1.
Observaciones
1. Sigue del lema 3,1 y del hecho ese h ([s.sub.1]) >0 >h ([S.sub.3]), se [c.sub.j] =
[u.sub.0] < [s.sub.1] < [u.sub.1] < [s.sub.2] < [u.sub.2] < [s.sub.3] < [u.sub.3] =
[d.sub.j] y [V.sub.1], [V.sub.2], [V.sub.3] >0.
Es fcil ver que si U* es un U (0, 1) variable al azar, despus [la EXPRESIN MATEMTICA
NO REPRODUCTIVA EN EL ASCII] tiene la densidad [p.sub.k] (*)
APNDICE C: PRUEBAS
Prueba del teorema 2,1. Porque [pi] ([theta] .sub.j]|t, [t*, [theta] .sub. (- j)], [beta], I) es
proporcional a
donde
5 sigue inmediatamente.
Prueba del teorema 2,3. Observe que la densidad condicional de .sub.j [beta]] dado (t, t*,
[theta], [.sub [beta]. (- j)], I), es proporcional a
Esto es negativo, de modo que el segundo derivado del segundo trmino adentro (A.4) sea
registro-cncavo. El resultado sigue de la suposicin eso
REFERENCIAS
Beety, C.P. (1982), anlisis de las distribuciones de la fuerza de la fibra de carbono que
exhiben modos de fracasos mltiples, ciencia y tecnologa, 16, 45-59 de la fibra.
Berger, J.O. (1985), teora de decisin estadstica y anlisis Bayesian (2do ed.), Nueva York:
Saltador-Verlag.
Casella, G., and George, E. I. (1992), "Explaining the Gibbs Sampler," The American
Statistician, 46, 167-174.
Cox, D. R. (1959), "The Analysis of Exponentially Distributed Lifetimes With Two Types of
Failures," Journal of the Royal Statistical Society, Ser. B, 21, 411-421.
Chuck, L., Goodrich, S. M., Hecht, N. L., and Dale, E. M. (1990), "High-Temperature Tensile
Strength and Tensile Stress Rupture Behavior of Norton/TRW NT-154 Silcon Nitride,"
Ceramic Engineering and Science Proceeding, 11, 1007-1027.
David, H. A., and Moeschberger, M. L. (1978), The Theory of Competing Risks (Griffin's
Statistical Monographs & Courses No. 39), London: Charles W. Griffin.
German, S., and German, A. (1984), Stochastic Relaxation, Gibbs Distributions and the
Bayesian Restoration of Images," IEEE Transactions on Pattern Analysis and Machine
Intelligence, 6, 721-740.
Gilks, W. R., and Wild, P. (1992), "Adaptive Rejection Sampling for Gibbs Sampling," Applied
Statistics, 41, 337-348.
Elandt-Johnson, R. C, and Johnson, N. L. (1980), Survival Models and Data Analysis, New
York: John Wiley.
Fiorentine, M., Versace, P., and Rossi, F. (1985), "Regional Flood Frequency Estimation Using
the Two-Component Extreme Value Distribution," Hydrological Sciences Journal, 30, 51-60.
Martz, H. F., and Waller, R. A. (1982), Bayesian Reliability Analysis. New York: John Wiley.
Own, S. H., Subramanian, R. V., and Saunders, S. C. (1986), "A Bimedal Lognormal Model of
the Distribution of Strength of Carbon Fibres: Effects of Electrodeposition of Titanium DI
(Dioctyl Pyrophosphate) Oxyacetate," Journal of Materials Science, 21, 3,912-3,920.
Raftery, A. E., and Lewis, S.M. (1992), "How Many Iterations in the Gibbs Sampler?," in
Bayesian Statistics, 4, eds. J. M. Bernardo et al., London: Oxford University Press, pp. 763-
773.
Rajarshi, S., and Rajarshi, M.B. (1988), "Bathtub Distribution: A Review," Communications in
Statistics, Part A--Theory and Methods, 17, 2,597-2,621.
Ritter, C., and Tanner, M.A. (1992), "Facilitating the Gibbs Sampler: The Gibbs Stopper and
the Griddy-Gibbs Sampler," Journal of the American Statistical Association, 87, 861-868.
Stacy, E. W. (1982), "A Generalization of the Gamma Distribution," The Annals of Statistics,
33, 1,187-1,192.
Weibull distribucin est uno lo ms frecuentemente de los modelos usados por los
estadsticos y los ingenieros igualmente para representar el tiempo al fracaso de productos.
De hecho, algunos autores utilizan el trmino Weibull anlisis a refiera al campo general
del modelado y del anlisis de datos basados en las estadsticas (Abernethy 1996) de la
confiabilidad. Factores que han contribuido al renombre del Weibull distribucin incluya el
siguiente:
* integre la literatura en los modelos que se relacionan con Weibull distribucin (Captulos
2 y 6-15).
Un comentario detallado de los captulos del libro sigue. El captulo 1 proporciona una
descripcin del libro, una breve cuenta histrica del Weibulldistribucin, y un punto
culminante de aplicaciones de ejemplo en la ingeniera y ciencias fsicas.
El captulo 2 explica la taxonoma propuesta por los autores para agrupar los modelos
relacionados con Weibull distribucin. La taxonoma es lgico y til. Los autores agrupan
los modelos relacionados con Weibull distribucin bajo siete categoras generales:
* tipo III, modelos que implican dos o ms distribuciones: mezcla modelos, modelos de
riesgo competentes, modelos multiplicativos y modelos seccionales
* tipo IV, Weibull modelo con parmetros diversos: parmetros modelo sa es funciones de
otras variables (e.g., tensin) o de las variables al azar ellos mismos (los modelos Bayesian)
Los tres captulos siguientes se dedican a una descripcin de los dos estndar y al tres-
parmetro Weibull distribuciones. El captulo 3 revisa brevemente las caractersticas
bsicas de stos distribuciones. El captulo 4 proporciona un resumen de mtodos
paramtricos y no paramtricos de la valoracin. Mtodos grficos de los presentes del
captulo 5 y pruebas del calidad-de-ajuste usadas para la seleccin modelo y la validacin.
El bulto de la contribucin original del libro se contiene en captulos 6-15. Estos captulos
presentan una descripcin de los modelos relacionados conWeibull distribucin organizado
por la taxonoma descrita en el captulo 2. Antes de que leyera este libro, era familiar con
algunos de estos modelos, pero tambin descubr muy algunos nuevos que estaba
inconsciente de (e.g., el modelo de Stacy-Mihram, el Slymen-Lachenbruch se
modific Weibulldistribucin). Cuento con eso las experiencias de otros lectores sern
paralelo a los mos. El estilo de la presentacin en estos captulos es comparable al de un
manual de estadstico distribuciones (e.g., Johnson, Kotz, y Balakrishnan 1994). Los
modelos son caracterizados generalmente por sudistribucin funciones, funciones del
peligro, momentos, porcentajes, y estadsticas ordinales. Hay muy pocos ejemplos
numricos en estos captulos. Los autores tambin exploran el comportamiento de los
modelos en a Weibull diagrama de la probabilidad (WPP) como medio para la seleccin
modelo para un grupo de datos dado (e.g., datos de la muestra de
a Weibull distribucin se espera a diagrama spero a lo largo de una lnea recta; datos de
lo contrario Weibull distribucin tiene una forma cncava). Dondequiera de mitad de una
pgina a 10 pginas (y ms en algunos casos) se dedica a cada modelo. Estos captulos
servirn como referencia til para alguien interesada en el aprendizaje sobre las
caractersticas bsicas de un modelo particular.
Los tres captulos pasados desplazan el foco a los usos de estos modelos en confiabilidad.
Aqu es donde el libro se distingue de un manual estndar de estadstico distribuciones.
* algunos detalles importantes faltan o no son fcilmente obvios (e.g., clculo de las
residuales de los mnimos cuadrticos para las observaciones censuradas respecto a un
WPP).
* me refiero que tal procedimiento podra ser peligroso en las manos de un novato. Las
circunstancias que llevan a algunos de los modelos del candidato son sumamente diferentes.
Por ejemplo, la opcin de una mezcla contra un modelo de riesgo competente se debe dirigir
por su comprensin de la situacin. Un procedimiento de seleccin modelo automatizado (tal
como el que est descrito en este captulo) se podra entonces utilizar para identificar las
formas ms convenientes para los componentes individuales del modelo total. Los autores
proporcionan algunas instrucciones prcticas tiles en la seleccin modelo en el captulo
siguiente, y algunos de esos puntos tambin mereceran la mencin en estos ejemplos.
* para los artculos de consumidor, el modo del uso y el ambiente pueda vare
perceptiblemente a travs de la poblacin consumidora. En este caso, el modelado de
fracasos bajo necesidad de la garanta de tomar en cuenta esto. En este caso, los modelos
con parmetros al azar son ms apropiados modelar fracasos.
Las crticas principales son que la discusin es demasiado breve. Segn lo indicado antes, el
complemento de los ejemplos de la seleccin modelo del captulo 16 con tales instrucciones
sera apropiado.
Captulo 18, confiabilidad de producto y Weibull Los modelos, describen el uso
de Weibull modelos en premanufacturing (es decir, confiabilidad asignacin, prediccin de la
confiabilidad, evaluacin de confiabilidad, prueba, mejora de la confiabilidad), fabricacin (es
decir, variaciones y control de la calidad, muestreo de aceptacin, seleccin del subconjunto,
marcar a fuego), y de postventa (es decir, garantas, mantenimiento). Como el captulo
anterior, esto es un captulo til pero es demasiado breve. Un libro reciente cowritten por el
autor importante sera un recurso til para el estudio adicional en estos temas (Blischke y
Murthy 2000).
Los ejercicios del fin-de-captulo son pensamiento bien hacia fuera. Las preguntas se piensan
para servir como medio para la gua del lector a estudio adicional en los temas que estn
fuera del alcance del libro. Por ejemplo, aunque los ejemplos numricos son escasos
(excepto en grietas. 15 y 17), all son grupos de datos y problemas amplios del anlisis de
datos en el final de los problemas del captulo. Tambin tuve gusto del equilibrio entre los
ejercicios tcnicos y las preguntas conceptuales. Como se esperaba, algunas preguntas son
esencialmente ejercicios matemticos (e.g., muestre que el diagrama de WPP para lo
contrario Weibull es cncavo). Las cuestiones ms avanzadas de esta naturaleza podan
servir posiblemente como temas de investigacin para los estudiantes de tercer ciclo. Hay
tambin muy algunas preguntas no tcnicas causantes de reflexin (e.g., discuta los
diferentes tipos de datos que se generen en cada etapa del ciclo de vida del producto que es
relevante para determinar la confiabilidad del producto) esas yo encontr til.
El libro es generalmente bien escrito y fcil de leer. Podra servir como referencia til a los
mdicos (los estadsticos aplicados y los ingenieros estadstico sofisticados de la
confiabilidad) y a los investigadores (modeladores de la confiabilidad, acadmicos,
estudiantes de tercer ciclo). No es apropiado para alguien nuevo al campo y a buscar una
referencia prcticamente orientada en Weibull distribucin y modelos relacionados.
REFERENCIAS
Abernethy, R.B. (1996), el nuevo Weibull Manual (uno mismo-publicado; Camino de 536
ostras, Palm Beach del norte, FL 33408-4328).
Sin ley, J.F. (2002), modelos estadsticos y mtodos para los datos del curso de la vida (2do
ed.), Nueva York: Wiley.
Ms manso, W.Q., y Escobar, L.A. (1998), mtodos estadsticos para los datos de
confiabilidad, Nueva York: Wiley.
Necip DOGANAKSOY
Doganaksoy, Necip
Khoo, M. B. C., Lai, C. D., Muralidharan, K., & Xie, M. (2007). Weibull model
allowing nearly instantaneous failures. Journal of Applied Mathematics and
Decision Sciences. Retrieved from
http://go.galegroup.com/ps/i.do?id=GALE%7CA178259298&v=2.1&u=espoch_
cons&it=r&p=AONE&sw=w&asid=26ac258e20ee00d895afcf586a24143b
Completo de Texto:
Generalizado Weibull modele que permite instantneo o temprano se modifican los fracasos
para poder expresar el modelo como mezcla del
uniforme distribucin y Weibull distribucin. Propiedades de resultar distribucin se
derivan; particularmente, la densidad de la probabilidad se obtienen la funcin, la funcin de
la supervivencia, y la funcin de la tarifa de peligro. Algunos diagramas seleccionados de
estas funciones tambin se presentan. Una escritura de R fue escrita para caber los
parmetros modelo. Un uso del modelo modificado se ilustra.
1. Introduccin
Modificado Weibull distribucin eso permite instantneo o temprano los fracasos son
introducidos por Muralidharan y Lathika [3]. Fue sealado que el acontecimiento de fracasos
(prematuros) instantneos o tempranos en el experimento de prueba de la vida es un
fenmeno observado en componentes electrnicos as como en ensayos clnicos. Estos
acontecimientos pueden ser debido a la calidad inferior, a la construccin culpable, o a la
ausencia de respuesta de los tratamientos.
El documento se centra en el casi instantneo caso del fracaso pues tiene menos
parmetros. Este caso especial es ms realista que el caso del fracaso temprano puesto
que muchos productos exhiben fenmeno de la mortalidad infantil debido a los defectos
iniciales.
donde
Observamos eso
donde [delta] est la funcin (x) de delta de Dirac. Podemos ver la funcin de delta de Dirac
como normal distribucin tener un malo cero y estndar desviacin que tiende a 0. Para un
valor fijo de d, (2,2) denota un uniforme distribucin sobre un intervalo [[t.sub.0],
[t.sub.0] + d] el modelo modificado ahora es tan con eficacia una mezcla de a Weibull con
un uniforme distribucin. En vez de incluir un fracaso instantneo posible en el modelo,
(2,2) tiene en cuenta un posible cerca de fracaso instantneo para ocurrir uniformemente
sobre un intervalo muy de poca monta.
Observe que el caso = 0 corresponde a los fracasos instantneos, mientras que [t.sub.0] [no
igual a] 0 (pero pequeos) corresponde al caso con fracasos tempranos.
tan
h (t) = f (t)/R (t) = w (t) [h.sub.1] (t) + [1-w (t)] [h.sub.2] (t), (3,5)
donde w (t) = p [R.sub.1] (t)/R (t) para todo el t [mayor o igual] 0. En nuestro caso,
con
(Nota que la ecuacin (3,7) es vlida para todos los casos). Tambin una diferenciacin
simple muestra eso
h (t) = w (t) [h.sub.1] (t) + w (t) [h'.sub.1] (t) - w (t) [h.sub.2] (t) + [1 - w (t)] [h'.sub.2]
(t). (3,8)
Ahora, w (t) [h.sub.1] (t) = p [R.sub.1] (t)/R (t) x [f.sub.1] (t) [R.sub.1] (t) = p [f.sub.1]
(t)/R (t), as que (3,5) est bien definida para todo el t > 0.
Weibull el modelo con el fracaso casi instantneo que ocurre uniformemente sobre [0, d]
tiene
Considere detalladamente el caso especial cuando [t.sub.0] = 0, es decir, Weibull con casi
el modelo instantneo del fracaso.
Funciones de densidad. En ambos cuadros 4,1 y 4,2, tres funciones de densidad con p = 0,2,
0,5, y 0,8 se trazan. En todas las figuras, la proporcin de mezcla ms pequea p es dada
por la lnea llena.
Funciones de la supervivencia. Las funciones de la supervivencia son dadas por las figuras
4,3 y 4,4 que corresponden a las funciones de densidad en los cuadros 4,1 y 4,2,
respectivamente.
De los diagramas, puede ser visto que la funcin de porcentaje de averas del modelo da
lugar a varias diversos formas y topetones; esto se espera como
mezclndose distribuciones con un componente distribucin eso tiene una gama finita
cause a menudo algunos problemas. Aunque la segunda parte pueda ser cada vez mayor o
de disminucin, el primer segmento puede alcanzar diversas formas. Este hallazgo es
constante con el bloque y otros [6].
Mientras que software para la mezcla apropiada distribuciones est disponible, por ejemplo
el paquete de la MEZCLA para el ambiente de R (Macdonald [8]), tales paquetes no manejan
el uniforme distribuciones, o mezclas de desemejante distribuciones.
Para caber el modelo a un grupo de datos, una escritura de R fue escrita. Uno puede escribir
un cdigo en R para caber los 4 parmetros (p, [lambda], [alfa], d) y otra para caber 3
parmetros (p, [lambda], [alfa]) con d dada y se sostuvo fijo. El segundo caso trabaja
siempre, y trabaja muy bien, pero el primer nunca da buenos resultados cuando el borde del
uniforme (el parmetro d) est dentro del pico del Weibull (comunicacin personal con
profesor Macdonald). Esto es porque no hay bastante informacin en los datos para caber el
4to parmetro en esta situacin. En la prctica, el valor de d se puede estimar manualmente
muy exactamente del grupo de datos.
5.1. Uso. Una muestra de 40 tableros de bosque fue comprobada para saber si hay su
sequedad en un rea particular de un tablero. Las observaciones reales eran grados de
sequedad medidos como porcentaje. Este grupo de datos era analizado en Muralidharan y
Lathika [3] con [t.sub.i] = 0, i los = 1,2,, los 28 y las otras observaciones positivas es
como sigue: 0,0463741, 0,0894855, 0,4, 0,42517, 0,623441, 0,6491, 0,73346, 1,35851,
1,77112, 1,86047, 2,12125, 2,12389.
Tratando el grado de sequedad como el tiempo de fracaso, aplicamos Weibull modele con
fracasos casi instantneos modelan a estos datos (vase el cuadro 5,1).
Es razonable separar los ceros uniformemente sobre un intervalo [0, d). Para el ejemplo,
seleccionamos d = 0,135 de modo que [t.sub.1] = 0, [t.sub.2] = 0,0005, [t.sub.3] = 0,00
1,, [t.sub.28] = 0,0135. Aplicando el mtodo de MLE en R, encontramos el siguiente para
ver el cuadro 5,2.
Parece a nosotros que los tamaos de errores estndar de las tres estimaciones son
razonables debido a un pequeo tamao de muestra.
Puesto que el parmetro de la forma [??] = 1,16 y el hecho de que tres parmetros se estn
estimando de pocos puntos de referencias, sera ms realista especificar [alfa] = 1 a priori
(es decir, un exponencial) como caso especial del Weibull modelo. Esto reducira el nmero
de parmetros y por lo tanto la incertidumbre en las estimaciones del parmetro. El cuadro
5,3 resume las estimaciones del parmetro de la mezcla exponencial con el modelo
uniforme.
Nota. v1 consiste en de medidas del grupo de datos original. Los 28 ceros adentro v1
entonces estn calibrados para extenderse por uniformemente encima [0, d]. v2 es formado
substituyendo las primeras 28 clulas de v1 por los valores calibrados.
6. Conclusin
Weibull distribucin ha sido ampliamente utilizado como modelo de la vida adentro usos
de la confiabilidad. Sin embargo, uno encuentra a menudo que no cabe bien en la parte
anterior de una vida til por diversas razones. Particularmente, en los casos donde estn
presente los defectos de la inicial que causa fracasos tempranos, Weibull distribucin se
encuentra inadecuado para modelar tal fenmeno. El modelo propuesto del
modificado Weibull mezcla con un uniforme distribucin para modelar el primer la fase de
una vida til debe proporcionar una alternativa til.
Apndice
v1<-rep (0,40)
v1 [29:401<-c (0,0463741, 0,0894855, 0,4, 0,42517, 0,623441, 0,6491,
0,73346, 1,35851, 1,77112, 1,86047, 2,12125, 2,12389) v2 < - c (0,
0,0005, 0,001, 0,0015, 0,002, 0,0025, 0,003, 0,0035, 0,004, 0,0045, 0,005, 0,0055,
0,006, 0,0065, 0,007, 0,0075, 0,008, 0,0085, 0,009, 0,0095, 0,01, 0,0105, 0,011,
0,0115, 0,012, 0,0125, 0,013, 0,0135, 0,046374, 0,089486, 0,4, 0,42517, 0,623441,
0,6491, 0,73346, 1,35851, 1,77112, 1,86047, 2,12125, 2,12389)
neglluniweib<-funcin (p, x, d) {
pp<-p [1]
shape<-p [21
rate<-p [3]
si (pp>0 y shape>0 y rate>0 y pp<1) {
- suma (registro (pp*dunif (x, 0, *dweibull de d)+ (1 - pp) (x, forma,
1/rate)))
} {
1e+200
}
}
}
uniweibmle del uniweibmle (0,0135, 0,1, 2,1, v1) (0,0135, 0,1, 2,1, v2)
Reconocimientos
Privilegian al primer autor para haber sido un ex-estudiante y un colega de profesor Jeff
Hunter, que ha sido una inspiracin a muchos. Los autores lo desean bien en su retiro. Los
autores son muy agradecidos a profesor Peter Macdonald que les ayud para escribir una
escritura de R para el modelo y a los rbitros para sus comentarios tiles. Los autores
tambin desean reconocer al Dr. K. Govindaraju para que su ayuda mejore la calidad de las
figuras.
Referencias
[2] D.N.P. Murthy, M. Xie, y R. Jiang, Weibull Modelos, Wiley Serie en probabilidad y
estadsticas, John Wiley y hijos, Hoboken, NJ, los E.E.U.U., 2004.
[6] comportamiento de H.W. Block, de Y Li, y de T.H. Savits, inicial y final de las funciones
de porcentaje de averas para las mezclas y los sistemas, diario de la probabilidad aplicada,
vol. 40, no. 3, pgs. 721-740, 2003.
[7] M. Bebbington, C.D. Lai, y R. Zitikis, modelando mortalidad humana usando mezclas de
baera formaron fracasodistribuciones, Diario de la biologa terica, vol. 245, no. 3, pgs.
528-538, 2007.
[8] el P.D.M. Macdonald, MEZCLA para el ambiente de R, distribuy por los SISTEMAS de
DATOS de ICHTHUS, http://www.math.mcmaster.ca/peter/mix/mix.html.
Michael B.C. Khoo: Escuela de ciencias matemticas, Universiti Sains Malasia, 11800 Pulau
Pinang, Malasia
CUADRO 5,2. Extensin del uniforme casi de los tiempos de fracaso instantneos.
[??] 1 [??]
Knowledge of kinetics of osmotic dehydration of a food and factors that cause effects
are aspects import for the appropriate design of process. In this work the application of
normalized Weibull model was investigated for describing the osmotic dehydration (OD)
of sardine finite sheets and determining the effective diffusion coefficient for water. The
OD was carried out during 4 hours using brine at different concentrations (0.15-0.27 g
NaCl/g) and temperatures (30-38[degrees]C). During process the water content of
shhets was measured and these values were fitted to normalizedWeibull model. The
high values of regression coefficients ([R.sup.2] > 0.99), high significance ([alpha] <
0.001) of diffusion coefficient (D), parameter [beta], and low values of chi-square
indicated the acceptability of Weibull model for describing the process and determining
the effective diffusion coefficient [D.sub.e] for water. The values of D ranged from 1.01
x [10.sup.-11] [m.sup.2]/s to 4.30 x [10.sup.-11] [m.sup.2]/s.
Texto completo:
Application of Normalized Weibull Model in the Osmotic Dehydration of Sardine Sheets
INTRODUCCION
El objetivo de este trabajo fue aplicar el modelo de Weibull normalizado para predecir
el contenido de agua y determinar el coeficiente de difusion del agua en laminas finitas
de sardina, durante la deshidratacion osmotica a diferentes temperaturas y
concentraciones de la solucion osmotica.
MATERIALES Y METODOS
Deshidratacion osmotica
Se formaron al azar, cuatro grupos experimentales, formados por cuatro laminas cada
uno. Cada grupo experimental se coloco en una celda de cuatro compartimientos con el
objeto de evitar la interferencia entre las laminas. Los cuatro grupos se introdujeron
simultaneamente en una solucion osmotica de concentracion y temperaturas dadas para
someterlos a deshidratacion osmotica con agitacion magnetica constante. Luego, cada
grupo se extrajo a intervalos de 1 hora por grupo. Las laminas deshidratadas se
escurrieron durante 5 min, secaron superficialmente con papel absorbente y se les
determino el contenido de agua y sal. Este procedimiento se efectuo a las condiciones
correspondientes segun un diseno experimental factorial completo 5x5x4 por las
temperaturas, concentraciones y tiempos de 30; 32; 34; 36 y 38[grados]C; 0,15; 0,18;
0,21; 0,24 y 0,27 g NaCl/g y 1; 2; 3 y 4 h, respectivamente.
Metodos de analisis
Contenido de sal: El contenido de sal (g NaCl/g) se determino por el metodo Mohr [3].
Solucion osmotica
Modelo de Weibull
Los contenidos de agua en la fase liquida de la sardina se pueden calcular segun Fito y
Chiralt [16]:
El modelo de Weibull fue normalizado [27, 28] para relacionar el parametro de escala
con el coeficiente de difusion de agua (D) en la rehidratacion de frutas cortadas en
laminas infinitas:
siendo a la mitad del largo, b la mitad del ancho y c la mitad del espesor de la lamina
de sardina, cuando la difusion ocurre en todos los lados de la lamina.
2b y espesor 2c, para simular las condiciones existentes en el proceso teorico y como
base para la comparacion. La solucion a la ley de Fick para la difusion en una lamina
finita corresponde a [12, 24]:
Para simular condiciones realistas, se introdujeron los errores al azar tomados de una
poblacion con distribucion normal, con media igual a cero, y diferentes valores de la
desviacion estandar [4, 28]:
[Y.sub.ruido] = [Y.sub.teorico] [1+(DE)([Z.sub.n])] (9)
Analisis estadistico
RESULTADOS Y DISCUSION
Simulacion
Como el coeficiente de difusion de los diferentes alimentos varia dentro del rango
[10.sup.-10] a [10.sup.-12] [m.sup.2]/s, se usaron estos valores para estudiar su
efecto en los parametros derivados del modelo de Weibull normalizado. La TABLA I
muestra que el coeficiente de difusion tiene muy poco efecto sobre la relacion
([R.sub.g]) entre el coeficiente de difusion calculado y el coeficiente de difusion teorico
o efectivo utilizado para la simulacion. Resultados similares se encontraron en la
rehidratacion de alimentos particulados [28] considerando la difusion en una sola
direccion (lamina infinita). Se hace evidente, por lo tanto, la necesidad de analizar si el
valor de [R.sub.g] varia cuando el fenomeno de la difusion ocurre por todos los lados
del alimento, lamina finita, tal como es el caso del presente estudio.
Para estudiar los efectos de las dimensiones largo, ancho y espesor de las laminas de
sardina sobre el valor de [R.sub.g], sesimulo el proceso variando una de las
dimensiones caracteristicas, manteniendo constantes las otras dos y el coeficiente de
difusion teorico. Los resultados de la simulacion se muestran en las TABLAS II-IV. Se
puede ver que los valores de [R.sub.g] practicamente no varian al cambiar estos
factores, manteniendo constante el coeficiente de difusion teorico, por lo tanto, el valor
de [R.sub.g] se puede utilizar para cualquier forma geometrica del alimento.
Con base en lo anteriormente senalado se puede decir que el modelo
de Weibull normalizado se puede aplicar para determinar el coeficiente de difusion
efectivo del agua en laminas de sardina cortadas entre 18 y 22 mm de ancho, entre 14
y 16 mm de largo y entre 5,6 y 7,2 mm de espesor, cuando se deshidratan
osmoticamente en salmueras de concentraciones entre 0,15 y 0, 27 g NaCl/g a
temperaturas entre 30 y 38[grados]C.
Los resultados de la regresion no lineal usada para ajustar los valores experimentales al
modelo de Weibull normalizado (Ec. 6) se muestran en la TABLA V. Los valores de
[R.sup.2] (> 0,98), de la significancia ([alfa] < 0,001) de los parametros derivados D y
[beta], y de [ji al cuadrado] (<1,0 x [10.sup.-6]) indicaron un buen ajuste de los datos
experimentales, confirmando la aplicabilidad del modelo de Weibull normalizado en la
descripcion de la deshidratacion osmotica. La idea basica de la caracterizacion empirica
del proceso es considerarlo como una transformacion, en la cual se varian las
condiciones de entrada, se miden las caracteristicas de salida y se derivan las
correlaciones adecuadas. En este sentido el modelo de Weibull normalizado es capaz de
superar algunas imprecisiones en los modelos deterministicos debido a la existencia de
incertidumbres.
Los valores del coeficiente de difusion calculado por la Ec. 6 fueron del orden de
[10.sup.-10] (TABLA V) por lo tanto el valor de [R.sub.g] fue tomado igual a 13,2 de
acuerdo con los resultados de la simulacion (TABLAS II-IV). Utilizando la Ec. 7 se
calculo el coeficiente de difusion efectivo del agua el cual vario entre 1,01 x [10.sup.-
11] [m.sup.2]/s y 4,30 x [10.sup.-11] [m.sup.2]/s (TABLA V). Estos valores son
similares a los obtenidos aplicando la ley de Fick para laminas de sardina deshidratadas
osmoticamente [11], y estan dentro del rango esperado ([10.sup.-10] a [10.sup.-12]
[m.sup.2]/s) para alimentos deshidratados [5, 17-19, 34]. Los valores dependen de los
tipos y condiciones de los procedimientos experimentales utilizados para su
determinacion, de los metodos de tratamiento de los datos y de la complejidad de los
alimentos [34]. El analisis de varianza mostro que el valor del coeficiente difusion
Los valores del parametro de forma ([beta]) calculados por la ecuacion 6, variaron entre
0,44 y 0,66 (TABLA V). Este parametro esta relacionado con la velocidad de
transferencia de masa al principio del proceso, por lo tanto si el valor de 5 es bajo, mas
rapida es la velocidad y viceversa [26]. Los valores encontrados indican que en la
deshidratacion osmotica de la sardina la transferencia de masa al principio del proceso
es mayor a altas concentraciones y temperaturas de la salmuera. El fenomeno del
transporte de agua es complejo y depende de los diferentes mecanismos tales como la
capilaridad, difusion y relajacion de la matriz solida, como de la porosidad del alimento
[29]. Los valores del parametro de forma para la deshidratacion osmotica de la sardina
serviran de comparacion para futuros estudios en otras especies marinas.
CONCLUSIONES
El modelo de Weibull normalizado describe la cinetica de variacion del contenido de
agua durante la deshidratacion osmotica de laminas finitas de sardina, en salmueras de
concentracion entre 0,15 y 0,27 g NaCl/g y temperatura entre 30 y 38[grados]C. Este
modelo es sencillo en su aplicacion y elimina las incertidumbres presentes en los
modelos mecanisticos. El coeficiente de forma geometrica para el caso de la
deshidratacion osmotica es una constante igual a 13,2 e independiente del valor de las
dimensiones de la lamina. Igualmente este modelo permite determinar el coeficiente de
difusion efectivo del agua durante el proceso, que es una caracteristica de la
transferencia de masa necesaria para el diseno de la operacion unitaria estudiada.