Estimação Bayesiana para a distribuição Exponencial
Transcrição
Estimação Bayesiana para a distribuição Exponencial
Estimação Bayesiana para a distribuição ExponencialLogarítimica Lívia Matos Garcia1 Fernando Antonio Moala2 1 Introdução A distribuição exponencial-logarítmica é uma distribuição para os tempos de falha com taxa de falha decrescente introduzida por Tahmasbi e Rezaei (2008). Essa distribuição pode ser usada para estudar os comprimentos de organismos, dispositivos, materiais, entre outros, em ciências biológicas e engenharia. A distribuição exponencial-logarítmica pode ser uma boa alternativa para ser usada como modelo de tempos de falha devido à forma simples das suas funções de sobrevivência e risco, entre algumas distribuições com taxa de falha decrescente, como a distribuição Gama. Tahmasbi e Rezaei (2008) também lembram que os riscos iniciais e a longo prazo para esta distribuição são ambos finitos em contraste com aqueles da distribuição Weibull. Representemos o tempo de falha de um componente eletrônico com uma distribuição Exponencial–Logarítimica, denotada por EL(p, β) cuja densidade é dada por: e dependente dos parâmetros p (0,1) e 0 . Observe que se p → 1, a parâmetro . A se reduz à distribuição exponencial com , função densidade de probabilidade, é apresentada na Figura 1 para os valores dos parâmetros selecionados. Várias outras propriedades, tais como tempo de falha médio, geradora de momentos, moda, média e variância, para a distribuição são apresentados em Tahmasbi e Rezaei (2008). Neste trabalho serão estimados os parâmetros da distribuição vista 1 2 bayesiano, utilizando-se os pares FCT-Unesp, e-mail: [email protected] FCT-Unesp, e-mail: [email protected] 1 de prioris do ponto de não-informativas Beta(0.5,0.5)/Gamma(0.01,0.01) e Uniforme(0,1)/Gamma(0.01,0.01), supondo-se para elas independência entre os parâmetros, e utilizando-se também a priori de Jeffreys. Figura 1: Função densidade de probabilidade da distribuição EL para e . 2 Material e métodos É necessário apelar para procedimentos numéricos a fim de se obter características das distribuições marginais a posteriori. Pode-se então utilizar o algoritmo MCMC para se obter uma amostra de valores de e a partir da posteriori conjunta. Portanto, análise Bayesiana será desenvolvida para a distribuição ExponencialLogarítmica através do método MCMC (Markov Chain Monte Carlo) no software R. Como já dito anteriormente, para essa análise serão utilizadas prioris não-informativas e a priori de Jeffreys e serão investigadas suas execuções para os dois parâmetros da distribuição . Também serão realizadas neste trabalho ilustrações numéricas para comparar o desempenho das distribuições a priori, com dados simulados da distribuição Para gerar a distribuição . , será utilizado um método muito simples baseado na amostragem da transformação inversa. Dada uma amostra da variável U tirada da distribuição uniforme no intervalo (0,1), então a variável 2 tem uma distribuição com parâmetros p e . 3 Resultados e discussões Foram analisadas três amostras da distribuição Exponencial-Logarítima de tamanho , 50 e 100 com parâmetros = 0.5 e = 2. As foram os prioris utilizadas pares de prioris não-informativas Beta(0.5,0.5)/Gamma(0.01,0.01) e Uniforme(0,1)/Gamma(0.01,0.01), supondo independência entre os parâmetros, e a priori de Jeffreys. Na Tabela 1 foram comparadas as médias das posterioris, separadas de acordo com as diferentes prioris utilizadas, com o estimador de máxima verossimilhança (EMV). TABELA 1. Estimativas (médias) e desvio padrão para e utilizando os dados simulados considerandose = 0.5 e = 2. = 0.2917 (0.3538) EMV BETA/GAMMA = 0.5310 (0.3249) UNIFORME/GAMMA = 0.4696 (0.2573) = 2.0012 (0.8556) = 2.1882 (0.7477) = 0.1925 (0.1523) = 0.3336 (0.2414) = 0.3515 (0.2162) = 0.2287 (0.1733) = 1.7922 (0.5108) = 1.9702 (0.5178) = 2. 0202 (0.4930) = 1.7602 (0.4659) = 0.3197 (0.1928) = 0.4631 (0.2524) = 0.4464 (0.2178) = 0.3723 (0.2016) = 1.9155 (0.3880) = 2.0423 (0.4041) = 2. 0269 (0.3620) = 1.9335 (0.3690) (0.6823) JEFFREYS = 0.2953 (0.2587) = 1.7918 (0.7367) As distribuições marginais a posteriori resultantes podem ser observadas nas Figuras 2, 3 e 4. Nota-se que as posteriores para os parâmetros são bastante semelhantes, enquanto isso não acontece para . Esse comportamento para ambos os parâmetros se torna mais evidente quando o tamanho da amostra é pequeno, ou seja, Figura 2. No entanto, quando torna-se grande ( , como mostrado na ) as distribuições a priori propostas anteriormente tendem a coincidir para os dois parâmetros e, portanto, a escolha das prioris torna-se irrelevante como se pode ver na Figura 4. 3 FIGURA 2. Densidades marginais a posteriori dos parâmetros e para e = (0.5, 2). FIGURA 3. Densidades marginais a posteriori dos parâmetros e para e = (0.5, 2). 4 FIGURA 4. Densidades marginais a posteriori dos parâmetros e para e = (0.5, 2). 4 Conclusões Observou-se que os estimadores bayesianos são melhores do que o EMV, independentemente das prioris utilizadas, e que o par de prioris Beta (0.5,0.5) e Gamma (0.01,0.01) deram as melhores estimativas para os parâmetros. As distribuições marginais posterioris mostraram que as distribuições a priori propostas anteriormente são semelhantes para ambos os parâmetros quando n torna-se maior e, portanto, a escolha das prioris é irrelevante. 5 Referências [1] CHIB, S. ; GREENBERG, E. (1995). Understanding The Metropolis-Hasting Algorithm. The American Statistician, Vol. 49, No 4. [2] GELFAND, A. E.; SMITH, F. M. (1990). Sampling-based approaches to calculating marginal densities. Journal of the American Statistical Association, n. 85, p. 398-409. [3] JEFFREYS, Sir Harold (1967). Theory of probability. 3rd rev. ed., London: Oxford U. Press. [4] M BOX, G.E.P., and Tiao, G.C. (1973). Bayesian inference in statistical analysis. Addison Weiley [5] TAHMASBI, Rasool; REZAI, Sadegh, (2008). A two-parameter lifetime distribution with decreasing failure rate. Computational Statistics and Data Analysis 52. 5
Documentos relacionados
- Evolvedoc - Sistema de compartilhamento de trabalhos
A inferência estatística de quantis de cheias recorre frequentemente a uma abordagem frequentista baseada na maximização da função de verosimilhança. A inferência Bayesiana constitui uma alternativ...
Leia mais