Mtodos Para Estimar Los Parmetros de la Distribucin de Weibull.

Abstract:

El presente articulo presenta algunos mtodos para estimar los parmetros de Weibull, a
saber, el parmetro de forma () y el parmetro de escala (). La distribucin Weibull es
una distribucin importante especialmente para el anlisis de fiabilidad y mantenibilidad.
Los mtodos presentados estan clasificados en dos categoras: Mtodos grficos y
analticos. Los experimentos computacionales sobre los mtodos presentados quedan
referidos.
1. Los mtodos grficos Usualmente, los mtodos grficos son usados por su
simplicidad y su celeridad. Sin embargo, implican una probabilidad grande de error. A
continuacin discutimos dos mtodos grficos principales.
1.1 Weibull Probability Plotting La funcin de densidad de distribucin Weibull (Mann
Et Al. (1974)) es dado por:

La funcin de reparticin o cumulativa de la distribucin de Weibull esta dada por:

Donde; La es el parmetro de forma, es el parmetro de escala, y es el parmetro de

posicin.
Para proponer la relacin entre el CDF y los dos parmetros (,,), tomamos la
transformacin logartmica doble del CDF.
De (2) y dejando a = 0, tenemos:

La ltima ecuacin es una ecuacin de una lnea recta. Para representar grficamente
F(x) vs. x, aplicamos el siguiente procedimiento:

1. Los Rangos de tiempos de fallo en el orden ascendiente.

2. La estimacin de F(x) del fallo de orden i.
3. Represente grficamente F(x) vs. x en el papel de probabilidad Weibull.
Para estimar F(x), en los procedimientos (2 y 3), podemos usar unos de los siguientes
mtodos presentados en Tabla 1 donde la n es nmero de proposiciones o cantidad de
datos.

1.2 Tcnica Grfica de la Funcin Hazard

El mtodo grfico utilizando la Funcin de riesgo o Hazard Funcin nos permite una
estimacin de los parmetros Weibull. Esto se efecta haciendo un grfico de funcin
acumulativa de peligro Hx , representando los tiempos de fallo en un papel de escalas loglogaritmicas . La funcin Hazard esta dada por:

La funcin acumulativa de riesgo (Hazard Funcion) esta dada por la siguiente expresin:
(3)

Podemos transformar (3) tomando el logaritmo como sigue

(4)

De (4) podemos graficar Hx versus ln(x) usando el siguiente procedimiento:

1. El rango las horas de fallo en orden ascendente.
2. Para cada fallo, calculamos:
3. Para cada fallo, calculamos:
4. Graficamos ln H vs. ln (x).

5. Ajustamos los puntos alineando los mismos a una lnea recta.

Una vez completado el grfico, los parmetros estimados sern:

2. Mtodos Analtico: Debido a la alta probabilidad de error al usar mtodos grficos, se

prefiriere usar los mtodos analticos. Esto est motivado por la accesibilidad de
computadoras de alta velocidad. A Continuacin discutimos algunos de los mtodos
analticos usados en estimar parmetros Weibull.
2.1 Mximo Likelihood Estimator (MLE) o mtodo de probabilidad mxima (Harter y
Moore (1965a), Harter y Moore (1965 b), y Cohen (1965)) es un procedimiento
comnmente usado porque tiene propiedades muy deseables. Tengamos una muestra X1,
X2, ......Xn aleatoria de tamao n obtenida de una funcin de densidad de probabilidad

en donde es un parmetro desconocido. La funcin Likelihood de esta muestra

aleatoria es la densidad acompaada de las variables aleatorias n y de una funcin del
parmetro desconocido. As:

que es la funcin Likelihood. El estimador mximo de probabilidad (MLE) de , que nos

dice que es el valor que maximiza L o equivalentemente, el logaritmo de L, y no
siempre, el MLE de tiene la siguiente solucin:

Donde las soluciones que no son funciones de los valores de la prueba x1, x2, ..., xn y no
son admisibles, ni son las soluciones que estn en el espacio del parmetro. Ahora, vamos
a aplicar el MLE para estimar los parmetros Weibull, a saber los parmetros de forma y
de escala. Consideremos el PDF de Weibull apuntado en (1), luego la funcin Likelihood
ser:

Al tomar los logaritmos en (6), diferenciamos y

obtenemos las ecuaciones valorativas:

y a su vez igualamos a cero,

Al eliminar en estas dos ecuaciones y simplificando obtenemos:

Que puede ser solucionado para obtener la estimacin x=

Esto puede ser resuelto utilizando procedimientos iterativos estndar (por eje., El mtodo
de newton-Raphson). Una vez que la es determinada, puede ser estimada usando
ecuacin (8):

2.2 el Mtodo de Momentos (MOM) El mtodo de momentos es otra tcnica

comnmente usada en el campo de estimacin de parmetro. Si los nmeros x1, x2, ...,
xn representan un set de datos, entonces un estimador no sesgado para el momento de
origen del kth es:
Donde; mk simboliza la estimacin de mk.. En la distribucin Weibull, el momento del kth
fcilmente sigue la (1) :

Donde es la funcin gamma:

Luego de (12), podamos comprobar la primera parte y el segundo momento como sigue:

Cuando dividimos m2 por el cuadrado de m1, obtenemos una expresin que es una
funcin de slo:

Al tomar raz cuadrada en (15), obtenemos el coeficiente de variacin:

Ahora, podemos formar una tabla para CV diversos usando (16) para valores diferentes
de la . Para estimar y , necesitamos calcular el coeficiente de variacin (CV)d de los
datos a mano. Habiendo hecho esto, comparamos a (CV)d con CV usando la tabla. La
correspondiente es la estimada ( ). El parmetro de escala () luego puede ser estimado
usando lo siguiente:

Donde la x es el trmino medio de los datos.

2.3 el Mtodo De Cuadros Mnimos (LSM) La tercera tcnica de estimacin que
discutiremos es conocida como el Mtodo De Cuadros Mnimos. Es normalmente aplicada
en problemas de ingeniera y de matemticas que no es considerada como una solucin a
los problemas de estimacin. Asumimos que una relacin lineal entre las dos variables (ver
seccin 1). Para la estimacin de parmetros Weibull, usamos el mtodo de mnimos
cuadrados y nosotros lo aplicamos para los resultados de la seccin 1. Recordemos:

La ecuacin (17) es una ecuacin de primer grado.

De ecuaciones (18) - (21), podemos calcular la estimacin de y

3. El ejemplo numrico: En la orden a ilustrar y comparar los mtodos descritos tiempo atrs,

hemos codificado los tres mtodos analticos MLE, MOM y LSM en el lenguaje BASIC y usando una
PC Pentium con 133MHz. Para comparar los tres mtodos, usamos la prueba MSE (Error Cuadrado
Trmino Medio). MSE puede calcularse como se describe a continuacin:

El ejemplo 1:
Considere el siguiente ejemplo donde Xi representa el tiempo de fracaso del ith.

La tabla 3 abajo muestra los resultados completos de las estimaciones de los parmetros
de forma y de escala y el trmino de error cuadrado medio (MSE) para cada mtodo.

Desde que MOM tiene al MSE mnimo, luego = 2.941 y = 4.587.

En comparar nuestros resultados con el software conocido llam a STATGRAPHICS, nos
encontramos con que STATGRAPHICS usa al MLE y nuestras estimaciones MLE es
exactamente igual como las estimaciones de STATGRAPHICS MLE.
Sin embargo, tenemos la ventaja de tener estimaciones diferentes para los mtodos
diferentes y la posibilidad de elegir alguno de ellos.
4. Los resultados computacionales
El objetivo de nuestro experimento es comparar los tres mtodos a saber LSM, MLE Y
MOM. Hemos generado muestras al azar con parmetros conocidos.
Para cada prueba, hemos variado el tamao de 20 para 100. Para poder asemejarse,
calculamos la desviacin total (TD) para cada mtodo como sigue:

La tabla 4 expresa los resultados completos. La ltima columna de la tabla expresa el

mejor mtodo que arroja la desviacin total mnima. Observo que el TD mximo tiene
0.55 aos de edad para todos los mtodos. Esto significa de tal manera en el peor caso
los parmetros estimados estn dentro de 50 % de sus valores reales.
La tabla 5 muestra un resumen de los resultados de Table 4. Como es obviamente. MAMI
logra la estimacin ptima 12 interrupciones de 25 que es aproximadamente 50 % del
tiempo. Como es evidentemente visto, MOM sea el mejor mtodo. MOM logra la
estimacin ptima 12 interrupciones de 25 que es aproximadamente 50 % del tiempo. Su
desviacin promedio de los valores reales es 17 % con una desviacin tpica de 14 % que
es bastante bueno. MOM logra buenos resultados porque implica ms clculos y requiera
ms tiempo de computacin que LSM o MLE. Sin embargo, para una prueba de tamao
100, MOM toma slo pocos segundos.

La orden de los mtodos basados en su exactitud es 1. Ejercer los tres mtodos analticos
(MLE, MOM y LSM) y seleccionar a la mejor que da el trmino medio mnimo cuadr
error.
2. El Mtodo De Momentos.
3. El Estimador Mximo De Probabilidad.

4. El Mtodo De Cuadros Mnimos.

5. Cualquier mtodo grfico.
6. La conclusin En este artculo, hemos presentado ambos mtodos grficos y analticos
para estimar los parmetros de distribucin Weibull. Ha sido mostrado de los resultados
computacionales que el mtodo que dan las estimaciones ptimas es el mtodo de
momentos.