Académique Documents
Professionnel Documents
Culture Documents
Programa de Ps-Graduao
em Engenharia de Produo
Uma abordagem bayesiana para modelos
de degradao: a obteno da
distribuio preditiva a posteriori dos
tempos de falha de unidades amostrais
futuras e sob teste
Mestrando: Rvert Paulo Braga Oliveira
lamabarista@gmail.com
Orientadora: Profa. Dra. Marta Afonso Freitas
marta@dep.ufmg.br
Co-orientadora: Profa. Dra. Rosngela Helena Loschi
loschi@est.ufmg.br
Belo Horizonte
Fevereiro
2011
Rvert Paulo Braga Oliveira
Uma abordagem bayesiana para modelos
de degradao: a obteno da
distribuio preditiva a posteriori dos
tempos de falha de unidades amostrais
futuras e sob teste
Dissertao apresentada ao Departamento
de Ps-Graduao em Engenharia de Pro-
duo da Universidade Federal de Minas
Gerais, para a obteno do Ttulo de
Mestre em Engenharia de Produo, Con-
centrao em Produo e Logstica.
Orientadora: Marta Afonso Freitas
Co-orientadora: Rosngela Helena Loschi
Belo Horizonte
Fevereiro
2011
Aos meus pais, Jos Antnio e Valdelice.
Aos meus irmos, Rodrigo e Rony.
A meu grande amor, Carolina.
Epgrafe
Onde se pode encontrar a prova da existncia de Deus?
"Num axioma que aplicais s vossas cincias.
No h efeito sem causa. Procurai a causa de
tudo que no obra do homem e a vossa razo
responder."
Passagem de "O Livro dos Espritos" de Allan Kardec, Captulo 1, questo 4.
Agradecimentos
Agradeo a todos que, direta ou indiretamente, me apoiaram neste trabalho.
A minha orientadora, Dr. Marta Afonso Freitas pela orientao e dedicao
elaborao da dissertao, alm das oportunidades e aprendizado que transpassaram o
mundo acadmico.
A minha co-orientadora, Dr. Rosngela Helena Loschi pelas crticas decisivas e
pela orientao.
A ambas por acreditarem na minha capacidade.
Ao colaborador Dr. Enrico Antnio Colosimo, sempre muito ativo e contribuindo
bastante em grande parte das reunies.
Ao companheiro de mestrado, Jlio Ferreira, pela participao e colaborao nas
reunies do grupo. Alm das longas discusses tericas.
Aos meus pais, Jos Antnio e Valdelice, e meus irmos, Rodrigo e Rony, pela fora,
dedicao, apoio e carinho.
A minha namorada Carolina, pelo companheirismo, fora, incentivo, dedicao,
carinho e compreenso.
Aos amigos do Objetivo, do CEFET-MG, da Estatstica-UFMG, do LADEC, com-
panheiros de mestrado, da minha infncia e demais amigos que z ao longo dos anos.
A CAPES e CNPq pelo nanciamento da pesquisa.
Aos professores do PPGEP-UFMG pelo conhecimento transmitido.
A Ins, secretria do PPGEP-UFMG, pelo timo trabalho que desempenha, e aos
demais funcionrios da UFMG.
A UFMG e LADEC pelo suporte e estrutura.
Resumo
A Conabilidade um ramo da Estatstica que visa descrever via inferncia a dis-
tribuio do tempo de falha de objetos de interesse. Tcnicas convencionais so voltadas
para a ocorrncia de falhas ao longo do tempo. Contudo, para determinadas situaes
nas quais a ocorrncia de falhas pequena ou quase nula, a estimao das quantidades
que descrevem os tempos de falha ca comprometida. Dessa forma foram desenvolvidos
os modelos de degradao, que possuem como dado experimental no a falha, mas sim
alguma caracterstica mensurvel a ela atrelada, a qual quando monitorada torna pos-
svel melhorias signicativas nas estimativas das quantidades de interesse. Modelos de
degradao tm sido amplamente aplicados e estudados sob a perspectiva da estatstica
clssica, todavia diculdades computacionais e m especicaes relativas a suposies
dos modelos passaram a tornar interessante uma obordagem pelo enfoque da estats-
tica bayesiana. Isso se deve ao fato de que os mtodos computacionais implementados
na abordagem bayesiana j permitem acomodar um nmero maior de distribuies de
probabilidade, e dessa forma torna-se menos susceptvel a problemas de m especi-
cao. Neste texto evidencia-se que mesmo sob m especicao o enfoque bayesiano
pode apresentar bons resultados. O que se prope neste texto apontar alguns erros
metodolgicos que vm sendo cometidos no uso da inferncia bayesiana e apresentar
uma proposta de anlise, comparando-a com as abordagens por inferncia bayesiana
existentes na literatura em Modelos de Degradao. Uma base de dados de emissores
de laser e outra de rodas de trem ilustram a aplicao da metodologia proposta neste
texto. Os resultados apresentados permitem levantar a conabilidade dos objetos estu-
dados e de objetos futuros, fora do escopo da amostra.
Palavras-chave: Modelos de Degradao, Inferncia Bayesiana, Distribuio Preditiva
Abstract
Reliability is a branch of Statistical inference which seeks to describe the route failure
time distribution of objects of interest. The conventional techniques are geared towards
the occurrence of failures over time. However, for certain situations in which the oc-
currence of failures is small or almost zero, the estimation of quantities that describe
the failure time is compromised. Thus, degradation models were developed, which the
experiemtal data are not failures, but some measurable characteristic linked to them,
which when monitored make possible signicant improvements in estimates of quanti-
ties of interest. The degradation models have been widely applied and studied from
the perspective of classical statistics, however, computational diculties and misspec-
ications of the assumptions of the models, have turned interesting the approach by a
focus on bayesian statistics. This is due to the fact that the computational methods
implemented in the bayesian approach already allowed accommodate a larger number of
probability distributions, thus become less susceptible to problems of misspecication.
This text shows that even under misspecication the Bayesian approach can produce
good results. The proposal in this paper is to point out some methodological errors
that have been committed in the use of bayesian inference and present a proposal for
anallyzing degradation paths, comparing it to the approaches for bayesian inference in
the literature on degradation models. A database of laser emitters and another of train
wheels illustrate the application of the methodology proposed in this text. The results
allow to raise the reliability of the studied objects and future objects outside the scope
of the sample.
Keywords: Degradation Models, Bayesian Inference, Predictive Distribution
Lista de Figuras
1.1 Croqui - vista principal inferior de um vago motor. . . . . . . . . . . . 2
1.2 Pers de desgaste - rodas MA11. . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Perl de degradao das unidades emissoras laser. . . . . . . . . . . . . . 5
4.1 Convergncia e autocorrelao das cadeias da distribuio a posteriori
para alguns parmetros - Assumindo
i
Weibull (Caso gerado - T
Bimodal) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2 Pers de degradao - T Bimodal . . . . . . . . . . . . . . . . . . . . 66
4.3 Densidade de probabilidade dos efeitos aleatrios Gerados - T Bimodal 66
4.4 Densidade a posteriori : efeito aleatrio do perl 7 - Assumindo
i
Weibull (Caso gerado - T Bimodal) . . . . . . . . . . . . . . . . . . . 67
4.5 Distribuio preditiva a posteriori dos tempos de falha para um perl
futuro assumindo
i
Weibull (Caso gerado - T Bimodal) . . . . . . 68
4.6 Densidade a posteriori : efeito aleatrio do perl 7 - Assumindo
i
Lognormal (Caso gerado - T Bimodal) . . . . . . . . . . . . . . . . . 70
4.7 Distribuio preditiva a posteriori dos tempos de falha para um perl
futuro assumindo
i
Lognormal (Caso gerado - T Bimodal) . . . . 71
4.8 Pers de degradao - T Weibull . . . . . . . . . . . . . . . . . . . . . 72
4.9 Densidade a posteriori : efeito aleatrio do perl 7 - Assumindo
i
Weibull (Caso gerado - T Weibull) . . . . . . . . . . . . . . . . . . . 73
4.10 Distribuio preditiva a posteriori dos tempos de falha para um perl
futuro assumindo
i
Weibull (Caso gerado - T Weibull) . . . . . . 74
4.11 Distribuio preditiva a posteriori assumindo
i
Weibull (Caso gerado
- T Weibull) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.12 Densidade a posteriori : efeito aleatrio do perl 7 - Assumindo
i
Lognormal (Caso gerado - T Weibull) . . . . . . . . . . . . . . . . . 76
4.13 Distribuio preditiva a posteriori dos tempos de falha para um perl
futuro assumindo
i
Lognormal (Caso gerado - T Weibull) . . . . 77
4.14 Pers de degradao - T Lognormal . . . . . . . . . . . . . . . . . . . 78
4.15 Densidade a posteriori : efeito aleatrio do perl 7 - Assumindo
i
Weibull (Caso gerado - T Lognormal) . . . . . . . . . . . . . . . . . 79
4.16 Preditiva a posteriori F
T
n+1
|Y
(t|Y
) assumindo
i
Weibull . . . . . . . 80
4.17 Densidade a posteriori : efeito aleatrio do perl 7 - Assumindo
i
Lognormal (Caso gerado - T Lognormal) . . . . . . . . . . . . . . . . 81
4.18 Distribuio preditiva a posteriori dos tempos de falha para um perl
futuro assumindo
i
Lognormal (Caso gerado - T Lognormal) . . . 82
4.19 Distribuio preditiva a posteriori assumindo
i
Lognormal (Caso
gerado - T Lognormal) . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.1 Distribuio preditiva a posteriori dos tempos de falha para um laser
futuro assumindo
i
Weibull . . . . . . . . . . . . . . . . . . . . . . . 86
5.2 Distribuio preditiva a posteriori dos tempos de falha para lasers sob
teste e laser futuro assumindo
i
Weibull . . . . . . . . . . . . . . . . 87
5.3 Predies para lasers futuros e sob teste assumindo T Weibull . . . . 89
5.4 Distribuio preditiva a posteriori dos tempos de falha para uma roda
futura assumindo
i
Weibull . . . . . . . . . . . . . . . . . . . . . . . 91
5.5 Distribuio preditiva a posteriori dos tempos de falha para rodas sob
teste e roda futura assumindo
i
Weibull . . . . . . . . . . . . . . . . 91
5.6 Predies para rodas futuras e sob teste assumindo
i
Weibull . . . . 93
5.7 Preditiva a posteriori F
T
n+1
|Y
(t|Y
) assumindo
i
Lognormal . . . . . 94
Lista de Tabelas
3.1 Amostra - preditiva a posteriori de T via Hamada (2005) . . . . . . . . 45
3.2 Amostra - preditiva a posteriori de T via Robinson e Crowder (2000) . . 48
3.3 Amostra - preditiva a posteriori de um perl futuro via Robinson e Crow-
der (2000) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4 Amostra distribuio preditiva a posteriori via Proposta . . . . . . . . . 51
3.5 Amostra - preditiva do perl futuro a posteriori via Proposta . . . . . . 52
5.1 Distribuio a posteriori das quantidades de interesse e parmetros (Da-
dos dos Emissores de Laser - Hamada (2005)) . . . . . . . . . . . . . . . 88
5.2 Percentis da distribuio preditiva a posteriori dos tempos de falha para
unidades sob teste (Dados dos Emissores de Laser - Hamada (2005)) . . 88
5.3 Distribuio a posteriori das quantidades de interesse e parmetros (Da-
dos de Desgaste de Rodas de Trem - Freitas et al. (2010)) . . . . . . . . 92
5.4 Percentis da distribuio preditiva a posteriori dos tempos de falha para
unidades sob teste (Dados de Desgaste de Rodas de Trem - Freitas et al.
(2010)) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
5.5 Distribuio a posteriori das quantidades de interesse e parmetros (Da-
dos de Desgaste de Rodas de Trem - Freitas et al. (2010)) . . . . . . . . 95
Sumrio
1 Introduo 1
1.1 Situaes Prticas Motivadoras . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Dados de Desgaste de Rodas de Trem . . . . . . . . . . . . . . . 1
1.1.2 Dados de Corrente de Operao de Emissores de Laser . . . . . . 4
1.2 Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 O Modelo Geral de Degradao e o Problema da Estimao dos Parmetros 10
1.4 Objetivos do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5 Organizao deste Texto . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Mtodos Estatsticos Baseados em Inferncia Clssica para Estimao
de Parmetros em Modelos de Degradao 21
2.1 O Mtodo Aproximado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 O Mtodo Analtico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3 O Mtodo de Dois Estgios . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4 O Mtodo Numrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3 Especicao do Modelo de Degradao Sob Abordagem Bayesiana 32
3.1 Mtodo Baseado em Inferncia Bayesiana . . . . . . . . . . . . . . . . . 32
3.2 Modelo com Efeito Aleatrio Weibull . . . . . . . . . . . . . . . . . . . . 34
3.2.1 Construo da Funo de Verossimilhana . . . . . . . . . . . . . 34
3.2.2 Especicao das Distribuies a priori . . . . . . . . . . . . . . 36
3.2.3 Especicao das Distribuies Condicionais Completas . . . . . 39
3.3 Modelo com Efeito Aleatrio Lognormal . . . . . . . . . . . . . . . . . . 41
3.3.1 Construo da Funo de Verossimilhana . . . . . . . . . . . . . 41
3.3.2 Especicao das Distribuies a priori . . . . . . . . . . . . . . 41
3.3.3 Especicao das Distribuies Condicionais Completas . . . . . 43
3.4 F
T
i
|Y
(t|y
(t|y
(t|y
(t|y
(t|y
) Proposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.6.1 F
T
i
|Y
(t|y
(t|y
(t|y
o
(
m
m
)
Df=77 mm
Perfis de Degradao
Figura 1.2: Pers de desgaste - rodas MA11.
D
f
= 966mmDiam
crtico
= 966mm889mm = 77mm
Portanto, considera-se que a falha de uma determinada roda ocorreu quando o
desgaste atinge este limiar crtico. Observe que os pes so lineares e que para esta
posio 3 unidades (21,4%) atingem o limiar crtico durante o perodo de observao.
Freitas et al. (2009) utilizaram os dados de degradao das rodas MA11 e modelos
de degradao cujos parmetros foram estimados com base em inferncia clssica (em
particular, mxima verossimilhana) para obter a distribuio do tempo at falha das
rodas MA11, bem como estimativas de quantis, da quilometragem mdia at a falha, e
da conabilidade em 300.000 Km. Neste trabalho, os dados das rodas MA11 sero re-
analisados bem como os dados das rodas em outras posies, utilizando uma abordagem
baseada em inferncia bayesiana. Os resultados so comparados com aqueles obtidos
por Freitas et al. (2010), um outro texto no qual o autor utilizou estatstica bayesiana
para estimar as quantidades de interesse para esta mesma base de dados.
Captulo 1. Introduo 4
1.1.2 Dados de Corrente de Operao de Emissores de Laser
Hamada (2005) apresentou dados para quinze (15) lasers, acompanhados por 4000
horas de operao. Foi registrado para cada um, a cada 250 h, o percentual de aumento
na corrente de operao (calculado em relao corrente nominal de operao isto ,
aquela do incio do ensaio). Esta informao importante visto que a luz dos lasers
se degrada ao longo do tempo se a corrente de operao mantida constante. Conse-
qentemente, para que seja gerada uma sada de luz constante, a corrente de operao
precisa ser aumentada ao longo do tempo. Portanto a medida de degradao neste caso
o percentual de aumento na corrente de operao. A falha do laser estabelecida
para o momento no qual o percentual de aumento na corrente excede 10%. Em outras
palavras, no limiar D
f
= 10% considera-se que o laser falhou, embora ainda esteja em
operao.
A Figura 1.3 apresenta o grco dos pers de degradao para cada uma das 15
unidades emissoras de laser (os dados esto disponveis na pgina http://www.stat.lanl.
gob/sta/MHamada/degradation_data.htm). Por exemplo, para a 10 Unidade, cuja
degradao a mais rpida, os dados so (0,0000; 0,4136; 1,4880;2,3810; 2,9950; 3,8350;
4,5010; 5,2510; 6,2560; 7,0510; 7,8030; 8,3210; 8,9300; 9,5540; 10,4500; 11,2800; 12,2100).
Note que os pers so lineares e que 3 das 15 unidades (20%) (atingiram o limiar
crtico D
f
durante o perodo de coleta de dados). O objetivo aqui tambm a obteno
da distribuio do tempo at a falha dos lasers bem como outras caractersticas tais
como o nmero mdio de horas at a falha e quantis da distribuio.
O autor utilizou abordagem baseada em inferncia bayesiana para anlise dos da-
dos e obteve entre outras informaes, a distribuio a posteriori do quantil 0,1 da
distribuio do tempo at a falha (isto , o tempo at o qual 10% das falhas j tero
ocorrido). Neste trabalho os dados dos lasers sero re-analisados utilizando tambm
uma abordagem com base em inferncia bayesiana. A motivao para a re-anlise re-
5 1.2. Literatura
0 1000 2000 3000 4000
0
2
4
6
8
1
0
1
2
Tempo (horas)
%
a
c
r
e
s
c
i
d
o
d
a
c
o
r
r
e
n
t
e
p
a
d
r
o
d
o
l
a
s
e
r
Df=10
Perfis de Degradao Laser
Figura 1.3: Perl de degradao das unidades emissoras laser.
side no fato de termos identicado uma inconsistncia no procedimento utilizado por
Hamada (2005). As inconsistncias sero discutidas nos Captulo 3 e 4.
1.2 Literatura
Grande parte da literatura em Conabilidade faz o uso de dados de tempo de falha
(ou tempo de vida) em estudos nos quais o objetivo a caracterizao da conabilidade
de produtos. Esses dados so oriundos de ensaios de vida, nos quais a medida obser-
vada o tempo de falha (neste texto, os termos tempo de vida, tempo de falha e
tempo at a falha, sero utilizados indiscriminadamente). Todavia, para produtos que
possuem um alto grau de conabilidade, tais como componentes eletrnicos modernos,
comum encontrar-se diante de uma situao na qual, ao nal do ensaio, poucas ou
at mesmo nenhuma falha observada, resultando em um alto ndice de censuras. Em
casos como estes, em geral, os custos de realizao dos ensaios so elevados e os mesmos
Captulo 1. Introduo 6
acabam no fornecendo informaes sucientes para a inferncia estatstica. Em algu-
mas situaes possvel implementar testes acelerados (ver Nelson, 1990), mas, mesmo
nestes casos, o ndice de censuras resultante pode ser elevado. Dados com esta na-
tureza (alto ndice de censuras) fornecem pouca informao a respeito da proporo de
produtos que conseguem, por exemplo, operar alm do perodo de garantia estipulado.
Por esta razo, a literatura especca na rea de conabilidade tem dado maior n-
fase utilizao de dados de degradao como uma alternativa aos dados de tempo at
a falha. Alguns exemplos importantes so os trabalhos de (Lu e Meeker, 1993; Tseng
et al., 1995; Lu et al., 1996; Chiao e Hamada, 1996, 2000; Robinson e Crowder, 2000;
Oliveira e Colosimo, 2004; Hamada, 2005). Nos testes de degradao, a varivel obser-
vada no o tempo de falha, mas uma medida de degradao de alguma caracterstica
de qualidade do produto de interesse, tomada ao longo do tempo. Esta medida deve es-
tar diretamente relacionada falha. Alm disso, a prpria denio da falha deve estar
associada algum nvel crtico pr-especicado (limiar de falha ou failure threshold)
da medida de degradao. A justicativa para a utilizao desse tipo de abordagem
reside no fato de que muitas falhas so o resultado de um mecanismo de degradao em
atuao para o qual existem caractersticas que se degradam com o tempo. Do ponto
de vista da engenharia, alguns mecanismos de degradao comuns incluem fadiga, trin-
cas, corroso e oxidao. Para conduzir um teste (ensaio) de degradao, necessrio
pr-especicar um limiar critico de degradao (limiar de falha ou failure threshold),
obter medidas da degradao em tempos pr-xados e distintos e denir que a falha
ocorre quando a quantidade de degradao para uma unidade sob teste excede aquele
nvel crtico. A principal vantagem da utilizao de dados de degradao sobre os dados
de tempos de falha (oriundos de testes de vida) que a anlise pode ser feita de maneira
satisfatria, ainda que nenhuma falha tenha ocorrido, isto , mesmo que nenhum dos
pers das unidades sob observao tenha atingido o limiar considerado falha durante
o perodo de estudo.
7 1.2. Literatura
A anlise de dados de degradao, assim como dos dados de tempo de falha, tem
como objetivo estimar a distribuio do tempo at a falha ou caractersticas da mesma,
tais como o p-simo quantil (t
p
), o tempo mdio at a falha, ou a funo de conabilidade
R(t) por exemplo. Existem referncias importantes abordando a utilizao de dados
de degradao para estimar a conabilidade. Gertsbackh e Kordonskiy (1969) por
exemplo, discutiram o problema de degradao sob o ponto de vista da engenharia.
Os autores apresentaram a distribuio de Bernstein, a qual descreve a distribuio
do tempo at a falha para um modelo linear simples (uma reta) com intercepto e
inclinao ambos aleatrios. Nelson (1981) discutiu uma situao especial na qual
a medida de degradao destrutiva (somente uma medida pode ser feita em cada
item). (Nelson, 1990, Captulo 11) revisou a literatura relacionada ao tema, pesquisou
aplicaes, descreveu idias bsicas e utilizando um exemplo especco, mostrou como
analisar um certo tipo de dados de degradao.
Na literatura duas abordagens bsicas para modelagem e anlise de dados de degrada-
o podem ser encontradas. A primeira assume que a degradao um processo
aleatrio no tempo. Dentro dessa linha, Doksum (1991) utilizou um processo de Wiener
para analisar dados de degradao. Tang e Chang (1995) modelaram dados oriundos
de ensaios de degradao acelerados no destrutivos como uma coleo de processos
estocsticos. Whitmore e Schenkelberg (1997) modelaram o processo de degradao
como um processo de difuso de Wiener.
Uma abordagem alternativa considerar modelos estatsticos mais gerais. Nestes
modelos a degradao modelada por uma funo do tempo e possivelmente algumas
variveis aleatrias multidimensionais. Esses modelos so denominados modelos gerais
de pers de degradao (general degradation path models). A anlise de dados de
degradao por essa abordagem implementada em duas etapas. A primeira consiste na
construo de um modelo no linear (ou linear) misto que explique o perl de degradao
ao longo do tempo e a estimao dos parmetros desconhecidos deste modelo. A segunda
Captulo 1. Introduo 8
etapa consiste em utilizar estas estimativas dos parmetros para estimar a distribuio
do tempo at a falha e outras caractersticas de interesse.
Em geral a anlise implementada em duas etapas. importante ressaltar que da-
dos de degradao possuem caractersticas de dados longitudinais (Fitzmaurice et al.,
2004). Portanto, a primeira etapa da anlise na realidade uma anlise de dados lon-
gitudinais com resposta contnua, implementada atravs de um modelo no linear (ou
linear) misto. A utilizao de um modelo misto, isto , que incorpora em sua forma
funcional tanto efeitos aleatrios quanto xos, pode, por sua vez, ser vista como uma
modelagem em dois estgios, no qual primeiramente parmetros no observveis (os
efeitos aleatrios) so amostrados de uma distribuio que por si s, possui parmetros
(xos) desconhecidos. Em seguida (2. Estgio) os dados observados no ensaio so con-
siderados como sendo amostras (realizaes) de distribuies Normais independentes,
cujas mdias so funes lineares (ou no lineares) destes efeitos aleatrios e, possivel-
mente, de outros parmetros populacionais (efeitos xos). Uma vez que uma famlia
paramtrica para os efeitos aleatrios escolhida preciso estimar os parmetros xos
do modelo, quais sejam os parmetros que indexam a distribuio dos efeitos aleatrios
e outros parmetros xos que fazem parte da forma funcional do perl de degradao.
, justamente, neste ponto da primeira etapa de anlise dos dados de degradao que
surgem algumas diculdades, as quais sero elucidadas mais adiante, na Seo 1.3.
De posse das estimativas dos parmetros do modelo, a segunda etapa da anlise dos
dados de degradao consiste em estimar a distribuio do tempo at a falha F
T
(t).
Quando o modelo de degradao no sucientemente simples para que se obtenha
uma forma fechada para a distribuio do tempo de falha ento uma estimativa pode
ser obtida atravs de simulao de Monte Carlo.
Mtodos de estimao baseados em inferncia clssica podem ser empregados para
obter estimativas dos parmetros desconhecidos nos modelos de degradao e, a partir
delas, estimar a distribuio do tempo de falha.
9 1.2. Literatura
Lu e Meeker (1993) desenvolveram mtodos estatsticos utilizando dados de degrada-
o para estimar a distribuio do tempo at a falha para uma classe ampla de modelos
de degradao. Os autores consideraram um modelo no linear misto (NLME - Non-
linear Mixed- Eects Model ) e propuseram um mtodo de estimao em dois estgios
para obter estimadores pontuais e intervalos de conana para percentis da distribuio
do tempo at a falha. O procedimento foi ilustrado com dados de evoluo de trincas
em ensaios de fadiga. Yacout et al. (1996) utilizaram o procedimento proposto por
Lu e Meeker (1993) em dados de degradao de elementos de combustvel. Lu et al.
(1996) estenderam o modelo de degradao e sugeriram mtodos de estimao basea-
dos na verossimilhana, entretanto, estes no so adequados para todos os tipos de
dados de degradao. Lu et al. (1997) propuseram um modelo com coecientes de
regresso aleatrios e uma funo para o desvio padro, para analisar dados de semi-
condutores com pers lineares de degradao. Su et al. (1999) consideraram um modelo
de degradao com coecientes e tamanho de amostra aleatrios e utilizaram mxima
verossimilhana para estimao dos parmetros. Os mtodos foram aplicados em um
conjunto de dados de semicondutores. Wu e Shao (1999) estudaram as propriedades
assintticas dos estimadores de mnimos quadrados (ponderados) do modelo NLME.
Os autores utilizaram estas propriedades para obteno de estimativas pontuais e inter-
valos de conana aproximados para percentis da distribuio do tempo de falha. Os
mtodos propostos foram ilustrados com dados de comprimento de trincas em metais
submetidos a ensaios de fadiga. Uma boa referncia em modelos gerais de pers de
degradao (Meeker e Escobar, 1998, Captulos 13 e 21). Wu e Shao (2000) apre-
sentaram um mtodo de estimao ponderado com base em conjuntos nebulosos para
modicar o procedimento em dois estgios proposto por Lu e Meeker (1993). O mtodo
proposto e o de dois estgios de Lu e Meeker (1993) foram ambos utilizados no banco
de dados apresentado no trabalho de Wu e Shao (1999).
Finalmente, outros trabalhos importantes so os de Crk (2000), Jiang e Zhang
Captulo 1. Introduo 10
(2002) e Oliveira e Colosimo (2004). Neste ltimo os autores compararam os trs
mtodos propostos por Meeker e Escobar (1998) (analtico, aproximado e numrico)
aplicando cada um deles a um conjunto de dados de desgaste de bandas de rodagem de
pneus automotivos.
Dentre alguns mtodos disponveis na literatura esto o mtodo analtico, numrico e
o mtodo aproximado (Meeker e Escobar, 1998, Captulos 13 e 21) e todos baseiam-se em
estimao por mxima verossimilhana ou mnimos quadrados. Os mtodos analtico e
aproximado aplicam-se melhor a situaes nas quais o modelo de degradao simples
(por exemplo uma reta) com poucos parmetros aleatrios. J o mtodo numrico
mais abrangente e permite utilizar modelos mais complexos (no lineares por exemplo)
com parmetros xos e aleatrios. A grande diculdade da abordagem por inferncia
clssica reside justamente na primeira etapa da anlise dos dados, ou seja, na estimao
dos parmetros do modelo. Esta questo ser melhor apresentada na prxima Seo.
1.3 O Modelo Geral de Degradao e o Problema da Esti-
mao dos Parmetros
Em um ensaio de degradao, uma amostra de n unidades colocada sob teste.
Para cada uma delas observa-se ao longo do tempo uma caracterstica relacionada
ao mecanismo de falha de interesse. Em outras palavras, observa-se a degradao
desta unidade, atravs das medidas desta caracterstica tomadas ao longo do tempo. A
abordagem geral consiste em modelar os pers de degradao das unidades individuais
utilizando a mesma forma funcional e as diferenas entre as unidades amostrais so
explicadas atravs da incorporao de efeitos aleatrios no modelo. Assim, para a
i-sima unidade, a verdadeira degradao no tempo t dada por:
11 1.3. O Modelo Geral de Degradao e o Problema da Estimao dos Parmetros
Y
it
= D(t;
;
i
) (1.1)
em que D(t;
;
i
;
i
) (1.2)
Entretanto, os dados observados nos ensaios de degradao para uma dada unidade
i so na verdade amostras do seu verdadeiro perl (dado por (1.1)), obtidas em m
i
tempos pr-especicados t
ij
(j = 1,2, . . . ,m
i
). Como estas medidas esto sujeitas a
erros, a verdadeira degradao no tempo t
ij
(isto , D(t
ij
) ) observada com erro
ij
.
Portanto, o modelo geral de degradao dado por:
Y
ij
= D(t
ij
;
;
i
) +
ij
(1.3)
em que Y
ij
a varivel aleatria que representa a j-sima medida para a i-sima unidade;
D(t
ij
;
;
i
= (
1
,
2
, . . . ,
r
)
t
um vetor de efeitos xos
que descreve as caractersticas da populao (este se mantm constante para todas
as unidades);
i
= (
i1
,
i2
, . . . ,
ip
)
t
um vetor de efeitos aleatrios associado i-
sima unidade, representando caractersticas individuais de cada unidade (por exemplo,
variaes em propriedades da materia prima, no processo de produo, nas dimenses
do componente, etc.) e
ij
o erro aleatrio (da medida) associado i-sima unidade
no tempo t
ij
.
Captulo 1. Introduo 12
A forma funcional de D(t
ij
;
;
i
.
Entretanto, h trabalhos nos quais
2
).
Os
i
), que depende
de um vetor de parmetros (xos) desconhecidos
= (
1
,
2
, . . . ,
q
)
t
. O parmetro
tambm precisa ser estimado a partir dos dados de degradao. Alm disso, {
i
} e
{
ij
} so, por suposio, independentes para todo i e j. Assume-se tambm que y e t
esto em escalas transformadas, caso necessrio. Por exemplo, Y e t podem estar em
escala logartmica.
A proporo de falhas no tempo t equivalente proporo de pers de degradao
que excedem o limiar crtico D
f
at o tempo t. Portanto, possvel denir a distribuio
do tempo de falha T para o modelo (1.1) como sendo
F
T|
(t|
) = F
T|
(t|
); D
f
; D) = P(T t|
) =
P[D(t;
) D
f
|
]
quando as medidas de degradao so crescentes com o tempo, ou como sendo
F
T|
(t|
) = F
T|
(t|
); D
f
; D) = P(T t|
) =
P[D(t;
) D
f
|
]
quando as medidas de degradao so decrescentes com o tempo.
Para que se possa estimar, por exemplo, os quantis da distribuio do tempo de falha
T com base neste modelo de degradao, necessrio estimar
= (
1
,
2
, . . . ,
q
)
t
o vetor de parmetros, tambm xos, da distribuio dos efeitos
aleatrios
).
Para pers cujos modelos assumem formas funcionais simples, uma vez que
)
conhecida, a distribuio F
T|
(t|
;
i
(t|
), D
f
e D especicados, utilizando simulao de Monte
Carlo. Todavia, esse procedimento s pode ser implementado se o vetor de parmetros
xos
e o vetor de parmetros
)
puderem ser estimados. Portanto, mesmo para uma dada distribuio
) o
problema continua sendo a estimao de
=
_
1
, . . . ,
q
)
t
.
Este problema tem sido tratado na literatura. Lu e Meeker (1993) trabalhararam no
problema de estimao de parmetros e propuseram o mtodo de dois estgios para o
caso no qual o vetor de efeitos aleatrios
e matriz de
varincia-covarincia
) =
) =
N
p
(
e
2
em modelos de
degradao com suposio de normalidade dos efeitos aleatrios. As funes LME
(linear mixed-eects models) e NLME (nonlinear mixed eects models) escritas na
linguagem S-PLUS , foram desenvolvidas para este objetivo (Pinheiro e Bates, 2000).
Em outras palavras, estas funes foram desenvolvidas para o caso especco de modelos
cujos efeitos aleatrios seguem uma distribuio Normal Multivariada.
Meeker e Escobar (1998) apresentam trs mtodos para anlise de dados de degrada-
o: o mtodo analtico, aproximado e o numrico. Eles sero brevemente apresentados
no prximo Captulo. O mtodo analtico na verdade utilizado como uma forma de
obter a distribuio do tempo de falha a partir do conhecimento da distribuio dos
efeitos aleatrios do modelo. Utilizando a forma funcional proposta para o verdadeiro
perl de degradao e o limiar crtico que dene a falha, a relao entre o tempo de falha
e os efeitos aleatrios obtida. Assim, supondo que se conhece a distribuio dos efeitos
aleatrios chega-se analiticamente distribuio do tempo at a falha F
T
(t) atravs de
transformao de variveis. Em geral, os parmetros da distribuio de F
T
(t) podem
ser escritos como funes do limiar critico D
f
e dos parmetros da distribuio dos
efeitos aleatrios. Entretanto, este procedimento torna-se razoavelmente complicado
para formas funcionais mais complexas e nem sempre possvel chegar a uma forma
fechada para a distribuio do tempo de falha. Alm disso, mesmo que uma forma
fechada seja encontrada e se obtenha a relao existente entre seus parmetros e os da
distribuio dos efeitos aleatrios, ainda preciso estimar tais parmetros a partir dos
dados de degradao.
O mtodo aproximado consiste em ajustar por mnimos quadrados um modelo de
degradao para o perl de cada unidade separadamente e, a partir dele, estimar os
respectivos tempos at a falha isto , o tempo no qual cada perl ir atingir o limiar D
f
.
Estas estimativas so denominadas pseudo tempos de falha. Em seguida uma anlise
15 1.3. O Modelo Geral de Degradao e o Problema da Estimao dos Parmetros
de tempo de falha tradicional (utilizando distribuies tais como Weibull, Lognormal
etc.) implementada com base nestas quantidades. Em outras palavras, os pseudo
tempos de falha so tratados como se fossem os resultados observados de ensaio. As
estimativas dos parmetros da distribuio escolhida so obtidas por mxima verossi-
milhana. Este mtodo simples e tem apelo prtico. Entretanto, ele pode subestimar a
preciso das estimativas das quantidades de interesse como percentis por exemplo, visto
que no se leva em conta na anlise dos pseudo tempo de falhas, os erros nas estimativas
dos mesmos. Tanto o mtodo analtico como o aproximado so mais indicados para
situaes nas quais a forma funcional do modelo razoavelmente simples (uma reta por
exemplo e com um parmetro aleatrio).
O mtodo numrico por outro lado, bastante abrangente e permite utilizar mode-
los mais complexos (no lineares por exemplo) com vrios parmetros xos e aleatrios.
A estimao dos parmetros feita pelo mtodo de mxima verossimilhana. Todavia,
as rotinas disponveis para a estimao dos parmetros por mxima verossimilhana
utilizam a suposio de que os efeitos aleatrios seguem uma distribuio Normal Mul-
tivariada com vetor de mdias e matriz de varincia-covarincia desconhecidos (Pinheiro
e Bates, 1995, 2000). No caso em que os efeitos aleatrios no tm distribuio Normal,
a obteno das estimativas no um tarefa trivial. Meeker e Escobar (1998) apresentam
o mtodo numrico supondo a normalidade dos efeitos aleatrios e utilizam os algorit-
mos de (Pinheiro e Bates, 1995, 2000) para obteno das estimativas dos parmetros
nos exemplos apresentados. Entretanto, para muitas situaes prticas tais como as
que sero tratadas neste trabalho (vide Seo 1.1), essa suposio no verdadeira. Tal
diculdade computacional impe uma restrio prtica ao mtodo numrico.
Dada a diculdade de vericao da validade dessa suposio de normalidade,
muitos trabalhos na literatura tm tentado estudar o efeito de desvios desta suposio
nas estimativas dos parmetros xos tanto para esta classe de modelos (Modelos Line-
ares e No Lineares de Efeitos Mistos) quanto para outras mais abrangentes tais como
Captulo 1. Introduo 16
a dos Modelos Lineares Generalizados de Efeitos Mistos - GLMM (Generalized Linear
Mixed Eects Models). Verbeke e Lesare (1997), Agresti et al. (2004), Litire et al.
(2008), Alonso e Molenberghs (2008), Freitas et al. (2009) so alguns exemplos.
Em particular, com o objetivo de estudar o impacto de desvios da suposio de Nor-
malidade nas estimativas de percentis, Freitas et al. (2009) compararam, atravs de um
estudo por simulao, os resultados obtidos com os mtodos numrico e aproximado
queles oriundos de uma anlise tradicional de tempo at a falha (isto , utilizando
apenas o tempo no qual o perl atinge o limiar D
f
e as observaes censuradas). Os
autores utilizaram um modelo de degradao linear simples (uma reta sem intercepto)
no qual o efeito aleatrio associado cada perl de degradao (a inclinao da reta) era
oriundo das distribuies normal, Weibull e lognormal. Entre outros resultados, os au-
tores constataram que o desempenho do mtodo numrico (medido pelo erro quadrtico
mdio das estimativas) altamente afetado pela violao da suposio de normalidade
dos efeitos aleatrios, chegando ao ponto deste ter o pior desempenho dentre os trs
mtodos comparados. Em particular, Toledo (2007) constatou que o efeito maior desta
m especicao no vcio relativo das estimativas obtidas pelo mtodo numrico.
Em funo da grande diculdade de estimao dos parmetros do modelo em situ-
aes nas quais a suposio de Normalidade no se aplica, e dos efeitos desta m
especicao, uma outra frente de pesquisa foi aberta cujo foco o desenvolvimento de
mtodos computacionais alternativos, que permitam a obteno de estimadores de m-
xima verossimilhana para modelos de efeitos mistos (utilizados na modelagem de dados
de degradao) com efeitos aleatrios no-normais. Pinheiro et al. (2001) propuseram
um modelo linear misto com efeitos aleatrios de uma distribuio T multivariada.
Para modelos gerais com efeitos aleatrios no-normais, alguns mtodos de estimao
que aparecem na literatura incluem a verossimilhana hierrquica (Lee e Nelder, 1996)
e a maximizao por partes (Song et al., 2005). Entretanto, a implementao destes
mtodos para utilizao intensiva em anlise de dados mostrou-se uma tarefa desa-
17 1.3. O Modelo Geral de Degradao e o Problema da Estimao dos Parmetros
adora. A quadratura gaussiana uma ferramenta que tem sido utilizada com sucesso
na estimao de parmetros em modelos com efeitos aleatrios Normais. Para modelos
mistos com efeitos aleatrios no-normais, Nelson et al. (2006) props um mtodo com-
putacional que utiliza o mtodo PIT (Probability Integral Transformation) para obter
estimativas de mxima verossimilhana. Infelizmente essa abordagem s consegue lidar
com efeitos aleatrios para os quais a inversa da funo distribuio acumulada (f.d.a)
tem forma fechada, o que limita a sua aplicao. Liu e Yu (2008) propuseram um novo
mtodo de estimao que reformula a verossimilhana condicional de efeitos aleatrios
no-normais. Os autores reformulam a verossimilhana, dividindo e multiplicando a
verossimilhana condicional por uma funo densidade Normal. Os mesmos mostram
que os resultados encontrados so similares aos obtidos pelo mtodo PIT. Alm disso,
h vantagens adicionais tais como a reduo do esforo computacional e a possibilidade
de lidar com distribuies de efeitos aleatrios para as quais no h forma fechada para
a funo de distribuio acumulada.
Por outro lado, outra abordagem para o tratamento de dados de degradao uti-
lizao de mtodos bayesianos. Esta abordagem aparece de maneira natural visto que
utiliza a informao contida na distribuio a priori dos parmetros do modelo de
degradao. Em frmaco-cintica, mtodos bayesianos j foram utilizados (Wakeeld
et al., 1994; Gelman et al., 1996; Wakeeld, 1996), entretanto s recentemente essa
abordagem comeou a ser utilizada em dados de degradao. Hamada (2005) utilizou
inferncia bayesiana em dados de degradao associados a falhas em lasers (situao
descrita na Seo 1.1.2). O autor baseou-se em um modelo linear de degradao com
estrutura hierrquica, no qual uma distribuio a priori Weibull foi escolhida para os
efeitos aleatrios e distribuies a priori Gamma foram utilizadas para os dois hiper-
parmetros. Amostras da distribuio a posteriori dos parmetros do modelo foram
obtidas atravs de mtodos MCMC (Gamerman e Lopes, 2006, Markov Chain Monte
Carlo). As distribuies a posteriori de quantis da distribuio do tempo de falha T,
Captulo 1. Introduo 18
bem como da conabilidade a posteriori em 4500 horas de uso tambm foram obtidas.
Para isso, as expresses para o clculo do p-simo quantil e de R(t) (a conabilidade em
um tempo t) de uma distribuio Weibull foram aplicadas s amostras da distribuio a
posteriori dos parmetros do modelo. Contudo, algumas inconsistncias tericas foram
observadas no referido artigo, uma vez que o autor arma que a distribuio dos Tempos
de Falha e dos Efeitos Aleatrios do modelo proposto Weibull tanto a priori quanto
a posteriori. Ser provado no presente trabalho que essa colocao no vlida. Di-
ante desta constatao um dos objetivos da presente pesquisa estudar o efeito dessa
inconsistncia nos resultados da anlise dos dados dos emissores a laser e propor uma
abordagem alternativa.
Robinson e Crowder (2000) zeram uma reviso dos mtodos clssicos de inferncia
para modelos de degradao e apresentaram uma abordagem bayesiana completa para o
problema, que incluia a estimao da distribuio do tempo de falha de unidades futuras
e para as unidades sob teste. No artigo os autores aplicam o enfoque bayesiano num
modelo de degradao no linear utilizado por Lu e Meeker (1993) originrio da Lei de
Paris-Edorgan (e.g., Sobczyk e Spencer, 1992, Captulo 1). O banco de dados utilizado
recorrente na rea e foi primeiramente introduzido por Hudak et al. (1978), trata de
medidas da evoluo do tamanho da trinca em eixos. Os autores eliciam distribuies
a priori no informativas no sentido de Jereys para os parmetros da distribuio
e hiperparmetros da distribuio dos efeitos aleatrios, posteriormente utilizam as
distribuies marginais a posteriori dos mesmos para obter a distribuio dos tempos
de falha das unidades sob teste e de uma unidade futura atravs da distribuio preditiva
a posteriori dos tempos de falha.
19 1.4. Objetivos do Trabalho
1.4 Objetivos do Trabalho
Os objetivos deste trabalho so:
1. Apontar as inconsistncias tericas presentes em Hamada (2005).
2. Apresentar uma proposta de abordagens alternativas encontradas para a anlise
de tempos de falha via Modelos de Degradao com a abordagem bayesiana.
3. Comparar os resultados da proposta com as duas na literatura, quais sejam, de
Robinson e Crowder (2000) e Hamada (2005), para algumas situaes de dados
simulados.
4. Aplicar a proposta de anlise aos dados de rodas de trem e emissores de laser.
1.5 Organizao deste Texto
O presente texto est organizado da seguinte forma. No Captulo 2 so apresentados
os mtodos estatsticos para estimao dos parmetros em modelos de degradao com
abordagem pela estatstica clssica. No Captulo 3 fornecemos a especicao do modelo
linear sob o enfoque bayesiano, seguido das metodologias apresentadas nos artigos de
Hamada (2005), Robinson e Crowder (2000) e a proposta de anlise realizada nesta
dissertao, alm de evidenciar-se analiticamente a inconsistncia terica em Hamada
(2005). No Captulo 4 mostra-se empiricamente a inconsistncia terica presente em
Hamada (2005). Para esta avaliao emprica utilizam-se dados simulados. Os mesmos
so utilizadas para avaliar a proposta de anlise deste texto em relao aos mtodos
de Hamada (2005) e Robinson e Crowder (2000), com mais foco neste primeiro. No
Captulo 5 os dados de emissores de laser presentes em Hamada (2005) e os dados de
Captulo 1. Introduo 20
rodas de trem (Freitas et al., 2009, 2010) so reanalizados pela metodologia proposta
na dissertao, alm disso, comparam-se os resultados com os daqueles autores (apenas
o enfoque bayesiano). No Captlo 6 so apresentadas as concluses do estudo.
Captulo 2
Mtodos Estatsticos Baseados em
Inferncia Clssica para Estimao
de Parmetros em Modelos de
Degradao
Neste captulo sero brevemente apresentados os principais mtodos de estimao e
anlise de dados de degradao baseados em inferncia clssica. Embora tais mtodos
no sejam o foco do presente trabalho, a nomenclatura para modelos de degradao
introduzida atravs dos mesmos. Alm disso, o leitor poder apreciar melhor a es-
trutura da verossimilhana que ser introduzida na inferncia bayesiana (Seo 3.2.1).
Uma abordagem completamente bayesiana de estimao para modelos de degradao
apresentada no Captulo 3.
Antes de iniciarmos a apresentao dos mtodos, introduzimos a notao que ser
utilizada extensivamente ao longo deste texto e as simplicaes que se zeram neces-
Captulo 2. Mtodos Estatsticos Baseados em Inferncia Clssica para Estimao de
Parmetros em Modelos de Degradao 22
srias. Na literatura estatstica, a conveno usual denotar a varivel aleatria por
uma letra maiscula (e.g., Y
ij
a varivel aleatria que representa a resposta a ser
observada para a i-sima unidade no j-simo tempo) e o valor observado dessa varivel
aleatria (os dados) pela letra minscula correspondente (e.g., y
ij
o valor observado
de Y
ij
). Para a maior parte deste texto essa conveno ser mantida. Entretanto, se
nos desviarmos desta notao, estar claro pelo contexto se estamos nos referindo
varivel aleatria ou sua realizao (seu valor observado).
Alm disso, a notao f
Y
(y
, avaliada no
vetor de valores observados (os dados) y
. De maneira equivalente, F
Y
(y
) a funo
distribuio acumulada de probabilidade de Y
associada a f
Y
(y
). Tal notao
similar para as demais funes distribuio densidade e acumulada de probabilidade.
2.1 O Mtodo Aproximado
Seja o modelo dado em (1.3). O mtodo aproximado, introduzido por Meeker e
Escobar (1998), consiste de dois passos. O primeiro uma anlise separada para cada
perl de modo a denir (estimar) quando o limiar de degradao D
f
alcanado, o que
caracteriza a falha.
Ao tempo de falha estimado, obtido da soluo da equao de degradao em relao
a t quando a degradao igual degradao crtica, d-se o nome pseudo tempo de
falha. Os pseudo tempos de falha so analisados como uma amostra completa de
tempos de falha para a estimao de F
T|
(t|
), em que
= (
1
,
2
, . . . ,
q
)
t
o vetor de
parmetros, xos, da distribuio dos efeitos aleatrios
), os quais no Mtodo
Aproximado so tratados como xos. Formalmente, temos:
1. Para cada unidade i utilize o modelo Y
ij
= D(t
ij
;
;
i
) +
ij
e a amostra ob-
23 2.2. O Mtodo Analtico
servada (t
i1
,y
i1
), . . . ,(t
im
i
,y
im
i
) para encontrar as estimativas de mxima verossi-
milhana (condicionadas) de
= (
1
,
2
, . . . ,
r
)
t
e
i
= (
i1
,
i2
, . . . ,
ip
)
t
. Note
que xando-se i, as estimativas so obtidas para uma unidade experimental es-
pecca. Portanto o vetor
i
= (
i1
,
i2
, . . . ,
ip
)
t
tratado como xo. O vetor
= (
1
,
2
, . . . ,
r
)
t
de efeitos xos, que no modelo geral (1.3) comum para
todas as unidades, tambm ser estimado para cada uma separadamente. Denote
tais estimativas
i
i
) = D
f
para t e obtenha a
soluo
t
1
, . . . ,
t
n
(pseudo tempos de falha).
3. Execute o procedimento convencional de anlise de tempo de falha (Nelson, 1990)
para os pseudo tempos de falha
t
1
, . . . ,
t
n
para estimar F
T|
(t|
).
O mtodo adequado para caminhos de degradao relativamente simples, e para
os quais os dados sejam sucientes para estimar
i
e
i
. O horizonte de extrapolao
deve ser curto, uma vez que o modelo desconsidera erros de previso e os erros inerentes
aos valores de degradao observados.
2.2 O Mtodo Analtico
Para modelos de degradao mais simples, F
T|
(t|
> 0.
Para o nvel crtico D
f
tem-se:
D
f
= +T e T = g(; ; D
f
,D) =
D
f
t|,
_
= P
_
D
f
t
|,
_
F
T|,
(t|,
) = 1
nor
_
log(D
f
) log t
|,
_
=
nor
_
[log(D
f
) log t
|,
_
=
nor
_
log t [log(D
f
)
|,
_
, t > 0
em que
nor
a funo distribuio acumulada de uma distribuio normal padro.
Neste caso, T tambm log-normal com parmetro de escala t
0,50|,
= exp(
T
) =
T
= [log(D
f
)
] e parmetro de forma
T
=
.
25 2.3. O Mtodo de Dois Estgios
2.3 O Mtodo de Dois Estgios
Este mtodo foi apresentado por Lu e Meeker (1993) e parte do pressuposto de que
o vetor de efeitos aleatrios
= H(
) segue
uma distribuio Normal Multivariada. A seguir so explicitados os passos do mtodo.
Estgio 1
1. Para cada unidade amostral i (i = 1, . . . ,n), ajuste o modelo de degradao
(1.3) (atravs de mnimos quadrados) e obtenha as estimativas de Estgio
1 para os parmetros do modelo (
;
i
=
_
_
m
i
i=1
_
y
ij
D
_
t
ij
;
i
__
2
(m
i
q)
_
_
, em que q = p +r.
2. Assuma que, para alguma reparametrizao apropriada (e.g, transformao
de Box e Cox, 1964),
i
= H(
e matriz de varincia e
covarincia
.
Estgio 2
No segundo estgio, os estimadores (
i
;
i
so, respectivamente,
Captulo 2. Mtodos Estatsticos Baseados em Inferncia Clssica para Estimao de
Parmetros em Modelos de Degradao 26
=
n
i=1
i
=
n
i=1
i
=
_
_
n
i=1
_
i
__
i
_
t
(n 1)
_
i=1
var
_
i
_
n
Estimao Pontual de F
T|
(t|
)
A estimativa
F
T|
(t|
) de F
T|
(t|
de
da distribuio N
_
_
e obtenha as N
correspondentes realizaes
de
a partir de H
1
(
), em que N grande
(e.g., N = 100.000) e H
1
a transformada inversa de H. Em casos para
os quais F
( ) de
conhecida, as realizaes
de
simulados substituindo
emD
f
= D(
; t).
4. Estime F
T|
(t|
F
T|
(t|
) =
[N umero de tempos de falha t
t]
N
27 2.4. O Mtodo Numrico
O erro Monte Carlo facilmente calculado atravs da distribuio binomial. Este
erro pode ser minimizado fazendo-se N sucientemente grande. Intervalos de con-
ana podem ser construdos atravs de procedimentos bootstrap (Efron, 1985).
O nmero de observaes em cada nvel afeta a acurcia da estimao dos parme-
tros do modelo para cada um dos pers individuais (Lu e Meeker, 1993). No
desenvolvimento do mtodo de dois estgios, Lu e Meeker (1993) assumiram que
o nmero de observaes para cada perl era sucientemente grande para garantir
as propriedades assintticas dos estimadores. Para o modelo utilizado no artigo,
os autores concluram atravs de um estudo por simulao (no includo no artigo)
que a normalidade assinttica era garantida com um nmero mnimo de m
i
= 7
observaes (i = 1,2,...n) para cada uma das n unidades amostrais.
2.4 O Mtodo Numrico
O mtodo numrico, apresentado por Meeker e Escobar (1998) consiste na esti-
mao dos parmetros do modelo geral de degradao (1.3) pelo mtodo de mxima
verossimilhana e, posteriormente, a obteno de F
T
(t) atravs de simulao de Monte
Carlo.
Primeiramente necessrio retomar o modelo geral (1.3) e introduzir uma notao
adicional que ser utilizada ao longo do texto nas prximas sees e captulos. A
referncia bsica o trabalho de Robinson e Crowder (2000).
Seja o modelo geral de degradao (1.3):
Y
ij
= D(t
ij
;
,
i
) +
ij
i = 1, . . . ,n; j = 1, . . . ,m
i
em que,
Captulo 2. Mtodos Estatsticos Baseados em Inferncia Clssica para Estimao de
Parmetros em Modelos de Degradao 28
Y
ij
varivel aleatria que representa a j-sima medida de degradao da i-sima
unidade amostral, no j-simo tempo pr-especcado t
ij
;
= (
1
, . . . ,
r
)
t
o vetor de parmetros xos (associado aos efeitos xos), des-
conhecido e comum todas as unidades;
i
= (
i1
, . . . ,
ip
)
t
o vetor de parmetros aleatrios (coecientes dos efeitos
aleatrios do modelo) e que varia entre as unidades experimentais.
As suposies bsicas do modelo so:
1. Os
i
)
indexada por um vetor xo de parmetros
= (
1
, . . . ,
q
)
t
desconhecido.
Seja f
). Portanto,
(
i
) =
) e f
(
i
)=f
) i = 1, . . . ,n, em que f
(
i
) a funo
densidade do vetor de efeito aleatrio
i
.
2. Os erros
ij
so iid N(0,
2
), em que
2
xo e desconhecido. Seja f
ij
|
2
(
ij
|
2
)
a funo densidade de probabilidade dos
ij
s. Assim:
f
ij
|
2
(
ij
|
2
) =
1
2
2
exp
_
1
2
2
2
ij
_
em que, i = 1, . . . ,n e j = 1, . . . ,m
i
.
3. os vetores aleatrios
i
e
i
= (
i1
, . . . ,
im
i
)
t
so independentes para todo i =
1,2, . . . ,n.
Seja Y
i
= (Y
i1
,Y
i2
, . . . ,Y
im
i
)
t
o vetor aleatrio que denota as medidas de degradao
da i-sima unidade, e y
i
= (y
i1
,y
i2
, . . . ,y
im
i
)
t
o vetor de observaes (os dados) da
i-sima unidade.
29 2.4. O Mtodo Numrico
De maneira anloga, seja Y
= (Y
1
, . . . ,Y
n
)
t
o vetor aleatrio que representa o con-
junto completo de medidas de degradao para as n unidades, e y
= (y
1
, . . . ,y
n
)
t
os
dados observados durante o perodo de ensaios.
Seja B
= (
1
,
2
, . . . ,
n
)
t
= (
11
,
12
, . . . ,
1p
;
21
,
22
, . . . ,
2p
; . . . ;
n1
,
n2
, . . . ,
np
)
t
que agrega todos os parmetros aleatrios do modelo (para todas as n unidades expe-
rimentais).
Denote a funo densidade de Y
i
como f
Y
i
,
i
,
2
(y
i
,
i
,
2
e
ij
( i,j), tem-se que as funes densidade de proba-
bilidade de Y
e B
,B
,
2
(y
,B
,
2
) =
n
i
f
Y
i
,
i
,
2
(y
i
,
i
,
2
) (2.1)
f
B
(B
) =
n
i
f
(
i
) (2.2)
Sejam
e
2
,
2
(y
,
2
) =
f
Y
,B
,
2
(y
,B
,
2
)dB
f
Y
,B
,
2
(y
,B
,
2
)d
1
. . . d
n
_
f
Y
,B
,
2
(y
,B
,
2
)f
B
(B
)
_
d
1
. . . d
n
=
n
i=1
_
f
Y
i
,
i
,
2
(y
i
,
i
,
2
)f
(
i
)
_
d
1
. . . d
n
(2.3)
Captulo 2. Mtodos Estatsticos Baseados em Inferncia Clssica para Estimao de
Parmetros em Modelos de Degradao 30
em que,
B
= (
, . . . ,
) o suporte de B
, e
o suporte de
.
Note que com a suposio de que os erros so iid N(0,
2
), Y
i
tem distribuio
Normal Multivariada de ordem m
i
, ou seja, Y
i
,
i
,
2
so independentemente dis-
tribudos
_
indep.
_
segundo uma distribuio N
m
i
(
Y
i
;
Y
i
), em que
Y
i
o vetor de
mdias (de dimenso m
i
1 dado por
Y
i
= E(Y
i
) =
_
D(t
i1
;
,
i
), . . . ,D(t
im
i
;
,
i
)
_
t
e matriz de varincia-covarincia
Y
i
=
2
I
m
i
, na qual I
m
i
a matriz identidade de
ordem m
i
.
Alm disso, Y
ij
|
,
i
,
2
indep.
N(D
i
(t
ij
;
,
i
);
2
) em que j = 1, . . . ,m
i
. Portanto,
em (2.3), f
Y
i
,
i
,
2
(y
i
,
i
,
2
) =
m
i
j=1
N(D
i
(t
ij
;
,
i
);
2
,
2
(y
,
2
) =
n
i=1
_
f
Y
i
,
i
,
2
(y
i
,
i
,
2
)f
(
i
)
_
d
1
. . . d
n
=
n
i=1
_
_
_
_
_
m
i
j=1
N(D
i
(t
ij
;
,
i
);
2
)
_
_
f
(
i
)
_
_
_
d
1
. . . d
n
(2.4)
A estimao de
e
2
.
Uma suposio adicional, em geral implementada, a de que os
i
s so iid segundo
uma Normal Multivariada de ordem p, ou seja, neste caso
= (
) e
i
iid
N
p
(
), em que
a matriz de varincia-covarincia.
Portanto, na expresso da verossimilhana (2.4), f
(
i
) = f
(
i
)
a funo densidade da N
p
(
(
i
) =
1
(2)
p/2
|
|
1/2
exp
_
1
2
(
i
)
t
(
i
)
_
Nesse caso em que os
i
=
_
_
e
2
(Pinheiro e Bates,
2000).
Assim, das estimativas de
=
_
_
e
2
, F
T|
(t|
) pode ser
obtida via integrao direta.
Contudo, o tempo computacional para avaliao das integrais ir aumentar expo-
nencialmente com o aumento das dimenses das integrais. Uma alternativa calcular
F
T|
(t|
(t|
), na Seo 2.3.
Captulo 3
Especicao do Modelo de
Degradao Sob Abordagem
Bayesiana
Dada a natureza aproximadamente linear dos pers de degradao em estudo neste
texto (veja as Figuras 1.2 e 1.3), ser apresentada a especicao do modelo de degrada-
o sob a abordagem bayesiana considerando-se aquela linearidade. O mesmo modelo
ser utilizado para ambas as situaes prticas deste texto.
3.1 Mtodo Baseado em Inferncia Bayesiana
A inferncia bayesiana permite estimar parmetros desconhecidos de um modelo e
avaliar a incerteza sobre ele atravs da distribuio a posteriori. Ou seja, a infern-
cia resultante a distribuio de probabilidade a posteriori dos parmetros desconhe-
cidos do modelo. Essa tarefa executada combinando a informao a priori sobre
33 3.1. Mtodo Baseado em Inferncia Bayesiana
= (
1
, . . . ,
s
), em que s o nmero de parmetros do modelo, com a informao con-
tida nos dados. A informao a priori , em geral, descrita por uma funo densidade de
probabilidade f
(y
) = f
Y
11
,...,Y
1m
1
,...,Y
n1
,...,Y
nm
n
|
(y
11
, . . . ,y
1m
1
, . . . ,y
n1
, . . . ,y
nm
n
|
). A in-
formao combinada ento descrita por outra funo densidade de probabilidade
F
|Y
|Y
|y
) =
f
Y
(y
)f
f
Y
(y
)f
)d
(3.1)
em que
f
Y
(y
)f
)d
a distribuio preditiva de y
, a priori, e
o espao
paramtrico de
.
O maior problema da inferncia bayesiana reside em calcular a integral em (3.1).
Todavia, com os avanos dos mtodos computacionais tornou-se fcil obter amostras
de f
|Y
|y
|Y
|y
).
3.2 Modelo com Efeito Aleatrio Weibull
3.2.1 Construo da Funo de Verossimilhana
Seja Y
= (Y
1
, . . . ,Y
n
) em que Y
i
= (Y
i1
, . . . ,Y
im
i
) denota o vetor aleatrio de me-
didas feitas na unidade amostral i, i = 1, . . . ,n (pers de degradao). Seja B
=
(
1
, . . . ,
n
)
t
o vetor que contm todos os vetores de efeitos aleatrios das n unidades
experimentais.
Da Figura 1.2 e 1.3 na Seo 1.1 percebe-se que os pers de degradao so apro-
ximadamente lineares. Hamada (2005) utilizou, para os dados de lasers, um modelo
no qual o verdadeiro perl de degradao no tempo t, para o i-simo perl amostral
dado por:
D
i
(t) =
_
1
i
_
t (3.2)
Fazendo D
f
= D
i
(T
i
) possvel obter o tempo de falha para o perl i, da seguinte
forma:
T
i
= D
f
i
(3.3)
Portanto, o modelo que descreve Y
ij
isto , a degradao do i-simo perl no tempo
t
ij
toma a seguinte forma:
Y
ij
= D
ij
= D(t
ij
,
i
) +
ij
=
_
1
i
_
t
ij
+
ij
(3.4)
em que i = 1, . . . ,n (perfis) , j = 1, . . . ,m
i
(medidas).
35 3.2. Modelo com Efeito Aleatrio Weibull
Fazendo refercia notao do Captulo 2, note que no caso do modelo 3.4,
i
=
i
(um escalar, i = 1, . . . ,n) e, portanto, B
= (
1
, . . . ,
n
)
t
neste caso B
= (
1
, . . . ,
n
)
t
.
Para facilitar a notao, visto que
i
um escalar, B
ij
|
2
iid
N
_
0;
2
_
. (3.5)
Conseqentemente, tem-se que
Y
ij
|
i
,
2
indep
N
_
1
i
t
ij
;
2
_
. (3.6)
Sendo Y
i
= (Y
i1
, . . . ,Y
im
i
), segue-se ento que
Y
i
|
i
,
2
indep
N
m
i
_
;
2
I
m
i
_
= N
m
i
_
1
i
t
i
t
;
2
I
m
i
_
, (3.7)
em que I
m
i
denota a matriz identidade de ordem m
i
, t
i
t
= (t
i1
, . . . ,t
im
i
) e:
=
_
_
1
i
t
i1
.
.
.
1
i
t
im
i
_
_
Ento tem-se que a distribuio conjunta de Y
,B
,
2
:
Captulo 3. Especicao do Modelo de Degradao Sob Abordagem Bayesiana 36
f
Y
,B
,
2
(y
,B
,
2
) = f
Y
|B
,
2
(y
|B
,
2
)f
B
(B
)
=
n
i=1
_
f
Y
i
|
i
,
2
(y
i
|
i
,
2
)f
(
i
)
_
=
n
i=1
_
_
_
_
_
m
i
j=1
f
Y
ij
|
i
,
2
(y
ij
|
i
,
2
)
_
_
f
(
i
)
_
_
_
=
n
i=1
_
_
_
_
_
m
i
j=1
_
1
2
2
_
1/2
exp
_
1
2
2
_
y
ij
t
ij
i
_
2
_
_
_
f
i
|
(
i
|
)
_
(3.8)
Ainda, estabeleceu-se que a degradao inicial y
i1
= 0 para todas as unidades.
Note que a equao (3.8) bastante similar equao (2.4), exceto pelas integrais. Para
a inferncia bayesiana, diferentemente do procedimento da estatstica clssica, no so
efetuadas a integraes no espao paramtrico dos efeitos aleatrios. O procedimento
bayesiano para estimao dos parmetros na equao (3.8) surge naturalmente como
evidenciado na Seo 3.2.2.
3.2.2 Especicao das Distribuies a priori
Assim como em Robinson e Crowder (2000), determinamos a distribuio conjunta
a posteriori dos parmetros como se segue:
37 3.2. Modelo com Efeito Aleatrio Weibull
f
,
2
|Y
,
2
|y
) =
f
Y
,
2
( y
,
2
)
f
Y
( y
)
=
f
Y
,
2
( y
,
2
)f
)f
)f
(
2
f
Y
,
2
( y
,
2
)f
)f
)f
(
2
)d
d
2
i=1
{
m
i
j=1
[
f
Y
ij
|
i
,
2
(y
ij
|
i
,
2
)
]
f
i
|
(
i
|
)
}
f
)f
(
2
) (3.9)
Note que as notaes de f
) e f
(
2
i
s, e
2
atravs de
f
i
|
(
i
|
) e f
(
2
), respectivamente.
Dena
= (,)
t
, dessa maneira assume-se
i
|
=
i
|(,)
t
Weibull(,) como
distribuio a priori para os efeitos aleatrios de cada perl. Ou seja:
i
|
=
i
|(,) Weibull(,) (3.10)
f
i
|,
(
i
|,) = (
i
)
1
exp
_
i
_
i
> 0, > 0 e > 0 (3.11)
Hamada (2005) utilizou exatamente a distribuio a priori na equao (3.10) para
os efeitos aleatrios
i
, o que razovel ser assumido aqui, pois os pers apresentados
nas Figuras 1.2 e 1.3 indicam que a degradao positiva. Ainda, a distribuio Weibull
exvel o bastante para denir distribuies a priori tanto informativas quanto no
informativas (no sentido de atribuir massa probabilstica aproximadamente igual para
todos os valores no suporte de
i
).
Assume-se, como usualmente utilizado na literatura e inclusive em Hamada (2005),
que
2
|a
3
,b
3
GammaInvertida(a
3
,b
3
), ou seja, distribuio a priori de
2
tem a
Captulo 3. Especicao do Modelo de Degradao Sob Abordagem Bayesiana 38
seguinte densidade:
f
|a
3
,b
3
(
2
|a
3
,b
3
) =
b
a
3
3
(a
3
)
_
_
(a
3
+1)
e
b
3
/
2
;
2
> 0, a
3
> 0, b
3
> 0 (3.12)
Ainda, possvel especicar no modelo hierrquico as chamadas hiperprioris, isto
, f
) = f
()f
a
1
1
e
b
1
; > 0, a
1
> 0, b
1
> 0 (3.14)
|a
2
,b
2
Gamma(a
2
; b
2
) (3.15)
f
|a
2
,b
2
(|a
2
,b
2
) =
b
a
2
2
(a
2
)
a
2
1
e
b
2
; > 0, a
2
> 0, b
2
> 0 (3.16)
As famlias de distribuies Gamma(a,b) e GammaInvertida(a,b), com valores de a
e b tendendo a zero, so usualmente utilizadas na literatura denir distribuies a priori
pouco informativas para e (no sentido de dar massa probabilstica aproximadamente
igual para todos os valores no suporte do parmetro que modelam).
Especicadas as distribuies a priori, para fazermos inferncias necessitamos en-
contrar as distribuies a posteriori. Para o problema em questo a distribuio a
posteriori no tem forma fechada, por isto utilizaremos mtodos MCMC. Iniciamos por
encontrar as distribuies condicionais completas.
39 3.2. Modelo com Efeito Aleatrio Weibull
3.2.3 Especicao das Distribuies Condicionais Completas
As distribuies condicionais completas a posteriori para cada parmetro so obti-
das a partir da distribuio conjunta f
,
2
|Y
,
2
|Y
= . A primeira
conseqncia dessa reparametrizao que distribuio a priori de :
|a
3
,b
3
Gamma(a
3
; b
3
) (3.17)
f
|a
3
,b
3
() =
b
a
3
3
(a
3
)
a
3
1
e
b
3
; > 0, a
3
> 0, b
3
> 0 (3.18)
Dessa maneira a distribuio a posteriori dos parmetros pode ser escrita como:
f
,,,|Y
,,,|y
) f
Y
(y
)f
|,
(
|,)f
()f
()f
()
i=1
_
_
_
m
i
j=1
_
f
Y
ij
|
i
,
(y
ij
|
i
,)
_
f
i
|,
(
i
|,)
_
_
_
f
()f
()f
()
i=1
_
_
_
m
i
j=1
_
f
Y
ij
|
i
,
(y
ij
|
i
,)
_
f
i
|,
(
i
|,)
_
_
_
f
()f
()f
()
(3.19)
Da equao (3.19) tem-se que:
Captulo 3. Especicao do Modelo de Degradao Sob Abordagem Bayesiana 40
f
,,,|Y
,,,|y
)
n
i=1
_
_
_
m
i
j=1
_
f
Y
ij
|
i
,
(y
ij
|
i
,)
_
f
i
|,
(
i
|,)
_
_
_
f
()f
()f
()
i=1
m
i
j=1
_
2
_
1/2
exp
_
2
_
y
ij
t
ij
i
_
2
_
n
i=1
(
i
)
1
exp
_
i
_
b
a
1
1
(a
1
)
a
1
1
exp{b
1
}
b
a
2
2
(a
2
)
a
2
1
exp{b
2
}
b
a
3
3
(a
3
)
a
3
1
exp{b
3
} (3.20)
A distribuio condicional completa de cada um dos parmetros dada por:
f
i
|
[i]
,,,,Y
(
i
|
[i]
,,,,y
) f
Y
|
i
,
(y
i
|
i
,)f
i
|,
(
i
|,)
(
i
)
1
exp
_
i
_
m
i
j=1
exp
_
2
_
y
ij
t
ij
i
_
2
_
(3.21)
em que
[i]
= (
)
i
= (
1
, . . . ,
n
)
i
. Ou seja,
[i]
(n 1) dimensional pois
no contm o escalar
i
.
f
|
,,,Y
(|
,,,y
) f
|,
(
|,)f
()
a
1
1
exp{b
1
}
n
i=1
(
i
)
1
exp
_
i
_
(3.22)
41 3.3. Modelo com Efeito Aleatrio Lognormal
f
|
,,,Y
(|
,,,y
) f
|,
(
|,)f
()
a
2
1
exp{b
2
}
n
i=1
exp
_
i
_
(3.23)
f
|
,,,Y
(|
,,,y
) f
Y
(y
)f
()
a
3
1
exp{b
3
}
n
i=1
m
i
j=1
1/2
exp
_
2
_
y
ij
t
ij
i
_
2
_
(3.24)
A partir da distribuio condicional completa de cada parmetro possvel obter
amostras da distribuio f
,
2
|Y
,
2
|y
atravs de
f
i
|
(
i
|
) e f
(
2
), respectivamente.
Captulo 3. Especicao do Modelo de Degradao Sob Abordagem Bayesiana 42
Dena
= (
L
,
2
L
), dessa maneira assume-se
i
|
=
i
|(
L
,
2
L
)
t
Lognormal(
L
,
2
L
)
como distribuio a priori para os efeitos aleatrios de cada perl. Ou seja:
f
i
|
L
,
2
L
(
i
|
L
,
2
L
) =
1
2
2
L
exp
_
(ln(
i
)
L
)
2
2
2
L
_
(3.25)
i
> 0,
L
= (, +) e
2
L
> 0
Freitas et al. (2010) utilizou a mesma distribuio a priori na equao (3.25) para
os efeitos aleatrios
i
quando modelou a degradao das mesmas rodas de trem deste
texto (Figura 1.2).
Assume-se que
2
|a
3
,b
3
GammaInvertida(a
3
,b
3
), da mesma forma estabelecida
na equao (3.12).
Ainda, possvel especicar no modelo hierrquico as chamadas hiperprioris, isto
, f
) = f
L
(
L
)f
2
L
(
2
L
). Aqui assumimos
L
|a
4
; b
2
4
N(a
4
; b
2
4
) (3.26)
f
L
|a
4
;b
2
4
(
L
|a
4
; b
2
4
) =
_
1
2b
2
4
_
1/2
exp
_
1
2b
2
4
(
L
a
4
)
2
_
L
= (, +), a
4
= (, +) b
4
> 0 (3.27)
2
L
|a
5
,b
5
GammaInvertida(a
5
,b
5
) (3.28)
f
2
L
|a
5
,b
5
(
2
L
|a
5
,b
5
) =
b
a
5
5
(a
5
)
_
2
L
_
(a
5
+1)
e
b
5
/
2
L
;
2
L
> 0, a
5
> 0, b
5
> 0 (3.29)
43 3.4. F
T
i
|Y
(t|y
,
2
|Y
,
2
|y
,
2
|Y
,
2
|y
) conforme em Gelfand e
Smith (1990).
Neste texto no sero apresentadas as distribuies condicionais completas para
efeitos aleatrios com distribuio Lognormal como priori, pois elas no sero utilizadas
como argumento analtico ou terico em nenhum momento. O software WinBUGS14
(Spiegelhalter et al., 2000) permite estimar os parmetros do modelo de degradao
sem necessidade de especicar a expresso das distribuies condicionais completas.
3.4 F
T
i
|Y
(t|y
i
|
=
i
|,
iid
Weibull(,), cuja funo densidade de probabilidade foi denida na
equao (3.10), e seja o modelo com forma funcional como na equao (3.2), da relao
resultante na equao (3.3) a funo distribuio de probabiliadade do tempo de falha
ser dada por:
f
T
i
|
,
(t|
) = f
i
|,
(
i
|,)
i
=
1
i
(t)
1
i
(t)
t
(3.30)
Captulo 3. Especicao do Modelo de Degradao Sob Abordagem Bayesiana 44
em que
1
i
(T
i
) = T
i
/D
f
e
= (
,
(t|
) =
_
t
D
f
_
1
exp
_
_
t
D
f
_
_
1
D
f
=
_
D
f
_
t
1
exp
_
_
D
f
_
t
_
(3.31)
Dessa forma conclumos que se
i
|
=
i
|,
iid
Weibull(,), ento T
i
|
=
T
i
|,
_
D
f
_
iid
Weibull
_
,
_
D
f
__
.
Conseqentemente:
F
T
i
|
,
(t|
) = F
T
i
,
(
D
f
)
_
t
,
_
D
f
__
= 1 exp
_
_
D
f
_
t
_
(3.32)
R
T
i
|
,
(t|
) = R
T
i
,
(
D
f
)
_
t
,
_
D
f
__
= 1 F
T
i
|
,
(t|
)
= exp
_
_
D
f
_
t
_
(3.33)
45 3.4. F
T
i
|Y
(t|y
,
(p|
) = t
p
,
(
D
f
)
_
p
,
_
D
f
__
=
__
D
_
ln(1 p)
_1
(3.34)
em que a equao (3.32) corresponde distribuio acumulada dos tempos de falha
(fornece a frao de falha at certo tempo t), a equao (3.33) corresponde funo
de conabilidade dos tempos de falha, e a equao (3.34) corresponde ao percentil de
ordem p da distribuio dos tempos de falha, ou seja t
p|
,
(p|
) o tempo para o
qual a probabilidade acumulada de falha p = F
T
i
|
,
(t|
).
Obtidas as amostras (
1k
, . . . ,
nk
,
k
,
k
,
2
k
) da distribuio a posteriori dos par-
metros (
,|y
) = (
,,,
2
|y
) |y
avalie |y
, |y
em F
T
i
|
,
(t|
k
,
k
)
(
1
1
2
1
) |y
F
T
i
|
,
(t|
1
,
1
)
.
.
.
.
.
.
.
.
.
.
.
.
|y
, |y
=
.
.
.
(
u
u
2
u
) |y
F
T
i
|
,
(t|
u
,
u
)
em que u o tamanho da amostra da distribuies a posteriori.
A partir da amostra obtida segundo o procedimento descrito na Tabela 3.1, F
T|Y
(t|y
)
aproximadamente estimada como
F
T
i
|Y
(t|y
) =
u
k=1
F
T
i
|
,
(t|
k
,
k
)
u
(3.35)
Captulo 3. Especicao do Modelo de Degradao Sob Abordagem Bayesiana 46
De forma anloga, das expresses 3.33 e 3.34, obtm-se, respectivamente, que
R
T
i
|Y
(t|y
) =
u
k=1
R
T
i
|
,
(t|
k
,
k
)
u
(3.36)
t
ip|y
(p|y
) =
u
k=1
t
p|
,
(p|
k
,
k
)
u
(3.37)
Note que F
T
i
|
,
(t|
k
,
k
), R
T
i
|
,
(t|
k
,
k
) e t
p|
,
(p|
k
,
k
) so objetos aleatrios,
pois dependem dos parmetros e , desta forma, intervalos de credibilidade para cada
uma das quantidades de interesse nas equaes (3.35), (3.36) e (3.37) podem ser encon-
trados tomando-se os percentis das amostras obtidas via o procedimento apresentado
na Tabela 3.1 (de forma anloga para as equaes (3.36) e (3.37)).
Note que todas as quantidades de interesse estimadas por Hamada (2005) resultam
em estimativas para qualquer unidade da populao, ou seja, tratam-se de estimativas
de quantidades de interesse da distribuio preditiva a posteriori dos tempos de falha
para um perl futuro. Ento, necessariamente, para o caso de Hamada (2005), i = n+1
sempre. Observe tambm que a equao (3.35) na verdade uma aproximao para a
seguinte integral:
F
T
i
|Y
(t|y
) =
F
T
i
,
|y
(t,
|y
)d
F
T
i
|
(t|
)f
|y
|y
)d
P(T
i
t|
)f
|y
|y
)d
(3.38)
usando a relao na equao (3.3) e da equao (3.32) tem-se que:
47 3.5. F
T
i
|Y
(t|y
(t|y
) =
_
1 exp
_
_
D
f
_
t
__
f
,|y
(,|y
)dd (3.39)
=
P
_
i
D
f
t|
_
f
|y
|y
)d
P
_
i
t
D
f
_
f
|y
|y
)d
t/D
f
0
f
i
|
(
i
|
)f
|y
|y
)d
i
d
(3.40)
Ainda, observa-se que a integral das equaes (3.39) e (3.40) levam em considerao
a distribuio a priori dos tempos de falha e dos efeitos aleatrios, ou seja, assume-se
que a distribuio dos tempos de falha e dos efeitos aleatrios se mantm a mesma a
posteriori sendo atualizadas apenas pela distribuio a posteriori de
.
3.5 F
T
i
|Y
(t|y
(t|y
(t|y
) =
i
F
T
i
,
i
,
,
2
|y
(t,
i
,
,
2
|y
)d
i
d
d
2
i
F
T
i
|
i
,
2
(t|
i
,
2
)
. .
I
f
i
,
,
2
|y
(
i
,
,
2
|y
)d
i
d
d
2
(3.41)
a distribuio preditiva a posteriori do tempo de falha para um perl de degradao
sob teste.
A parte I da equao (3.41) corresponde a:
F
T
i
|
i
,
2
(t|
i
,
2
) = P
_
D(t
ij
,
i
) +
ij
D
f
|
i
,
2
_
= P
__
1
i
_
t
ij
+
ij
D
f
i
,
2
_
= 1
_
D
f
t
ij
i
,
2
_
(3.42)
As as amostras da funo distribuio acumulada a posteriori dos tempos de falha
na equao so obtidas como se segue na Tabela 3.2:
Tabela 3.2: Amostra - preditiva a posteriori de T via Robinson e Crowder (2000)
(
1
n
) |y
avalie
i
|y
,
2
|y
em F
T
i
|
i
,
2
(t|
i
,
2
)
(
11
n1
1
1
) |y
F
T
i
|
i
,
2
(t|
i1
,
2
)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
i
|y
,
2
|y
=
.
.
.
(
1u
nu
u
u
) |y
F
T
i
|
i
,
2
(t|
iu
,
2
)
Finalmente a distribuio preditiva a posteriori dos tempos de falha de uma unidade
49 3.5. F
T
i
|Y
(t|y
F
T
i
|Y
(t|y
) =
u
k=1
F
T
i
|
i
,
2
(t|
ik
,
2
)
u
(3.43)
Dada a amostra de F
T
i
|
i
,
2
(t|
i
,
2
(t|y
(t|y
|y
como a amostra a
posteriori de
n+1
|y
. A amostra de F
T
i
|
i
,
2
(t|
i
,
2
F
T
n+1
|Y
(t|y
) =
n
i=1
u
k=1
F
T
i
|
i
,
2
(t|
ik
,
2
)
nu
(3.44)
Tabela 3.3: Amostra - preditiva a posteriori de um perl futuro via Robinson e Crowder
(2000)
avalie
(
1
n
) | y
| y
,
2
| y
F
T
i
|
i
,
2
(t|
i
,
2
)
em
(
11
n1
2
1
) | y
F
T
i
|
i
,
2
(t|
11
,
2
) F
T
i
|
i
,
2
(t|
n1
,
2
)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
| y
,
2
| y
=
.
.
.
.
.
.
.
.
.
(
1u
nu
u
) | y
F
T
i
|
i
,
2
(t|
1u
,
2
) F
T
i
|
i
,
2
(t|
nu
,
2
)
Captulo 3. Especicao do Modelo de Degradao Sob Abordagem Bayesiana 50
3.6 F
T
i
|Y
(t|y
) Proposta
3.6.1 F
T
i
|Y
(t|y
(t|y
) =
i
F
T
i
,
i
|y
(t,
i
|y
)d
i
=
i
F
T
i
|
i
(t|
i
)f
i
|y
(
i
|y
)d
i
=
i
P(T
i
t|
i
)f
i
|y
(
i
|y
)d
i
=
i
P (
i
D
f
t|
i
) f
i
|y
(
i
|y
)d
i
(3.45)
=
i
P
_
i
t
D
f
i
_
f
i
|y
(
i
|y
)d
i
=
i
t/D
f
0
f
i
|
,y
(
i
|
,y
)f
|y
|y
)d
i
d
(3.46)
Observe que a equao (3.46) diferente da equao (3.41). A equao (3.41)
considera a distribuio das medidas de degradao e a relao T
i
= D
f
i
como meio
para estimao de F
T
i
|Y
(t|y
i
para estimao de F
T
i
|Y
(t|y
).
Na equao (3.45), a amostra para estimao de F
T
i
|Y
(t|y
(t|y
) Proposta
Tabela 3.4: Amostra distribuio preditiva a posteriori via Proposta
(
) |y
avalie
i
|y
em T
i
= D
f
i
T
i
|
i
(
1
1
2
1
) |y
(T
i
|
i1
)
.
.
.
.
.
.
.
.
.
.
.
.
i
|y
=
.
.
.
(
u
u
2
u
) |y
(T
i
|
iu
)
A estimativa de F
T
i
|Y
(t|y
F
T
i
|Y
(t|y
) =
[Nmero de T
i
|
i
s t]
u
(3.47)
3.6.2 F
T
i
|Y
(t|y
|y
como a amostra
a posteriori de
n+1
|y
(t|y
F
T
n+1
|Y
(t|y
) =
[Nmero de T
i
|
i
s t]
nu
(3.48)
3.6.3 F
T
i
|Y
(t|y
) |y
i
|y
T
i
|
i
em T
i
= D
f
i
(
11
n1
1
) |y
(T
i
|
11
) (T
i
|
n1
)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
|y
=
.
.
.
.
.
.
.
.
.
(
1u
nu
u
) |y
(T
i
|
1u
) (T
i
|
nu
)
teste, pode-se estender esta e as demais suposies daquele modelo para uma unidade
futura. Assim, torna-se possvel incorporar uma unidade futura na funo de verossi-
milhana partindo da equao (3.49) at chegar na sua forma nal em (3.50).
Seja Y
n+1
,
n+1
,
), dados
e
2
:
53 3.6. F
T
i
|Y
(t|y
) Proposta
f
Y
n+1
,Y
,
n+1
,
;
2
(y
n+1
,y
,
n+1
,
;
2
) = f
Y
;
2
(y
;
2
)
= f
Y
n+1
,Y
|
n+1
;
;
2
(y
n+1
,y
|
n+1
,
;
2
)
f
n+1
|
(
n+1
|
)f
)
=
y
n+1
|
n+1
;
2
(y
n+1
|
n+1
;
2
)f
n+1
|
(
n+1
|
)
n
i=1
f
y
i
|
i
;
2
(y
i
|
i
;
2
)f
i
|
(
i
|
)
_
_
I
em que
Captulo 3. Especicao do Modelo de Degradao Sob Abordagem Bayesiana 54
I =
_
1
2
2
_
1/2
exp
_
1
2
2
_
y
n+1,1
t
n+1,1
n+1
_
2
_
f
n+1
|
(
n+1
|
)
n
i=1
N
m
i
_
1
i
t
t
i
;
2
_
f
i
|
(
i
|
)
=
_
1
2
2
_
1/2
exp
_
1
2
2
_
y
n+1,1
t
n+1,1
n+1
_
2
_
f
n+1
|
(
n+1
|
)
n
i=1
m
i
j=1
N
_
1
i
t
ij
;
2
_
f
i
|
(
i
|
)
=
_
1
2
2
_
1/2
exp
_
1
2
2
_
y
n+1,1
t
n+1,1
n+1
_
2
_
f
n+1
|
(
n+1
|
)
n
i=1
m
i
j=1
_
1
2
2
_
1/2
exp
_
1
2
2
_
y
ij
t
ij
i
_
2
_
f
i
|
(
i
|
)
=
_
1
2
2
_
1/2
exp
_
1
2
2
_
y
1,1
t
1,1
1
_
2
_
_
1
2
2
_
1/2
exp
_
1
2
2
_
y
n+1,1
t
n+1,1
n+1
_
2
_
f
n+1
|
(
n+1
|
)
n
i=1
m
i
j=2
_
1
2
2
_
1/2
exp
_
1
2
2
_
y
ij
t
ij
i
_
2
_
f
i
|
(
i
|
)
mas y
i1
= 0, t
i1
= 0, e
i
|
_
(n+1)/2
f
n+1
|
(
n+1
|
)
n
i=1
m
i
j=2
_
1
2
2
_
1/2
exp
_
1
2
2
_
y
ij
t
ij
i
_
2
_
f
i
|
(
i
|
) (3.49)
55 3.7. Inconsistncia Terica em Hamada (2005)
f
Y
;
2
(y
;
2
) =
n+1
i=1
m
i
j=1
_
1
2
2
_
1/2
exp
_
1
2
2
_
y
ij
t
ij
i
_
2
_
f
i
|
(
i
|
)d
(3.50)
Para obter a estimativa de F
T
i
|Y
(t|y
|y
| tem
distribuio diferente de
|,y
|,,Y
|,,y
) dada por:
f
|,,Y
|,,y
,,|Y
|,,y
)dd
f
Y
,
(y
,)f
|
(
|)f
()f
()dd
|
(
|)f
()d
. .
I
f
Y
,
(y
,)f
()d
. .
II
(3.51)
De I na equao (3.51) tem-se:
57 3.7. Inconsistncia Terica em Hamada (2005)
|
(
|)f
()d =
n
exp {
i
}
b
a
2
2
(a
2
)
a
2
1
exp {b
2
} d
=
b
a
2
2
(a
2
)
n
exp
_
i=1
i
_
a
2
1
exp {b
2
} d
=
b
a
2
2
(a
2
)
n+a
2
1
exp
_
_
n
i=1
i
+b
2
__
. .
ncleo Gamma
(
n+a
2
,
n
i=1
i
+b
2
)
d
=
b
a
2
2
(a
2
)
(n +a
2
)
_
n
i=1
i
+b
2
_
n+a
2
=1
..
+
0
Gamma
_
n +a
2
,
n
i=1
i
+b
2
_
d
=
b
a
2
2
(n +a
2
)
(a
2
)
_
n
i=1
i
+b
2
_
(n+a
2
)
(3.52)
De II na equao (3.51), tem-se:
Captulo 3. Especicao do Modelo de Degradao Sob Abordagem Bayesiana 58
f
Y
,
(y
,)f
()d =
i=1
m
i
j=1
_
2
_
1/2
exp
_
2
_
y
ij
t
ij
i
_
2
_
b
a
3
3
(a
3
)
a
3
1
exp{b
3
}d
=
i=1
m
i
2
exp
_
_
_
_
_
1
2
n
i=1
m
i
j=1
_
y
ij
t
ij
i
_
2
_
_
_
_
_
a
3
1
exp{b
3
}d
_
1
2
_
i=1
m
i
2
b
a
3
3
(a
3
)
=
_
1
2
_
i=1
m
i
2
b
a
3
3
(a
3
)
i=1
m
i
2
+a
3
1
exp
_
_
_
2
_
_
1
2
n
i=1
m
i
j=1
_
y
ij
t
ij
i
_
2
+b
3
_
_
_
_
_
. .
ncleo Gamma
i=1
m
i
2
+a
3
1 ,
1
2
n
i=1
m
i
j=1
(
y
ij
t
ij
i
)
2
+b
3
d
=
_
1
2
_
i=1
m
i
2
b
a
3
3
(a
3
)
_
_
n
i=1
m
i
2
+a
3
1
_
_
_
1
2
n
i=1
m
i
j=1
_
y
ij
t
ij
i
_
2
+b
3
_
i=1
m
i
2
+a
3
1
=1
..
0
Gamma
_
_
_
_
n
i=1
m
i
2
+a
3
1 ,
1
2
n
i=1
m
i
j=1
_
y
ij
t
ij
i
_
2
+b
3
_
_
_
_
d
=
_
1
2
_
i=1
m
i
2
b
a
3
3
(a
3
)
_
_
_
_
n
i=1
m
i
2
+a
3
1
_
_
_
_
_
_
1
2
n
i=1
m
i
j=1
_
y
ij
t
ij
i
_
2
+b
3
_
_
i=1
m
i
2
+a
3
1
(3.53)
59 3.7. Inconsistncia Terica em Hamada (2005)
Substituindo-se as equaes (3.52) e (3.53) em I e II na equao (3.51), segue que:
f
|,,Y
|,,y
)
b
a
2
2
(n +a
2
)
(a
2
)
_
1
2
_
i=1
m
i
2
b
a
3
3
(a
3
)
_
_
_
_
n
i=1
m
i
2
+a
3
1
_
_
_
_
. .
C
_
n
i=1
i
+b
2
_
(n+a
2
)
_
_
1
2
n
i=1
m
i
j=1
_
y
ij
t
ij
i
_
2
+b
3
_
_
i=1
m
i
2
+a
3
1
_
n
i=1
i
+b
2
_
(n+a
2
)
_
_
1
2
n
i=1
m
i
j=1
_
y
ij
t
ij
i
_
2
+b
3
_
_
i=1
m
i
2
+a
3
1
(3.54)
Nota-se pela equao (3.54) que a distribuio conjunta dos efeitos aleatrios a
posteriori
|,,y
).
7. Realize a anlise dos dados de degradao utilizando os mtodos e modelagem
apresentados no Captulo 3.
4.2 Distribuies a priori Assumidas para os Parmetros
do Modelo de Degradao
As distribuies a priori assumidas para os parmetros do modelo de degradao
utilizado nos Captulos 4 e 5 so apresentados nesta Seo, pois sero repetidamente
utilizadas ao longo de ambos os Captulos.
A anlise dos dados para todos os casos foi efetuada utilizando-se os softwares Win-
BUGS 1.4 (Spiegelhalter et al., 2000) e R 2.9 (pacote R2WinBUGS) (R Development
Core Team, 2005). A m de garantir a convergncia da cadeia para a distribuio a
posteriori das estimativas dos parmetros, assim como minimizar a autocorrelao das
mesmas, foram realizadas 10.001.000 iteraes da simulao MCMC, com um perodo
de aquecimento (burn-in) de 1000, e saltos de 1000 para a amostragem, o que resul-
tou em uma amostra a posteriori nal de tamanho u = 10.000 para cada parmetro
63 4.2. Distribuies a priori Assumidas para os Parmetros do Modelo de Degradao
(
; ,;
2
|y
i
|
=
i
|(,) Weibull(,)
|a
1
,b
1
Gamma(a
1
; b
1
) = Gamma(0,01; 0,01)
|a
2
,b
2
Gamma(a
2
; b
2
) = Gamma(0,01; 0,01)
|a
3
,b
3
GammaInvertida(a
3
; b
3
) = GammaInvertida(0,01; 0,01) (4.1)
As distribuies a priori apresentadas em (4.1) so pouco informativas represen-
tando nosso pouco conhecimento sobre os parmetros. O estabelecimento das dis-
tribuies a priori de e justicvel pois, vem sendo amplamente utilizadas
na literatura (inclusive em Hamada (2005)). Outra razo forte que a distribuio
Gamma(a,b) coloca um pouco mais de massa de probabilidade para valores pequenos
da varivel aleatria quando a
i
e b
i
(i = 1,2) tendem a zero, por exemplo a dis-
tribuio Gamma(10
2
,10
2
), ainda que distribuia bastante a massa de probabilidade
para outros valores. No caso em questo e so hiperparmetros de uma distribuio
Weibull(,), que por sua vez coloca massa de probabilidade aproximadamente igual
para os valores da varivel aleatria que descreve (
i
s) quando e tendem a zero.
Dessa forma, construda uma distribuio pouco informativa para os
i
s no sentido
de que todos os efeitos aleatrios so aproximadamente igualmente provveis de ocorrer.
4.2.2 Efeito Aleatrio Lognormal
So estabelecidas as seguintes distribuies a priori para os parmetros do modelo
(equao (4.2)):
65
4.3. Caso 1: Distribuio do Tempo at a Falha T Bimodal - Mistura de Duas
Normais
i
|
=
i
|(
L
,
2
L
) Lognormal(
L
,
2
L
)
L
|a
4
,b
2
4
N(a
4
; b
2
4
) = N(0; 100)
2
L
|a
5
,b
5
GammaInvertida(a
5
; b
5
) = GammaInvertida(0,01; 0,01)
|a
3
,b
3
GammaInvertida(a
3
; b
3
) = GammaInvertida(0,01; 0,01) (4.2)
As distribuies a priori apresentadas em (4.2) so no informativas no sentido de
total desconhecimento sobre os parmetros.
4.3 Caso 1: Distribuio do Tempo at a Falha T Bi-
modal - Mistura de Duas Normais
Foram gerados vinte (n = 20) pers de degradao, com (m
i
= 17) medidas de
degradao em cada perl, sendo y
i1
= 0 para todos os pers (ou unidades),D
f
= 10,
o
Df=10
Perfis de Degradao Simulado
Figura 4.2: Pers de degradao - T Bimodal
Seo 4.1, tambm bimodal como pode ser visualizado na Figura 4.3.
0 200 400 600 800 1000
0
.
0
0
0
0
0
.
0
0
0
5
0
.
0
0
1
0
0
.
0
0
1
5
0
.
0
0
2
0
Efeitos aleatrios T ~ Bimodal
Valor observado para o efeito aleatrio
P
r
o
b
a
b
i
l
i
d
a
d
e
Figura 4.3: Densidade de probabilidade dos efeitos aleatrios Gerados - T Bimodal
Para este banco de dados, as trs abordagens de anlise sero utilizadas sob m-
especicao da distribuio dos efeitos aleatrios: Weibull (Seo 4.3.1) e Lognormal
67
4.3. Caso 1: Distribuio do Tempo at a Falha T Bimodal - Mistura de Duas
Normais
(Seo 4.3.2).
4.3.1 Anlises Supondo Efeito Aleatrio Weibull
Suponha que a distribuio dos tempos de falha no seja conhecida. Se utilizado
o modelo de degradao com a suposio de que os efeitos aleatrios so distribu-
dos segundo uma distribuio Weibull (modelo da Seo 3.2 e lembrando que T
i
|
Weibull
i
|
Weibull).
As estimativas para os efeitos aleatrios dos pers sob teste foram efetuadas com
sucesso como pode ser exemplicado na Figura 4.4. O valor real indicado pela linha
preta vertical.
7
| y
~
F
r
e
q
n
c
i
a
295 300 305 310
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
302.25
295 300 305 310
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
0
.
2
0
7
| y
~
f
Y ~
(
|
y ~
)
302.25
Figura 4.4: Densidade a posteriori : efeito aleatrio do perl 7 - Assumindo
i
Weibull (Caso gerado - T Bimodal)
Os trs mtodos de estimao da distribuio preditiva a posteriori para uma
unidade futura (perl futuro) como apresentado na Seo 3 foram aplicadas e obteve-se
Captulo 4. Dados Simulados - Tempos de Falha Conhecidos 68
o grco na Figura 4.5.
0 2000 4000 6000 8000 10000 12000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Bimodal
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~
(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Hamada
(a) Hamada (2005)
0 2000 4000 6000 8000 10000 12000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Bimodal
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~
(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)N.UnidadeRC
(b) Robinson e Crowder (2000)
0 2000 4000 6000 8000 10000 12000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Bimodal
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~
(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Prop.N.Unidade
(c) Proposta
Figura 4.5: Distribuio preditiva a posteriori dos tempos de falha para um perl futuro
assumindo
i
Weibull (Caso gerado - T Bimodal)
Na Figura 4.5 por F
T|
(T| (
))
Real
entenda a verdadeira distribuio de T (aquela
da equao (4.3)). Por F
T
(T)
Gerado
entenda a distribuio acumulada emprica T
69
4.3. Caso 1: Distribuio do Tempo at a Falha T Bimodal - Mistura de Duas
Normais
dos vinte (20) tempos de falha gerados da equao (4.3). Entenda F
T|Y
(t|y
)
Hamada
,
F
T|Y
(t|y
)
Prop.N.Unidade
, F
T|Y
(t|y
)
N.UnidadeRC
como a distribuio preditiva a posteriori
dos tempos de falha de uma unidade futura (perl futuro) obtidas via Hamada (2005)
(Seo 3.4), Proposta (Seo 3.6) e Robinson e Crowder (2000) (Seo 3.5) respectiva-
mente.
Fica claro que o mtodo utilizado em Hamada (2005) no consegue captar a bi-
modalidade da distribuio real e emprica dos tempos de falha, isto ocorre porque a
distribuio dos efeitos aleatrios e dos tempos de falha muda a posteriori (fato veri-
cado analiticamente na Seo 3.7).
A surpresa ca por conta da Proposta deste texto e do mtodo apresentado em
Robinson e Crowder (2000), uma vez que, independentemente da distribuio dos efeitos
aleatrios ter sido mal especicada, estimam muito aproximadamente a distribuio real
e emprica dos tempos de falha.
4.3.2 Anlises Supondo Efeito Aleatrio Lognormal
Suponha que a distribuio dos tempos de falha no seja conhecida. Se utilizado
o modelo de degradao com a suposio de que os efeitos aleatrios so distribudos
segundo uma distribuio Lognormal (modelo da Seo 3.3 e lembrando que T
i
|
Lognormal
i
|
7
| y
~
F
r
e
q
n
c
i
a
295 300 305 310
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
302.25
295 300 305 310
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
0
.
2
0
7
| y
~
f
Y ~
(
|
y ~
)
302.25
Figura 4.6: Densidade a posteriori : efeito aleatrio do perl 7 - Assumindo
i
Lognormal (Caso gerado - T Bimodal)
Na Figura 4.7 ca claro que o mtodo utilizado em Hamada (2005) no consegue
captar a bimodalidade da distribuio real e emprica dos tempos de falha, isto ocorre
porque a distribuio dos efeitos aleatrios e dos tempos de falha muda a posteriori
(fato assim como vericado analiticamente na Seo 3.7).
Novamente como na seo anterior, a Proposta deste texto e o mtodo apresen-
tado em Robinson e Crowder (2000), independentemente da distribuio dos efeitos
aleatrios ter sido mal especicada, estimam muito aproximadamente a distribuio
real e emprica dos tempos de falha.
4.4 Caso 2: Distribuio do Tempo at a Falha T Weibull
Foram gerados quinze (n = 15) pers de degradao, com (m
i
= 17) medidas de
71 4.4. Caso 2: Distribuio do Tempo at a Falha T Weibull
0 5000 10000 15000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Bimodal
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~
(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Hamada
(a) Hamada (2005)
0 5000 10000 15000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Bimodal
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~
(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)N.UnidadeRC
(b) Robinson e Crowder (2000)
0 5000 10000 15000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Bimodal
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~
(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Prop.N.Unidade
(c) Proposta
Figura 4.7: Distribuio preditiva a posteriori dos tempos de falha para um perl futuro
assumindo
i
Lognormal (Caso gerado - T Bimodal)
degradao em cada perl, sendo y
i1
= 0 para todos os pers (ou unidades),D
f
= 10,
) = Weibull(
) = Weibull(6,63225; 1/5487,61).
Captulo 4. Dados Simulados - Tempos de Falha Conhecidos 72
Os pers gerados podem ser observados na Figura 4.8.
0 1000 2000 3000 4000
0
2
4
6
8
1
0
1
2
Tempo
D
e
g
r
a
d
a
o
Df=10
Perfis de Degradao Simulado
Figura 4.8: Pers de degradao - T Weibull
Para este banco de dados gerado as trs abordagens apresentadas neste texto sero
utilizadas. Na Seo 4.4.1, com a especicao da distribuio a priori correta, e sob
m especicao na Seo 4.4.2.
4.4.1 Anlises Supondo Efeito Aleatrio Weibull
As distribuies a priori para os efeitos aleatrios so as mesmas apresentadas na
equao(4.1).
As estimativas para os efeitos aleatrios dos pers sob teste foram efetuadas com
sucesso como pode ser exemplicado na Figura 4.9. O valor real indicado pela linha
preta vertical.
Os mtodos de estimao da distribuio preditiva a posteriori para uma unidade
futura (perl futuro) como apresentado na Seo 3 foram aplicadas e obteve-se o grco
na Figura 4.10.
73 4.4. Caso 2: Distribuio do Tempo at a Falha T Weibull
7
| y
~
F
r
e
q
n
c
i
a
300 305 310 315
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
307.91
300 305 310 315
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
0
.
2
0
7
| y
~
f
Y ~
(
|
y ~
)
307.91
Figura 4.9: Densidade a posteriori : efeito aleatrio do perl 7 - Assumindo
i
Weibull (Caso gerado - T Weibull)
Na Figura 4.10 ca claro que o mtodo utilizado em Hamada (2005) consegue captar
a distribuio emprica dos tempos de falha. Ou seja, o fato de que a distribuio dos
efeitos aleatrios e dos tempos de falha muda a posteriori (fato vericado analiticamente
na Seo 3.7), no penaliza drasticamente a estimao de F
T|Y
(t|y
).
A Proposta deste texto e do mtodo apresentado em Robinson e Crowder (2000),
estimam muito aproximadamente a distribuio emprica dos tempos de falha.
Note que a distribuio acumulada real encontra-se mais a direita das demais cur-
vas. Isto ocorre porque a amostra gerada est sujeita ao erro Monte Carlo, e no
sucientemente grande para aproximar a distribuio real, logo as curvas estimadas
das distribuies preditivas a posteriori se encontram mais prximas da distribuio
emprica dos dados gerados.
Um fato interessante que, como o mtodo de Hamada (2005) aproxima bem a
distribuio dos tempos de falha, possvel utilizar a Proposta para um perl futuro
includo na verossimilhana da Seo 3.6.3 denotada por F
T|Y
(t|y
)
Prop.N.U.V er
. Pela
Captulo 4. Dados Simulados - Tempos de Falha Conhecidos 74
2000 3000 4000 5000 6000 7000 8000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Weibull
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Hamada
(a) Hamada (2005)
2000 3000 4000 5000 6000 7000 8000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Weibull
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)N.UnidadeRC
(b) Robinson e Crowder (2000)
2000 3000 4000 5000 6000 7000 8000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Weibull
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Prop.N.Unidade
(c) Proposta
Figura 4.10: Distribuio preditiva a posteriori dos tempos de falha para um perl
futuro assumindo
i
Weibull (Caso gerado - T Weibull)
Figura 4.11 possvel notar que F
T|Y
(t|y
)
Prop.N.Unidade
praticamente se sobrepe a
F
T|Y
(t|y
)
Hamada
. Dessa maneira, seria razovel utilizar a abordagem da Seo 3.6.3
para realizar inclusive predies de valores de degradao para uma unidade futura (tal
75 4.4. Caso 2: Distribuio do Tempo at a Falha T Weibull
abordagem ser efetuada quando das situaes prticas com dados reais).
2000 3000 4000 5000 6000 7000 8000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Weibull
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~
(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Hamada
FT Y
~
(t y
~
)Prop.N.U.Ver.
FT Y
~
(t y
~
)Prop.N.Unidade
Figura 4.11: Distribuio preditiva a posteriori assumindo
i
Weibull (Caso gerado
- T Weibull)
4.4.2 Anlises Supondo Efeito Aleatrio Lognormal
A ttulo de curiosidade ser efetuada a anlise assumindo-se as distribuies a priori
para os efeitos aleatrios como Lognormal (dita m especicao como na inferncia
clssica).
So estabelecidas as mesmas distribuies a priori apresentadas na equao(4.2).
As estimativas para os efeitos aleatrios dos pers sob teste foram efetuadas com
sucesso como pode ser exemplicado na Figura 4.12. O valor real indicado pela linha
preta vertical.
Os mtodos de estimao da distribuio preditiva a posteriori para uma unidade
futura (perl futuro) como apresentado na Seo 3 foram aplicadas e obteve-se o grco
Captulo 4. Dados Simulados - Tempos de Falha Conhecidos 76
7
| y
~
F
r
e
q
n
c
i
a
305 310 315
0
5
0
0
1
0
0
0
1
5
0
0
2
0
0
0
307.91
305 310 315
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
0
.
2
0
7
| y
~
f
Y ~
(
|
y ~
)
307.91
Figura 4.12: Densidade a posteriori : efeito aleatrio do perl 7 - Assumindo
i
Lognormal (Caso gerado - T Weibull)
na Figura 4.13.
Na Figura 4.13 ca evidente que o mtodo utilizado em Hamada (2005) no con-
segue captar a distribuio emprica dos tempos de falha. Ou seja, o fato de que a
distribuio dos efeitos aleatrios e dos tempos de falha muda a posteriori (fato veri-
cado analiticamente na Seo 3.7), penaliza a estimao de F
T|Y
(t|y
).
A Proposta deste texto e do mtodo apresentado em Robinson e Crowder (2000),
estimam muito aproximadamente a distribuio emprica dos tempos de falha. Ou seja,
refora-se que ambos os mtodos esto livres da m especicao dos efeitos aleatrios
quando assumidas distribuies a priori no informativas para os parmetros do mo-
delo.
77 4.4. Caso 2: Distribuio do Tempo at a Falha T Weibull
2000 3000 4000 5000 6000 7000 8000 9000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Weibull
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~
(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Hamada
(a) Hamada (2005)
2000 3000 4000 5000 6000 7000 8000 9000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Weibull
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~
(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)N.UnidadeRC
(b) Robinson e Crowder (2000)
2000 3000 4000 5000 6000 7000 8000 9000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Weibull
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~
(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Prop.N.Unidade
(c) Proposta
Figura 4.13: Distribuio preditiva a posteriori dos tempos de falha para um perl
futuro assumindo
i
Lognormal (Caso gerado - T Weibull)
Captulo 4. Dados Simulados - Tempos de Falha Conhecidos 78
4.5 Caso 3: Distribuio do Tempo at a Falha T Log-
normal
Foram gerados quinze (n = 15) pers de degradao, com (m
i
= 17) medidas
de degradao em cada perl, sendo y
i1
= 0 para todos os pers (ou unidades sob
teste), D
f
= 10,
) = Lognormal(
L
,
2
L
) =
Lognormal(5000; 1/44.72).
Os pers gerados podem ser observados na Figura 4.14.
0 1000 2000 3000 4000
0
2
4
6
8
1
0
1
2
Tempo
D
e
g
r
a
d
a
o
Df=10
Perfis de Degradao Simulado
Figura 4.14: Pers de degradao - T Lognormal
Tal qual na Seo 4.4, as trs abordagens apresentadas neste texto sero utilizadas
neste banco de dados, com a m especicao do efeito aleatrio (Seo 4.5.1) e especi-
cao correta (Seo 4.5.2).
79 4.5. Caso 3: Distribuio do Tempo at a Falha T Lognormal
4.5.1 Anlises Assumindo Efeito Aleatrio Weibull
A ttulo de curiosidade ser efetuada a anlise assumindo-se as distribuies a pri-
ori para os efeitos aleatrios como Weibull (dita m especicao como na inferncia
clssica).
As distribuies a priori para os efeitos aleatrios so as mesmas apresentadas na
equao (4.1).
As estimativas para os efeitos aleatrios dos pers sob teste foram efetuadas com
sucesso como pode ser exemplicado na Figura 4.15. O valor real indicado pela linha
preta vertical.
7
| y
~
F
r
e
q
n
c
i
a
480 500
0
5
0
0
1
0
0
0
1
5
0
0 490.18
470 490 510
0
.
0
0
0
.
0
2
0
.
0
4
0
.
0
6
0
.
0
8
7
| y
~
f
Y ~
(
|
y ~
)
490.18
Figura 4.15: Densidade a posteriori : efeito aleatrio do perl 7 - Assumindo
i
Weibull (Caso gerado - T Lognormal)
Os mtodos de estimao da distribuio preditiva a posteriori para uma unidade
futura (perl futuro) como apresentado na Seo 3 foram aplicadas e obteve-se o grco
na Figura 4.16.
Na Figura 4.16 observa-se que o mtodo utilizado por Hamada (2005) oferece boa
Captulo 4. Dados Simulados - Tempos de Falha Conhecidos 80
2000 3000 4000 5000 6000 7000 8000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Lognormal
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Hamada
(a) Hamada (2005)
2000 3000 4000 5000 6000 7000 8000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Lognormal
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)N.UnidadeRC
(b) Robinson e Crowder (2000)
2000 3000 4000 5000 6000 7000 8000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Lognormal
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Prop.N.Unidade
(c) Proposta
Figura 4.16: Distribuio preditiva a posteriori dos tempos de falha para um perl
futuro assumindo
i
Weibull (Caso gerado - T Lognormal)
aproximao da distribuio emprica dos tempos de falha. Ou seja, o fato de que
a distribuio dos efeitos aleatrios e dos tempos de falha muda a posteriori (fato
vericado analiticamente na Seo 3.7), no penalizou de forma grave a estimao
81 4.5. Caso 3: Distribuio do Tempo at a Falha T Lognormal
de F
T|Y
(t|y
). Entretanto, F
T|Y
(t|y
7
| y
~
F
r
e
q
n
c
i
a
480 490 500 510
0
5
0
0
1
0
0
0
1
5
0
0
490.18
480 500
0
.
0
0
0
.
0
2
0
.
0
4
0
.
0
6
0
.
0
8
7
| y
~
f
Y ~
(
|
y ~
)
490.18
Figura 4.17: Densidade a posteriori : efeito aleatrio do perl 7 - Assumindo
i
Lognormal (Caso gerado - T Lognormal)
Captulo 4. Dados Simulados - Tempos de Falha Conhecidos 82
Os mtodos de estimao da distribuio preditiva a posteriori para uma unidade
futura (perl futuro) como apresentado na Seo 3 foram aplicadas e obteve-se o grco
na Figura 4.18.
2000 3000 4000 5000 6000 7000 8000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Lognormal
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~
(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Hamada
(a) Hamada (2005)
2000 3000 4000 5000 6000 7000 8000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Lognormal
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~
(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)N.UnidadeRC
(b) Robinson e Crowder (2000)
2000 3000 4000 5000 6000 7000 8000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Lognormal
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~
(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Prop.N.Unidade
(c) Proposta
Figura 4.18: Distribuio preditiva a posteriori dos tempos de falha para um perl
futuro assumindo
i
Lognormal (Caso gerado - T Lognormal)
83 4.6. Concluses
Na Figura 4.18 a Proposta deste texto e do mtodo apresentado em Robinson e
Crowder (2000), estimam muito aproximadamente a distribuio emprica dos tempos
de falha.
O mtodo de Hamada (2005) tambm aproxima bem a distribuio dos tempos
de falha, possvel utilizar a Proposta para um perl futuro includo na verossimi-
lhana da Seo 3.6.3 denotada por F
T|Y
(t|y
)
Prop.N.U.V er
. Pela Figura 4.19 nota-se que
F
T|Y
(t|y
)
Prop.N.Unidade
praticamente se sobrepe a F
T|Y
(t|y
)
Hamada
. Dessa maneira,
seria razovel utilizar a abordagem da Seo 3.6.3 para realizar inclusive predies de
valores de degradao para uma unidade futura (tal abordagem ser efetuada quando
das situaes prticas com dados reais).
2000 3000 4000 5000 6000 7000 8000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabese T~Lognormal
Tempo
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT
~
(t
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Hamada
FT Y
~
(t y
~
)Prop.N.U.Ver.
FT Y
~
(t y
~
)Prop.N.Unidade
Figura 4.19: Distribuio preditiva a posteriori assumindo
i
Lognormal (Caso
gerado - T Lognormal)
4.6 Concluses
Neste Captulo foi apontada, atravs de bancos de dados simulados, a inconsistncia
Captulo 4. Dados Simulados - Tempos de Falha Conhecidos 84
terica presente em Hamada (2005). A inconsistncia diz respeito armao de que
a distribuio dos efeitos aleatrios (ou dos tempos de falha, uma vez que ambos esto
atrelados pela forma funcional do modelo linear de degradao) se mantm a mesma a
posteriori. Foram gerados dados de modo que a distribuio dos tempos de falha reais
bimodal (mistura de duas normais), ento atravs de Robinson e Crowder (2000),
da proposta deste texto (mtodos que do liberdade atualizao da distribuio dos
efeitos aleatrios), e do conhecimento da distribuio dos dados gerados, mostra-se que
os efeitos aleatrios de fato so atualizados no procedimento bayesiano, corroborando-se
assim empiricamente a inconsistncia presente em Hamada (2005). Atravs de dados
gerados a partir das distribuies Weibull e Lognormal verica-se que, mesmo apesar
da inconsistncia terica, quando o efeito aleatrio no mal especicado, o mtodo
empregado em Hamada (2005) fornece uma boa aproximao da distribuio preditiva
a posteriori dos tempos de falha para unidades futuras.
Fato interessante ainda neste Captulo que Robinson e Crowder (2000) e a pro-
posta deste texto sempre aproximaram muito bem a distribuio amostrada a partir da
distribuio real quando assumidas distribuies a priori Weibull e Lognormal pouco
informativas para a distribuio dos efeitos aleatrios. Outra vantagem da proposta e
de Robinson e Crowder (2000) que formas funcionais mais complexas de degradao
no dicultam a utilizao dessas duas abordagens. Ou seja, para estes casos dos dados
gerados, so completamente livres de m especicao (com forte evidncia j que con-
seguiram captar inclusive bimodalidade). Dessa forma, ambos os mtodos podem ser
utilizados para validao da metodologia de Hamada (2005) em casos prticos, dado que
sempre aproximaram a distribuio gerada dos tempos de falha. A partir da, pode-se
utilizar a proposta deste texto com incluso de uma nova unidade na verossimilhana,
que por sua vez apresenta resultados extremamente parecidos com os de Hamada (2005),
para realizar predies de degradao para uma unidade futura.
Captulo 5
Situaes Prticas Revisitadas
5.1 Emissores de Laser
Na Seo 1.1.2 foram apresentados os dados dos emissores de laser (Figura 1.3).
Estes dados foram originalmente analisados por Meeker e Escobar (1998), utilizando a
modelagem baseada em inferncia clssica. A apresentao dessa mesma base de dados
foi realizada na Seo 1.1.2 desse trabalho.
Objetiva-se nesta Seo comparar os resultados obtidos em Hamada (2005) com
a anlise Proposta apresentada na Seo 3.6. O modelo de degradao utilizado ser
o mesmo apresentado na Seo 3, mais especicamente na Seo 3.2 (uma vez que
Hamada (2005) assumiu que os efeitos aleatrio Weibull). As anlises de pers sob
teste e futuros tambm se encontram indicadas dentro da Seo 3.
Para o modelo (3.4), i = 1, . . . ,n = 15 (perfis) , j = 1, . . . ,m
i
(medidas) e
mx{m
1
, . . . ,m
15
} = 17.
Utilizado o modelo de degradao com a suposio de que os efeitos aleatrios so
distribudos segundo uma distribuio Weibull (modelo da Seo 3.2 e lembrando que
T
i
| (
) Weibull
i
|
(4500|y
) e t
p|y
(0,1|y
) e parmetros
do modelos so mostradas na Tabela 5.1. Note que todas as estimativas so similares,
indicando que o modelo de Hamada (2005) adequado e possui resultados muito si-
milares aos propostos neste texto quando a suposio com relao distribuio dos
efeitos aleatrios est correta (veja concluses do Captulo 4). Poderia ser determinada
tambm a garantia de um emissor de laser atravs dos resultados de t
p|y
(0,1|y
), tempo
para o qual a probabilidade de uma unidade futura falhar 0,10. Note que as proba-
Captulo 5. Situaes Prticas Revisitadas 88
bilidades estimadas de um laser futuro sobreviver a 4500 (R
T|Y
(4500|y
)) horas de uso
alta, todas estimativas maiores que 0,70.
Tabela 5.1: Distribuio a posteriori das quantidades de interesse e parmetros (Dados
dos Emissores de Laser - Hamada (2005))
Parmetro Mdia Desvio padro 2,5% Mediana 97,5%
6,4302 1,3776 3,9710 6,3420 9,3150
7,791E-11 3,982E-09 2,786E-26 4,021E-18 1,355E-11
(4500| y
)
Prop.N.Unidade
0,7300 * * * *
R
T|Y
(4500| y
)
Prop.N.U.V er
0,7500 * * * *
t
p|Y
(0,1| y
)
Prop.N.Unidade
3614 * * * *
t
p|Y
(0,1| y
)
Prop.N.U.V er
3759,7 * * * *
Hamada
5,688 0,9496 3,6920 5,7650 7,1390
Hamada
6,628E-11 1,348E-09 2,587E-20 1,626E-16 8,531E-11
Hamada
0,2063 0,0098 0,1882 0,2059 0,2266
R
T|Y
(4500| y
)
Hamada
0,7107 0,0840 0,5236 0,7200 0,8477
t
p|Y
(0,1| y
)
Hamada
3650 348,6 2852 3699 4206
Ainda, da Tabela 5.2 possvel obter os percentis da distribuio preditiva a pos-
teriori de todas unidades sob teste. O mtodo de Robinson e Crowder (2000) tambm
permitiria realizar essa anlise. Planos de manuteno podem ser desenvolvidos para
unidades sob teste, pois so obtidas as estimativas de percentis para as mesmas (ver
Robinson e Crowder (2000) para maiores detalhes da aplicao).
Tabela 5.2: Percentis da distribuio preditiva a posteriori dos tempos de falha para
unidades sob teste (Dados dos Emissores de Laser - Hamada (2005))
T
i
|Y
t
p|Y
(0,025| y
)
Proposta
t
p|Y
(0,1| y
)
Proposta
t
p|Y
(0,5| y
)
Proposta
t
p|Y
(0,975| y
)
Proposta
1 3652 3671 3709 3768
2 4103 4129 4177 4253
3 5489 5533 5622 5763
4 5832 5881 5980 6136
5 5311 5353 5434 5560
6 3558 3578 3614 3671
7 5978 6034 6137 6297
8 6232 6290 6403 6583
9 4962 4999 5069 5182
10 3262 3279 3309 3357
11 5153 5194 5271 5389
12 4923 4960 5030 5139
13 4685 4719 4782 4880
14 5677 5727 5819 5966
15 5957 6010 6113 6278
A Proposta com a nova unidade inclusa na verossimilhana permite ainda executar
predies de degradao para uma unidade futura, como pode ser visto na Figura 5.3.
Linhas mais escuras e contnuas retratam as bandas de credibilidade de degradao
uma unidade futura, linhas tracejadas mais escuras a estimativa pontual da unidade
89 5.2. Desgaste das Rodas de Trem
futura, linhas tracejadas as predies das unidades sob teste, e os crculos as medies
observadas de degradao. Note que as bandas de credibilidade da unidade futura
tendem a englobar a degradao das unidades sob teste. Esse grco ilustrativo, uma
vez que predies com tantos passos a frente no uma prtica recomendada (e nem
sempre apresenta resultados satisfatrios).
0 1000 2000 3000 4000
0
2
4
6
8
1
0
1
2
Tempo (horas)
D
e
g
r
a
d
a
o
%
Df=10
Perfis de Degradao Observados e Estimados
Figura 5.3: Predies para lasers futuros e sob teste assumindo T Weibull
5.2 Desgaste das Rodas de Trem
Na Seo 1.1.1 foram apresentados os dados de rodas de trem que inicialmente
motivaram este texto. Freitas et al. (2010) tambm analisaram as rodas MA11, os
resultados sero comparados com a metodologia Proposta na Seo 3.6.
Objetiva-se nesta Seo comparar os resultados obtidos em Freitas et al. (2010)
(obtidos via o mtodo de Hamada (2005)) com a anlise Proposta apresentada na Seo
3.6. O modelo de degradao utilizado ser o mesmo apresentado na Seo 3, (uma vez
Captulo 5. Situaes Prticas Revisitadas 90
que Freitas et al. (2010) assumiu que os efeitos aleatrios Weibull e Lognormal). As
anlises de pers sob teste e futuros tambm se encontram indicadas dentro da Seo
3.
Todos resultados de Freitas et al. (2010) sero denotados por Hamada (2005), uma
vez que os primeiros autores utilizaram a metodologia do segundo.
Para o modelo (3.4), i = 1, . . . ,n = 14 (perfis) , j = 1, . . . ,m
i
(medidas) e
mx{m
1
, . . . ,m
14
} = 13.
5.2.1 Rodas de Trem - Efeito Aleatrio Weibull
Utilizado o modelo de degradao com a suposio de que os efeitos aleatrios so
distribudos segundo uma distribuio Weibull (modelo da Seo 3.2 e lembrando que
T
i
|
Weibull
i
|
(300000|y
), t
p|Y
(0,1|y
), e t
p|Y
(0,5|y
)) e parme-
tros do modelos so comparadas na Tabela 5.3. Note que todas as estimativas so
similares, indicando que o modelo de Hamada (2005) adequado e possui resultados
91 5.2. Desgaste das Rodas de Trem
0 1000 2000 3000 4000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Assumindo T~Weibull
x 10
3
Km
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT Y
~
(t y
~
)Hamada
FT Y
~
(t y
~
)Prop.N.Roda
FT Y
~
(t y
~
)N.RodaRC
Figura 5.4: Distribuio preditiva a posteriori dos tempos de falha para uma roda
futura assumindo
i
Weibull
0 1000 2000 3000 4000 5000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Assumindo T~Weibull
x 10
3
Km
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT Y
~
(t y
~
)Prop.N.Roda
FT Y
~
(t y
~
)Prop.R.Sob.Teste
FT Y
~
(t y
~
)Prop.N.R.Ver.
Figura 5.5: Distribuio preditiva a posteriori dos tempos de falha para rodas sob teste
e roda futura assumindo
i
Weibull
muito parecidos aos propostos neste texto quando a suposio com relao distribuio
dos efeitos aleatrios est correta. Poderia ser determinada tambm a garantia de uma
Captulo 5. Situaes Prticas Revisitadas 92
roda atravs dos resultados de t
p|Y
(0,1|y
(300000|y
y)
Prop.N.Unidade
(x10
3
km) 1056,78 * * * *
MTTF| (
y)
Prop.N.U.V er
(x10
3
km) 1087,73 * * * *
R
T|Y
(300000| y
)
Prop.N.Unidade
0,93 * * * *
R
T|Y
(300000| y
)
Prop.N.U.V er
0,92 * * * *
t
p|Y
(0,1| y
)
Prop.N.Unidade
(x10
3
km) 355,89 * * * *
t
p|Y
(0,1| y
)
Prop.N.U.V er
(x10
3
km) 359,81 * * * *
t
p|Y
(0,5| y
)
Prop.N.Unidade
(x10
3
km) 986,37 * * * *
t
p|Y
(0,5| y
)
Prop.N.U.V er
(x10
3
km) 1001,77 * * * *
Hamada
1,95 0,41 1,22 1,93 2,80
Hamada
0,01 0,01 0,00 0,01 0,04
Hamada
0,99 0,06 0,88 0,99 1,11
MTTF| (
y)
Hamada
(x10
3
km) 1097,00 172,13 800,84 1083,00 1473,13
R
T|Y
(300000| y
)
Hamada
0,92 0,05 0,80 0,93 0,98
t
p|Y
(0,1| y
)
Hamada
(x10
3
km) 382,80 118,79 163,65 378,90 624,66
t
p|Y
(0,5| y
)
Hamada
(x10
3
km) 1011,00 170,75 688,85 1006,00 1361,00
Ainda, da Tabela 5.4 possvel obter os percentis da distribuio preditiva a pos-
teriori de todas unidades sob teste. O mtodo de Robinson e Crowder (2000) tambm
permitiria realizar essa anlise. Planos de manuteno podem ser desenvolvidos para
unidades sob teste.
Tabela 5.4: Percentis da distribuio preditiva a posteriori dos tempos de falha para
unidades sob teste (Dados de Desgaste de Rodas de Trem - Freitas et al. (2010))
T
i
|Y
MTTF| y
Proposta
t
p| y
(0,025| y
)
Proposta
t
p| y
(0,1| y
)
Proposta
t
p| y
(0,5| y
)
Proposta
t
p| y
(0,975| y
)
Proposta
(x10
3
km) (x10
3
km) (x10
3
km) (x10
3
km) (x10
3
km)
1 2291,23 2196,04 2228,38 2289,98 2391,62
2 1910,99 1841,84 1866,48 1911,14 1980,44
3 1347,65 1313,62 1325,17 1347,50 1382,15
4 1004,76 985,60 992,53 1004,85 1024,10
5 669,42 661,12 663,89 669,36 677,91
6 969,50 952,49 957,88 969,43 987,14
7 1046,70 1026,41 1033,34 1046,43 1067,99
8 1733,35 1677,06 1696,31 1733,27 1791,79
9 714,02 704,55 707,78 713,94 723,88
10 1133,44 1109,57 1118,04 1133,44 1158,08
11 356,52 352,28 353,74 356,47 360,90
12 276,11 272,27 273,58 276,05 280,05
13 800,71 788,48 793,10 800,80 813,12
14 540,19 534,07 536,15 540,16 546,55
93 5.2. Desgaste das Rodas de Trem
A Proposta com a nova unidade inclusa na verossimilhana permite ainda executar
predies de degradao para uma roda futura, como pode ser visto na Figura 5.6.
Linhas mais escuras e contnuas retratam as bandas de credibilidade de degradao
uma unidade futura, linhas tracejadas mais escuras a estimativa pontual da unidade
futura, linhas tracejadas as predies das unidades sob teste e os crculos indicam as
medidas de degradao observadas. Note que as bandas de credibilidade da unidade
futura tendem a englobar a degradao das unidades sob teste. Esse grco ilustrativo,
uma vez que predies com tantos passos a frente no uma prtica recomendada.
0 100 200 300 400 500 600
0
2
0
4
0
6
0
8
0
x 10
3
Km
D
e
g
r
a
d
a
o
(
m
m
)
Df=77mm
Perfis de Degradao Observados e Estimados
Figura 5.6: Predies para rodas futuras e sob teste assumindo
i
Weibull
5.2.2 Rodas de Trem - Efeito Aleatrio Lognormal
So estabelecidas as mesmas distribuies a priori apresentadas na equao (4.2),
ou seja, no informativas no sentido de pouco conhecimento sobre os parmetros. Na
Figura 5.7 nota-se que o mtodo de Hamada (2005) no gera boas estimativas da dis-
tribuio dos tempos de falha a posteriori, logo no seria adequado utilizar o mtodo
Captulo 5. Situaes Prticas Revisitadas 94
proposto de insero da nova unidade na verossimilhana.
0 1000 2000 3000 4000 5000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Assumindo T~Lognormal
x 10
3
Km
P
r
o
b
a
b
i
l
i
d
a
d
e
A
c
u
m
u
l
a
d
a
FT Y
~
(t y
~
)Hamada
FT Y
~
(t y
~
)Prop.N.Roda
FT Y
~
(t y
~
)N.RodaRC
Figura 5.7: Distribuio preditiva a posteriori dos tempos de falha para uma roda
futura assumindo
i
Lognormal
Como os resultados da Seo 5.2.1 foram melhores, optou-se por apenas comparar
os resultados de Freitas et al. (2010) com os obtidos via Proposta.
As estimativas das quantidades de interesse (MTTF|Y
(300000|y
), t
p|Y
(0,1|y
), e t
p|Y
(0,5|y
)) e parme-
tros do modelo so comparadas na Tabela 5.5. Note que todas as estimativas de
MTTF|Y
Prop.N.U.V er
= 1154880 Km e MTTF|Y
Hamada
= 1147000 Km so quase
100.000 Km maiores que MTTF|Y
Prop.N.Unidade
= 1056880 Km, indicando que o mo-
delo de Hamada (2005) no adequado apesar de possuir resultados parecidos aos
propostos na parte inicial da curva de probabilidade acumulada. Neste caso a situao
seria mais recomendvel a utilizao da Proposta deste texto e de Robinson e Crowder
(2000), para estabelecimento de garantia para novas rodas, ou ainda, conforme a Seo
5.2.1.
95 5.2. Desgaste das Rodas de Trem
Tabela 5.5: Distribuio a posteriori das quantidades de interesse e parmetros (Dados
de Desgaste de Rodas de Trem - Freitas et al. (2010))
Parmetro Mdia Desvio padro 2,5% Mediana 97,5%
L
2,46 0,18 2,10 2,46 2,81
L
0,65 0,14 0,44 0,63 0,98
y)
Prop.N.Unidade
(x10
3
km) 1056,88 * * * *
MTTF| (
y)
Prop.N.U.V er
(x10
3
km) 1154,88 * * * *
R
T|Y
(300000| y
)
Prop.N.Unidade
0,93 * * * *
R
T|Y
(300000| y
)
Prop.N.U.V er
0,95 * * * *
t
p| y
(0,1| y
)
Prop.N.Unidade
(x10
3
km) 356,00 * * * *
t
p| y
(0,1| y
)
Prop.N.U.V er
(x10
3
km) 390,00 * * * *
t
p| y
(0,5| y
)
Prop.N.Unidade
(x10
3
km) 987,00 * * * *
t
p| y
(0,5| y
)
Prop.N.U.V er
(x10
3
km) 913,00 * * * *
LHamada
2,46 0,18 2,10 2,46 2,81
LHamada
0,65 0,14 0,44 0,62 0,98
Hamada
0,99 0,06 0,88 0,99 1,11
MTTF| (
y)
Hamada
(x10
3
km) 1147,00 264,13 796,86 1101,00 1776,64
R
T|Y
(300000| y
)
Hamada
0,95 0,05 0,82 0,96 0,99
t
p| y
(0,1| y
)
Hamada
(x10
3
km) 405,60 94,01 220,39 405,90 589,28
t
p| y
(0,5| y
)
Hamada
(x10
3
km) 916,10 163,98 636,39 901,30 1264,10
Captulo 6
Concluso
No Captulo 1 deste texto foram apresentados dados de degradao de rodas de
trem para anlise via inferncia bayesiana. A percepo de inconsistncias tericas no
artigo de Hamada (2005) motivou a busca de artigos que propusessem metodologias
de abordagem bayesiana alternativas para dados de degradao e fomentou retorno
situao prtica dos dados de degradao de emissores de laser.
No Captulo 2 foram revisadas algumas metodologias de inferncia para modelos de
degradao.
No Captulo 3, foi apresentada a abordagem bayesiana para inferncia em mode-
los de degradao atravs de duas metodologias correntes na literatura (Robinson e
Crowder, 2000; Hamada, 2005), e de uma desenvolvida nesta dissertao. Atravs da
abordagem proposta neste texto, torna-se possvel a obteno da distribuio preditiva
a posteriori dos tempos de falha para unidades futuras e sob teste. Ainda, apresen-
tada uma metodologia de insero de uma nova unidade na funo de verossimilhana
que permite acessar a distribuio a posteriori dos tempos de falha para unidades fu-
turas da mesma forma que em unidades sob teste, alm de possibilitar predies de
medidas de degradao para uma unidade no observada. Esta ltima metodologia
97
limitada pela correta especicao dos efeitos aleatrios assim como o a metodologia
empregada por Hamada (2005). Neste Captulo foi tambm apontada a inconsistncia
terica presente em Hamada (2005). A inconsistncia diz respeito armao de que
a distribuio dos efeitos aleatrios (ou dos tempos de falha, uma vez que ambos esto
atrelados pela forma funcional do modelo linear de degradao) se mantm a mesma a
posteriori. Foi realizada uma prova analtica contrria a esta suposio.
No Captulo 4 so gerados dados de modo que a distribuio dos tempos de falha
reais bimodal (mistura de duas normais), ento atravs de Robinson e Crowder (2000),
da proposta deste texto (mtodos que do liberdade atualizao da distribuio dos
efeitos aleatrios), e do conhecimento da distribuio dos dados gerados, mostra-se que
os efeitos aleatrios de fato so atualizados no procedimento bayesiano, corroborando-se
assim empiricamente a inconsistncia presente em Hamada (2005). Atravs de dados
gerados a partir das distribuies Weibull e Lognormal verica-se que, apesar da incon-
sistncia terica, quando o efeito aleatrio no mal especicado, o mtodo empregado
em Hamada (2005) fornece uma boa aproximao da distribuio preditiva a posteriori
dos tempos de falha para unidades futuras.
Fato interessante ainda neste Captulo que Robinson e Crowder (2000) e a pro-
posta deste texto sempre aproximaram muito bem a distribuio amostrada a partir da
distribuio real quando assumidas distribuies a priori Weibull e Lognormal pouco
informativas para a distribuio dos efeitos aleatrios. Outra vantagem da proposta e
de Robinson e Crowder (2000) que formas funcionais mais complexas de degradao
no dicultam a utilizao dessas duas abordagens. Ou seja, para estes casos dos dados
gerados, so completamente livres de m especicao (com forte evidncia j que con-
seguiram captar inclusive bimodalidade). Dessa forma, ambos os mtodos podem ser
utilizados para validao da metodologia de Hamada (2005) em casos prticos, dado que
sempre aproximaram a distribuio gerada dos tempos de falha. A partir da, pode-se
utilizar a proposta deste texto com incluso de uma nova unidade na verossimilhana,
Captulo 6. Concluso 98
que por sua vez apresenta resultados extremamente parecidos com os de Hamada (2005),
para realizar predies de degradao para uma unidade futura.
No Captulo 5 foram revisitadas as situaes prticas dos emissores de laser e das
rodas de trem. Quanto aos emissores de laser, vericou-se que a abordagem de Hamada
(2005) aproximava bem a distribuio dos tempos de falha, o que inclusive tornou pos-
svel realizar predies de degradao para a unidade futura atravs da proposta desta
dissertao. Em relao aos dados das rodas de trem, observou-se que a distribuio
Weibull, para o caso do uso da metodologia utilizada por Hamada (2005), era a mais
adequada em descrever os tempos de falha, e conseqentemente os efeitos aleatrios.
Tambm foram realizadas predies de degradao para uma unidade no observada.
Primeiramente, importante ressaltar-se que o mtodo proposto de incluso da
nova unidade na verossimilhana tambm pode ser abordado segundo o mtodo de
Robinson e Crowder (2000). Segundo, as anlises realizadas atravs de Robinson e
Crowder (2000) e das propostas desta dissertao so mais informativas do ponto de
vista prtico, pois possibilitam realizao de inferncia para os pers individuais e para
pers futuros, inclusive predies para ambos se sob condies de correta especicao.
Do ponto de vista de manuteno preventiva, preditiva, e determinao de garantia,
a quantidade de informao obtida com a anlise muito maior e mais dedigna
verdadeira distribuio dos tempos de falha.
6.1 Sugestes para Pesquisas Futuras
Para estudos posteriores seria interessante avaliar, atravs de simulaes, se Robin-
son e Crowder (2000) e a proposta deste texto conseguem captar de fato toda e qualquer
forma de distribuio de tempos de falha em modelos de degradao (as situaes mais
atpicas). Outro questionamento que se faz se essa propriedade das duas abordagens
99 6.1. Sugestes para Pesquisas Futuras
depende do fato de as distribuies a priori dos efeitos aleatrios serem especicadas
segundo as distribuies Weibull ou Lognormal, seria interessante avaliar outros tipos
de distribuies a priori no informativas.
Referncias Bibliogrcas
Agresti, A., Cao, B., e Strickland-Ohman, P. (2004). Examples in which misspeci-
cation of random eects distribution reduces eciency, and possible remedies. Com-
putational Statistics & Data Analysis, 47:639653.
Alonso, A. e Molenberghs, G. (2008). Evaluating time to cancer recurrence as a surro-
gate marker for survival from an information theory perspective. Statistical Methods
in Medical Research, 17:497504.
Bernardo, J. M. e Smith, A. F. M. (1994). Bayesian Theory. John Wiley & Sons.
Box, G. E. P. e Cox, D. R. (1964). An analysis of transformations. Journal of the Royal
Statistical Society, Series B, 26(2):211252.
Casella, G. e George, E. (1992). Explaining the gibbs sampler. The American Statisti-
cian, 46(3):167174.
Chiao, C. e Hamada, M. (1996). Using degradation data from an experiment to achieve
robust reliability for light emitting diodes. Quality And Reliability Engineering In-
ternational, 12:8994.
Chiao, C. e Hamada, M. (2000). Experiments with degradation data for improving
reliability and for achieving robust reliability. Quality And Reliability Engineering
International, 17:333344.
101 Referncias Bibliogrcas
Chib, S. e Greenberg, E. (1995). Understanding the metropolis-hastings algorithm. The
American Statistician, 49(4):327335.
Crk, V. (2000). Reliability assessment from degradation data. In Reliability and Main-
tainability Symposium, 2000. Proceedi gs. Annual, pages 155 161.
Doksum, K. (1991). Degradation rate models for failute time and survival data. CWI
Quarterly, 4:195201.
Efron, B. (1985). Bootstrap condence intervals for a class of parametric problems.
Biometrika, 72(1):4558.
Fitzmaurice, G. M., Laird, N. M., e Ware, J. H. (2004). Applied Longitudinal Anaysis.
New York:Wiley.
Freitas, M., Toledo, M., Colosimo, E., e Pires, M. (2009). Using degradation data do
assess reliability: A case study on train wheel degradation. quality and reliability
engineering international. Quality and Reliability Engineering International, 25:607
629.
Freitas, M. A., Colosimo, E. A., Santos, T. R. d., e Pires, M. C. (2010). Reliability
assessment using degradation models: bayesian and classical approaches. Pesquisa
Operacional, 30:194 219.
Gamerman, D. e Lopes, H. (2006). Markov Chain Monte Carlo. Texts in Statistical
Science. Chapman & Hall, 2 edition.
Gelfand, A. E. e Smith, A. F. M. (1990). Sampling-based approaches to calculating
marginal densities. Journal of the American Statistical Association, 85:398409.
Gelman, A., Bois, F., e Jiang, J. (1996). Physiological pharmacokinetic analysis using
population modeling and informative prior distributions. Journal of the American
Statistical Association, 91:14001412.
Referncias Bibliogrcas 102
Geman, S. e Geman, D. (1984). Stochastic relaxation, gibbs distributions, and the
bayesian restoration of images. IEEE Trans. Pattern Analysis and Machine Intelli-
gence, 6:721741.
Gertsbackh, I. e Kordonskiy, K. (1969). Models of Failure. Springer: New York.
Hamada, M. (2005). Using degradation data to assess reliability. Quality Engineering,
17:615620.
Hudak, S. J., Saxena, A., Bucci, R. J., e Malcolm, R. (1978). Development of stan-
dard methods of testing and analyzing fatigue crack growth rate data. Technical
report afml-tr-78-40, Westinghouse R & D Center, Westinghouse Electric Corpora-
tion, Pittsburgh, PA.
Jiang, M. e Zhang, Y. (2002). Dynamic modeling of degradation data. In Reliability
and Maintainability Symposium, 2002. Proceedings. Annual, pages 607 611.
Lee, E. e Nelder, J. (1996). Hierarchical generalized linear models (with discussion).
Journal of the Royal Statistical Society, Series B, 58:619678.
Lindstrom, M. J. e Bates, D. M. (1990). Nonlinear mixed eects models for repeated
measures data. Biometrics, 46(3):673687.
Litire, S., Alonso, S., e Molenberghs, G. (2008). The impact of a misspecied random-
eects distribution on the estimation and the performance of inferential procedures
in generalized linear mixed models. Statitics in Medicine, 27:31253144.
Liu, L. e Yu, Z. (2008). A likelihood reformulation method in non-normal random
eects models. Statistics in Medicine, 27:31053124.
Lu, C. e Meeker, W. (1993). Using degradation measurements to estimate a time-to-
failure distribution. . Technometrics, 35:161174.
103 Referncias Bibliogrcas
Lu, C., Meeker, W., e Escobar, L. (1996). Using degradation measurements to estimate
a time-to-failure distribution. Statistica Sinica, 6:531546.
Lu, J., Park, J., e Yang, Q. (1997). Statistical inference of a time-to-failure distribution
derived from linear degradation data. Technometrics, 39(4):391400.
Meeker, W. e Escobar, L. A. (1998). Statistical Methods for Reliability Data. Wiley
Series in Probability and Statistics: New York, 1 edition.
Nelson, K. P., Lipsitz, S. R., Fitzmaurice, G. M., Ibrahim, J., Parzen, M., e Straw-
derman, R. (2006). Use of the probability integral transformation to t nonlinear
mixed-eects models with nonnormal random eects. Journal of Computational and
Graphical Statistics, 15(1):3957.
Nelson, W. (1981). Analysis of performance-degradation data from accelerated tests.
Reliability, IEEE Transactions on, R-30(2):149 155.
Nelson, W. (1990). Accelerated Testing: Statistical Models, Test Plans and Data Anal-
yses. John Wiley: New York.
Oliveira, V. R. B. e Colosimo, E. A. (2004). Comparison of methods to estimate the
time-to-failure distribution in degradation tests. Quality and Reliability Engineering
International, 20:363373.
Pinheiro, J. e Bates, D. (1995). Approximations to the log-likelihood function in the
nonlinear mixed-eects model. Journal of Computational and Graphical Statistics,
1(4):1235.
Pinheiro, J. e Bates, D. (2000). Mixed-Eects Models in S and S-PLUS. Statistics and
Computing Series, Springer-Verlag, New York.
Pinheiro, J., Bates, D., DebRoy, S., Sarkar, D., e the R Core team (2008). nlme: Linear
and Nonlinear Mixed Eects Models. R package version 3.1-89.
Referncias Bibliogrcas 104
Pinheiro, J., Liu, C., e Wu, Y. (2001). Ecient algorithms for robust estimation in linear
mixed-eects models using the multivariate t distribution. Journal of Computational
and Graphical Statistics, 10:249276.
R Development Core Team (2005). R: A language and environment for statistical
computing. R Foundation for Statistical Computing. Vienna, Austria.
Robinson, M. e Crowder, M. (2000). Bayesian methods for a growth-curve degradation
model with repeated measures. Lifetime Data Anaysis, 6:357374.
Sobczyk, K. e Spencer, B. (1992). Random Fatigue: From Data to Theory. Academic
Press: New York.
Song, P., Fan, Y., e Kalbeisch, J. (2005). Maximization by parts in likelihood inference
(with discussion). Journal of the American Statistical Association, 100:11451167.
Spiegelhalter, D., Thomas, A., e Best, N. (2000). Winbugs version 1.4 user manual.
Su, C., Lu, J., Chen, D., e Hughes-Oliver, J. (1999). A random coecient degradation
model with random sample size. Lifetime Data Analysis, 5:173183.
Tang, L. C. e Chang, D. S. (1995). Reliability prediction using nondestructive
accelerated-degradation data: case study on power supplies. IEEE Transactions
on Reliability, 44(5148439):562 566.
Toledo, M. L. G. (2007). Ensaios de degradao: estudo comparativo de mtodos de
anlise de dados. Dissertao de Mestrado, Universidade Federal de Minas Gerais.
Tseng, S., Hamada, M., e Chiao, C. (1995). Using degradation data from a factorial
experiment to improve uorescent lamp reliability. Journal of Quality Technology,
27:363369.
105 Referncias Bibliogrcas
Verbeke, G. e Lesare, E. (1997). The eect of misspecifying the random-eects dist-
gribution in linear mixed eects distribution in linear mixed models for longitudinal
data. Computational Statistics & Data Analysis, 23:541556.
Wakeeld, J. (1996). The bayesian analysis of population pharmacokinetic models.
Journal of the American Statistical Association, 91:6275.
Wakeeld, J. C., Smith, A. F. M., Racine-Poon, A., e Gelfand, A. E. (1994). Bayesian
analysis of linear and non-linear population models by using the gibbs sampler. Jour-
nal of the Royal Statistical Society. Series C (Applied Statistics), 43(1):201221.
Whitmore, G. e Schenkelberg, F. (1997). Modelling accelerated degradation data using
wiener diusion with a time scale transformation. Lifetime Data Analysis, 3:2745.
10.1023/A:1009664101413.
Wu, S. e Shao, J. (1999). Reliability anaysis using the least squares method in nonlinear
mixed eects degradation models. Statistica Sinica, 9:855877.
Wu, S. e Shao, J. (2000). Estimation of time-to-failure distribution derived from a
degradation model using fuzzy clustering. Quality and Reliability Engineering Inter-
national, 16:261267.
Yacout, A. M., Salvatores, S., e Orechwa, Y. (1996). Degradation analysis estimates
of the time-to-failure distribution of irradiated fuel elements. Nuclear Technology,
113:177189.
Anexo A
ROTINA NO R - Caso 1:
Distribuio do Tempo at a Falha
T Bimodal - Mistura de Duas
Normais
#SIMULAO DOS DADOS DE DEGRADAO - T BIMODAL#
npers<-20 #nmero de pers de degradao a serem gerados
ntotal<-npers*17 #nmero total de observaes de degradao
# gerando os valores de tempos de falha estimados Mistura 0,5*N(3000,30) e
0,5*N(7000,30)
M1<-3000 #mdia da primeira amostra da distribuio normal para mistura
DP1<-30 #desvio padro da primeira amostra da distribuio normal para mistura
M2<-7000 #mdia da segunda amostra da distribuio normal para mistura
DP2<-30 #desvio padro da primeira amostra da distribuio normal para mistura
107
set.seed(214) #xando a semente para replicao dos pers
ptfg1<-rnorm(npers/2,M1,DP1) #gerando os tempos de falha com peso = 0,5 para
a primeira normal
set.seed(214) #xando a semente para replicao dos pers
ptfg2<-rnorm(npers/2,M2,DP2) #gerando os tempos de falha com peso = 0,5 para
a segunda normal
ptfg<-c(ptfg1,ptfg2) #unindo os tempos de falha gerados
densidadeg<-density(ptfg) #clculo da densidade dos tempos de falha
plot(densidadeg) #visualizando a fdp dos tempos de falha gerados
horas<-seq(0,15000,1)
# encontrando os coecientes da regresso
df<-10 #estabelecendo um limiar crtico de degradao
coef<-ptfg/df #calculando os efeitos aleatrios associados a cada perl de degradao
coef
#apresentando o grco que demonstra que os efeitos aleatrios tambm possuem
distribuio bimodal
windows()
densidadecoef<-density(coef)
plot(densidadecoef,main="Efeitos aleatrios - T Bimodal",
ylab="Probabilidade",xlab="Valor observado para o efeito aleatrio")
)
# simulando os tempos observados com erro N(0,0.2063)
tempos<-seq(0,4000,250)
deg<-matrix(0,17,npers)
for (j in 1:npers)
for (i in 1:17)
set.seed(i+j)
Anexo A. ROTINA NO R - Caso 1: Distribuio do Tempo at a Falha T Bimodal
- Mistura de Duas Normais 108
deg[i,j]<-tempos[i]/coef[j]+rnorm(1,0,0.2063)
# organizando os dados em uma matriz d para anlise
for (j in 1:npers)
deg[1,j]<-0
deg
Tempo<-rep(tempos,npers)
Unidade<-vector()
Desgaste<-vector()
k<-0
for (i in 1:npers)
for (j in 1:17)
Unidade[j+k]<-i
Desgaste[j+k]<-deg[j,i]
k<-k+17
unit
Desgaste
d<-cbind(Unidade,Tempo,Desgaste)
d<-as.data.frame(d)
d
# Plotando os pers de degradao
windows()
lim=range(d$Tempo,d$Desgaste)
plot(d$Tempo,d$Desgaste,type="p",xlab="Tempo", ylab="Degradao")
for (i in 1:npers)
a<-i*17-16
b<-i*17
lines(d$Tempo[1:17],d$Desgaste[a:b])
109
abline(h=df)
legend(locator(1), "Df=10", bty="n")
title("Pers de Degradao - Simulado")
#SUPONHA NO CONHECERMOS A REALIDADE, AFIRMAREMOS QUE A
DISTRIBUIO DOS EFEITOS ALEATRIOS WEIBULL.#
#chamando os pacotes que realizam a comunicao do R com o WinBUGS
#packages("R2WinBUGS")
library("R2WinBUGS")
require(R2WinBUGS)
require(BRugs)
#carregando o modelo escrito na sintaxe do WinBUGS
model.le <- system.le(package = "R2WinBUGS", "model",
"WeibullModel_DISS.txt")
le.show(model.le)
#Preparao dos dados para o WinBugs
data <- list( n1=ntotal, n2=npers,
y=d$Desgaste,
hours=d$Tempo,
units=d$Unidade)
ibetas<-rep(500,npers)
#Atribuindo os valores iniciais aos parmetros
inits <- function()
list(delta=6,lambda=0.001,tau=0.1,beta=ibetas)
#Determinao dos parmetros a serem monitorados
parameters <- c("delta", "lambda", "sigma","beta")
semente=1000 #xa a semente da cadeia
#obteno da distribuioo a posteriori dos parmetros do modelo
Anexo A. ROTINA NO R - Caso 1: Distribuio do Tempo at a Falha T Bimodal
- Mistura de Duas Normais 110
weib.sim <- bugs(data, inits, parameters, model.le,
n.chains = 1, n.iter = 10001000,n.burnin=1000,n.thin=1000,codaPkg=FALSE, de-
bug = FALSE, #resultado da dissertao
# n.chains = 1, n.iter = 11000, n.burnin=1000, n.thin=1,codaPkg=FALSE, debug
= FALSE, #descomente para um resultado rpido (aviso:autocorrelao)
bugs.directory ="C:/Program Files/WinBUGS14", bugs.seed=semente,
working.directory ="C:/CAMINHO", clearWD = FALSE)
#codaPkg=TRUE para obter os valores dos parmetros
print(weib.sim)
#ANLISE HAMADA#
#funo para calcular a funo distribuio acumulada preditiva posteriori dos
tempos de falha com efeito aleatrio weibull
F_Ham<- function (t,delta,lambda,df)
d_F_t_Hamada<-vector()
F_Hamada<-vector()
for (i in 1:length(t))
d_F_t_Hamada<-1-exp(-(lambda/(df**delta))*t[i]**delta)
F_Hamada[i]<-mean(d_F_t_Hamada)
F_Hamada
#distribuio preditiva a posteriori dos parmetros de forma e escala, respectiva-
mente
delta<-weib.sim$sims.matrix[,1]
lambda<-weib.sim$sims.matrix[,2]
#tempos nos quais ser avaliada a funo distribuio acumulada preditiva pos-
teriori dos tempos de falha
horas<-seq(0,15000,1)
#obteno da funo distribuio acumulada preditiva posteriori dos tempos de
111
falha
F_Hamada<-F_Ham(horas,delta,lambda,df)
#PROPOSTA#
#armazenando as amostras a posteriori dos efeitos aleatrios e varincia do erro
para facilitar a manipulao
beta<-weib.sim$sims.matrix[,1:npers+3]
sigma<-weib.sim$sims.matrix[,3]
#amostra da distribuio preditiva a posteriori para os tempos de falha baseia-se
na relao que o modelo estabelece entre os parmetros e os tempos de falha
tf_dados<-df*beta
#rode esta parte para vericar que o modelo estimou corretamente a distribuio
dos efeitos aleatrios gerados
for (i in 1:npers)
windows()
par(mfrow=c(1,2))
hist(beta[,i],main=bquote(beta[.(i)]),
ylab="Freqncia",
xlab=expression(paste(beta, ",tilde(y))))
abline(v=coef[i])
legend("topleft", paste(round(coef[i],2)), bty="n")
plot(density(beta[,i]),main=bquote(beta[.(i)]),
ylab=expression(paste(f[beta/tilde(Y)],"(",beta, ",tilde(y),")")),
xlab=expression(paste(beta, ",tilde(y)))
)
abline(v=coef[i])
legend("topleft", paste(round(coef[i],2)), bty="n")
Anexo A. ROTINA NO R - Caso 1: Distribuio do Tempo at a Falha T Bimodal
- Mistura de Duas Normais 112
#rode esta parte para vericar que o modelo estimou corretamente a distribuio
dos tempos de falha gerados
for (i in 1:npers)
windows()
par(mfrow=c(1,2))
hist(tf_dados[,i],main=bquote(t[.(i)]),
ylab="Freqncia",xlab=expression(paste(t, ",tilde(y))))
abline(v=ptfg[i])
legend("topleft", paste(round(ptfg[i],2)), bty="n")
plot(density(tf_dados[,i]),main=bquote(t[.(i)]),
ylab=expression(paste(f[T/tilde(Y)],"(",t, ",tilde(y),")")),
xlab=expression(paste(t, ",tilde(y))))
abline(v=ptfg[i])
legend("topleft", paste(round(ptfg[i],2)), bty="n")
#MTODO ROBINSON E CROWDER#
horas<-seq(0,15000,1) #seqncia de valores de horas para clculo de F(t)
ttam<-length(horas) #tamanho da seqncia de horas
Ft2<-matrix(0,ttam,npers) #matriz onde sero armazenados as distribuies acu-
muladas de tempo de falha para cada unidade
F<-vector() #vetor auxiliar para clculo de F(t|theta,dados)
z<-vector() #vetor que ir receber a padronizao para a distribuio Normal(0,1)
#obteno da funo distribuio acumulada preditiva posteriori dos tempos de
falha
for (i in 1:npers)
for (k in 1:ttam)
z<-(df-horas[k]/beta[,i])/sigma
F<-1-pnorm(z)
113
Ft2[k,i]<-mean(F)
FRC<-vector()
aux<-t(Ft2)
for (i in 1:ttam)
FRC[i]<-mean(aux[1:npers,i])
#CONFRONTO DAS ACUMULADAS DE T#
pers<-20000 #nmero de pers a serem gerados para aproximar a distribuio real
gerando os valores de tempos de falha
N(M1,DP1) e N(M2,DP2)
M1<-3000
DP1<-30
M2<-7000
DP2<-30
set.seed(214) #xando semente para repetir os resultados
ptf1<-rnorm(pers/2,M1,DP1) #peso de 0,5 para a amostra ter vindo dessa dis-
tribuio
set.seed(214) #xando semente para repetir os resultados
ptf2<-rnorm(pers/2,M2,DP2) #peso de 0,5 para a amostra ter vindo dessa dis-
tribuio
real<-c(ptf1,ptf2) #amostra sucientemente grande para aproximar a distribuio
real
#Plotando a funo acumulada F(t): REAL E GERADO X HAMADA
windows()
plot(horas,F_Hamada,type="n",xlab="Tempo",
ylab="Probabilidade Acumulada",
ylim=c(0,1),xlim=c(0,12000),main="Sabe-se T Bimodal")
F_real<-ecdf(real)
Anexo A. ROTINA NO R - Caso 1: Distribuio do Tempo at a Falha T Bimodal
- Mistura de Duas Normais 114
F_real<-sort(F_real(real))
temp<-sort(real)
lines(temp,F_real, lty="dotted",lwd=1, col=c("black"))
legend(c(expression(F[T/tilde(theta)](t/tilde(theta))[Real])),x=5000,y=0+9.3/20,
bty="n",lty="dotted",col="black",lwd=1,cex=0.8)
F_g<-ecdf(ptfg)
lines(F_g, verticals= TRUE, do.points = FALSE, lty="solid",lwd=1,
col.hor=black, col.vert=black)
legend(c(expression(F[T](t)[Gerado])),x=5000,y=0+8/20,
bty="n",lty="solid",col="black",lwd=1,cex=0.8)
lines(horas,F_Hamada,type="l",lty="longdash",col=c("black"),lwd=3)
legend(c(expression(F[T/tilde(Y)](t/tilde(y))[Hamada])),x=5000,y=7/20,
bty="n",lty="longdash",col=c("black"),lwd=3,cex=0.8)
#Plotando a funo acumulada F(t): REAL E GERADO X PROPOSTA
windows()
plot(horas,F_Hamada,type="n",xlab="Tempo",
ylab="Probabilidade Acumulada",
ylim=c(0,1),xlim=c(0,12000),main="Sabe-se T Bimodal")
lines(temp,F_real, lty="dotted",lwd=1, col=c("black"))
legend(c(expression(F[T/tilde(theta)](t/tilde(theta))[Real])),x=5000,y=0+9.3/20,
bty="n",lty="dotted",col="black",lwd=1,cex=0.8)
F_g<-ecdf(ptfg)
lines(F_g, verticals= TRUE, do.points = FALSE, lty="solid",lwd=1,
col.hor=black, col.vert=black)
legend(c(expression(F[T](t)[Gerado])),x=5000,y=0+8/20,
bty="n",lty="solid",col="black",lwd=1,cex=0.8)
F_Proposta<-ecdf(tf_dados[,1:npers])
115
lines(F_Proposta, verticals= TRUE, do.points = FALSE, lty="solid",lwd=3,
col.hor=black, col.vert=black)
legend(c(expression(F[T/tilde(Y)](t/tilde(y))[Prop.N.Unidade])),x=5000,y=0+7/20,
bty="n",lty="solid",col="black",lwd=3,cex=0.8)
#Plotando a funo acumulada F(t) REAL E GERADO X ROBINSON E CROW-
DER
windows()
plot(horas,F_Hamada,type="n",xlab="Tempo",
ylab="Probabilidade Acumulada",
ylim=c(0,1),xlim=c(0,12000),main="Sabe-se T Bimodal")
lines(temp,F_real, lty="dotted",lwd=1, col=c("black"))
legend(c(expression(F[T/tilde(theta)](t/tilde(theta))[Real])),x=5000,y=0+9.3/20,
bty="n",lty="dotted",col="black",lwd=1,cex=0.8)
F_g<-ecdf(ptfg)
lines(F_g, verticals= TRUE, do.points = FALSE, lty="solid",lwd=1,
col.hor=black, col.vert=black)
legend(c(expression(F[T](t)[Gerado])),x=5000,y=0+8/20,
bty="n",lty="solid",col="black",lwd=1,cex=0.8)
lines(horas,FRC,type="l",lty="dashed",col=c("black"),lwd=3)
legend(c(expression(F[T/tilde(Y)](t/tilde(y))[N.UnidadeRC])),x=5000,y=0+7/20,
bty="n",lty="dashed",col=c("black"),lwd=3,cex=0.8)
#SUPONHA NO CONHECERMOS A REALIDADE, AFIRMAREMOS QUE A
DISTRIBUIO DOS EFEITOS ALEATRIOS LOGNORMAL.#
#chamando os pacotes que realizam a comunicao do R com o WinBUGS
packages("R2WinBUGS")
library("R2WinBUGS")
require(R2WinBUGS)
Anexo A. ROTINA NO R - Caso 1: Distribuio do Tempo at a Falha T Bimodal
- Mistura de Duas Normais 116
require(BRugs)
#carregando o modelo escrito na sintaxe do WinBUGS
model.le <- system.le(package = "R2WinBUGS", "model",
"LNModel_DISS2.txt")
le.show(model.le)
#Preparao dos dados para o WinBugs
data <- list( n1=ntotal, n2=npers,
y=d$Desgaste,
hours=d$Tempo,
units=d$Unidade)
ibetas<-rep(500,npers)
#Atribuindo os valores iniciais aos parmetros
inits <- function()
list(muL=6,tauL=0.1,tau=0.1,beta=ibetas)
#Determinao dos parmetros a serem monitorados
parameters <- c("muL", "sigmaL", "sigma","beta")
semente=1000 #xa a semente da cadeia
LN.sim <- bugs(data, inits, parameters, model.le,
n.chains = 1, n.iter = 10001000,n.burnin=1000,n.thin=1000,codaPkg=FALSE, de-
bug = FALSE, #resultado da dissertao
# n.chains = 1, n.iter = 11000, n.burnin=1000, n.thin=1,codaPkg=FALSE, debug
= FALSE, #descomente para um resultado rpido (aviso:autocorrelao)
bugs.directory ="C:/Program Files/WinBUGS14", bugs.seed=semente,
working.directory ="C:/CAMINHO", clearWD = FALSE)
#codaPkg=TRUE para obter os valores dos parmetros
print(LN.sim)
#ANLISE HAMADA#
117
#funo para calcular a funo distribuio acumulada preditiva posteriori dos
tempos de falha com efeito aleatrio weibull
F_HamL<- function (t,muL,sigmaL,df)
d_F_t_Hamada<-vector()
F_Hamada<-vector()
for (i in 1:length(t))
d_F_t_Hamada<-plnorm(t[i],(log(df)+muL),sigmaL)
F_Hamada[i]<-mean(d_F_t_Hamada)
F_Hamada
#tempos nos quais ser avaliada a funo distribuio acumulada preditiva pos-
teriori dos tempos de falha
muL<-LN.sim$sims.matrix[,1]
sigmaL<-LN.sim$sims.matrix[,2]
horas<-seq(0,15000,1)
#obteno da funo distribuio acumulada preditiva posteriori dos tempos de
falha
F_HamadaL<-F_HamL(horas,muL,sigmaL,df)
#PROPOSTA#
#armazenando as amostras a posteriori dos efeitos aleatrios para facilitar a ma-
nipulao
betaL<-LN.sim$sims.matrix[,1:npers+3]
sigmaL<-LN.sim$sims.matrix[,3]
#amostra da distribuio preditiva a posteriori para os tempos de falha baseia-se
na relao que o modelo estabelece entre os parmetros e os tempos de falha
tf_dadosL<-df*betaL
#rode esta parte para vericar que o modelo estimou corretamente a distribuio
dos efeitos aleatrios gerados
Anexo A. ROTINA NO R - Caso 1: Distribuio do Tempo at a Falha T Bimodal
- Mistura de Duas Normais 118
for (i in 1:npers)
windows()
par(mfrow=c(1,2))
hist(betaL[,i],main=bquote(beta[.(i)]),
ylab="Freqncia",xlab=expression(paste(beta, ",tilde(y))))
abline(v=coef[i])
legend("topleft", paste(round(coef[i],2)), bty="n")
plot(density(betaL[,i]),main=bquote(beta[.(i)]),
ylab=expression(paste(f[beta/tilde(Y)],"(",beta, ",tilde(y),")")),
xlab=expression(paste(beta, ",tilde(y)))
)
abline(v=coef[i])
legend("topleft", paste(round(coef[i],2)), bty="n")
#rode esta parte para vericar que o modelo estimou corretamente a distribuio
dos tempos de falha gerados
for (i in 1:npers)
windows()
par(mfrow=c(1,2))
hist(tf_dadosL[,i],main=bquote(t[.(i)]),
ylab="Freqncia",xlab=expression(paste(t, ",tilde(y))))
abline(v=ptfg[i])
legend("topleft", paste(round(ptfg[i],2)), bty="n")
plot(density(tf_dadosL[,i]),main=bquote(t[.(i)]),
ylab=expression(paste(f[T/tilde(Y)],"(",t, ",tilde(y),")")),
xlab=expression(paste(t, ",tilde(y))))
abline(v=ptfg[i])
legend("topleft", paste(round(ptfg[i],2)), bty="n")
119
#MTODO ROBINSON E CROWDER#
horas<-seq(0,15000,1) #seqncia de valores de horas para clculo de F(t)
ttam<-length(horas) #tamanho da seqncia de horas
Ft2L<-matrix(0,ttam,npers) #matriz onde sero armazenados as distribuies
acumuladas de tempo de falha para cada unidade
FL<-vector() #vetor auxiliar para clculo de F(t|theta,dados)
zL<-vector() #vetor que ir receber a padronizao para a distribuio Normal(0,1)
#obteno da funo distribuio acumulada preditiva posteriori dos tempos de
falha
for (i in 1:npers)
for (k in 1:ttam)
zL<-(df-horas[k]/betaL[,i])/sigmaL
FL<-1-pnorm(zL)
Ft2L[k,i]<-mean(FL)
FRCL<-vector()
auxL<-t(Ft2L)
for (i in 1:ttam)
FRCL[i]<-mean(auxL[1:npers,i])
#CONFRONTO DAS ACUMULADAS DE T#
pers<-20000 #nmero de pers a serem gerados para aproximar a distribuio real
# gerando os valores de tempos de falha N(M1,DP1) e N(M2,DP2)
M1<-3000
DP1<-30
M2<-7000
DP2<-30
set.seed(214) #xando semente para repetir os resultados
Anexo A. ROTINA NO R - Caso 1: Distribuio do Tempo at a Falha T Bimodal
- Mistura de Duas Normais 120
ptf1<-rnorm(pers/2,M1,DP1) #peso de 0,5 para a amostra ter vindo dessa dis-
tribuio
set.seed(214) #xando semente para repetir os resultados
ptf2<-rnorm(pers/2,M2,DP2) #peso de 0,5 para a amostra ter vindo dessa dis-
tribuio
real<-c(ptf1,ptf2) #amostra sucientemente grande para aproximar a distribuio
real
#Plotando a funo acumulada F(t): REAL E GERADO X HAMADA
windows()
plot(horas,F_HamadaL,type="n",xlab="Tempo",
ylab="Probabilidade Acumulada",
ylim=c(0,1),xlim=c(0,15000),main="Sabe-se T Bimodal")
F_real<-ecdf(real)
F_real<-sort(F_real(real))
temp<-sort(real)
lines(temp,F_real, lty="dotted",lwd=1, col=c("black"))
legend(c(expression(F[T/tilde(theta)](t/tilde(theta))[Real])),x=6000,y=0+9.3/20,
bty="n",lty="dotted",col="black",lwd=1,cex=0.8)
F_g<-ecdf(ptfg)
lines(F_g, verticals= TRUE, do.points = FALSE, lty="solid",lwd=1,
col.hor=black, col.vert=black)
legend(c(expression(F[T](t)[Gerado])),x=6000,y=0+8/20,
bty="n",lty="solid",col="black",lwd=1,cex=0.8)
lines(horas,F_HamadaL,type="l",lty="longdash",col=c("black"),lwd=3)
legend(c(expression(F[T/tilde(Y)](t/tilde(y))[Hamada])),x=6000,y=7/20,
bty="n",lty="longdash",col=c("black"),lwd=3,cex=0.8)
#Plotando a funo acumulada F(t): REAL E GERADO X PROPOSTA
121
windows()
plot(horas,F_HamadaL,type="n",xlab="Tempo",
ylab="Probabilidade Acumulada",
ylim=c(0,1),xlim=c(0,15000),main="Sabe-se T Bimodal")
F_real<-ecdf(real)
F_real<-sort(F_real(real))
temp<-sort(real)
lines(temp,F_real, lty="dotted",lwd=1, col=c("black"))
legend(c(expression(F[T/tilde(theta)](t/tilde(theta))[Real])),x=6000,y=0+9.3/20,
bty="n",lty="dotted",col="black",lwd=1,cex=0.8)
F_g<-ecdf(ptfg)
lines(F_g, verticals= TRUE, do.points = FALSE, lty="solid",lwd=1,
col.hor=black, col.vert=black)
legend(c(expression(F[T](t)[Gerado])),x=6000,y=0+8/20,
bty="n",lty="solid",col="black",lwd=1,cex=0.8)
F_PropostaL<-ecdf(tf_dadosL[,1:npers])
lines(F_PropostaL, verticals= TRUE, do.points = FALSE, lty="solid",lwd=3,
col.hor=black, col.vert=black)
legend(c(expression(F[T/tilde(Y)](t/tilde(y))[Prop.N.Unidade])),x=6000,y=0+7/20,
bty="n",lty="solid",col="black",lwd=3,cex=0.8)
#Plotando a funo acumulada F(t): REAL E GERADO X ROBINSON E CROW-
DER
windows()
plot(horas,F_HamadaL,type="n",xlab="Tempo",
ylab="Probabilidade Acumulada",
ylim=c(0,1),xlim=c(0,15000),main="Sabe-se T Bimodal")
F_real<-ecdf(real)
Anexo A. ROTINA NO R - Caso 1: Distribuio do Tempo at a Falha T Bimodal
- Mistura de Duas Normais 122
F_real<-sort(F_real(real))
temp<-sort(real)
lines(temp,F_real, lty="dotted",lwd=1, col=c("black"))
legend(c(expression(F[T/tilde(theta)](t/tilde(theta))[Real])),x=6000,y=0+9.3/20,
bty="n",lty="dotted",col="black",lwd=1,cex=0.8)
F_g<-ecdf(ptfg)
lines(F_g, verticals= TRUE, do.points = FALSE, lty="solid",lwd=1,
col.hor=black, col.vert=black)
legend(c(expression(F[T](t)[Gerado])),x=6000,y=0+8/20,
bty="n",lty="solid",col="black",lwd=1,cex=0.8)
lines(horas,FRCL,type="l",lty="dashed",col=c("black"),lwd=3)
legend(c(expression(F[T/tilde(Y)](t/tilde(y))[N.UnidadeRC])),x=6000,y=0+7/20,
bty="n",lty="dashed",col=c("black"),lwd=3,cex=0.8)
Anexo B
ROTINA NO R - Emissores de
Laser Para Predies
setwd("C:/CAMINHO")
npers<-15 #nmero de pers de degradao
ntotal<-npers*17 #leitura da base de dados das rodas de trem
d<-read.table(DesgLaser.txt,head=T)
horas<-seq(0,15000,1)
d
df=10 #estabelecendo um limiar crtico de degradao
# Plotando os pers de degradao
windows()
lim=range(d$Tempo,d$Desgaste)
plot(d$Tempo,d$Desgaste,type="p",xlab="Tempo (horas)", ylab="Degradao %")
abline(h=df)
legend(locator(1), "Df=10", bty="n")
title("Pers de Degradao - Observados e Estimados")
Anexo B. ROTINA NO R - Emissores de Laser Para Predies 124
# Rodar apenas este para predio no tempo zero
ntotal<-ntotal+1
npers<-npers+1
d<-rbind(d,c(npers,0,0))
# Rodar esta parte em complemento anterior para predies vrios passos a frente
npredict<-17 #Determine a quantidade de passos a frente das predies
for (i in 1:npredict)
ntotal<-ntotal+1
d<-rbind(d,c(npers,i*250,NA)) # O WinBUGS realiza predies para observaes
marcadas como NA
#chamando os pacotes que realizam a comunicao do R com o WinBUGS
#packages("R2WinBUGS")
library("R2WinBUGS")
require(R2WinBUGS)
require(BRugs)
model.le <- system.le(package = "R2WinBUGS", "model",
"WeibullModel
D
ISS
P
.txt)
le.show(model.le)
#Preparao dos dados para o WinBugs
data <- list( n1=ntotal, n2=npers,
y=d$Desgaste,
hours=d$Tempo,
units=d$Unidade)
ibetas<-rep(500,npers)
#Atribuindo os valores iniciais aos parmetros
inits <- function()
list(delta=6,lambda=0.001,tau=0.1,beta=ibetas)
125
#Determinao dos parmetros a serem monitorados
parameters <- c("delta", "lambda", "sigma","beta","y.pred")
semente=1000
weib.sim <- bugs(data, inits, parameters, model.le,
# n.chains = 1, n.iter = 10001000,n.burnin=1000,n.thin=1000,codaPkg=FALSE,
debug = FALSE,
n.chains = 1, n.iter = 11000, n.burnin=1000, n.thin=1,codaPkg=FALSE, debug =
FALSE,
bugs.directory ="C:/Program Files/WinBUGS14", bugs.seed=semente,
working.directory ="C:/CAMINHO", clearWD = FALSE)
print(weib.sim)
#armazenando os resultados preditos para todas as unidades, inclusive para a in-
serida na verossimilhana (futura)
ypred<-head(weib.sim$sims.matrix[,(4+npers):(4+npers+ntotal)])
y.pred<-vector()
y.pred.025<-vector()
y.pred.975<-vector()
#calculando estimativa mdia e bandas de credibilidade da degradao no perl
futuro
for (i in 1:ntotal)
y.pred[i]<-mean(ypred[,i])
y.pred.025[i]<-quantile(ypred[,i],c(.025))
y.pred.975[i]<-quantile(ypred[,i],c(.975))
npers<-15
ntotal<-npers*17
#insere no grco as medidas de degradao preditas para os pers sob teste
for (i in 1:npers)
Anexo B. ROTINA NO R - Emissores de Laser Para Predies 126
a<-i*17-16
b<-i*17
lines(d$Tempo[1:17],y.pred[a:b],lty=c("dashed"))
#insere no grco as medidas de degradao preditas para o perl futuro
lines(d$Tempo[1:17],y.pred[((npers+1)*17-16):((npers+1)*17)],
lty=c("dashed"),lwd=4,col="black")
#insere a banda inferior de credibilidade para as medidas de degradao preditas
para o perl futuro
lines(d$Tempo[1:17],y.pred.025[((npers+1)*17-16):((npers+1)*17)],
lty=1,lwd=4,col="black")
#insere a banda superior de credibilidade para as medidas de degradao preditas
para o perl futuro
lines(d$Tempo[1:17],y.pred.975[((npers+1)*17-16):((npers+1)*17)],
lty=1,lwd=4,col="black")
Anexo C
MODELO PARA WINBUGS:
WEIBULL
#Este modelo deve ser colocado na pasta
C:/Program Files/R/R-2.8.1/library/R2WinBUGS/model
MODEL;
#verossimilhana
for( i in 1 : n1 )
y[i] dnorm(mu[i],tau)
mu[i]<-hours[i]/(beta[units[i]] )
#prioris
for( i in 1 : n2 )
beta[i] dweib(delta,lambda)
#(forma,escala)
#hiperprioris
delta dgamma(0.01,0.01)
lambda dgamma(0.01,0.01)
Anexo C. MODELO PARA WINBUGS: WEIBULL 128
tau dgamma(0.01,0.01)
sigma<-1/sqrt(tau)
Anexo D
MODELO PARA WINBUGS:
LOGNORMAL
#Este modelo deve ser colocado na pasta
C:/Program Files/R/R-2.8.1/library/R2WinBUGS/model
MODEL;
#verossimilhana
for( i in 1 : n1 )
y[i] dnorm(mu[i],tau)
mu[i]<-hours[i]/(beta[units[i]] )
#prioris
for( i in 1 : n2 )
beta[i] dlnorm(muL, tauL)
#(locao,escala)
#hiperprioris
muL dnorm(0,0.01)
tauL dgamma(0.01,0.01)
Anexo D. MODELO PARA WINBUGS: LOGNORMAL 130
sigmaL<-1/sqrt(tauL)
tau dgamma(0.01,0.01)
sigma<-1/sqrt(tau)