Escolar Documentos
Profissional Documentos
Cultura Documentos
Piracicaba
2013
Antonio Carlos Ricardo Braga Junior
Bacharel em Estatística
Orientadora:
Profª Drª CLARICE GARCIA B. DEMÉTRIO
Coorientador:
Prof. Dr. GAUSS MOUTINHO CORDEIRO
Piracicaba
2013
3
DEDICATÓRIA
À minha noiva,
Aline Teixeira Amorim, por todo amor, apoio e carinho
dados em cada dia.
Ao meu irmão,
Luiz Henrique Muniz Braga, pela amizade, incentivo,
apoio e por fazer parte da minha vida.
À minha tia,
Edite Muniz de Souza, por ser a minha segunda mãe e
sempre transmitir muita paz e serenidade.
4
5
AGRADECIMENTOS
Garcia Borges Demétrio, Dr. Décio Barbin, Dr. Edwin Ortega, Dra. Roseli Aparecida
Leandro, Dr. Sı́lvio Zocchi, Dra. Taciana Villela Savian e Dr. Vitor Ozaki por todos os
ensinamentos e amizade.
Aos alunos do curso de Pós-Graduação em Estatı́stica e Experimentação
Agronômica da ESALQ/USP, pelo prazer da convivência.
Aos verdadeiros amigos de infância, Marcos Franco Assis e Welton Lefundes
Tomé, que desde sempre me acompanharam e são como irmãos.
Aos meus tios e tias por sempre acreditarem na minha capacidade, em
especial, Elı́sia Muniz de Souza.
Aos meus primos e primas pela motivação e amizade.
À minha afilhada e prima, Lorena Muniz, pelas conversas, carinho e ami-
zade.
Ao meu sobrinho, Caio Braga, por tornar os momentos em famı́lia mais
leves e alegres.
À minha cunhada, Andrea Leite, por ser uma pessoa sempre alegre e por
fazer meu irmão muito feliz.
Às secretárias Luciane Brajão e Solange Paes de Assis Sabadin, pelo apoio,
amizade, ajuda e confiança depositada em mim, que foram muito importantes nesse
perı́odo de doutorado.
Aos funcionários do Departamento de Ciências Exatas da ESALQ/USP,
Eduardo Bonilha, Jorge Alexandre Wiendl e Rosni Honofre Aparecido Pinto pela ajuda
e apoio técnico.
À CAPES pela concessão de bolsa de estudos durante o ano de 2011.
A todos os educadores que passaram pela minha vida e também àqueles
que direta ou indiretamente contribuı́ram para conclusão deste trabalho, em especial
Prof. Cribari, Prof. Klaus, Profa. Rosana, Profa. Lia Terezinha, Profa. Giovana e Prof.
Gilênio. A vocês eu agradeço muito.
7
“É graça divina começar bem. Graça maior é persistir na caminhada certa.
Mas a graça das graças é não desistir nunca.”
Confúcio
8
9
SUMÁRIO
RESUMO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
ABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
LISTA DE FIGURAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
LISTA DE TABELAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2 DESENVOLVIMENTO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.1 Conceitos básicos em análise de sobrevivência . . . . . . . . . . . . . . . . . . . 23
2.1.1 Distribuição do tempo de sobrevivência . . . . . . . . . . . . . . . . . . . . . . 24
2.1.2 O estimador de Kaplan-Meier . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.3 A função de verossimilhança em análise de sobrevivência . . . . . . . . . . . . 26
2.2 Distribuição Weibull modificada . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3 Distribuição gama generalizada . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4 Distribuição gama generalizada geométrica . . . . . . . . . . . . . . . . . . . . . 29
2.5 Classes de distribuições generalizadas . . . . . . . . . . . . . . . . . . . . . . . . 30
2.5.1 Classe de distribuições Marshall e Olkin . . . . . . . . . . . . . . . . . . . . . 31
2.5.2 Classe de distribuições exponenciadas . . . . . . . . . . . . . . . . . . . . . . . 32
2.5.3 Classe de distribuições estendidas . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.5.4 Classe de distribuições betas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.5.5 Classe de distribuições Kumaraswamy generalizadas . . . . . . . . . . . . . . . 38
2.6 Modelo de regressão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.6.1 Modelo de regressão locação-escala . . . . . . . . . . . . . . . . . . . . . . . . 40
2.7 Inferência estatı́stica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.7.1 Método de máxima verossimilhança . . . . . . . . . . . . . . . . . . . . . . . . 41
2.7.2 Análise bayesiana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.8 Estatı́sticas AIC, BIC e CAIC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3 ALGUMAS NOVAS PROPRIEDADES DA DISTRIBUIÇÃO KUMA-
RASWAMY WEIBULL MODIFICADA . . . . . . . . . . . . . . . . . . . . . 49
3.1 Propriedades gerais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.1.1 Medidas quantı́licas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.1.2 Momentos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
3.1.3 Momentos incompletos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
10
nada
RESUMO
Distribuições das classes Kumaraswamy generalizada e exponenciada:
propriedades e aplicações
versão revisada de acordo com a resolução CoPGr 6018 de 2011
nada
13
ABSTRACT
Distributions of the generalized Kumaraswamy and exponentiated classes:
properties and applications
nada
15
LISTA DE FIGURAS
LISTA DE TABELAS
1 INTRODUÇÃO
2 DESENVOLVIMENTO
Nesta seção, é feita uma revisão sucinta sobre análise de sobrevivência, sobre
algumas classes de generalizações de distribuições, sobre os modelos de regressão e sobre
os métodos inferenciais para análise de dados de sobrevivência, formando o embasamento
teórico necessário para o entendimento do trabalho relacionado ao objetivo da pesquisa.
Seja X uma variável aleatória não negativa, que representa o tempo de vida
de um indivı́duo proveniente de uma dada população homogênea. A função densidade de
probabilidade, f (x), é definida por
P (x ≤ X ≤ x + ∆x) ∂F (x)
f (x) = lim = ,
∆x→0 ∆x ∂x
em que F (x) = P (X ≤ x) é a função distribuição acumulada (fda) de X. No contexto
da análise de sobrevivência, a função f (x) pode ser interpretada como a probabilidade de
um indivı́duo sofrer o acontecimento de interesse no intervalo de tempo ∆x e possui duas
propriedades:
Z ∞
f (x) ≥ 0 e f (x)dx = 1.
0
G( r / n )
r/n
g(x)
h(x) = = αxγ−1 (γ + λx) exp(λx).
S(x)
Algumas outras propriedades da distribuição MW podem ser encontradas
em Lai; Xie e Murthy (2003).
em que α > 0 é o parâmetro de escala, τ > 0 e k > 0 são os parâmetros de forma e Γ(k)
é a função gama, definida por:
Z ∞
Γ(k) = xk−1 exp(−x)dx.
0
x τ
f (x) xτ k−1 exp − α
h(x) = = R ∞ τ k−1 ,
x τ
S(x) 0
x exp − α
dx
Rx
em que γ(k, x) = 0
wk−1 e−w dw é a função gama incompleta e γ1 (k, x) é a razão da função
gama incompleta, definida por γ1 (k, x) = γ(k, x)/Γ(k), que é facilmente implementada em
vários pacotes estatı́sticos como R (R Core Team, 2011), SAS (SAS, 2008), entre outros.
notando que
∞
X n h x τ ioz−1 n h x τ io−2
z−1
p z 1 − γ1 k, = 1 − p 1 − γ1 k, .
z=1
α α
τ (1 − p) x τ k−1 h x τ in h x τ io−2
f (x; α, τ, k, p) = exp − 1 − p 1 − γ1 k, . (6)
αΓ(k) α α α
e
τ k−1
h τ i n h τ io−2
τ (1−p) x
αΓ(k) α
exp − αx 1 − p 1 − γ1 k, αx
h(x; α, τ, k, p) = n h τ i n h τ io−1 o ,
x x
1 − γ1 k, α 1 − p 1 − γ1 k, α
respectivamente.
Diversos autores nos últimos anos têm concentrado seus esforços na genera-
lização de famı́lias de distribuições de probabilidade obtendo, dessa forma, maior flexibi-
lidade e, consequentemente, ganho na modelagem de dados e a capacidade de incorporar
um grande número de submodelos.
Adota-se o termo distribuição base para a famı́lia de distribuições a ser
generalizada, e denota-se por G(x) a fda da distribuição base, e por g(x) a sua fdp.
Algumas das classes de generalizações mais estudadas nos últimos anos são
as famı́lias de distribuições exponenciadas apresentadas, inicialmente, por Mudholkar; Sri-
vastava e Freimer (1995); as famı́lias de distribuições obtidas pelo método desenvolvido
31
por Marshall e Olkin (1997); as distribuições betas que receberam maior atenção após o
trabalho de Eugene; Lee e Famoye (2002); as distribuições estendidas discutidas por Bar-
ros (2008); e, recentemente, as distribuições Kumaraswamy generalizadas, desenvolvidas
por Cordeiro e de Castro (2011). Nas subseções seguintes, essas classes de distribuições
serão discutidas e os principais trabalhos apresentados.
vS(x) vS(x)
S ∗ (x) = = , v>0 (8)
1 − (1 − v)S(x) G(x) + vS(x)
em que G(x) e S(x) são a fda e a função de sobrevivência da distribuição base, respecti-
vamente, e S ∗ (x) é a função de sobrevivência da nova famı́lia de distribuição, agora com
o parâmetro adicional v. Observa-se que se v = 1, então, S ∗ (x) = S(x).
Se a distribuição base tem fdp g(x) e função risco h(x), então, a nova fdp
correspondente a S ∗ (x) é obtida por
vg(x)
f ∗ (x) = (9)
[G(x) + vS(x)]2
h(x) h(x)
h∗ (x) = = .
1 − (1 − v)S(x) G(x) + vS(x)
θg(x)G(x)θ−1
S(x) = 1 − G(x)θ e h(x) = .
1 − G(x)θ
ωg(x)
S(x) = [1 − G(x)]ω e h(x) = .
1 − G(x)
em que a > 0 e b > 0 são dois parâmetros de forma e B(a, b) é a função beta, definida
Γ(a)Γ(b)
por B(a, b) = Γ(a+b)
. A fdp é dada por
1
f (x) = g(x)G(x)a−1 [1 − G(x)]b−1 , x > 0 .
B(a, b)
Observe que a integral na equação (12) é a função beta incompleta,
Z G(x)
BG(x) (a, b) = wa−1 (1 − w)b−1 dw.
0
A desvantagem dessa classe é que essa integral muitas vezes não tem solução
analı́tica, devido à fda G(x), ou depende de funções especiais, como a função B(a, b),
necessitando, portanto, de abordagens numéricas. Consequentemente, a função de sobre-
vivência também requer procedimentos numéricos para ser obtida.
Alguns autores trabalharam com essa classe de distribuições. Dentre eles,
podem-se citar Ojo e Olapade (2003), que consideraram a distribuição beta logı́stica, de-
nominada por eles de logı́stica generalizada (distribuição desenvolvida, inicialmente, por
George e Ojo, 1980) e provaram alguns teoremas que caracterizam essa distribuição, além
de definirem uma generalização da distribuição log-logı́stica (beta log-logı́stica), determi-
naram seus momentos e estabeleceram algumas relações entre a log-logı́stica generalizada
e outras distribuições.
Nadarajah e Kotz (2004) propuseram a distribuição beta Gumbel, apresen-
taram a forma analı́tica da fdp e função de risco, calcularam a expressão para o n-ésimo
momento e a distribuição assintótica das estatı́sticas de ordem, investigaram a variação
das medidas de assimetria e curtose e discutiram o método de estimação de máxima
verossimilhança.
Da mesma forma, Nadarajah e Kotz (2005) generalizaram a distribuição ex-
ponencial, denominando-a distribuição beta exponencial. As propriedades matemáticas
38
a b abg(x)G(x)a−1
S(x) = [1 − G(x) ] e h(x) = .
1 − G(x)a
Os momentos podem ser obtidos pelo cálculo da integral
Z∞
0
µk = ab[1 − G(x)a ]b−1 G(x)a−1 g(x)xk dx
0
Z1
{G−1 u1/a }k (1 − u)b−1 du,
= b (16)
0
sendo que a transformação usada na integral em (16) foi u = G(x)a ; o que implica em
G−1 [(u)1/a ] = x.
A grande vantagem da classe de distribuições Kumaraswamy é possuir forma
fechada para a sua fdp e fda, ou seja, pode ser escrita de forma analı́tica, diferentemente
da classe de distribuições beta. Essa classe modela formas de risco constante, crescente,
decrescente, unimodal e em forma de U. Outra propriedade da classe de distribuições Ku-
maraswamy generalizada é possuir como caso particular a classe de distribuições exponen-
ciadas quando b = 1, a classe de distribuições estendidas quando a = 1 e as distribuições
bases G(x) quando a = 1 e b = 1.
Podemos citar alguns importantes trabalhos nessa área, como por exemplo,
Cordeiro e de Castro (2011), que propuseram as distribuições Kw-gama, Kw-Gumbel,
Kw-gaussiana inversa, Kw-normal e Kw-Weibull, e Santana (2010) que apresentou as
distribuições Kumaraswamy-log-logı́stica e Kumaraswamy-logı́stica.
influenciados por covariáveis que, por exemplo, na área das ciências biomédicas podem
ser a idade, a altura, um tipo de tumor cancerı́geno, a quantidade de hemoglobina no
sangue, etc.
Considere X uma variável aleatória e seja t = (t1 , . . . , tp )T um vetor formado
por p variáveis explanatórias (quantitativas ou qualitativas). Um modo de estabelecer
uma relação entre X e t é por meio da utilização de modelos de regressão. No contexto
dos dados de sobrevivência, uma maneira de incluir as covariáveis na análise é realizada
usando-se a classe de modelos de locação e escala, também conhecidos como modelos de
tempo de vida acelerado. Existe uma vasta literatura sobre modelos de regressão locação-
escala como, por exemplo, Cox e Oakes (1984), Kalbfleisch e Prentice (2002) e Lawless
(2003).
Y = µ + σZ, (17)
supondo que Y pertence à famı́lia de distribuições que se caracteriza pelo fato de ter um
parâmetro de locação µ, (−∞ < µ < ∞), e um parâmetro de escala σ (0 < σ < ∞).
As distribuições que pertencem a essa famı́lia têm função densidade de pro-
babilidade da forma
1 y − µ
f (y; µ, σ) = g , −∞ < y < ∞
σ σ
Y = µ(t) + σZ,
∂l(θ)
U(θ) = = 0.
∂θ
42
π(θ|X) ∝ L(θ|X)π(θ).
(ii) amostra-se um ponto u ∼ U [0, 1]; caso u ≤ α(zm , y) faça zm+1 = y, caso contrário,
n o
f (y)q(zm |y)
faz-se zm+1 = zm , em que α(zm , y) = min 1, f (zm )q(y|zm ) .
Repetem-se esses passos até que a convergência da cadeia seja atingida. A distribuição
proposta q(z, y) deve ser de fácil simulação e garantir uma convergência rápida para a
distribuição alvo π(θ m m
−i |θ −i , X) (CHIB; GREENBERG, 1995).
1
Pl
em que u.. = l v=1 uv. .
A variância de U é estimada como a média ponderada de W e B
m−1 1
σ̂ 2 = W + B.
m m
e as variâncias e as covariâncias são estimadas a partir dos l valores amostrais de s2v , uv.
e u2v. .
A convergência é monitorada calculando o fator de redução de escala que é
definido como s
p Vb gl
Rb= ,
W gl − 2
em que R
b mede o fator de redução que sofreria o parâmetro de escala da distribuição t
(a) (b)
0.6
b=0.5
1.2
b=1
a=2 b=2
0.5
a=10 b=5
a=50
1.0
a=100
0.4
0.8
f(x)
f(x)
0.3
0.6
0.2
0.4
0.1
0.2
0.0
0.0
0 1 2 3 4 5 6 0 1 2 3 4 5 6 7
x x
(c)
a=0.2; b=0.7; α=0.2; γ=0.5; λ=0.5
a=1.5; b=1; α=0.2; γ=0.9; λ=0.7
a=1.5; b=0.7; α=0.01; γ=0.005; λ=1.2
a=1.5; b=0.2; α=0.2; γ=0.7; λ=0.45
0.6
0.4
f(x)
0.2
0.0
0 1 2 3 4 5 6 7
quando x → 0,
quando x → ∞,
(a) (b)
1.0
1.0
a=0.5; b=0.5;α=0.5; γ=1.5; λ=0.5
a=0.5; b=1.0;α=0.5; γ=1.5; λ=0.5
a=0.5; b=2.0;α=0.5; γ=1.5; λ=0.5
a=0.5; b=3.0;α=0.5; γ=1.5; λ=0.5
0.8
0.8
a=0.5; b=5.0;α=0.5; γ=1.5; λ=0.5
0.6
0.6
S(x)
S(x)
0.4
0.4
a=1;b=0.5;α=0.5; γ=1.5; λ=0.5
0.2
0.2
a=2; b=0.5;α=0.5; γ=1.5; λ=0.5
a=5; b=0.5;α=0.5; γ=1.5; λ=0.5
a=10; b=0.5;α=0.5; γ=1.5; λ=0.5
a=30; b=0.5;α=0.5; γ=1.5; λ=0.5
0.0
0.0
0.0 0.5 1.0 1.5 2.0 2.5 3.0 0.0 0.5 1.0 1.5 2.0 2.5 3.0
x x
(a) (b)
2.5
2.5
a=0.1; b=0.4; α=0.1; γ=0.6; λ=0.5 a=1.6; b=3.8; α=0.6; γ=0.8; λ=0.001
a=0.2; b=0.4; α=0.1; γ=0.6; λ=0.55 a=1.5; b=3.8; α=0.65; γ=0.8; λ=0.002
a=0.3; b=0.4; α=0.1; γ=0.6; λ=0.6 a=1.4; b=3.8; α=0.7; γ=0.8; λ=0.003
a=0.4; b=0.4; α=0.1; γ=0.6; λ=0.65 a=1.3; b=3.8; α=0.75; γ=0.8; λ=0.004
2.0
2.0
1.5
1.5
h(x)
h(x)
1.0
1.0
0.5
0.5
0.0
0.0
0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7
x x
(c)
2.5
1.0
0.5
0.0
0 1 2 3 4 5 6 7
Figura 4 - Funções risco da distribuição KwMW. (a) Gráfico da função risco na forma de
banheira. (b) Gráfico da função risco na forma unimodal. (c) Gráfico da função
risco nas formas crescente e decrescente
quando x → 0,
quando x → ∞,
quando x → 0,
quando x → ∞.
As formas da fdp (22) e da função risco (24) podem ser descritas analitica-
mente. Os pontos crı́ticos da fdp da distribuição KwMW são as raı́zes da equação:
g 0 (x) g(x) g(x)Ga−1 (x)
+ (a − 1) = a(b − 1) , (25)
g(x) G(x) 1 − Ga (x)
em que g(x) e G(x) são dados por (1) e (2), respectivamente. Pode existir mais de uma
raiz para (25). Se x = x0 é a raiz de (25) então, isso corresponde a um máximo local, um
mı́nimo local ou um ponto de inflexão dependendo se λ(x0 ) < 0, λ(x0 ) > 0 ou λ(x0 ) = 0,
em que
g(x)g 00 (x) − (g 0 (x))2 G(x)g 0 (x) − g 2 (x)
λ(x) = + (a − 1)
g 2 (x) G2 (x)
Ga−2 (x) {(a − 1)g 2 (x) + G(x)g 0 (x)} 2 G2a−2 (x)g 2 (x)
−a(b − 1) − a (b − 1) ,
1 − Ga (x) {1 − Ga (x)}2
e
n
g 00 (x) = αxγ−2 exp{λx − αxγ exp(λx)} (γ − 1)(γ + λx) + x(λ + λx + γ)
(
o
× λ − αxγ−1 exp(λx)(γ + λx) x−1 (γ − 2) + λ − αxγ−1 γ exp(λx)
n
− αxγ λ exp(λx) + (γ − 1)λ + (λ + λx + γ) λ − αxγ − 1 exp(λx)(γ + λx)
Também pode existir mais de uma raiz para (26). Se x = x0 é uma raiz de (26), então, isso
corresponde a um máximo local, um mı́nimo local ou um ponto de inflexão dependendo
se λ(x0 ) < 0, λ(x0 ) > 0 ou λ(x0 ) = 0, em que
em que o coeficiente binomial está definido para qualquer real. Assim, pode-se escrever a
função densidade da Kw-G como
∞
X
f (x) = g(x) wi G(x)a(i+1)−1 , (27)
i=0
b−1
P∞ wi
em que wi = wi (a, b) = (−1)i a b i
e i=0 a(i+1) = 1.
A função densidade da distribuição KwMW é obtida, substituindo-se a fdp
54
da distribuição MW, g(x), e a fda da distribuição MW, G(x), em (27), tal que
∞
X
γ−1 γ
f (x) = α x (γ + λx) exp{λx − αx exp(λx)} wi [1 − exp{−αxγ exp(λx)}]a(i+1)−1 .(28)
i=0
b−1 (i+1)a−1
em que ai,k = (−1)i+k a b i k
/(k+1) e g(k+1)α,γ,λ (x) é a função densidade de uma
variável aleatória que tem distribuição MW com parâmetros (k + 1)α, γ e λ. A equação
(29) mostra que a fdp da distribuição KwMW pode ser expressa como uma combinação
linear de funções densidades de uma distribuição MW. Aqui, ∞
P P(i+1)a−1
i=0 k=0 ai,k = 1.
Se b é um número inteiro, o ı́ndice i na soma anterior vai até b − 1. Por
outro lado, se a é um número real não-inteiro, pode-se expandir G(x)(i+1)a−1 como segue
∞ X j
j+r (i + 1)a − 1 j
X
(i+1)a−1
G(x) = (−1) G(x)r .
j=0 r=0
j r
e satisfazem ∞
P Pj wi,j,r P∞ Pj P∞ P∞
i,j=0 r=0 (r+1) = 1. Substituindo i,j=0 r=0 por r,i=0 j=r , obtém-se
∞
X
f (x) = g(x) ar G(x)r , (32)
r=0
P∞ P∞ P∞ ar
em que ar = r,i=0 j=r wi,j,r . Aqui, r=0 (r+1) = 1.
A função densidade da distribuição KwMW pode ser obtida substituindo-se
(2) e (1) em (30)
∞
X
f (x) = bs g(s+1)α,γ,λ (x), (33)
s=0
em que
∞ r
X (−1)s s
ar
bs = . (34)
r=s
(s + 1)
matemáticas da distribuição KwMW podem ser obtidas diretamente das propriedades já
estabelecidas para a distribuição MW. Se b é um número inteiro, o ı́ndice i na equação
(33) vai até b − 1.
Já a curtose de Moors (MOORS, 1998) é baseada nos octis e é dada por
3.1.2 Momentos
1.240
0.02
b=1.5 b=1.5
b=2.0 b=2.0
b=2.5 b=2.5
b=3.0 b=3.0
1.235
0.01
Assimetria de Bowley
Curtose de Moors
1.230
0.00
1.225
-0.01
1.220
-0.02
2 4 6 8 10 2 4 6 8 10
a a
1.5
a=0.7 a=0.7
a=0.9 a=0.9
a=1.1 a=1.1
a=1.3 a=1.3
0.4
1.4
0.3
Assimetria de Bowley
Curtose de Moors
1.3
0.2
1.2
0.1
1.1
0.0
-0.1
1.0
1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8
b b
(a) (b)
50
25
b=1.5
b=2.0
b=3.0
b=4.0
40
20
Assimetria
Assimetria
30
15
20
10
10
a=1
a=2
a=3
a=5
2 4 6 8 10 5 10 15 20
b a
dada por
∞
X Ai1 ,...,ik Γ(sk /γ + 1)
τk (j) = , (36)
i1 ,...,ik =1
[(j + 1)α]sk /γ+1
(a) (b)
5.0
20
a=0.7 b=1
a=0.9 b=2
a=1.2 b=3
a=1.5 b=4
4.5
15
Curtose
Curtose
4.0
10
3.5
5
3.0
2 4 6 8 10 2 4 6 8 10
b a
Figura 9 - Gráficos da curtose da distribuição KwMW. (a) Em função de b para valores sele-
cionados de a. (b) Em função de a para valores selecionados de b
∞
X
mr (y) = bj tr (j), (37)
j=0
Ry
em que tr (j) = 0
xr g(j+1)α,γ,λ (x)d(x) denota o r-ésimo momento incompleto da distri-
buição MW com parâmetros (j + 1)α, γ e λ.
O r-ésimo momento incompleto da distribuição MW com parâmetros (j +
1)α, γ e λ pode ser expresso por
Z y
tr (j) = (j + 1)α xr+γ−1 (γ + λx) exp(λx) exp{−(j + 1)αxγ exp(λx)}dx. (38)
0
Seja z = xγ exp(λx). Pode-se inverter essa relação para obter x em termos de z quando
60
em que
γak λk (−1)k+1 k k−2
dk = e a k = (λ/γ)k−1 .
λγ k (k − 1)!
Mudando a variável x por z, a última integral em (38) torna-se
Z yγ exp(λy) X∞
!r
k/γ
I= dk z exp{−(j + 1)αz}dz. (40)
0 k=1
Mas
∞
!r ∞
X X
dk z k/γ = Dk1 ,...,kr z sr /γ ,
k=1 k1 ,...,kr =1
em que Dk1 ,...,kr = dk1 . . . dkr e sr = k1 + · · · + kr . Então, (75) pode ser reescrita como
X∞ Z yγ exp(λy)
I= Dk1 ,...,kr z sr /γ exp{−(j + 1)αz}dz. (41)
k=1 0
∞
X Dk 1 ,...,kr γ(sr /γ + 1; (j + 1)α y γ eλy )
tr (j) = (j + 1)α . (42)
k=1
{(j + 1)α}sr /γ+1
em que E(X k ) é dada por (35). Agora, apresenta-se outra representação para M (t) que
pode ser expressa a partir da equação (33) como uma soma ponderada infinita dada por
∞
X
M (t) = bs Ms (t),
s=0
δ2 = µ − 2m1 (M ), (45)
62
Rp
em que m1 (p) = 0
xf (x)d(x) representa o primeiro momento incompleto. Claramente,
m1 (p) é obtido diretamente de (43) com r = 1.
Logo, δ1 e δ2 são dados, respectivamente, por
∞ X
∞
X Dk1 γ(k1 /γ + 1, (j + 1)α µγ eλµ )
δ1 = 2µF (µ) − 2α (j + 1)bj ,
j=0 k=1
{(j + 1)α}k1 /γ+1
e
∞ X ∞
X Dk γ(k1 /γ + 1, (j + 1)α M γ eλM )
δ2 = µ − 2α (j + 1)bj 1 k1 /γ+1
.
j=0 k=1
{(j + 1)α}
Z q Z q
1 m1 (q) 1 m1 (q)
B(p) = xf (x)dx = e L(p) = xf (x)dx = , (46)
pµ 0 pµ µ 0 µ
e
∞ ∞
α XX Dk γ(k1 /γ + 1, (j + 1)α q γ eλq )
L(p) = (j + 1)bj 1 .
µ j=0 k=1 {(j + 1)α}k1 /γ+1
(a) (b)
1.0
1.0
0.8
0.8
0.6
0.6
L(p)
L(p)
0.4
0.4
0.2
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
p p
Figura 10 - Curvas de Lorenz para a distribuição KwMW. (a) Para a = 10, 40, 150, 350 e b =
1, 1, α = 1, 1, γ = 0, 3 e λ = 0, 0001. As curvas de baixo para cima correspondem
ao aumento dos valores de a. (b) Para a = 20 e b = 1, 2, 10, 60, α = 1, 1, γ = 0, 3 e
λ = 0, 0001. As curvas de baixo para cima correspondem ao aumento dos valores
de b
1.0
0.8
0.8
0.6
0.6
B(p)
B(p)
0.4
0.4
0.2
0.2
0.0
0.0
0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0
p p
Figura 11 - Curvas de Bonferroni para a distribuição KwMW. (a) Para a = 10, 40, 150, 350
e b = 1.1, α = 1, 1, γ = 0, 3 e λ = 0, 0001. As curvas de baixo para cima
correspondem ao aumento dos valores de a. (b) Para a = 20 e b = 1, 2, 10, 60,
α = 1, 1, γ = 0, 3 e λ = 0, 0001. As curvas de baixo para cima correspondem ao
aumento dos valores de b
em que
(−1)i+1 ii−2
ai = (λ/γ)i−1 .
(i − 1)
P∞ j+k 1/a
j/b
em que vk = j=0 (−1) j k
.
Pela aplicação da expansão
∞ ∞
X zl X zl
log(1 − z) = − = −z ,
l=1
l l=0
l + 1
∞
!l ∞
X X
vk uk = cl,k uk . (51)
k=0 k=0
e cl,0 = v0l . O coeficiente cl,k pode ser obtido de cl,0 , . . . , cl,k−1 e, então, de v0 , . . . , vk .
Se X é uma variável aleatória com distribuição KwMW e fda dada por (21),
então, a função quantı́lica é dada por (47) em que t é apresentado em (52).
Simulações de Monte Carlo empregam funções quantı́licas para gerar valo-
res de uma variável aleatória não uniforme. Uma amostra de uma distribuição KwMW
pode ser obtida, aplicando-se uma amostra da distribuição uniforme na função quantı́lica.
Ainda, podem-se obter a mediana e os quantis 25 e 75 substituindo-se em (47) valores de
u iguais a 0,5, 0,25 e 0,75, respectivamente.
n
n X
Ub (θ) = + log[1 − (1 − ti )a ],
b i=1
n X xγ exp(λxi )ti n
n X γ i
Uα (θ) = − xi exp(λxi ) + (a − 1) −
α i=1 i=1
1 − ti
n
X (1 − ti )a−1 xγ exp(λxi )ti
i
a(b − 1) ,
i=1
1 − (1 − ti )a
n n n
X 1 X X γ
Uγ (θ) = + log(xi ) − α xi exp(λxi ) log(xi ) +
i=1
γ + λxi i=1 i=1
n n
X xγ exp(λxi ) log(xi )ti
i
X (1 − ti )a−1 xγ exp(λxi ) log(xi )ti
i
α(a − 1) − aα(b − 1) ,
i=1
1 − ti i=1
1 − (1 − ti )a
e
n n n
X xi X X xi log(ti )ti
Uλ (θ) = + xi [1 + log(ti )] − (a − 1) +
i=1
γ + λxi i=1 i=1
1 − ti
n
X (1 − ti )a−1 xi log(ti )ti
a(b − 1) .
i=1
1 − (1 − ti )a
em que b
a, bb, α
b, γ
beλ
b são os estimadores de máxima verossimilhança sob H1 e e
a, eb, α
eeγ
e
são os estimadores sob H0 . Contudo, foram utilizadas as estatı́sticas AIC, BIC e CAIC
para a seleção dos modelos.
a ∼ Γ(a1 , b1 ), a1 e b1 conhecidos,
b ∼ Γ(a2 , b2 ), a2 e b2 conhecidos,
α ∼ Γ(a3 , b3 ), a3 e b3 conhecidos,
γ ∼ Γ(a4 , b4 ), a4 e b4 conhecidos
e λ ∼ Γ(a5 , b5 ), a5 e b5 conhecidos,
69
Tabela 1 - Resultados da simulação de Monte Carlo: média e raiz quadrada do erro quadrático
médio das estimativas dos parâmetros do modelo KwMW (Valores verdadeiros
utilizados: a = 10, 5, b = 2, 5, α = 3, 5, γ = 2, 5 e λ = 2, 5)
em que Γ(ai , bi ) denota uma distribuição gama com média ai /bi , variância ai /b2i e função
densidade dada por
bai i v ai −1 exp(−vbi )
f (v; ai , bi ) = ,
Γ(ai )
(a) (b)
3000
4000
2500
3000
2000
Frequência
Frequência
1500
2000
1000
1000
500
0
0
0 20 40 60 80 100 0 10 20 30 40
^ ^
a b
(c) (d)
8000
6000
6000
5000
4000
Frequência
Frequência
4000
3000
2000
2000
1000
0
0 10 20 30 40 0 5 10 15 20 25 30
^ ^γ
α
(e)
3000
Frequência
2000
1000
0
0 10 20 30
^
λ
Figura 12 - Histogramas para os 10000 valores simulados das EMVs baseados em n = 50. (a)
Para a. (b) Para b. (c) Para α. (d) Para γ. (e) Para λ
71
(a) (b)
2500
2000
2000
1500
Frequência
Frequência
1500
1000
1000
500
500
0
0
5 10 15 20 25 30 35 0 5 10 15 20
^ ^
a b
(c) (d)
5000
4000
4000
3000
3000
Frequência
Frequência
2000
2000
1000
1000
0
0 5 10 15 2 3 4 5
^ ^γ
α
(e)
3000
2500
2000
Frequência
1500
1000
500
0
0 2 4 6 8
^
λ
Figura 13 - Histogramas para os 10000 valores simulados das EMVs baseados em n = 500.
(a) Para a. (b) Para b. (c) Para α. (d) Para γ. (e) Para λ
72
" n n n
#
X X Y
n γ
π(a, b, α, γ, λ|x) ∝ (abα) exp λ x−α x exp(λx) (γ + λx)xγ−1
i=1 i=1 i=1
n
Y b−1
× {1 − exp [−αxγ exp(λx)]}a−1 (1 − {1 − exp [−αxγ exp(λx)]}a )
i=1
× π(a, b, α, γ, λ). (54)
n
Y b
π(b|x, a, α, γ, λ) ∝ (b) n
(1 − {1 − exp [−αxγ exp(λx)]}a ) × π(b),
i=1
" n
# n
X Y
π(α|x, a, b, γ, λ) ∝ (α)n exp −α xγ exp(λx) {1 − exp [−αxγ exp(λx)]}a−1
i=1 i=1
n
Y b−1
× (1 − {1 − exp [−αxγ exp(λx)]}a ) × π(α),
i=1
" n n
#
X Y
π(γ|x, a, b, α, λ) ∝ exp −α γ
x exp(λx) (γ + λx)xγ {1 − exp [−αxγ exp(λx)]}a−1
i=1 i=1
n
Y b−1
× (1 − {1 − exp [−αxγ exp(λx)]}a ) × π(γ),
i=1
e
" n n n
#
X X Y
π(λ|x, a, b, α, γ) ∝ exp λ x−α γ
x exp(λx) (γ + λx) {1 − exp [−αxγ exp(λx)]}a−1
i=1 i=1 i=1
n
Y b−1
× (1 − {1 − exp [−αxγ exp(λx)]}a ) × π(λ).
i=1
73
3.5 Aplicação
1.0
0.8
0.6
G(r/n)
0.4
0.2
0.0
r/n
Tabela 2 - EMVs dos parâmetros dos modelos KwMW, KwW, MW, W, E e B-S para os dados
de tempo de vida de componentes industriais, correspondentes erros-padrão (entre
parênteses) e valores de AIC, BIC e CAIC
1.0
Kaplan-Meier
KwMW
KwW
MW
0.8 W
Exponencial
B-S
0.6
S(x)
0.4
0.2
0.0
0 20 40 60 80
KwMW
KwW
MW
0.025
W
Exp
B-S
0.020
0.015
f(x)
0.010
0.005
0.000
0 20 40 60 80 100
das amostras foi usado o fator de redução da escala R̂, desenvolvido por Gelman e Rubin
(1992). A Tabela 3 apresenta os sumários a posteriori para os parâmetros do modelo
KwMW e os valores do fator de redução da escala.
Density
10
5
5
0
a b
15
10
4e+05
Density
Density
5
0e+00
α γ
15
10
Density
5
0
1 1
G(x1 , x2 ) = 1 + exp{−[(α1 xγ11 exp(λ1 x1 )) δ + (α2 xγ22 exp(λ2 x2 )) δ ]δ }
1 1 1
g(x1 , x2 ) = − {(γ1 + q1 )(γ2 + q2 ) exp(−q1 − q2 )(p1 ) δ (p2 ) δ
δx1 x2
1 1 1 1
× exp{q2 − [(p1 ) δ + (p2 ) δ ]δ + q1 }{(δ − 1)[(p1 ) δ + (p2 ) δ ]δ−2
1 1
−δ[(p1 ) δ + (p2 ) δ ]2δ−2 },
gi (xi ) = αi xiγi −1 (γi + λi xi ) exp{λi xi − αi xγi i exp(λi xi )} e Gi (xi ) = 1 − exp{−αi xγi i exp(λi xi )}.
78
e
∂G(x1 , x2 ) 1 1 1 1 1 1
= − {[(p1 ) δ + (p2 ) δ ]δ−1 exp{−[(p1 ) δ + (p2 ) δ ]δ }(p2 ) δ γ2 +
∂x2 x2
1 1 1 1 1
[(p1 ) δ + (p2 ) δ ]δ−1 exp{−[(p1 ) δ + (p2 ) δ ]δ }(p2 ) δ q2
e
[1 − Ga1 (x1 )]b−1 Ga−2 (x1 , x2 )[A(x1 , x2 ) + B(x1 , x2 ) + C(x1 , x2 )]
f (x2 |x1 ) = .
[1 − Ga (x1 , x2 )]b−1 g1 (x1 )Ga−1
1 (x1 )
79
λτ (1 − p) x τ k−1 h x τ i h x τ iλ−1
f (x) = exp − γ1 k,
αΓ(k) α α α
n h x τ io−(λ+1)
× 1 − p 1 − γ1 k, , x > 0. (60)
α
Ainda, se X é uma variável aleatória positiva com função densidade dada pela equação
(60), então, X ∼ GGGE(α, τ, k, p, λ).
As funções de sobrevivência S(x) e de risco h(x) correspondentes são:
n h x τ i n h x τ io−1 oλ
S(x) = 1 − γ1 k, 1 − p 1 − γ1 k,
α α
e
τ k−1 h τ i h τ iλ−1 n h τ io−(λ+1)
λτ (1−p) x
αΓ(k) α
exp − αx γ1 k, αx 1 − p 1 − γ1 k, αx
h(x) = n h τ i n h τ io−1 oλ ,
1 − γ1 k, αx 1 − p 1 − γ1 k, αx
respectivamente.
A Figura 18 apresenta o gráfico da fdp da distribuição GGGE para diferentes
valores de parâmetros, em que se observa uma grande flexibilidade da mesma.
(a) (b)
0.6
0.6
α=1.9; τ=1.3; k=1.1; p=0.5; λ=0.5 α=2.2; τ=2; k=1.5; p=0.5; λ=0.2
α=2.2; τ=2; k=1.5; p=0.5; λ=1 α=2.2; τ=2; k=1.5; p=0.5; λ=0.8
α=5; τ=3; k=0.7; p=0.6; λ=2 α=2.2; τ=2; k=1.5; p=0.5; λ=2
α=2.4; τ=1.5; k=2.8; p=0.1; λ=3 α=2.2; τ=2; k=1.5; p=0.5; λ=4
0.5
0.5
α=6.5; τ=1.6; k=0.8; p=0.9; λ=4 α=2.2; τ=2; k=1.5; p=0.5; λ=8
0.4
0.4
f(x)
f(x)
0.3
0.3
0.2
0.2
0.1
0.1
0.0
0.0
0 2 4 6 8 0 2 4 6 8
x x
0.4
0.2
0.0
0 2 4 6 8
(a) (b)
6
α=1.3; τ=1.9; k=3; p=0.99; λ=0.99
α=1.3; τ=1.9; k=2; p=0.99; λ=0.99
2.0
5
α=1.6; τ=3; k=3; p=0.99; λ=0.99
1.5
4
f(x)
f(x)
3
1.0
2
0.5
1
α=2.2; τ=1.5; k=1.5; p=0.5; λ=0.2
α=2.4; τ=2; k=1.5; p=0.5; λ=0.25
α=2.2; τ=1.2; k=1.2; p=0.1; λ=0.2
α=2.2; τ=2.2; k=1.6; p=0.5; λ=0.25
0.0
0
0 2 4 6 8 0.0 0.5 1.0 1.5 2.0
x
(c) x
2.0
1.0
0.5
0.0
0 2 4 6 8
Figura 20 - Funções risco da distribuição GGGE. (a) Gráfico da função risco na forma de
banheira. (b) Gráfico da função risco na forma unimodal. (c) Gráfico da função
risco nas formas crescente e decrescente
∞
−ρ
X Γ(ρ + j)
(1 − z) = zj . (61)
j=0
Γ(ρ) j!
n h τ io−(λ+1)
Dessa forma, escrevendo a quantidade 1 − p 1 − γ1 k, αt na
forma de uma expansão dada em (61), a função densidade de probabilidade da distribuição
83
Distribuição τ α k p λ
Gama generalizada geométrica τ α k p 1
Gama geométrica 1 α k p 1
n
Qui-quadrado geométrica 1 2 2
p 1
Exponencial geométrica 1 α 1 p 1
Weibull geométrica τ α 1 p 1
Rayleigh geométrica 2 α 1 p 1
3
Maxwell geométrica 2 α 2
p 1
√ 1
Semi normal geométrica 2 2 2
p 1
que é válida para |z| < 1 e b > 0 um número real e não inteiro. Assim, a quantidade
h τ iλ−1
γ1 k, αx da equação (62) pode ser reescrita usando a expansão dada em (63). Logo,
∞
τ (1 − p) x τ k−1 h x τ i X (−1)l (λ + j)Γ(λ + j)
f (x) = exp − (64)
αΓ(k) α α l,j=0
Γ(λ − l)l!j!
n h x τ ioj+l
× pj 1 − γ1 k, .
α
n h τ ioj+l
Usando a expansão binomial na quantidade 1 − γ1 k, αx da ex-
pressão (64), a função densidade de probabilidade pode ser reescrita na forma
∞ X j+l
τ (1 − p) x τ k−1 h x τ i X (−1)l+m (λ + j)Γ(λ + j)
f (x) = exp − (65)
αΓ(k) α α l,j=0 m=0
l! j! Γ(λ − l)
l + j j h x τ im
× p γ1 k, .
m α
Portanto, utilizando o resultado em (112)(Apêndice A) na expressão (65), a
função densidade de probabilidade pode ser escrita como combinação linear da distribuição
84
GG, da forma:
l+j
∞ X
X
f (x) = wm,q gα,τ,k(m+1)+q (x), x > 0, (66)
l,j,q=0 m=0
4.2.1 Momentos
λτ (1 − p)αr−1 ∞ x τ k+r−1
Z h x τ i h x τ iλ−1
µ0r= exp − γ1 k,
Γ(k) 0 α α α
n h x τ io−(λ+1)
× 1 − p 1 − γ1 k, dx. (68)
α
τ
Assim, fazendo a mudança de variável w = αx em (68), tem-se
αr λ(1 − p) ∞ k+ r −1
Z
0
µr = w τ exp(−w) γ1 (k, w)λ−1 {1 − p [1 − γ1 (k, w)]}−(λ+1) dw. (69)
Γ(k) 0
85
A quantidade γ1 (k, w)λ−1 da equação (70) pode ser reescrita usando a ex-
pansão dada em (63) e, dessa forma
∞
αr (1 − p) X (−1)l (λ + j)Γ(λ + j)pj
µ0r =
Γ(k) l,j=0 Γ(λ − l)l!j!
Z ∞
r
× wk+ τ −1 exp(−w) [1 − γ1 (k, w)]j+l dw. (71)
0
j+l
Usando a expansão binomial no termo 1 − γ1 k, w a expressão (71)
pode ser reescrita como
∞ j+l
αr (1 − p) X X (−1)l+m (λ + j)Γ(λ + j)pj j + l
µ0r =
Γ(k) l,j=0 m=0 Γ(λ − l)l!j! m
Z ∞
r
× wk+ τ −1 exp(−w) γ1 (k, w)m dw.
0
em que
e
Z ∞
r r
I k, , m = wk+ τ −1 exp(−w) γ1 (k, w)m dw. (73)
τ 0
Z ∞ " ∞
#m
k X l
r r w (−w)
I k, , m = wk+ τ −1 exp(−w) dw. (74)
τ 0 Γ(k) l=0 (k + l)l!
86
(n)
FA (a; b1 , . . . , bn ; c1 , . . . , cn ; x1 , . . . , xn ) =
∞ ∞
X X (a)m1 +···+mn (b1 )m1 · · · (bn )mn xm 1 · · · xn
1 mn
··· ,
m =0 m =0
(c1 )m1 · · · (cn )mn m1 ! · · · mn !
1 n
(a) (b)
3.6
6
3.5
α=2.0; τ=2.0; k=1.5; p=0.8 α=2.5; τ=4.0; k=1.5; p=0.9
5
3.4
4
3.3
Assimetria
Curtose
3.2
3
3.1
2
3.0
2.9
1
0 5 10 15 20 25 30 2 4 6 8 10
λ λ
Note que o termo exp(αsu) pode ser expandido em série de Taylor. Assim,
utilizando essa expansão, a função (76) é escrita como
∞ ∞
τ X (αs)d
Z
Mα,τ,k (s) = uτ k+d−1 exp(−uτ )du. (77)
Γ(k) d=0 d! 0
Logo,
∞ l+j (αs)d
X X wm,q d
M (s) = Γ + k(m + 1) + q .
l,j,q,d=0 m=0
Γ[k(m + 1) + q] τ d!
88
em que F (µ01 ) é obtido por meio da expressão (59) e a função I(m1 ) é definida por:
Z m1
I(m1 ) = xf (x)dx.
0
89
l+j
∞ X
X
= wm,q J(α, τ, [k(m + 1) + q], m1 ). (84)
l,j,q=0 m=0
Por outro lado, a integral definida em (84) é escrita da forma que se segue,
considerando u = x/α,
Z m1 /α
τα
J(α, τ, [k(m + 1) + q], m1 ) = uτ [k(m+1)+q] exp(−uτ )du.
Γ([k(m + 1) + q]) 0
4.2.4 Confiabilidade
x τ
b
Ainda, considerando a expansão binomial no termo 1 − γ1 k, α
, a
expressão (86) é dada por
Z ∞ l+j
∞ X
X τ x τ [k(m+1)+q]−1 h x τ i
R = wm,q exp −
0 l,j,q=0 m=0
αΓ[k(m + 1) + q] α α
∞ X b
(−1)l1 Γ(λ + j) b
h i
X x τ λ+l1
× γ1 k, dx. (87)
b=0 l =0
Γ(λ)j! l1 α
1
h τ iλ+l1
Utilizando a expansão (112)(Apêndice A) no termo γ1 k, αx da ex-
pressão anterior tem-se
∞
h x τ iλ+l1 X (−1)c (λ + l1 )Γ(λ + l1 ) n h x τ i oc
γ1 k, = 1 − γ1 k,
α c=0
(λ + l1 + c)Γ(λ + l1 + c)c! α
∞ l+j b X
c
X X X τ (−1)l1 +c+r pb (λ + l1 )Γ(λ + j)Γ(λ + l1 ) wm,q
R =
l,j,q,b,c=0 m=0 l1 =0 r=0
α(λ + l1 + c)Γ(λ)Γ[k(m + 1) + q]Γ(λ + l1 + c)j!c!
Z ∞ τ [k(m+1)+q]−1 h x τ i h x τ i r
x
× exp − γ1 k, dx. (88)
0 α α α
91
τ
x
Dessa forma, subtituindo w = α
em (88) tem-se
∞ j+l b c
X X XX
R= v(α, τ, k, p, λ)wm,q I[k(m + 1), q, r],
l,j,q,b,c=0 m=0 l1 =0 r=0
em que
τ (−1)l1 +c+r pb (λ + l1 )Γ(λ + j)Γ(λ + l1 )
v(α, τ, k, p, λ) = ,
α(λ + l1 + c)Γ(λ)Γ[k(m + 1) + q]Γ(λ + l1 + c)j!c!
e
Z ∞
I[k(m + 1), q, r] = wk(m+1)+q−1 exp(−w)γ1 (k, w)r dw.
0
Assim,
n−i
1 X n−i
fi:n (x) = f (x) (−1)j1 F (x)i+j1 −1 .
B(i, n − i + 1) j =0
j1
1
i+j1 −1 l1
h i
i+j1 −1
X X i + j1 − 1 l1 l1 +s x τ λs
F (x) = (−1) γ1 k,
l1 =0 s=0
l1 s α
n h x τ io−λs
× 1 − p 1 − γ1 k, . (92)
α
n h τ io−λs
Aplicando a expansão (61) na quantidade 1 − p 1 − γ1 k, αx da
equação (92), tem-se
i+j1 −1 l1 ∞
pa (−1)l1 +s Γ(λs + a) i + j1 − 1 l1
h i
i+j1 −1
X XX x τ λs
F (x) = γ1 k,
l1 =0 s=0 a=0
Γ(λs)a! l1 s α
n h x τ ioa
× 1 − γ1 k, . (93)
α
n h τ ioa
Expandindo o termo 1 − γ1 k, αx da expressão (93), obtém-se
i+j1 −1 l1 ∞ X
a
pa (−1)l1 +s+b Γ(λs + a) i + j1 − 1 l1
i+j1 −1
X XX a
F (x) =
l1 =0 s=0 a=0 b=0
Γ(λs)a! l1 s b
h x τ ib+λs
×γ1 k, .
α
em que
∞
X
c+r λs + b c
sr (λ) = (−1) .
c=r
c r
Logo,
i+j1 −1 l1 ∞
i+j1 −1
X XX
l1 +s i + j1 − 1 l1 h x τ ir
F (x) = (−1) ωr (p, λ, b, s, a)γ1 k, ,
l1 =0 s=0 r=0
l1 s α
93
em que
l1 Xa
pa (−1)b Γ(λs + a)sr (λ) a
X
ωr (p, λ, b, s, a) = .
a=0 b=0
Γ(λs)a! b
Para r = 0, 1, . . ., tem-se
i+j1 −1 ∞
i+j1 −1
X X
l1 i + j1 − 1 h x τ i r
F (x) = (−1) νr (p, λ, l1 , b, s, a) γ1 k, ,
l1 =0 r=0
l1 α
em que as quantidades wm,q e ρr,i+j−1 (λ) são definidas em (67) e (94), cr,v é calculado
recursivamente por (111)(Apêndice A). Dessa forma, o s-ésimo momento de Xi:n é obtido
94
r 1X kX X uk log(ui ) exp(−ui )
i
Uτ (θ) = − ui log(ui ) + log(ui ) + (λ − 1)
τ τ i∈F τ i∈F i∈F
τ Γ(k)γ1 (k, ui )
X pgi uk log(ui ) exp(−ui ) X (−λ)γ1 (k, ui )λ−1
i
−(λ + 1) +
i∈F
τ Γ(k) i∈F
1 − [γ1 (k, ui )gi ]λ
h uk g log(u ) exp(−u ) i
i i i i
× (1 − pgi ) ,
τ Γ(k)
95
X X wi
Uk (θ) = −rψ(k) + log(ui ) + (λ − 1) −ψ(k) +
i∈F i∈F
γ1 (k, ui )
X
+p(λ + 1) gi [−ψ(k)γ1 (k, ui ) + wi ]
i∈F
X [gi γ1 (k, ui )]λ−1
−λ {gi [−ψ(k)γ1 (k, ui ) + wi ][1 + pgi γ1 (k, ui )]},
i∈C
1 − [gi γ1 (k, ui )]λ
∞
X (−1)n
[γ̇(k, ui )]k = J(ui , k + n − 1, 1),
n=0
n!
em que α
b, τb, b
k, pb e λ
b são os estimadores de máxima verossimilhança sob H1 e α
e, τe, e
k e pe
são os estimadores sob H0 .
h X xi τ i
r
π(τ |x, α, k, p, λ) ∝ (τ ) exp −
i∈F
α
Y h xi τ iλ−1 n h x τ io−(λ+1)
τk i
× xi γ1 k, 1 − p 1 − γ1 k,
i∈F
α α
Y n h xi τ
i n h xi τ io−1 oλ
× 1 − γ1 k, 1 − p 1 − γ1 k, × π(τ ),
i∈C
α α
h 1 ir
π(k|x, α, τ, p, λ) ∝
ατ k Γ(k)
Y h x τ iλ−1 n h x τ io−(λ+1)
i i
× xτi k γ1 k, 1 − p 1 − γ1 k,
i∈F
α α
Y n h x τ i n h x τ io−1 oλ
i i
× 1 − γ1 k, 1 − p 1 − γ1 k, × π(k),
i∈C
α α
Y n h x τ io−(λ+1)
i
π(p|x, α, τ, k, λ) ∝ (1 − p)r 1 − p 1 − γ1 k,
i∈F
α
Y n h x τ i n h x τ io−1 oλ
i i
× 1 − γ1 k, 1 − p 1 − γ1 k, × π(p)
i∈C
α α
e
Y h x τ i λ n h x τ io−λ
i i
π(λ|x, α, τ, k, p) ∝ (λ)r γ1 k, 1 − p 1 − γ1 k,
i∈F
α α
Y n h x τ i n h x τ io−1 oλ
i i
× 1 − γ1 k, 1 − p 1 − γ1 k, × π(λ).
i∈C
α α
98
Seja X uma variável aleatória com distribuição GGGE, com função den-
sidade de probabilidade representada pela equação (60). Considere a transformação
√
Y = log(X) e as reparametrizações k = q −2 , τ = (σ k)−1 e α = exp µ − log(k)(τ )−1 .
0.4
q=2; p=0.4; λ=2
q=2; p=0.8; λ=1.5 q=5; p=0.2; λ=2 q=3; p=0.9; λ=4
q=2; p=0.8; λ=2 q=5; p=0.2; λ=3
0.3
0.3
q=4; p=0.9; λ=6
q=2; p=0.8; λ=3 q=5; p=0.2; λ=4 q=5; p=0.95; λ=8
q=2; p=0.8; λ=4
0.3
0.2
0.2
f(y)
f(y)
f(y)
0.2
0.1
0.1
0.1
0.0
0.0
0.0
−10 −5 0 −10 −5 0 −10 −5 0
y y y
Figura 22 - Gráfico da função densidade da distribuição LGGGE: (a) Para alguns valores de
λ. (b) Para alguns valores de λ. (c) Para alguns valores de p, q e λ
4.5.1 Momentos
−(λ+1)
Por outro lado, escrevendo o termo {1 − p [1 − γ1 (q −2 , x)]} , na forma
da expansão definida em (61), obtém-se:
Z ∞
0 λ(1 − p) n σ or −2
q −1 −2
λ−1
µr = [log(x) + 2 log(q)] + µ x exp (−x) γ1 q , x
0 Γ (q −2 ) q
∞
X (λ + i)Γ(λ + i)pi i
× 1 − γ1 q −2 , x dx. (100)
i=0
λΓ(λ)i!
i
Escrevendo o termo [1 − γ1 (q −2 , x)] , na forma da expansão binomial, a
equação (100), pode ser escrita como
Z ∞
0 λ(1 − p) n σ or −2
µr = −2
[log(x) + 2 log(q)] + µ xq −1 exp (−x)
0 Γ (q ) q
∞ i
(−1)l (λ + i)Γ(λ + i)pi i
XX λ+l−1
× γ1 q −2 , x dx.
i=0 l=0
λΓ(λ)i! l
∂Γ(w)
em que Γ̇(w) = ∂w
.
(a) (b)
20
14
q=0.45; p=0.2
q=10; p=0.05
q=0.30; p=0.8
12
q=5; p=0.5
15
10
Assimetria
Curtose
10
8
6
5
q=0.45; p=0.2
q=0.15; p=0.3
4
q=0.40; p=0.9
q=0.10; p=0.9
2
0
0 10 20 30 40 50 60 2 4 6 8 10 12
λ λ
y−xT β
em que z = σ
.
O modelo LGGGE contém como casos particulares os seguintes modelos de
regressão: para λ = 1, obtém-se o modelo de regressão log-gama generalizada geométrica
(LGGG); para q = 1, tem-se o modelo de regressão log-Weibull geométrica exponenciada
(LWGE) e o caso, em que λ = q = 1, leva ao modelo de regressão log-Weibull geométrica
(LWG).
da função de verossimilhança (104). Se ẑi = (yi − xTi β̂)/σ̂, o ajuste do modelo LGGGE é
obtido por meio da função de sobrevivência estimada para yi
θ
b são as estimativas sob as hipóteses nula e alternativa, respectivamente. A estatı́stica
bai i υ ai −1 exp(−υbi )
f (υ; ai , bi ) = ,
Γ(ai )
a
em que υ > 0, ai > 0 e bi > 0, Be(a, b) denota a distribuição beta com média a+b
,
ab
variância (a+b)2 (a+b+1)
e função densidade de probabilidade dada por:
1
f (υ; a, b) = υ a−1 (1 − υ)b−1 ,
Be(a, b)
104
em que υ ∈ (0, 1), a > 0 e b > 0. E N (µs , σs2 ) denota a distribuição normal com média
µs , variância σs2 e função densidade de probabilidade dada por:
1 h (x − µ )2 i
s
f (x; µs , σs ) = p exp − 2
,
2
2πσs 2σs
i∈F
σ
Y n h (y − xT β) ioλ−1
i
× γ1 q −2 , q −2 exp q i
i∈F
σ
Yn h n h (y − xT β) ioio−(λ+1)
i
× 1 − p 1 − γ1 q −2 , q −2 exp q i
i∈F
σ
Y n n h (y − xT β) io
i
× 1 − γ1 q −2 , q −2 exp q i
i∈C
σ
n h n h (y − xT β) ioio−1 oλ
−2 −2 i i
× 1 − p 1 − γ1 q , q exp q
σ
×π(q, p, λ, σ, β). (105)
q, p, λ, σ e β:
i∈F
σ
Y n h (y − xT β) ioλ−1
−2 −2 i i
× γ1 q , q exp q
i∈F
σ
Yn h n h (y − xT β) ioio−(λ+1)
i
× 1 − p 1 − γ1 q −2 , q −2 exp q i
i∈F
σ
Y n n h (y − xT β) io
−2 −2 i i
× 1 − γ1 q , q exp q
i∈C
σ
n h n h (y − xT β) ioio−1 oλ
i
× 1 − p 1 − γ1 q −2 , q −2 exp q i
× π(q),
σ
Yn h n h (y − xT β) ioio−(λ+1)
i
π(p|y, q, λ, σ, β) ∝ (1 − p)υ 1 − p 1 − γ1 q −2 , q −2 exp q i
i∈F
σ
Y n n h (y − xT β) io
i
× 1 − γ1 q −2 , q −2 exp q i
i∈C
σ
n h n h (y − xT β) ioio−1 oλ
−2 −2 i i
× 1 − p 1 − γ1 q , q exp q × π(p),
σ
Y n h (y − xT β) ioλ
υ −2 −2 i i
π(λ|y, q, p, σ, β) ∝ (λ) γ1 q , q exp q
i∈F
σ
Yn h n h (y − xT β) ioio−λ)
i
× 1 − p 1 − γ1 q −2 , q −2 exp q i
i∈F
σ
Y n n h (y − xT β) io
−2 −2 i i
× 1 − γ1 q , q exp q
i∈C
σ
n h n h (y − xT β) ioio−1 oλ
i
× 1 − p 1 − γ1 q −2 , q −2 exp q i
× π(λ),
σ
106
1 υ h X (yi − xT β) i
π(σ|y, q, p, λ, β) ∝ exp q −1 i
σ i∈F
σ
X n h (y − xT β) io
−2 i i
× exp − q exp q
i∈F
σ
Y n h (y − xT β) ioλ−1
i
× γ1 q −2 , q −2 exp q i
i∈F
σ
Yn h n h (y − xT β) ioio−(λ+1)
−2 −2 i i
× 1 − p 1 − γ1 q , q exp q
i∈F
σ
Y n n h (y − xT β) io
i
× 1 − γ1 q −2 , q −2 exp q i
i∈C
σ
n h n h (y − xT β) ioio−1 oλ
i
× 1 − p 1 − γ1 q −2 , q −2 exp q i
× π(σ)
σ
e
h X (yi − xT β) i X n h (y − xT β) io
i
π(β|y, q, p, λ, σ) ∝ exp q −1 i
exp − q −2 exp q i
i∈F
σ i∈F
σ
Y n h (y − xT β) ioλ−1
i
× γ1 q −2 , q −2 exp q i
i∈F
σ
Yn h n h (y − xT β) ioio−(λ+1)
i
× 1 − p 1 − γ1 q −2 , q −2 exp q i
i∈F
σ
Y n n h (y − xT β) io
i
× 1 − γ1 q −2 , q −2 exp q i
i∈C
σ
n h n h (y − xT β) ioio−1 oλ
−2 −2 i i
× 1 − p 1 − γ1 q , q exp q × π(β).
σ
4.6 Aplicação
1.0
0.8
0.6
G(r/n)
0.4
0.2
0.0
r/n
Tabela 5 - EMVs dos parâmetros dos modelos GGGE, GGG e WG para os dados de tempo de
permanência no Japão, correspondentes erros-padrão (entre parênteses) e valores
das estatı́sticas AIC, BIC e CAIC
1.0
Kaplan−Meier
GGGE
GGG
WG
0.8
0.6
S(x)
0.4
0.2
0.0
0 5 10 15 20
Figura 25 - Função de sobrevivência estimadas para os ajustes das distribuições GGGE, GGG
e WG com sobrevivência empı́rica para os dados de tempo de permanência no
Japão
Tabela 7 - Sumário a posteriori dos parâmetros do modelo GGGE para os dados de tempo
de permanência no Japão
Densidade
4
200
2
0
14.6 14.7 14.8 14.9 15.0 5.298 5.300 5.302 5.304 5.306
α τ
8
Densidade
Densidade
6
30
4
10
2
0
k p
400
Densidade
200
0
nada
113
5 CONSIDERAÇÕES FINAIS
5.1 Conclusões
nada
115
REFERÊNCIAS
AARSET, M.V. How to identify bathtub hazard rate. Transactions on Reliability, New
York, v.36, p.106-108, 1987.
ADAMIDIS, K.; LOUKAS, S. A life time distribution with decreasing failure rate. Statistics
and Probability Letters, Amsterdam, v.39, p.35-42, 1998.
ALI, M.M.; WOO, J.; NADARAJAH, S. Generalized gamma variables with drought
application. Journal of the Korean Statistical Society, Seul, v.37, p.37-45, 2008.
BALAKRISHNAN, N.; LENG, M.Y. Order statistics from the type I generalized logistic
distribution. Communications in Statistics - Simulation and Computation, London,
v.17, n.1, p.25-50, 1988.
CANCHO, V.; BOLFARINE, H.; ACHCAR, J.A. A Bayesian analysis for the exponentiated
Weibull distribution. Journal of Applied Statistical Science, New York, v.8, n.4,
p.227-242, 1999.
116
COLOSIMO, E.A.; GIOLO, S.R. Análise de Sobrevivência Aplicada. São Paulo: Edgard
Blucher, 2006. 370p.
CORDEIRO, G.M.; ORTEGA, E.M.M.; SILVA, G.O. The Kumaraswamy modified Weibull
distribution: theory and applications. Journal of Statistical Computation and
Simulation, London, p.1-25, 2013.
COX, D.R.; OAKES, D. Analysis of Survival Data. New York. Chapman and Hall, 1984.
EUGENE, N.; LEE, C.; FAMOYE, F. Beta-Normal distribution and its applications.
Communications in Statistics - Theory and Methods, New York, v.31, p.497-512, 2002.
GELMAN, A.; RUBIN, D.B. Inference from iterative simulation using multiple sequences.
Statistical Science, Hayward, v.7, p.457-472, 1992.
GEORGE, E.O.; OJO, M.O. On a generalization of the logistic distribution. The Annals of
Mathematical Statistics, Hayward, v.32, n.2, p.161-169, 1980.
GRADSHTEYN, I.S.; RYZHIK, I.M. Table of Integrals, Series and Products. 7th ed.
London: Academic Press, 2007. 345p.
GUPTA, R.C.; GUPTA, P.L.; GUPTA, R.D. Modeling failure time data by Lehman
alternatives. Communications in Statistics - Theory an Methods, New York, v.27,
p.887-904, 1998.
HASTINGS, W.K. Monte carlo sampling methods using Markov chains and theirs
applications. Biometrika, London, v.57, n.1, p.97-109, 1970.
KALBFLEISH, J.D.; PRENTICE, R.L. The Statistical Analysis of Failure Time Data.
John Wiley: New York, 2002.
KENNEY, J.F.; KEEPING, E. S. Mathematics of Statistics. 3rd ed. Princeton, NJ: Van
Nostrand, 1962. 182p
LAI, C.D.; XIE, M.; MURTHY, D.N.P. A modified Weibull distribution Transactions on
Reliability. London, v.52, p.33-37, 2003.
LAWLESS, J.F. Statistical Models and Methods for Lifetime Data. New York: Wiley,
1982. 630p.
LAWLESS, J.F. Statistical Models and Methods for Lifetime Data. 2nd ed. New York:
Wiley, 2003. 630p.
LIANG, H.; ZOU, G. Improved AIC selection strategy for survival analysis. Computational
Statistics and Data Analysis, New York, v.52, p.2538-2548, 2007.
LINHART, H.; ZUCCHINI, W. Model Selection. New York: Wiley, 1986. 300p.
118
MALHOTRA, J.; SHARMA, A.K.; KALER, R.S. On the performance analysis of wireless
receiver using generalized-gamma fading model. Annals of Telecommunications, Paris,
v.64, p.147-153, 2009.
MOORS, J.J.A. A quantile alternative for kurtosis. Journal of the Royal Statistical
Society Ser. D., The Statistician, London, v.37, p.25-32, 1998.
NADARAJAH, S.; CORDEIRO, G.M.; ORTEGA, E.M.M. General results for the
beta-modified Weibull distribution. Journal of Statistical Computation and Simulation,
v. 1, p.1-22, 2011.
OJO, M.O.; OLAPADE, A.K. On the generalized logistic and log-logistic distributions.
Kragujevac Journal Mathematics, Ile-Ife, v.25, p.65-73, 2003.
119
ORTEGA, E.M.M.; CORDEIRO, G.M.; PASCOA, M.A.R. The generalized gamma geometric
distribution. Journal of Statistical Theory and Applications, New York, v. 10, p.
433-454, 2011.
PRENTICE, R.L. A log-gamma model and its maximum likelihood estimation. Biometrica,
London, v.61, p.539-544, 1974.
PRUDNIKOV, A.P.; BRYCHKOV, Y.A.; MARICHEV, O.I. Integrals and Series. New
York: Gordon and Breach Science Publishers, 1986. p.527.
R CORE TEAM. R: a language and environment for statistical computing. Vienna, Austria:
R Foundation for Statistical Computing, 2011. Disponı́vel em: <http://www.R-project.org>.
Acesso em: 24 jun. 2011.
RAO, G.S.; GHITANY, M.E.; KANTAM, R.R.L. Reliability test plans for Marshall-Olkim
extended exponential distribution. Applied Mathematical Sciences, New York, v.3, n.55,
p.2745-2755, 2009.
SILVA, G.O.; ORTEGA, E.M.M.; CORDEIRO, G.M. The beta modified Weibull distribution.
Lifetime Data Analysis, New York, v.16, p.409-430, 2010.
SILVA, G.O.; ORTEGA, E.M.M.; GARIBAY, V.C.; BARRETO, M.L. Log-Burr XII regression
models with censored data. Computational Statistics and Data Analysis, New York,
v.52, p.3820-3842, 2008.
120
THOMAS, A.; JOSE, K.K. Bivariate semi-Pareto minification processes. Metrika, London,
v.59, p.305-313, 2004.
TROTT, M. The Mathematica Guidebook for Symbolics. New York: Springer, 2006. 1
DVD-ROM (Windows, Macintosh and UNIX).
ZHANG, T.; XIE, M. Failure data analysis with extended Weibull distribution.
Communications in Statistical - Simulation and Computation, London, v.36, n.3,
p.579-592, 2007.
WANG, F.K. A new model with bathtub-shaped failure rate using an additive Burr XII
distribution. Reliability Engineering and System Safety, v.70, p.305-312, 2000.
WRIGHT, E.M. The asymptotic expansion of the generalized Bessel function. Proccedings
of the London Mathematical Society, London, v.38, p.257-270, 1935.
APÊNDICES
122
123
APÊNDICE A
τ λ−1
Uma expansão para γ1 k, αt
para todo λ > 0, um número real e não-
inteiro, pode ser escrita como:
τ λ−1 τ λ−1 X ∞ τ j
t t λ−1 j t
γ1 k, = 1 − 1 − γ1 k, = (−1) 1 − γ1 k, ,
α α j α
j=0
t τ
que sempre converge para 0 < γ1 k, α < 1. Por isso,
τ λ−1 X j
∞ X τ m
t j+m λ − 1 j t
γ1 k, = (−1) γ1 k, . (106)
α j m α
j=0 m=0
P∞ Pj P∞ P∞
Substituindo j=0 m=0 por m=0 j=m obtém-se:
τ λ−1 X∞ X
∞ τ m
t λ−1 j t
γ1 k, = (−1)j+m γ1 k, .
α j m α
m=0 j=m
Então,
τ λ−1 X∞ τ m
t t
γ1 k, = sm (λ)γ1 k, , (107)
α α
m=0
em que,
∞
X
j+m λ−1 j
sm (λ) = (−1) . (108)
j m
j=m
Usando agora uma expansão em série para a relação da função gama incompleta
dada por:
τ ∞ τ q
τ k X
t 1 t t 1
γ1 k, = − . (109)
α Γ(k) α α (k + q)q!
q=0
em que cm,0 = am q −1
0 e aq = (−1) [(k + q)q!] . O coeficiente cm,q pode ser calculado a partir de
cq,0 , . . . , cq,d−1 , também pode ser escrito explicitamente em função das quantidades a0 , . . . , aq
usando software algébricos como Maple e Mathematica. Aqui, cm,0 = k −m , cm,1 = −m[(k +
1)k m−1 ]−1 , cm,2 = m[2(k + 2)k m−1 ]−1 + m(m − 1)[2(k + 1)2 k m−2 ]−1 , etc. Além disso, usando a
equação (110), tem-se:
τ m ∞ τ (km+q)
t 1 X t
γ1 k, = m
cm,q , (112)
α Γ(k) α
q=0
APÊNDICE B
n
X (1 − ti )a log(1 − ti )
Jab (θ) = − ,
1 − (1 − ti )a
i=1
n n
X xγ exp(λxi )ti
i
X
i (1 − ti )a−1 xγ exp(λxi )ti
Jaα (θ) = − (b − 1) −
1 − ti 1 − (1 − ti )a
i=1 i=1
n
(1 − ti )a−1 xγi log(1 − ti ) exp(λxi )ti
X 1 − ti
α(b − 1) 1+ ,
1 − (1 − ti )a 1 − (1 − ti )a
i=1
n n
X xγ log(xi ) exp(λxi )ti
i i
X (1 − ti )a−1 xγ log(xi ) exp(λxi )ti
Jaγ (θ) = α − α(b − 1) −
1 − ti 1 − (1 − ti )a
i=1 i=1
n a−1 γ
X (1 − ti ) xi log(1 − ti ) log(xi ) exp(λxi )ti 1 − ti
aα(b − 1) 1 + ,
1 − (1 − ti )a 1 − (1 − ti )a
i=1
n n
X xi exp(λxi )ti i
X (1 − ti )a−1 xγ+1 exp(λxi )ti
Jaλ (θ) = α − α(b − 1) −
1 − ti 1 − (1 − ti )a
i=1 i=1
n
(1 − ti )a−1 log(1 − ti )xγ+1
X
i exp(λxi )ti 1 − ti
aα(b − 1) 1+ ,
1 − (1 − ti )a 1 − (1 − ti )a
i=1
n
Jbb (θ) = − ,
b2
n
X (1 − ti )a−1 xγ exp(λxi )ti i
Jbα (θ) = −a ,
1 − (1 − ti )a
i=1
n
X (1 − ti )a−1 log(xi )xγ exp(λxi )ti i
Jbγ (θ) = −aα ,
1 − (1 − ti )a
i=1
n
X (1 − ti )a−1 xγ+1 exp(λxi )ti
i
Jbλ (θ) = −aα ,
1 − (1 − ti )a
i=1
n n
X x2γ exp(2λxi )ti
i
X (1 − ti )a−2 x2γ exp(2λxi )ti
i
Jαα (θ) = −(a − 1) + a(b − 1) −
(1 − ti )2 1 − (1 − ti )a
i=1 i=1
n
(1 − ti )a−2 x2γ 2
(1 − ti )a
i exp(2λxi )ti
X
a2 (b − 1) 1 + ,
1 − (1 − ti )a 1 − (1 − ti )a
i=1
125
n n
xγ log(xi ) exp(λxi )ti
xγi log(xi ) exp(λxi ) + (a − 1)
X X
i
Jαγ (θ) = − −
1 − ti
i=1 i=1
n
X x2γ exp(2λxi ) log(xi )ti
i
α(a − 1) −
(1 − ti )2
i=1
n
(1 − ti )a−2 x2γ 2
(1 − ti )2
i exp(2λxi ) log(xi )ti
X
2
a α(b − 1) 1+ +
1 − (1 − ti )a 1 − (1 − ti )a
i=1
n
X (1 − ti )a−2 x2γ
i exp(2λxi ) log(xi )ti
aα(b − 1) −
1 − (1 − ti )a
i=1
n
X (1 − ti )a−1 xγ exp(2λxi ) log(xi )ti
i
a(b − 1) ,
1 − (1 − ti )a
i=1
n
xγ+1 exp(λxi )ti x2γ+1 exp(2λxi )ti
xγ+1
X
i
Jαλ (θ) = − i exp(λxi ) + (a − 1) + α(a − 1) i −
1 − ti (1 − ti )2
i=1
n
(1 − ti )a−2 x2γ+1 exp(2λxi )t2i
2
X
i (1 − ti )
a α(b − 1) 1+ +
1 − (1 − ti )a 1 − (1 − ti )a
i=1
n n
X (1 − ti )a−2 x2γ+1
i exp(2λxi )ti X (1 − ti )a−1 xγ+1 exp(λxi )ti
i
aα(b − 1) − a(b − 1) ,
1 − (1 − ti )a 1 − (1 − ti )a
i=1 i=1
n n
X 1 X γ
Jγγ (θ) = −(b − 1) − α xi log2 (xi ) exp(λxi ) +
(γ + λxi )2
i=1 i=1
n n
X xγ log2 (xi ) exp(λxi )ti
i 2
X x2γ log2 (xi ) exp(2λxi )ti
i
α(a − 1) − α (a − 1) −
1 − ti (1 − ti )2
i=1 i=1
n 2γ 2
ti ) xi exp(2λxi ) log (xi )t2i
a−2
2 2
X (1 − 1 − ti
a α (b − 1) 1+ +
1 − (1 − ti )a 1 − (1 − ti )a
i=1
n
X (1 − ti )a−2 x2γ 2
i exp(2λxi ) log (xi )ti
aα2 (b − 1) −
1 − (1 − ti )a
i=1
n
X (1 − ti )a−1 xγ exp(λxi ) log2 (xi )ti
i
aα(b − 1) ,
1 − (1 − ti )a
i=1
n n
X xi X γ+1
Jγλ (θ) = − 2
−α xi log(xi ) exp(λxi ) +
(γ + λxi )
i=1 i=1
n γ+1 n
X xi log(xi ) exp(λxi )ti X x2γ+1 log(xi ) exp(2λxi )ti
α(a − 1) − α2 (a − 1) i
−
1 − ti (1 − ti )2
i=1 i=1
n a−2 2γ+1
exp(2λxi ) log(xi )t2i
2 2
X (1 − ti ) xi 1 − ti
a α (b − 1) 1+ +
1 − (1 − ti )a 1 − (1 − ti )a
i=1
n
X (1 − ti )a−2 x2γ+1 exp(2λxi ) log(xi )ti
aα2 (b − 1) i
−
1 − (1 − ti )a
i=1
n
X (1 − ti )a−1 x2γ+1 exp(λxi ) log(xi )ti
i
aα(b − 1) ,
1 − (1 − ti )a
i=1
126
n n
X x2i X γ+2
Jλλ (θ) = − − α xi exp(λxi ) +
(γ + λxi )2
i=1 i=1
n n
X xγ+2 exp(λxi )ti
i 2
X x2γ+2 exp(2λxi )ti
i
α(a − 1) − α (a − 1) −
1 − ti (1 − ti )2
i=1 i=1
n a−2 2γ+2
exp(2λxi )t2i
2 2
X (1 − t i ) xi 1 − ti
a α (b − 1) 1+ +
1 − (1 − ti )a 1 − (1 − ti )a
i=1
n
2
X (1 − ti )a−2 x2γ+2
i exp(2λxi )ti
aα (b − 1) −
1 − (1 − ti )a
i=1
n
X (1 − ti )a−1 xγ+2 exp(λxi )ti
i
aα(b − 1) ,
1 − (1 − ti )a
i=1
n τ (1 − τ ) X τ (λ − 1) X uki exp(−ui )
Jαα (θ) = (τ k − 2) − ui −
α2 α αΓ(k) γ1 (k, ui )
i∈F i∈F
h (1 − τ k) τ ui uλ−1 exp(−ui ) i
× + 1+ i
α α Γ(k)γ1 (k, ui )
τ p(λ − 1) X k n τ k o
+ u g
i i exp(−u i ) − u exp(−ui ) + [−1 + τ (−k + ui )] ,
α2 Γ(k) Γ(k) i
i∈F
nk 1X (λ − 1) X uki exp(−ui )
Jατ (θ) = − + ui [1 + log(ui )] +
τ α αΓ(k) γ1 (k, ui )
i∈F i∈F
h 1 k i p(λ − 1) X
× −1 − τ k log(1/α) + ui log(ui ) + ui log(ui ) exp(−ui ) − uki exp(−ui )
Γ(k) αΓ(k)
i∈F
n p k o
× gi [−1 − τ k log(1/α) + ui log(ui )] − u log(ui ) exp(−ui ) ,
Γ(k) i
nτ τ (λ − 1) X k n Ψ(k) + log(u )
i 1 o
Jαk (θ) = − − ui exp(−ui ) − − Ψ(k)γ1 (k, ui ) + [γ̇(k, ui )]k
α αΓ(k) γ1 (k, ui ) Γ(k)
i∈F
τ p(λ − 1) X k n h 1 io
+ ui gi exp(−ui ) −Ψ(k) + log(ui ) + p −Ψ(k)γ1 (k, ui ) + [γ̇(k, ui )]k ,
αΓ(k) Γ(k)
i∈F
τ (λ − 1) X k
Jαp (θ) = ui exp(−ui ){gi + pqi },
αΓ(k)
i∈F
n n
n 1X 2 2p X k h puki i
Jτ τ (θ) = − 2 − ui [log(ui )] − ui [log(ui )]2 exp(−ui )gi k − ui − exp(ui )gi ,
τ τ τ Γ(k) Γ(k)
i=1 i=1
n n
1X 2p X k
Jτ k (θ) = log(ui ) − ui log(ui )gi {−ψ(k) + log(ui ) − pgi [−ψ(k)γ1 (k, ui ) + ωi ]},
τ τ Γ(k)
i=1 i=1
(λ + 1) X
Jτ p (θ) = − (gi + pqi )uki log(ui ) exp(−ui ),
τ Γ(k)
i∈F
n
nX
Jkk (θ) = −nψ 0 (k) + 2p gi (ψ 0 (k)γ1 (k, ui ) + ψ(k)gi {[−ψ(k)γ1 (k, ui ) + ωi ][1 + pqi
i=1
n
X gi
−pγ1 (k, ui )]}) − −ψ(k)[γ̇(k, ui )]k + gi {[γ̈(k, ui )]kk (1 + pqi ) − pΓ(k)ωi
Γ(k)
i=1
o
[−ψ(k)γ1 (k, ui ) + ωi ]} ,
X
Jkp (θ) = (λ + 1) (gi + pqi )[−Ψ(k)γ1 (k, ui ) + ωi ],
i∈F
128
n
Jλλ (θ) = − ,
λ2
X
Jλp (θ) = − gi qi ,
i∈F
X ωi X
Jλk (θ) = −Ψ(k) + −p gi [−Ψ(k)γ1 (k, ui ) + ωi ],
γ1 (k, ui )
i∈F i∈F
τ X uki exp(−ui ) τp X
Jλα (θ) = − − gi uki exp(−ui ),
αΓ(k) γ1 (k, ui ) αΓ(k)
i∈F i∈F
em que
∞ ∞
X (−1)n X (−1)n
[γ̇(k, ui )]k = J(ui , k + n − 1, 1), [γ̈(k, ui )]kk = J(ui , k + n − 1, 2),
n! n!
n=0 n=0
ψ 0 (.) é a derivada da função digama, ui , gi , ωi e qi seção 4.3. A função J(., ., .) pode ser calculada
a partir da integral dada por Prudnikov et al. (1986, vol 1, seção 2.6.3, integral 1)
Z a
ap+1
J(a, p, 1) = xp log(x)dx = [(p + 1) log(a) − 1].
0 (p + 1)2
e
a
ap+1
Z
J(a, p, 2) = xp log2 (x)dx = {2 − (p + 1) log(a)[2 − (p + 1) log(a)]}.
0 (p + 1)3
129
APÊNDICE D
data lista1;
input t censur;
cards;
0.1 1
0.2 1
1 1
1 1
1 1
1 1
1 1
2 1
3 1
6 1
7 1
11 1
12 1
18 1
18 1
18 1
18 1
18 1
21 1
32 1
36 1
40 1
45 1
46 1
47 1
50 1
55 1
60 1
63 1
63 1
67 1
67 1
67 1
67 1
72 1
75 1
79 1
82 1
82 1
83 1
84 1
84 1
84 1
85 1
85 1
85 1
130
85 1
85 1
86 1
86 1
;
ods html;
/*Ajuste da distribuiç~
ao Exponencial*/
/*Ajuste da distribuiç~
ao Weibull*/
/*Ajuste da distribuiç~
ao Weibull modificada*/
proc nlmixed cov data=lista1;
parms alpha=0.02703 gamma=0.949 lambda=0.0005;
bounds alpha>0;
bounds gamma>0;
bounds lambda>0;
logp=censur*(log(alpha)+log(gamma+lambda*t)+(gamma-1)*log(t)
131
+lambda*t-(alpha*(t**gamma))*exp(lambda*t));
model t ~ general(logp);
run;
/*Ajuste da distribuiç~
ao Kumaraswamy Weibull*/
/*Ajuste da distribuiç~
ao Kumaraswamy Weibull modificada*/
/*Ajuste da distribuiç~
ao BIRNBAUM-SAUNDERS*/
15 0
8 1
19 1
16 1
3 1
20 1
4 1
10 1
18 1
5 1
10 1
9 1
13 1
22 1
20 1
18 1
10 1
12 1
10 1
5 1
3 1
8 1
21 1
6 1
16 1
13 1
18 1
9 1
13 1
6 1
16 1
21 1
6 1
13 1
5 1
14 1
6 1
20 1
19 1
6 1
5 1
6 1
7 1
14 1
18 1
10 1
22 1
1 1
10 1
21 1
14 1
134
19 1
17 1
14 1
13 1
16 1
13 1
18 1
18 1
20 1
13 1
3 1
1 1
19 1
18 1
7 1
14 1
17 1
19 1
20 1
12 1
2 1
20 1
9 1
4 1
18 1
14 1
12 1
14 1
12 1
12 1
7 1
17 1
3 1
11 1
3 1
17 1
5 1
18 1
5 1
16 1
13 1
19 1
3 1
14 1
20 1
22 1
20 1
19 1
5 1
5 1
19 1
135
15 1
4 1
;
proc print data=dados2;
run;
/** DISTRIBUIÇ~
AO GAMA GENERALIZADA GEOMETRICA EXPONENCIADA**/
/** DISTRIBUIÇ~
AO GENERALIZED GAMMA GEOMETRICA**/
/** DISTRIBUIÇ~
AO WEIBULL GEOMETRICA**/