Você está na página 1de 146

Universidade Federal de Minas Gerais

Programa de Pós-Graduação
em Engenharia de Produção
Uma abordagem bayesiana para modelos
de degradação: a obtenção da
distribuição preditiva a posteriori dos
tempos de falha de unidades amostrais
futuras e sob teste
Mestrando: Rívert Paulo Braga Oliveira
lamabarista@gmail.com
Orientadora: Profa. Dra. Marta Afonso Freitas
marta@dep.ufmg.br
Co-orientadora: Profa. Dra. Rosângela Helena Loschi
loschi@est.ufmg.br
Belo Horizonte
Fevereiro
2011
Rívert Paulo Braga Oliveira
Uma abordagem bayesiana para modelos
de degradação: a obtenção da
distribuição preditiva a posteriori dos
tempos de falha de unidades amostrais
futuras e sob teste
Dissertação apresentada ao Departamento
de Pós-Graduação em Engenharia de Pro-
dução da Universidade Federal de Minas
Gerais, para a obtenção do Título de
Mestre em Engenharia de Produção, Con-
centração em Produção e Logística.
Orientadora: Marta Afonso Freitas
Co-orientadora: Rosângela Helena Loschi
Belo Horizonte
Fevereiro
2011
Aos meus pais, José Antônio e Valdelice.
Aos meus irmãos, Rodrigo e Rony.
A meu grande amor, Carolina.
Epígrafe
Onde se pode encontrar a prova da existência de Deus?
"Num axioma que aplicais às vossas ciências.
Não há efeito sem causa. Procurai a causa de
tudo que não é obra do homem e a vossa razão
responderá."
Passagem de "O Livro dos Espíritos" de Allan Kardec, Capítulo 1, questão 4.
Agradecimentos
Agradeço a todos que, direta ou indiretamente, me apoiaram neste trabalho.
A minha orientadora, Drª. Marta Afonso Freitas pela orientação e dedicação à
elaboração da dissertação, além das oportunidades e aprendizado que transpassaram o
mundo acadêmico.
A minha co-orientadora, Drª. Rosângela Helena Loschi pelas críticas decisivas e
pela orientação.
A ambas por acreditarem na minha capacidade.
Ao colaborador Dr. Enrico Antônio Colosimo, sempre muito ativo e contribuindo
bastante em grande parte das reuniões.
Ao companheiro de mestrado, Júlio Ferreira, pela participação e colaboração nas
reuniões do grupo. Além das longas discussões teóricas.
Aos meus pais, José Antônio e Valdelice, e meus irmãos, Rodrigo e Rony, pela força,
dedicação, apoio e carinho.
A minha namorada Carolina, pelo companheirismo, força, incentivo, dedicação,
carinho e compreensão.
Aos amigos do Objetivo, do CEFET-MG, da Estatística-UFMG, do LADEC, com-
panheiros de mestrado, da minha infância e demais amigos que fiz ao longo dos anos.
A CAPES e CNPq pelo financiamento da pesquisa.
Aos professores do PPGEP-UFMG pelo conhecimento transmitido.
A Inês, secretária do PPGEP-UFMG, pelo ótimo trabalho que desempenha, e aos
demais funcionários da UFMG.
A UFMG e LADEC pelo suporte e estrutura.
Resumo
A Confiabilidade é um ramo da Estatística que visa descrever via inferência a dis-
tribuição do tempo de falha de objetos de interesse. Técnicas convencionais são voltadas
para a ocorrência de falhas ao longo do tempo. Contudo, para determinadas situações
nas quais a ocorrência de falhas é pequena ou quase nula, a estimação das quantidades
que descrevem os tempos de falha fica comprometida. Dessa forma foram desenvolvidos
os modelos de degradação, que possuem como dado experimental não a falha, mas sim
alguma característica mensurável a ela atrelada, a qual quando monitorada torna pos-
sível melhorias significativas nas estimativas das quantidades de interesse. Modelos de
degradação têm sido amplamente aplicados e estudados sob a perspectiva da estatística
clássica, todavia dificuldades computacionais e má especificações relativas a suposições
dos modelos passaram a tornar interessante uma obordagem pelo enfoque da estatís-
tica bayesiana. Isso se deve ao fato de que os métodos computacionais implementados
na abordagem bayesiana já permitem acomodar um número maior de distribuições de
probabilidade, e dessa forma torna-se menos susceptível a problemas de má especifi-
cação. Neste texto evidencia-se que mesmo sob má especificação o enfoque bayesiano
pode apresentar bons resultados. O que se propõe neste texto é apontar alguns erros
metodológicos que vêm sendo cometidos no uso da inferência bayesiana e apresentar
uma proposta de análise, comparando-a com as abordagens por inferência bayesiana
existentes na literatura em Modelos de Degradação. Uma base de dados de emissores
de laser e outra de rodas de trem ilustram a aplicação da metodologia proposta neste
texto. Os resultados apresentados permitem levantar a confiabilidade dos objetos estu-
dados e de objetos futuros, fora do escopo da amostra.
Palavras-chave: Modelos de Degradação, Inferência Bayesiana, Distribuição 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 significant 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 difficulties and misspec-
ifications 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 misspecification.
This text shows that even under misspecification 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 vagão motor. . . . . . . . . . . . 2
1.2 Perfis de desgaste - rodas MA11. . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Perfil de degradação das unidades emissoras laser. . . . . . . . . . . . . . 5
4.1 Convergência e autocorrelação das cadeias da distribuição a posteriori
para alguns parâmetros - Assumindo β
i
∼ Weibull (Caso gerado - T ∼
Bimodal) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.2 Perfis de degradação - T ∼ Bimodal . . . . . . . . . . . . . . . . . . . . 66
4.3 Densidade de probabilidade dos efeitos aleatórios Gerados - T ∼ Bimodal 66
4.4 Densidade a posteriori : efeito aleatório do perfil 7 - Assumindo β
i

Weibull (Caso gerado - T ∼ Bimodal) . . . . . . . . . . . . . . . . . . . 67
4.5 Distribuição preditiva a posteriori dos tempos de falha para um perfil
futuro assumindo β
i
∼ Weibull (Caso gerado - T ∼ Bimodal) . . . . . . 68
4.6 Densidade a posteriori : efeito aleatório do perfil 7 - Assumindo β
i

Lognormal (Caso gerado - T ∼ Bimodal) . . . . . . . . . . . . . . . . . 70
4.7 Distribuição preditiva a posteriori dos tempos de falha para um perfil
futuro assumindo β
i
∼ Lognormal (Caso gerado - T ∼ Bimodal) . . . . 71
4.8 Perfis de degradação - T ∼ Weibull . . . . . . . . . . . . . . . . . . . . . 72
4.9 Densidade a posteriori : efeito aleatório do perfil 7 - Assumindo β
i

Weibull (Caso gerado - T ∼ Weibull) . . . . . . . . . . . . . . . . . . . 73
4.10 Distribuição preditiva a posteriori dos tempos de falha para um perfil
futuro assumindo β
i
∼ Weibull (Caso gerado - T ∼ Weibull) . . . . . . 74
4.11 Distribuição preditiva a posteriori assumindo β
i
∼ Weibull (Caso gerado
- T ∼ Weibull) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.12 Densidade a posteriori : efeito aleatório do perfil 7 - Assumindo β
i

Lognormal (Caso gerado - T ∼ Weibull) . . . . . . . . . . . . . . . . . 76
4.13 Distribuição preditiva a posteriori dos tempos de falha para um perfil
futuro assumindo β
i
∼ Lognormal (Caso gerado - T ∼ Weibull) . . . . 77
4.14 Perfis de degradação - T ∼ Lognormal . . . . . . . . . . . . . . . . . . . 78
4.15 Densidade a posteriori : efeito aleatório do perfil 7 - Assumindo β
i

Weibull (Caso gerado - T ∼ Lognormal) . . . . . . . . . . . . . . . . . 79
4.16 Preditiva a posteriori F
T
n+1
|Y

(t|Y

) assumindo β
i
∼ Weibull . . . . . . . 80
4.17 Densidade a posteriori : efeito aleatório do perfil 7 - Assumindo β
i

Lognormal (Caso gerado - T ∼ Lognormal) . . . . . . . . . . . . . . . . 81
4.18 Distribuição preditiva a posteriori dos tempos de falha para um perfil
futuro assumindo β
i
∼ Lognormal (Caso gerado - T ∼ Lognormal) . . . 82
4.19 Distribuição preditiva a posteriori assumindo β
i
∼ Lognormal (Caso
gerado - T ∼ Lognormal) . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5.1 Distribuição preditiva a posteriori dos tempos de falha para um laser
futuro assumindo β
i
∼ Weibull . . . . . . . . . . . . . . . . . . . . . . . 86
5.2 Distribuição preditiva a posteriori dos tempos de falha para lasers sob
teste e laser futuro assumindo β
i
∼ Weibull . . . . . . . . . . . . . . . . 87
5.3 Predições para lasers futuros e sob teste assumindo T ∼ Weibull . . . . 89
5.4 Distribuição preditiva a posteriori dos tempos de falha para uma roda
futura assumindo β
i
∼ Weibull . . . . . . . . . . . . . . . . . . . . . . . 91
5.5 Distribuição preditiva a posteriori dos tempos de falha para rodas sob
teste e roda futura assumindo β
i
∼ Weibull . . . . . . . . . . . . . . . . 91
5.6 Predições para rodas futuras e sob teste assumindo β
i
∼ Weibull . . . . 93
5.7 Preditiva a posteriori F
T
n+1
|Y

(t|Y

) assumindo β
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 perfil futuro via Robinson e Crow-
der (2000) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4 Amostra distribuição preditiva a posteriori via Proposta . . . . . . . . . 51
3.5 Amostra - preditiva do perfil futuro a posteriori via Proposta . . . . . . 52
5.1 Distribuição a posteriori das quantidades de interesse e parâmetros (Da-
dos dos Emissores de Laser - Hamada (2005)) . . . . . . . . . . . . . . . 88
5.2 Percentis da distribuição preditiva a posteriori dos tempos de falha para
unidades sob teste (Dados dos Emissores de Laser - Hamada (2005)) . . 88
5.3 Distribuição a posteriori das quantidades de interesse e parâmetros (Da-
dos de Desgaste de Rodas de Trem - Freitas et al. (2010)) . . . . . . . . 92
5.4 Percentis da distribuição 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 Distribuição a posteriori das quantidades de interesse e parâmetros (Da-
dos de Desgaste de Rodas de Trem - Freitas et al. (2010)) . . . . . . . . 95
Sumário
1 Introdução 1
1.1 Situações Práticas Motivadoras . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1 Dados de Desgaste de Rodas de Trem . . . . . . . . . . . . . . . 1
1.1.2 Dados de Corrente de Operação de Emissores de Laser . . . . . . 4
1.2 Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 O Modelo Geral de Degradação e o Problema da Estimação dos Parâmetros 10
1.4 Objetivos do Trabalho . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5 Organização deste Texto . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2 Métodos Estatísticos Baseados em Inferência Clássica para Estimação
de Parâmetros em Modelos de Degradação 21
2.1 O Método Aproximado . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2 O Método Analítico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.3 O Método de Dois Estágios . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4 O Método Numérico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3 Especificação do Modelo de Degradação Sob Abordagem Bayesiana 32
3.1 Método Baseado em Inferência Bayesiana . . . . . . . . . . . . . . . . . 32
3.2 Modelo com Efeito Aleatório Weibull . . . . . . . . . . . . . . . . . . . . 34
3.2.1 Construção da Função de Verossimilhança . . . . . . . . . . . . . 34
3.2.2 Especificação das Distribuições a priori . . . . . . . . . . . . . . 36
3.2.3 Especificação das Distribuições Condicionais Completas . . . . . 39
3.3 Modelo com Efeito Aleatório Lognormal . . . . . . . . . . . . . . . . . . 41
3.3.1 Construção da Função de Verossimilhança . . . . . . . . . . . . . 41
3.3.2 Especificação das Distribuições a priori . . . . . . . . . . . . . . 41
3.3.3 Especificação das Distribuições Condicionais Completas . . . . . 43
3.4 F
T
i
|Y

(t|y

) Segundo Hamada (2005) . . . . . . . . . . . . . . . . . . . . . 43
3.5 F
T
i
|Y

(t|y

) Segundo Robinson e Crowder (2000) . . . . . . . . . . . . . . 47
3.5.1 F
T
i
|Y

(t|y

) para um Perfil sob Teste . . . . . . . . . . . . . . . . . 47
3.5.2 F
T
i
|Y

(t|y

) para um Perfil Futuro . . . . . . . . . . . . . . . . . . 49
3.6 F
T
i
|Y

(t|y

) Proposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.6.1 F
T
i
|Y

(t|y

) para um Perfil sob Teste . . . . . . . . . . . . . . . . . 50
3.6.2 F
T
i
|Y

(t|y

) para um Perfil Futuro . . . . . . . . . . . . . . . . . . 51
3.6.3 F
T
i
|Y

(t|y

) para um Perfil Futuro Incluído na Verossimilhança . . 51
3.7 Inconsistência Teórica em Hamada (2005) . . . . . . . . . . . . . . . . . 55
4 Dados Simulados - Tempos de Falha Conhecidos 60
4.1 Geração dos Perfis Simulados . . . . . . . . . . . . . . . . . . . . . . . . 61
4.2 Distribuições a priori Assumidas para os Parâmetros do Modelo de
Degradação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.2.1 Efeito Aleatório Weibull . . . . . . . . . . . . . . . . . . . . . . . 63
4.2.2 Efeito Aleatório Lognormal . . . . . . . . . . . . . . . . . . . . . 64
4.3 Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal - Mistura de
Duas Normais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.3.1 Análises Supondo Efeito Aleatório Weibull . . . . . . . . . . . . . 67
4.3.2 Análises Supondo Efeito Aleatório Lognormal . . . . . . . . . . . 69
4.4 Caso 2: Distribuição do Tempo até a Falha T ∼ Weibull . . . . . . . . . 70
4.4.1 Análises Supondo Efeito Aleatório Weibull . . . . . . . . . . . . . 72
4.4.2 Análises Supondo Efeito Aleatório Lognormal . . . . . . . . . . . 75
4.5 Caso 3: Distribuição do Tempo até a Falha T ∼ Lognormal . . . . . . . 78
4.5.1 Análises Assumindo Efeito Aleatório Weibull . . . . . . . . . . . 79
4.5.2 Análises Supondo Efeito Aleatório Lognormal . . . . . . . . . . . 81
4.6 Conclusões . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
5 Situações Práticas Revisitadas 85
5.1 Emissores de Laser . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.2 Desgaste das Rodas de Trem . . . . . . . . . . . . . . . . . . . . . . . . 89
5.2.1 Rodas de Trem - Efeito Aleatório Weibull . . . . . . . . . . . . . 90
5.2.2 Rodas de Trem - Efeito Aleatório Lognormal . . . . . . . . . . . 93
6 Conclusão 96
6.1 Sugestões para Pesquisas Futuras . . . . . . . . . . . . . . . . . . . . . . 98
Referências Bibliográficas 100
A ROTINA NO R - Caso 1: Distribuição do Tempo até a Falha T ∼
Bimodal - Mistura de Duas Normais 106
B ROTINA NO R - Emissores de Laser Para Predições 123
C MODELO PARA WINBUGS: WEIBULL 127
D MODELO PARA WINBUGS: LOGNORMAL 129
Capítulo 1
Introdução
1.1 Situações Práticas Motivadoras
1.1.1 Dados de Desgaste de Rodas de Trem
Utilizaremos os dados de desgaste de rodas de trens discutidos inicialmente em
Freitas et al. (2009) como uma das motivações práticas do trabalho. Trata-se de um
subconjunto de um banco de dados maior, referente a um estudo conduzido por uma em-
presa do setor ferroviário. O banco de dados completo inclui, entre outras informações,
as medidas de diâmetros de rodas tomadas em 13 igualmente espaçados tempos de
inspeção: t
0
= 0km, t
1
= 50.000Km, . . . , t
13
= 600.00Km. Estas medidas foram regis-
tradas para 14 trens, cada um composto por quatro carros (vagões), sendo um motor
(MA) e três reboques (R1,R2,R3). Os carros reboque não possuem tração própria.
Cada vagão em um dado trem, possui dois truques, cada truque com dois eixos, cada
eixo com duas rodas, totalizando assim oito rodas por carro (vagão); trinta e duas por
trem. A Figura 1.1 apresenta o croqui para o vagão motor.
No estudo preliminar foram selecionados aleatoriamente quatorze (14) trens dos
vinte e cinco (25) em operação. Para estes quatorze (14) trens foi dada ênfase aos
Capítulo 1. Introdução 2
Figura 1.1: Croqui - vista principal inferior de um vagão motor.
dados dos vagões motor uma vez que características do modo de operação dos mesmos
acelera o desgaste as rodas. Portanto os dados disponibilizados foram os de desgaste das
rodas desse vagão (isto é, ao todo quatorze (14) vagões motor). O objetivo do estudo
era a caracterização da confiabilidade das rodas através da obtenção da distribuição do
tempo até a falha e a obtenção das estimativas de quilometragem média até a falha,
dos quantis da distribuição do tempo de falha e da confiabilidade em 300.000 Km. As
rodas estudadas são de aço forjado e laminado e cada uma possui um diâmetro inicial de
966 mm. A equipe de engenharia determinou que a redução crítica de diâmetro ocorre
quando este atinge 889 mm, ocasião em que a roda deve ser substituída. Portanto, ao
final do acompanhamento, obtiveram-se 14 medidas de diâmetro para cada uma das
oito posições de rodas do vagão motor (MA11, MA12, MA21, MA22, MA31, MA32,
MA41, MA42). Freitas et al. (2009) analisaram os dados das quatorze (14) rodas MA11
apenas e para tal, utilizaram como informação, o desgaste das rodas, dado por:
Y
ij
= 966mm−Diam
ij
, (i = 1,2,...14; j = 1,2,...13)
em que Y
ij
é a variável aleatória que define o desgaste da i-ésima roda no j-ésimo tempo
(quilometragem) de medição.
A Figura 1.2 apresenta os perfis para as rodas MA11. O limiar crítico de degradação
D
f
(“Failure Threshold ”) é dado por:
3 1.1. Situações Práticas Motivadoras
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
ç
ã
o

(
m
m
)
Df=77 mm
Perfis de Degradação
Figura 1.2: Perfis de desgaste - rodas MA11.
D
f
= 966mm−Diam
crtico
= 966mm−889mm = 77mm
Portanto, considera-se que a “falha” de uma determinada roda ocorreu quando o
desgaste atinge este limiar crítico. Observe que os pefis são lineares e que para esta
posição 3 unidades (21,4%) atingem o limiar crítico durante o período de observação.
Freitas et al. (2009) utilizaram os dados de degradação das rodas MA11 e modelos
de degradação cujos parâmetros foram estimados com base em inferência clássica (em
particular, máxima verossimilhança) para obter a distribuição do tempo até falha das
rodas MA11, bem como estimativas de quantis, da quilometragem média até a falha, e
da confiabilidade em 300.000 Km. Neste trabalho, os dados das rodas MA11 serão re-
analisados bem como os dados das rodas em outras posições, utilizando uma abordagem
baseada em inferência bayesiana. Os resultados são comparados com aqueles obtidos
por Freitas et al. (2010), um outro texto no qual o autor utilizou estatística bayesiana
para estimar as quantidades de interesse para esta mesma base de dados.
Capítulo 1. Introdução 4
1.1.2 Dados de Corrente de Operação de Emissores de Laser
Hamada (2005) apresentou dados para quinze (15) lasers, acompanhados por 4000
horas de operação. Foi registrado para cada um, a cada 250 h, o percentual de aumento
na corrente de operação (calculado em relação à corrente nominal de operação isto é,
aquela do início do ensaio). Esta informação é importante visto que a luz dos lasers
se degrada ao longo do tempo se a corrente de operação é mantida constante. Conse-
qüentemente, para que seja gerada uma saída de luz constante, a corrente de operação
precisa ser aumentada ao longo do tempo. Portanto a medida de degradação neste caso
é o percentual de aumento na corrente de operação. A “falha” do laser é 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
operação.
A Figura 1.3 apresenta o gráfico dos perfis de degradação para cada uma das 15
unidades emissoras de laser (os dados estão disponíveis na página http://www.stat.lanl.
gob/staff/MHamada/degradation_data.htm). Por exemplo, para a 10ª Unidade, cuja
degradação é a mais rápida, os dados são (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 perfis são lineares e que 3 das 15 unidades (20%) (atingiram o limiar
crítico D
f
durante o período de coleta de dados). O objetivo aqui também é a obtenção
da distribuição do tempo até a falha dos lasers bem como outras características tais
como o número médio de horas até a falha e quantis da distribuição.
O autor utilizou abordagem baseada em inferência bayesiana para análise dos da-
dos e obteve entre outras informações, a distribuição a posteriori do quantil 0,1 da
distribuição do tempo até a falha (isto é , o tempo até o qual 10% das falhas já terão
ocorrido). Neste trabalho os dados dos lasers serão re-analisados utilizando também
uma abordagem com base em inferência bayesiana. A motivação para a re-análise 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
ã
o

d
o

l
a
s
e
r
Df=10
Perfis de Degradação − Laser
Figura 1.3: Perfil de degradação das unidades emissoras laser.
side no fato de termos identificado uma inconsistência no procedimento utilizado por
Hamada (2005). As inconsistências serão discutidas nos Capítulo 3 e 4.
1.2 Literatura
Grande parte da literatura em Confiabilidade faz o uso de dados de tempo de falha
(ou tempo de vida) em estudos nos quais o objetivo é a caracterização da confiabilidade
de produtos. Esses dados são oriundos de ensaios de vida, nos quais a medida obser-
vada é o tempo de falha (neste texto, os termos “tempo de vida”, “tempo de falha” e
“tempo até a falha”, serão utilizados indiscriminadamente). Todavia, para produtos que
possuem um alto grau de confiabilidade, tais como componentes eletrônicos modernos,
é comum encontrar-se diante de uma situação na qual, ao final do ensaio, poucas ou
até mesmo nenhuma falha é observada, resultando em um alto índice de censuras. Em
casos como estes, em geral, os custos de realização dos ensaios são elevados e os mesmos
Capítulo 1. Introdução 6
acabam não fornecendo informações suficientes para a inferência estatística. Em algu-
mas situações é possível implementar testes acelerados (ver Nelson, 1990), mas, mesmo
nestes casos, o índice de censuras resultante pode ser elevado. Dados com esta na-
tureza (alto índice de censuras) fornecem pouca informação a respeito da proporção de
produtos que conseguem, por exemplo, operar além do período de garantia estipulado.
Por esta razão, a literatura específica na área de confiabilidade tem dado maior ên-
fase à utilização de dados de degradação como uma alternativa aos dados de tempo até
a falha. Alguns exemplos importantes são 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 degradação, a variável obser-
vada não é o tempo de falha, mas uma medida de degradação de alguma característica
de qualidade do produto de interesse, tomada ao longo do tempo. Esta medida deve es-
tar diretamente relacionada à falha. Além disso, a própria definição da falha deve estar
associada à algum nível crítico pré-especificado (limiar de falha ou “failure threshold”)
da medida de degradação. A justificativa para a utilização desse tipo de abordagem
reside no fato de que muitas falhas são o resultado de um mecanismo de degradação em
atuação para o qual existem características que se degradam com o tempo. Do ponto
de vista da engenharia, alguns mecanismos de degradação comuns incluem fadiga, trin-
cas, corrosão e oxidação. Para conduzir um teste (ensaio) de degradação, é necessário
pré-especificar um limiar critico de degradação (limiar de falha ou “failure threshold”),
obter medidas da degradação em tempos pré-fixados e distintos e definir que a falha
ocorre quando a quantidade de degradação para uma unidade sob teste excede aquele
nível crítico. A principal vantagem da utilização de dados de degradação sobre os dados
de tempos de falha (oriundos de testes de vida) é que a análise pode ser feita de maneira
satisfatória, ainda que nenhuma falha tenha ocorrido, isto é, mesmo que nenhum dos
perfis das unidades sob observação tenha atingido o limiar considerado “falha” durante
o período de estudo.
7 1.2. Literatura
A análise de dados de degradação, assim como dos dados de tempo de falha, tem
como objetivo estimar a distribuição do tempo até a falha ou características da mesma,
tais como o p-ésimo quantil (t
p
), o tempo médio até a falha, ou a função de confiabilidade
R(t) por exemplo. Existem referências importantes abordando a utilização de dados
de degradação para estimar a confiabilidade. Gertsbackh e Kordonskiy (1969) por
exemplo, discutiram o problema de degradação sob o ponto de vista da engenharia.
Os autores apresentaram a distribuição de Bernstein, a qual descreve a distribuição
do tempo até a falha para um modelo linear simples (uma reta) com intercepto e
inclinação ambos aleatórios. Nelson (1981) discutiu uma situação especial na qual
a medida de degradação é destrutiva (somente uma medida pode ser feita em cada
item). (Nelson, 1990, Capítulo 11) revisou a literatura relacionada ao tema, pesquisou
aplicações, descreveu idéias básicas e utilizando um exemplo específico, mostrou como
analisar um certo tipo de dados de degradação.
Na literatura duas abordagens básicas para modelagem e análise de dados de degrada-
ção podem ser encontradas. A primeira assume que a degradação é um processo
aleatório no tempo. Dentro dessa linha, Doksum (1991) utilizou um processo de Wiener
para analisar dados de degradação. Tang e Chang (1995) modelaram dados oriundos
de ensaios de degradação acelerados não destrutivos como uma coleção de processos
estocásticos. Whitmore e Schenkelberg (1997) modelaram o processo de degradação
como um processo de difusão de Wiener.
Uma abordagem alternativa é considerar modelos estatísticos mais gerais. Nestes
modelos a degradação é modelada por uma função do tempo e possivelmente algumas
variáveis aleatórias multidimensionais. Esses modelos são denominados modelos gerais
de perfis de degradação (“general degradation path models”). A análise de dados de
degradação por essa abordagem é implementada em duas etapas. A primeira consiste na
construção de um modelo não linear (ou linear) misto que explique o perfil de degradação
ao longo do tempo e a estimação dos parâmetros desconhecidos deste modelo. A segunda
Capítulo 1. Introdução 8
etapa consiste em utilizar estas estimativas dos parâmetros para estimar a distribuição
do tempo até a falha e outras características de interesse.
Em geral a análise é implementada em duas etapas. É importante ressaltar que da-
dos de degradação possuem características de dados longitudinais (Fitzmaurice et al.,
2004). Portanto, a primeira etapa da análise é na realidade uma análise de dados lon-
gitudinais com resposta contínua, implementada através de um modelo não linear (ou
linear) misto. A utilização de um modelo misto, isto é, que incorpora em sua forma
funcional tanto efeitos aleatórios quanto fixos, pode, por sua vez, ser vista como uma
modelagem em dois estágios, no qual primeiramente parâmetros não observáveis (os
efeitos aleatórios) são amostrados de uma distribuição que por si só, possui parâmetros
(fixos) desconhecidos. Em seguida (2º. Estágio) os dados observados no ensaio são con-
siderados como sendo amostras (realizações) de distribuições Normais independentes,
cujas médias são funções lineares (ou não lineares) destes efeitos aleatórios e, possivel-
mente, de outros parâmetros populacionais (efeitos fixos). Uma vez que uma família
paramétrica para os efeitos aleatórios é escolhida é preciso estimar os parâmetros fixos
do modelo, quais sejam os parâmetros que indexam a distribuição dos efeitos aleatórios
e outros parâmetros fixos que fazem parte da forma funcional do perfil de degradação.
É, justamente, neste ponto da primeira etapa de análise dos dados de degradação que
surgem algumas dificuldades, as quais serão elucidadas mais adiante, na Seção 1.3.
De posse das estimativas dos parâmetros do modelo, a segunda etapa da análise dos
dados de degradação consiste em estimar a distribuição do tempo até a falha F
T
(t).
Quando o modelo de degradação não é suficientemente simples para que se obtenha
uma forma fechada para a distribuição do tempo de falha então uma estimativa pode
ser obtida através de simulação de Monte Carlo.
Métodos de estimação baseados em inferência clássica podem ser empregados para
obter estimativas dos parâmetros desconhecidos nos modelos de degradação e, a partir
delas, estimar a distribuição do tempo de falha.
9 1.2. Literatura
Lu e Meeker (1993) desenvolveram métodos estatísticos utilizando dados de degrada-
ção para estimar a distribuição do tempo até a falha para uma classe ampla de modelos
de degradação. Os autores consideraram um modelo não linear misto (“NLME - Non-
linear Mixed- Effects Model ”) e propuseram um método de estimação em dois estágios
para obter estimadores pontuais e intervalos de confiança para percentis da distribuição
do tempo até a falha. O procedimento foi ilustrado com dados de evolução de trincas
em ensaios de fadiga. Yacout et al. (1996) utilizaram o procedimento proposto por
Lu e Meeker (1993) em dados de degradação de elementos de combustível. Lu et al.
(1996) estenderam o modelo de degradação e sugeriram métodos de estimação basea-
dos na verossimilhança, entretanto, estes não são adequados para todos os tipos de
dados de degradação. Lu et al. (1997) propuseram um modelo com coeficientes de
regressão aleatórios e uma função para o desvio padrão, para analisar dados de semi-
condutores com perfis lineares de degradação. Su et al. (1999) consideraram um modelo
de degradação com coeficientes e tamanho de amostra aleatórios e utilizaram máxima
verossimilhança para estimação dos parâmetros. Os métodos foram aplicados em um
conjunto de dados de semicondutores. Wu e Shao (1999) estudaram as propriedades
assintóticas dos estimadores de mínimos quadrados (ponderados) do modelo NLME.
Os autores utilizaram estas propriedades para obtenção de estimativas pontuais e inter-
valos de confiança aproximados para percentis da distribuição do tempo de falha. Os
métodos propostos foram ilustrados com dados de comprimento de trincas em metais
submetidos a ensaios de fadiga. Uma boa referência em modelos gerais de perfis de
degradação é (Meeker e Escobar, 1998, Capítulos 13 e 21). Wu e Shao (2000) apre-
sentaram um método de estimação ponderado com base em conjuntos nebulosos para
modificar o procedimento em dois estágios proposto por Lu e Meeker (1993). O método
proposto e o de dois estágios de Lu e Meeker (1993) foram ambos utilizados no banco
de dados apresentado no trabalho de Wu e Shao (1999).
Finalmente, outros trabalhos importantes são os de Crk (2000), Jiang e Zhang
Capítulo 1. Introdução 10
(2002) e Oliveira e Colosimo (2004). Neste último os autores compararam os três
métodos propostos por Meeker e Escobar (1998) (analítico, aproximado e numérico)
aplicando cada um deles a um conjunto de dados de desgaste de bandas de rodagem de
pneus automotivos.
Dentre alguns métodos disponíveis na literatura estão o método analítico, numérico e
o método aproximado (Meeker e Escobar, 1998, Capítulos 13 e 21) e todos baseiam-se em
estimação por máxima verossimilhança ou mínimos quadrados. Os métodos analítico e
aproximado aplicam-se melhor a situações nas quais o modelo de degradação é simples
(por exemplo uma reta) com poucos parâmetros aleatórios. Já o método numérico é
mais abrangente e permite utilizar modelos mais complexos (não lineares por exemplo)
com parâmetros fixos e aleatórios. A grande dificuldade da abordagem por inferência
clássica reside justamente na primeira etapa da análise dos dados, ou seja, na estimação
dos parâmetros do modelo. Esta questão será melhor apresentada na próxima Seção.
1.3 O Modelo Geral de Degradação e o Problema da Esti-
mação dos Parâmetros
Em um ensaio de degradação, uma amostra de n unidades é colocada sob teste.
Para cada uma delas observa-se ao longo do tempo uma característica relacionada
ao mecanismo de falha de interesse. Em outras palavras, observa-se a “degradação”
desta unidade, através das medidas desta característica tomadas ao longo do tempo. A
abordagem geral consiste em modelar os perfis de degradação das unidades individuais
utilizando a mesma forma funcional e as diferenças entre as unidades amostrais são
explicadas através da incorporação de efeitos aleatórios no modelo. Assim, para a
i-ésima unidade, a verdadeira degradação no tempo t é dada por:
11 1.3. O Modelo Geral de Degradação e o Problema da Estimação dos Parâmetros
Y
it
= D(t; α

; β
i

) (1.1)
em que D(t; α

; β
i

) assume uma forma funcional que depende de parâmetros (cuja na-
tureza será explicitada mais adiante). Para uma dada unidade i, a falha ocorre quando
a degradação atinge o limiar pré-especificado D
f
. Assim o tempo de falha da i-ésima
unidade é o tempo T
i
no qual:
Y
iT
= D
f
= D(T
i
; α

; β
i

) (1.2)
Entretanto, os dados observados nos ensaios de degradação para uma dada unidade
i são na verdade amostras do seu verdadeiro perfil (dado por (1.1)), obtidas em m
i
tempos pré-especificados t
ij
(j = 1,2, . . . ,m
i
). Como estas medidas estão sujeitas a
erros, a verdadeira degradação no tempo t
ij
(isto é, D(t
ij
) ) é observada com erro ε
ij
.
Portanto, o modelo geral de degradação é dado por:
Y
ij
= D(t
ij
; α

; β
i

) +ε
ij
(1.3)
em que Y
ij
é a variável aleatória que representa a j-ésima medida para a i-ésima unidade;
D(t
ij
; α

; β
i

) é o real perfil de degradação da unidade i em um tempo pré-especificado
t
ij
(i = 1,2, . . . ,n; j = 1,2, . . . ,m
i
); α

= (α
1

2
, . . . ,α
r
)
t
é um vetor de efeitos fixos
que descreve as características da população (este se mantém constante para todas
as unidades); β
i

= (β
i1

i2
, . . . ,β
ip
)
t
é um vetor de efeitos aleatórios associado à i-
ésima unidade, representando características individuais de cada unidade (por exemplo,
variações em propriedades da materia prima, no processo de produção, nas dimensões
do componente, etc.) e ε
ij
é o erro aleatório (da medida) associado à i-ésima unidade
no tempo t
ij
.
Capítulo 1. Introdução 12
A forma funcional de D(t
ij
; α

; β
i

) pode ser baseada em análise empírica dos perfis
de degradação dos processos sob estudo, mas sempre que possível deve ser baseada
em algum fenômeno físico-químico associado à ele. Assume-se, em geral, que os ε
ij
’s
(i = 1,2, . . . ,n; j = 1,2, . . . ,m
i
) são independentes e identicamente distribuídos (iid),
seguindo uma distribuição Normal com média zero (0) e variância desconhecida σ
2
ε
.
Entretanto, há trabalhos nos quais σ
2
ε
varia com o tempo ou o nível de degradação
(Lu et al., 1997; Wakefield et al., 1994). Se o processo de medição induz uma correlação
serial entre os erros, então uma forma de covariância estruturada pode ser adotada.
Neste trabalho será adotado o modelo geral (1.3) com erros iid N(0,σ
2
ε
).
Os β
i

’s (i = 1,2, . . . ,n) são independentes, com distribuição Λ
β

| θ





), que depende
de um vetor de parâmetros (fixos) desconhecidos θ

= (θ
1

2
, . . . ,θ
q
)
t
. O parâmetro θ

também precisa ser estimado a partir dos dados de degradação. Além disso, {β
i

} e

ij
} são, por suposição, independentes para todo i e j. Assume-se também que y e t
estão em escalas transformadas, caso necessário. Por exemplo, Y e t podem estar em
escala logarítmica.
A proporção de falhas no tempo t é equivalente à proporção de perfis de degradação
que excedem o limiar crítico D
f
até o tempo t. Portanto, é possível definir a distribuição
do tempo de falha T para o modelo (1.1) como sendo
F
T|α



, θ

(t|α





) = F
T|α



, θ

(t|α

; Λ
β

| θ





); D
f
; D) = P(T ≤ t|α





) =
P[D(t; α

; β

) ≥ D
f






]
quando as medidas de degradação são crescentes com o tempo, ou como sendo
F
T|α



, θ

(t|α





) = F
T|α



, θ

(t|α

; Λ
β

| θ





); D
f
; D) = P(T ≤ t|α





) =
P[D(t; α

; β

) ≤ D
f






]
quando as medidas de degradação são decrescentes com o tempo.
Para que se possa estimar, por exemplo, os quantis da distribuição do tempo de falha
T com base neste modelo de degradação, é necessário estimar α

(o vetor de efeitos fixos)
13 1.3. O Modelo Geral de Degradação e o Problema da Estimação dos Parâmetros
e θ

= (θ
1

2
, . . . ,θ
q
)
t
o vetor de parâmetros, também fixos, da distribuição dos efeitos
aleatórios Λ
β

| θ





).
Para perfis cujos modelos assumem formas funcionais simples, uma vez que Λ
β

| θ





)
é conhecida, a distribuição F
T|α



, θ

(t|α





) pode ser expressa, em geral, em forma
fechada. Entretanto, em muitos casos, isto não é possível. Quando a forma fun-
cional de D(t
ij
; α

; β
i

) é não linear e o modelo tem mais de um parâmetro aleatório
(ou seja, quando o vetor de parâmetros β
i

tem dimensão k > 1), a especificação de
F
T|α



, θ

(t|α





) torna-se complicada. Em casos como este essa avaliação é feita de
forma numérica. De maneira mais geral, é possível obter numericamente a distribuição
de T para quaisquer α

, Λ
β

| θ





), D
f
e D especificados, utilizando simulação de Monte
Carlo. Todavia, esse procedimento só pode ser implementado se o vetor de parâmetros
fixos α

e o vetor de parâmetros θ

(fixo) da distribuição dos efeitos aleatórios Λ
β

| θ





)
puderem ser estimados. Portanto, mesmo para uma dada distribuição Λ
β

| θ





) o
problema continua sendo a estimação de α

e θ

=
_
θ
1
, . . . ,θ
q
)
t
.
Este problema tem sido tratado na literatura. Lu e Meeker (1993) trabalhararam no
problema de estimação de parâmetros e propuseram o método de dois estágios para o
caso no qual o vetor de efeitos aleatórios β

, ou alguma reparametrização apropriada do
mesmo, segue uma distribuição Normal Multivariada (NM) com média µ
β
e matriz de
variância-covariância Σ
β
. Em outras palavras, neste caso, Λ
β

| θ





) = Λ
β


β


β

) =
N
p

β


β

). Como a estimação por máxima verossimilhança dos parâmetros da dis-
tribuição dos efeitos aleatórios µ
β

e Σ
β

é, em geral, algebricamente complicada e
computacionalmente intensiva quando estes aparecem de forma não linear no modelo
postulado para o perfil, os autores propuseram este método de dois estágios como
uma alternativa aos métodos computacionalmente intensivos. Estudos por simulação
mostraram que os resultados obtidos pelo método de dois estágios eram comparáveis
aos dos métodos computacionalmente intensivos.
Posteriormente, Pinheiro e Bates (1995) utilizaram o método desenvolvido por Lind-
Capítulo 1. Introdução 14
strom e Bates (1990) para dados com medidas repetidas para obter uma estimativa
de máxima verossimilhança aproximada dos parâmetros µ
β

, Σ
β

e σ
2
ε
em modelos de
degradação com suposição de normalidade dos efeitos aleatórios. As funções LME
(“linear mixed-effects models”) e NLME (“nonlinear mixed effects models”) escritas na
linguagem S-PLUS , foram desenvolvidas para este objetivo (Pinheiro e Bates, 2000).
Em outras palavras, estas funções foram desenvolvidas para o caso específico de modelos
cujos efeitos aleatórios seguem uma distribuição Normal Multivariada.
Meeker e Escobar (1998) apresentam três métodos para análise de dados de degrada-
ção: o método analítico, aproximado e o numérico. Eles serão brevemente apresentados
no próximo Capítulo. O método analítico é na verdade utilizado como uma forma de
obter a distribuição do tempo de falha a partir do conhecimento da distribuição dos
efeitos aleatórios do modelo. Utilizando a forma funcional proposta para o verdadeiro
perfil de degradação e o limiar crítico que define a falha, a relação entre o tempo de falha
e os efeitos aleatórios é obtida. Assim, supondo que se conhece a distribuição dos efeitos
aleatórios chega-se analiticamente à distribuição do tempo até a falha F
T
(t) através de
transformação de variáveis. Em geral, os parâmetros da distribuição de F
T
(t) podem
ser escritos como funções do limiar critico D
f
e dos parâmetros da distribuição dos
efeitos aleatórios. Entretanto, este procedimento torna-se razoavelmente complicado
para formas funcionais mais complexas e nem sempre é possível chegar a uma forma
fechada para a distribuição do tempo de falha. Além disso, mesmo que uma forma
fechada seja encontrada e se obtenha a relação existente entre seus parâmetros e os da
distribuição dos efeitos aleatórios, ainda é preciso estimar tais parâmetros a partir dos
dados de degradação.
O método aproximado consiste em ajustar por mínimos quadrados um modelo de
degradação para o perfil de cada unidade separadamente e, a partir dele, estimar os
respectivos tempos até a falha isto é, o tempo no qual cada perfil irá atingir o limiar D
f
.
Estas estimativas são denominadas “pseudo tempos de falha”. Em seguida uma análise
15 1.3. O Modelo Geral de Degradação e o Problema da Estimação dos Parâmetros
de tempo de falha tradicional (utilizando distribuições tais como Weibull, Lognormal
etc.) é implementada com base nestas quantidades. Em outras palavras, os pseudo
tempos de falha são tratados como se fossem os resultados observados de ensaio. As
estimativas dos parâmetros da distribuição escolhida são obtidas por máxima verossi-
milhança. Este método é simples e tem apelo prático. Entretanto, ele pode subestimar a
precisão das estimativas das quantidades de interesse como percentis por exemplo, visto
que não se leva em conta na análise dos pseudo tempo de falhas, os erros nas estimativas
dos mesmos. Tanto o método analítico como o aproximado são mais indicados para
situações nas quais a forma funcional do modelo é razoavelmente simples (uma reta por
exemplo e com um parâmetro aleatório).
O método numérico por outro lado, é bastante abrangente e permite utilizar mode-
los mais complexos (não lineares por exemplo) com vários parâmetros fixos e aleatórios.
A estimação dos parâmetros é feita pelo método de máxima verossimilhança. Todavia,
as rotinas disponíveis para a estimação dos parâmetros por máxima verossimilhança
utilizam a suposição de que os efeitos aleatórios seguem uma distribuição Normal Mul-
tivariada com vetor de médias e matriz de variância-covariância desconhecidos (Pinheiro
e Bates, 1995, 2000). No caso em que os efeitos aleatórios não têm distribuição Normal,
a obtenção das estimativas não é um tarefa trivial. Meeker e Escobar (1998) apresentam
o método numérico supondo a normalidade dos efeitos aleatórios e utilizam os algorit-
mos de (Pinheiro e Bates, 1995, 2000) para obtenção das estimativas dos parâmetros
nos exemplos apresentados. Entretanto, para muitas situações práticas tais como as
que serão tratadas neste trabalho (vide Seção 1.1), essa suposição não é verdadeira. Tal
dificuldade computacional impõe uma restrição prática ao método numérico.
Dada a dificuldade de verificação da validade dessa suposição de normalidade,
muitos trabalhos na literatura têm tentado estudar o efeito de desvios desta suposição
nas estimativas dos parâmetros fixos tanto para esta classe de modelos (Modelos Line-
ares e Não Lineares de Efeitos Mistos) quanto para outras mais abrangentes tais como
Capítulo 1. Introdução 16
a dos Modelos Lineares Generalizados de Efeitos Mistos - GLMM (“Generalized Linear
Mixed Effects Models”). Verbeke e Lesaffre (1997), Agresti et al. (2004), Litière et al.
(2008), Alonso e Molenberghs (2008), Freitas et al. (2009) são alguns exemplos.
Em particular, com o objetivo de estudar o impacto de desvios da suposição de Nor-
malidade nas estimativas de percentis, Freitas et al. (2009) compararam, através de um
estudo por simulação, os resultados obtidos com os métodos numérico e aproximado
àqueles oriundos de uma análise tradicional de tempo até a falha (isto é, utilizando
apenas o tempo no qual o perfil atinge o limiar D
f
e as observações censuradas). Os
autores utilizaram um modelo de degradação linear simples (uma reta sem intercepto)
no qual o efeito aleatório associado à cada perfil de degradação (a inclinação da reta) era
oriundo das distribuições normal, Weibull e lognormal. Entre outros resultados, os au-
tores constataram que o desempenho do método numérico (medido pelo erro quadrático
médio das estimativas) é altamente afetado pela violação da suposição de normalidade
dos efeitos aleatórios, chegando ao ponto deste ter o pior desempenho dentre os três
métodos comparados. Em particular, Toledo (2007) constatou que o efeito maior desta
má especificação é no vício relativo das estimativas obtidas pelo método numérico.
Em função da grande dificuldade de estimação dos parâmetros do modelo em situ-
ações nas quais a suposição de Normalidade não se aplica, e dos efeitos desta má
especificação, uma outra frente de pesquisa foi aberta cujo foco é o desenvolvimento de
métodos computacionais alternativos, que permitam a obtenção de estimadores de má-
xima verossimilhança para modelos de efeitos mistos (utilizados na modelagem de dados
de degradação) com efeitos aleatórios não-normais. Pinheiro et al. (2001) propuseram
um modelo linear misto com efeitos aleatórios de uma distribuição T multivariada.
Para modelos gerais com efeitos aleatórios não-normais, alguns métodos de estimação
que aparecem na literatura incluem a verossimilhança hierárquica (Lee e Nelder, 1996)
e a maximização por partes (Song et al., 2005). Entretanto, a implementação destes
métodos para utilização intensiva em análise de dados mostrou-se uma tarefa desafi-
17 1.3. O Modelo Geral de Degradação e o Problema da Estimação dos Parâmetros
adora. A quadratura gaussiana é uma ferramenta que tem sido utilizada com sucesso
na estimação de parâmetros em modelos com efeitos aleatórios Normais. Para modelos
mistos com efeitos aleatórios não-normais, Nelson et al. (2006) propôs um método com-
putacional que utiliza o método PIT (“Probability Integral Transformation”) para obter
estimativas de máxima verossimilhança. Infelizmente essa abordagem só consegue lidar
com efeitos aleatórios para os quais a inversa da função distribuição acumulada (f.d.a)
tem forma fechada, o que limita a sua aplicação. Liu e Yu (2008) propuseram um novo
método de estimação que reformula a verossimilhança condicional de efeitos aleatórios
não-normais. Os autores reformulam a verossimilhança, dividindo e multiplicando a
verossimilhança condicional por uma função densidade Normal. Os mesmos mostram
que os resultados encontrados são similares aos obtidos pelo método PIT. Além disso,
há vantagens adicionais tais como a redução do esforço computacional e a possibilidade
de lidar com distribuições de efeitos aleatórios para as quais não há forma fechada para
a função de distribuição acumulada.
Por outro lado, outra abordagem para o tratamento de dados de degradação é uti-
lização de métodos bayesianos. Esta abordagem aparece de maneira natural visto que
utiliza a informação contida na distribuição a priori dos parâmetros do modelo de
degradação. Em fármaco-cinética, métodos bayesianos já foram utilizados (Wakefield
et al., 1994; Gelman et al., 1996; Wakefield, 1996), entretanto só recentemente essa
abordagem começou a ser utilizada em dados de degradação. Hamada (2005) utilizou
inferência bayesiana em dados de degradação associados a falhas em lasers (situação
descrita na Seção 1.1.2). O autor baseou-se em um modelo linear de degradação com
estrutura hierárquica, no qual uma distribuição a priori Weibull foi escolhida para os
efeitos aleatórios e distribuições a priori Gamma foram utilizadas para os dois hiper-
parâmetros. Amostras da distribuição a posteriori dos parâmetros do modelo foram
obtidas através de métodos MCMC (Gamerman e Lopes, 2006, Markov Chain Monte
Carlo). As distribuições a posteriori de quantis da distribuição do tempo de falha T,
Capítulo 1. Introdução 18
bem como da confiabilidade a posteriori em 4500 horas de uso também foram obtidas.
Para isso, as expressões para o cálculo do p-ésimo quantil e de R(t) (a confiabilidade em
um tempo t) de uma distribuição Weibull foram aplicadas às amostras da distribuição a
posteriori dos parâmetros do modelo. Contudo, algumas inconsistências teóricas foram
observadas no referido artigo, uma vez que o autor afirma que a distribuição dos Tempos
de Falha e dos Efeitos Aleatórios do modelo proposto é Weibull tanto a priori quanto
a posteriori. Será provado no presente trabalho que essa colocação não é válida. Di-
ante desta constatação um dos objetivos da presente pesquisa é estudar o efeito dessa
inconsistência nos resultados da análise dos dados dos emissores a laser e propor uma
abordagem alternativa.
Robinson e Crowder (2000) fizeram uma revisão dos métodos clássicos de inferência
para modelos de degradação e apresentaram uma abordagem bayesiana completa para o
problema, que incluia a estimação da distribuição do tempo de falha de unidades futuras
e para as unidades sob teste. No artigo os autores aplicam o enfoque bayesiano num
modelo de degradação não linear utilizado por Lu e Meeker (1993) originário da Lei de
Paris-Edorgan (e.g., Sobczyk e Spencer, 1992, Capítulo 1). O banco de dados utilizado
é recorrente na área e foi primeiramente introduzido por Hudak et al. (1978), trata de
medidas da evolução do tamanho da trinca em eixos. Os autores eliciam distribuições
a priori não informativas no sentido de Jeffreys para os parâmetros da distribuição
e hiperparâmetros da distribuição dos efeitos aleatórios, posteriormente utilizam as
distribuições marginais a posteriori dos mesmos para obter a distribuição dos tempos
de falha das unidades sob teste e de uma unidade futura através da distribuição preditiva
a posteriori dos tempos de falha.
19 1.4. Objetivos do Trabalho
1.4 Objetivos do Trabalho
Os objetivos deste trabalho são:
1. Apontar as inconsistências teóricas presentes em Hamada (2005).
2. Apresentar uma proposta de abordagens alternativas encontradas para a análise
de tempos de falha via Modelos de Degradação 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 situações de dados
simulados.
4. Aplicar a proposta de análise aos dados de rodas de trem e emissores de laser.
1.5 Organização deste Texto
O presente texto está organizado da seguinte forma. No Capítulo 2 são apresentados
os métodos estatísticos para estimação dos parâmetros em modelos de degradação com
abordagem pela estatística clássica. No Capítulo 3 fornecemos a especificação do modelo
linear sob o enfoque bayesiano, seguido das metodologias apresentadas nos artigos de
Hamada (2005), Robinson e Crowder (2000) e a proposta de análise realizada nesta
dissertação, além de evidenciar-se analiticamente a inconsistência teórica em Hamada
(2005). No Capítulo 4 mostra-se empiricamente a inconsistência teórica presente em
Hamada (2005). Para esta avaliação empírica utilizam-se dados simulados. Os mesmos
são utilizadas para avaliar a proposta de análise deste texto em relação aos métodos
de Hamada (2005) e Robinson e Crowder (2000), com mais foco neste primeiro. No
Capítulo 5 os dados de emissores de laser presentes em Hamada (2005) e os dados de
Capítulo 1. Introdução 20
rodas de trem (Freitas et al., 2009, 2010) são reanalizados pela metodologia proposta
na dissertação, além disso, comparam-se os resultados com os daqueles autores (apenas
o enfoque bayesiano). No Capítlo 6 são apresentadas as conclusões do estudo.
Capítulo 2
Métodos Estatísticos Baseados em
Inferência Clássica para Estimação
de Parâmetros em Modelos de
Degradação
Neste capítulo serão brevemente apresentados os principais métodos de estimação e
análise de dados de degradação baseados em inferência clássica. Embora tais métodos
não sejam o foco do presente trabalho, a nomenclatura para modelos de degradação
é introduzida através dos mesmos. Além disso, o leitor poderá apreciar melhor a es-
trutura da verossimilhança que será introduzida na inferência bayesiana (Seção 3.2.1).
Uma abordagem completamente bayesiana de estimação para modelos de degradação é
apresentada no Capítulo 3.
Antes de iniciarmos a apresentação dos métodos, introduzimos a notação que será
utilizada extensivamente ao longo deste texto e as simplificações que se fizeram neces-
Capítulo 2. Métodos Estatísticos Baseados em Inferência Clássica para Estimação de
Parâmetros em Modelos de Degradação 22
sárias. Na literatura estatística, a convenção usual é denotar a variável aleatória por
uma letra maiúscula (e.g., Y
ij
é a variável aleatória que representa a resposta a ser
observada para a i-ésima unidade no j-ésimo tempo) e o valor observado dessa variável
aleatória (“os dados”) pela letra minúscula correspondente (e.g., y
ij
é o valor observado
de Y
ij
). Para a maior parte deste texto essa convenção será mantida. Entretanto, se
nos desviarmos desta notação, estará claro pelo contexto se estamos nos referindo à
variável aleatória ou à sua realização (seu valor observado).
Além disso, a notação f
Y

| θ

(y



) será utilizada para representar a função densidade
de probabilidade do vetor aleatório Y

, indexado pelo vetor de parâmetros θ

, avaliada no
vetor de valores observados (“os dados”) y

. De maneira equivalente, F
Y

| θ

(y



) é a função
distribuição acumulada de probabilidade de Y

associada a f
Y

| θ

(y



). Tal notação é
similar para as demais funções distribuição densidade e acumulada de probabilidade.
2.1 O Método Aproximado
Seja o modelo dado em (1.3). O método aproximado, introduzido por Meeker e
Escobar (1998), consiste de dois passos. O primeiro é uma análise separada para cada
perfil de modo a definir (estimar) quando o limiar de degradação D
f
é alcançado, o que
caracteriza a falha.
Ao tempo de falha estimado, obtido da solução da equação de degradação em relação
a t quando a degradação é igual à degradação crítica, dá-se o nome “pseudo tempo de
falha”. Os “pseudo tempos de falha” são analisados como uma amostra completa de
tempos de falha para a estimação de F
T| θ

(t|θ

), em que θ

= (θ
1

2
, . . . ,θ
q
)
t
é o vetor de
parâmetros, fixos, da distribuição dos efeitos aleatórios Λ
β

| θ





), os quais no Método
Aproximado são tratados como fixos. Formalmente, temos:
1. Para cada unidade i utilize o modelo Y
ij
= D(t
ij
; α

; β
i

) + ε
ij
e a amostra ob-
23 2.2. O Método Analítico
servada (t
i1
,y
i1
), . . . ,(t
im
i
,y
im
i
) para encontrar as estimativas de máxima verossi-
milhança (condicionadas) de α

= (α
1

2
, . . . ,α
r
)
t
e β
i

= (β
i1

i2
, . . . ,β
ip
)
t
. Note
que fixando-se i, as estimativas são obtidas para uma unidade experimental es-
pecífica. Portanto o vetor β
i

= (β
i1

i2
, . . . ,β
ip
)
t
é tratado como fixo. O vetor
α

= (α
1

2
, . . . ,α
r
)
t
de efeitos fixos, que no modelo geral (1.3) é comum para
todas as unidades, também será estimado para cada uma separadamente. Denote
tais estimativas ˆ α
i

e
ˆ
β
i

, as quais também podem ser obtidas através de mínimos
quadrados.
2. Para cada unidade i resolva as equações D
i
(t; ˆ α
i
;
ˆ
β
i
) = D
f
para t e obtenha a
solução
ˆ
t
1
, . . . ,
ˆ
t
n
(“pseudo tempos de falha”).
3. Execute o procedimento convencional de análise de tempo de falha (Nelson, 1990)
para os “pseudo tempos de falha”
ˆ
t
1
, . . . ,
ˆ
t
n
para estimar F
T| θ

(t|θ

).
O método é adequado para caminhos de degradação relativamente simples, e para
os quais os dados sejam suficientes para estimar α
i

e β
i

. O horizonte de extrapolação
deve ser curto, uma vez que o modelo desconsidera erros de previsão e os erros inerentes
aos valores de degradação observados.
2.2 O Método Analítico
Para modelos de degradação mais simples, F
T| θ

(t|θ

) pode ser expressa de forma
fechada. O exemplo a seguir ilustra o caso.
Suponha que o perfil real de degradação de uma unidade particular seja dado por
D(t) = α + βt, em que α é efeito fixo e representa a degradação inicial de todas as
unidades sob teste, ou seja, D(0) = α; β é a taxa de degradação que varia de unidade
para unidade (corresponde ao efeito aleatório) de acordo com uma distribuição log-
Capítulo 2. Métodos Estatísticos Baseados em Inferência Clássica para Estimação de
Parâmetros em Modelos de Degradação 24
normal com parâmetros µ
β
e σ
β
> 0.
Para o nível crítico D
f
tem-se:
D
f
= α +βT e T = g(β; α; D
f
,D) =
D
f
−α
β
em que g é a transformação da variável aleatória (v.a.) β na v.a. T, e T é o tempo até
a falha.
A função distribuição acumulada de T é dada por:
F
T|α,β
(t|α,β) = P (T ≤ t|α,β)
= P
_
D
f
−α
β
≤ t|α,β
_
= P
_
β ≥
D
f
−α
t
|α,β
_
F
T|α,µ
β

β
(t|α,µ
β

β
) = 1 −Φ
nor
_
log(D
f
−α) −log t −µ
β
σ
β
|α,µ
β

β
_
= Φ
nor
_
−[log(D
f
−α) −log t −µ
β
]
σ
β
|α,µ
β

β
_
= Φ
nor
_
log t −[log(D
f
−α) −µ
β
]
σ
β
|α,µ
β

β
_
, t > 0
em que Φ
nor
é a função distribuição acumulada de uma distribuição normal padrão.
Neste caso, T também é log-normal com parâmetro de escala t
0,50|α,µ
β

β
= exp(µ
T
) =
µ
T
= [log(D
f
−α) −µ
β
] e parâmetro de forma σ
T
= σ
β
> 0. Outras funções den-
sidade de probabilidade podem ser utilizadas para estimar F
T
(t) utilizando o mesmo
procedimento. Resultados para outras distribuições como Weibull, Normal (Gaussiana)
e Bernstein podem ser encontradas em Lu e Meeker (1993). Note que mesmo neste caso
é preciso estimar os parâmetros da distribuição dos efeitos aleatórios β

.
25 2.3. O Método de Dois Estágios
2.3 O Método de Dois Estágios
Este método foi apresentado por Lu e Meeker (1993) e parte do pressuposto de que
o vetor de efeitos aleatórios β

, ou alguma reparametrização apropriada φ

= H(β

) segue
uma distribuição Normal Multivariada. A seguir são explicitados os passos do método.
Estágio 1
1. Para cada unidade amostral i (i = 1, . . . ,n), ajuste o modelo de degradação
(1.3) (através de mínimos quadrados) e obtenha as estimativas de Estágio
1 para os parâmetros do modelo (α

; β
i

). Em outras palavras, para cada
unidade i (i = 1, . . . ,n), ( ˆ α
i

;
ˆ
β
i

) são, respectivamente, as estimativas de
mínimos quadrados para os parâmetros de efeito fixo e aleatório do mo-
delo. Vale aqui a mesma observação feita no passo 1 do método aproximado.
Ainda, um estimador da variância do erro σ
2
ε
, obtida da i-ésima unidade é o
erro quadrático médio:
σ
2
ε

=
_
¸
¸
¸
_
m
i

i=1
_
y
ij
−D
_
t
ij
; ˆ α
i

;
ˆ
β
i

__
2
(m
i
−q)
_
¸
¸
¸
_
, em que q = p +r.
2. Assuma que, para alguma reparametrização apropriada (e.g, transformação
de Box e Cox, 1964), ˆ φ
i

= H(
ˆ
β
i

) é aproximadamente distribuído segundo
uma normal multivariada com média assintótica µ
φ

e matriz de variância e
covariância Σ
φ

.
Estágio 2
No segundo estágio, os estimadores ( ˆ α
i

; ˆ φ
i

) (i = 1, . . . ,n) são combinados para
construir os estimadores de dois estágios dos parâmetros do modelo de degradação.
Os estimadores de α

, µ
φ

e Σ
φ

são, respectivamente,
Capítulo 2. Métodos Estatísticos Baseados em Inferência Clássica para Estimação de
Parâmetros em Modelos de Degradação 26
ˆ α

=
n

i=1
ˆ α
i

n
ˆ µ
φ

=
n

i=1
ˆ φ
i

n
ˆ
Σ
φ

=
_
¸
¸
¸
_
n

i=1
_
ˆ φ
i

− ˆ µ
φ

__
ˆ φ
i

− ˆ µ
φ

_
t
(n −1)
_
¸
¸
¸
_

n

i=1
ˆ var
ε
_
ˆ φ
i

_
n
Estimação Pontual de F
T|α


φ


φ

(t|α


φ


φ

)
A estimativa
ˆ
F
T|α


φ


φ

(t|α


φ


φ

) de F
T|α


φ


φ

(t|α


φ


φ

) pode ser avaliada
para qualquer nível de precisão desejada através de simulação Monte Carlo. Os
passos básicos são:
1. Estime os parâmetros α

, µ
φ

e Σ
φ

de n perfis de degradação utilizando o
método de dois estágios.
2. Gere N realizações ˜ φ

de φ

da distribuição N
_
ˆ µ
φ

;
ˆ
Σ
φ

_
e obtenha as N
correspondentes realizações β


de β

a partir de H
−1
( ˜ φ

), em que N é grande
(e.g., N = 100.000) e H
−1
é a transformada inversa de H. Em casos para
os quais F
β

(· ) de β

é conhecida, as realizações β


de β

podem ser geradas
diretamente desta distribuição. Tais valores podem ser aplicados nos passos
3 e 4.
3. Calcule os N tempos de falha t

simulados substituindo β


emD
f
= D(β

; ˆ α

; t).
4. Estime F
T|α


φ


φ

(t|α


φ


φ

) da distribuição empírica simulada para qual-
quer valor desejado de t da seguinte maneira:
ˆ
F
T|α


φ


φ

(t|α


φ


φ

) =
[N´ umero de tempos de falha t

≤ t]
N
27 2.4. O Método Numérico
O erro Monte Carlo é facilmente calculado através da distribuição binomial. Este
erro pode ser minimizado fazendo-se N suficientemente grande. Intervalos de con-
fiança podem ser construídos através de procedimentos bootstrap (Efron, 1985).
O número de observações em cada nível afeta a acurácia da estimação dos parâme-
tros do modelo para cada um dos perfis individuais (Lu e Meeker, 1993). No
desenvolvimento do método de dois estágios, Lu e Meeker (1993) assumiram que
o número de observações para cada perfil era suficientemente grande para garantir
as propriedades assintóticas dos estimadores. Para o modelo utilizado no artigo,
os autores concluíram através de um estudo por simulação (não incluído no artigo)
que a normalidade assintótica era garantida com um número mínimo de m
i
= 7
observações (i = 1,2,...n) para cada uma das n unidades amostrais.
2.4 O Método Numérico
O método numérico, apresentado por Meeker e Escobar (1998) consiste na esti-
mação dos parâmetros do modelo geral de degradação (1.3) pelo método de máxima
verossimilhança e, posteriormente, a obtenção de F
T
(t) através de simulação de Monte
Carlo.
Primeiramente é necessário retomar o modelo geral (1.3) e introduzir uma notação
adicional que será utilizada ao longo do texto nas próximas seções e capítulos. A
referência básica é o trabalho de Robinson e Crowder (2000).
Seja o modelo geral de degradação (1.3):
Y
ij
= D(t
ij
; α


i

) +ε
ij
i = 1, . . . ,n; j = 1, . . . ,m
i
em que,
Capítulo 2. Métodos Estatísticos Baseados em Inferência Clássica para Estimação de
Parâmetros em Modelos de Degradação 28
• Y
ij
é variável aleatória que representa a j-ésima medida de degradação da i-ésima
unidade amostral, no j-ésimo tempo pré-específicado t
ij
;
• α

= (α
1
, . . . ,α
r
)
t
é o vetor de parâmetros fixos (associado aos efeitos fixos), des-
conhecido e comum à todas as unidades;
• β
i

= (β
i1
, . . . ,β
ip
)
t
é o vetor de parâmetros aleatórios (coeficientes dos efeitos
aleatórios do modelo) e que varia entre as unidades experimentais.
As suposições básicas do modelo são:
1. Os β
i

’s (i = 1, . . . ,n) são iid e seguem uma distribuição multivariada Λ
β

| θ





)
indexada por um vetor fixo de parâmetros θ

= (θ
1
, . . . ,θ
q
)
t
desconhecido.
Seja f
β

| θ





) a função densidade associada a Λ
β

| θ





). Portanto, Λ
β
i

| θ


i



) =
Λ
β

| θ





) e f
β
i

| θ


i



)=f
β

| θ





) ∀ i = 1, . . . ,n, em que f
β
i

| θ


i



) é a função
densidade do vetor de efeito aleatório β
i

.
2. Os erros ε
ij
são iid N(0,σ
2
ε
), em que σ
2
ε
é fixo e desconhecido. Seja f
ε
ij

2
ε

ij

2
ε
)
a função densidade de probabilidade dos ε
ij
’s. Assim:
f
ε
ij

2
ε

ij

2
ε
) =
1

2πσ
2
ε
exp
_

1

2
ε
ε
2
ij
_
em que, i = 1, . . . ,n e j = 1, . . . ,m
i
.
3. os vetores aleatórios β
i

e ε
i

= (ε
i1
, . . . ,ε
im
i
)
t
são independentes para todo i =
1,2, . . . ,n.
Seja Y
i

= (Y
i1
,Y
i2
, . . . ,Y
im
i
)
t
o vetor aleatório que denota as medidas de degradação
da i-ésima unidade, e y
i

= (y
i1
,y
i2
, . . . ,y
im
i
)
t
o vetor de observações (“os dados”) da
i-ésima unidade.
29 2.4. O Método Numérico
De maneira análoga, seja Y

= (Y
1

, . . . ,Y
n

)
t
o vetor aleatório que representa o con-
junto completo de medidas de degradação para as n unidades, e y

= (y
1

, . . . ,y
n

)
t
os
dados observados durante o período de ensaios.
Seja B

= (β
1


2

, . . . ,β
n

)
t
= (β
11

12
, . . . ,β
1p
; β
21

22
, . . . , β
2p
; . . . ; β
n1

n2
, . . . ,β
np
)
t
que agrega todos os parâmetros aleatórios do modelo (para todas as n unidades expe-
rimentais).
Denote a função densidade de Y
i

como f
Y
i




i

, θ


2
ε
(y
i




i




2
ε
). Assim pela su-
posição de independência de β
i

e ε
ij
(∀ i,j), tem-se que as funções densidade de proba-
bilidade de Y

e B

são dadas respectivamente por:
f
Y



,B

, θ


2
ε
(y



,B




2
ε
) =
n

i
f
Y
i




i

, θ


2
ε
(y
i




i




2
ε
) (2.1)
f
B

| θ

(B



) =
n

i
f
β
i

| θ


i



) (2.2)
Sejam α

, θ

e σ
2
ε
os parâmetros (fixos) a serem estimados. De (2.1) e (2.2), segue
que a expressão geral da função de verossimilhança é dada por:
f
Y



, θ


2
ε
(y






2
ε
) =

Ξ
B

f
Y

,B



, θ


2
ε
(y

,B






2
ε
)dB

=

Ξ
β
1

· · ·

Ξ
β
n

f
Y

,B



, θ


2
ε
(y

,B






2
ε
)dβ
1

. . . dβ
n

=

Ξ
β
1

· · ·

Ξ
β
n

_
f
Y



,B

, θ


2
ε
(y



,B




2
ε
)f
B

| θ

(B



)
_

1

. . . dβ
n

=
n

i=1

Ξ
β
1

· · ·

Ξ
β
n

_
f
Y
i




i

, θ


2
ε
(y
i




i




2
ε
)f
β
i

| θ


i



)
_

1

. . . dβ
n

(2.3)
Capítulo 2. Métodos Estatísticos Baseados em Inferência Clássica para Estimação de
Parâmetros em Modelos de Degradação 30
em que, Ξ
B

= (Ξ
β
1

, . . . ,Ξ
β
n

) é o suporte de B

, e Ξ
α

é o suporte de α

.
Note que com a suposição de que os erros são iid N(0,σ
2
ε
), Y
i

tem distribuição
Normal Multivariada de ordem m
i
, ou seja, Y
i




i




2
ε
são independentemente dis-
tribuídos
_
indep.

_
segundo uma distribuição N
m
i

Y
i

; Σ
Y
i

), em que µ
Y
i

é o vetor de
médias (de dimensão m
i
× 1 dado por µ
Y
i

= E(Y
i

) =
_
D(t
i1
; α


i

), . . . ,D(t
im
i
; α


i

)
_
t
e matriz de variância-covariância Σ
Y
i

= σ
2
ε
I
m
i
, na qual I
m
i
é a matriz identidade de
ordem m
i
.
Além disso, Y
ij



i




2
ε
indep.
∼ N(D
i
(t
ij
; α


i

); σ
2
ε
) em que j = 1, . . . ,m
i
. Portanto,
em (2.3), f
Y
i




i

, θ


2
ε
(y
i




i




2
ε
) =

m
i
j=1
N(D
i
(t
ij
; α


i

); σ
2
ε
), de onde segue a função
de verossimilhança (2.4):
f
Y



, θ


2
ε
(y






2
ε
) =
n

i=1

Ξ
β
1

· · ·

Ξ
β
n

_
f
Y
i




i

, θ


2
ε
(y
i




i




2
ε
)f
β
i

| θ


i



)
_

1

. . . dβ
n

=
n

i=1

Ξ
β
1

· · ·

Ξ
β
n

_
_
_
_
_
m
i

j=1
N(D
i
(t
ij
; α


i

); σ
2
ε
)
_
_
f
β
i

| θ


i



)
_
_
_

1

. . . dβ
n

(2.4)
A estimação de α

, θ

e σ
2
ε
é então obtida pela maximização da função (2.4). En-
tretanto a integração nos β
i

’s em geral apresenta problemas. A solução é resolver as
integrais numericamente. Contudo, mesmo numericamente, a dificuldade de resolução
aumenta com o aumento da dimensão de β
i

.
Uma suposição adicional, em geral implementada, é a de que os β
i

’s são iid segundo
uma Normal Multivariada de ordem p, ou seja, neste caso θ

= (µ
β


β

) e β
i


β


β

iid

N
p

β


β

), em que Σ
β

é a matriz de variância-covariância.
Portanto, na expressão da verossimilhança (2.4), f
β
i

| θ


i



) = f
β
i


β


β


i


β


β

)
é a função densidade da N
p

β


β

), para todo i = 1, . . . ,n. Tal como:
31 2.4. O Método Numérico
f
β
i


β


β


i


β


β

) =
1
(2π)
p/2

β

|
1/2
exp
_

1
2

i

−µ
β

)
t
Σ
−1
β


i

−µ
β

)
_
Nesse caso em que os β
i

’s são normalmente distribuídos, as funcões LME (modelo
linear de efeitos mistos lineares) e NLME (modelo não-linear de efeitos mistos), im-
plementadas no Software R 2.9.0 (R Development Core Team, 2005) no pacote NLME
Pinheiro et al. (2008), podem ser utilizadas para cálculo das estimativas de máxima
verossimilhança aproximadas dos parâmetros α

, θ

=
_
µ
β


β

_
e σ
2
ε
(Pinheiro e Bates,
2000).
Assim, das estimativas de α

, θ

=
_
µ
β


β

_
e σ
2
ε
, F
T|α

, θ


β
(t|α




β
) pode ser
obtida via integração direta.
Contudo, o tempo computacional para avaliação das integrais irá aumentar expo-
nencialmente com o aumento das dimensões das integrais. Uma alternativa é calcular
F
T|α

, θ


β
(t|α




β
) via simulação de Monte Carlo, de forma bastante similar àquela a-
presentada na etapa de Estimação Pontual de F
T|α


φ


φ

(t|α


φ


φ

), na Seção 2.3.
Capítulo 3
Especificação do Modelo de
Degradação Sob Abordagem
Bayesiana
Dada a natureza aproximadamente linear dos perfis de degradação em estudo neste
texto (veja as Figuras 1.2 e 1.3), será apresentada a especificação do modelo de degrada-
ção sob a abordagem bayesiana considerando-se aquela linearidade. O mesmo modelo
será utilizado para ambas as situações práticas deste texto.
3.1 Método Baseado em Inferência Bayesiana
A inferência bayesiana permite estimar parâmetros desconhecidos de um modelo e
avaliar a incerteza sobre ele através da distribuição a posteriori. Ou seja, a inferên-
cia resultante é a distribuição de probabilidade a posteriori dos parâmetros desconhe-
cidos do modelo. Essa tarefa é executada combinando a informação a priori sobre
33 3.1. Método Baseado em Inferência Bayesiana
η

= (η
1
, . . . ,η
s
), em que s é o número de parâmetros do modelo, com a informação con-
tida nos dados. A informação a priori é, em geral, descrita por uma função densidade de
probabilidade f
η



), conhecida como distribuição a priori de η

. Esta distribuição é uma
escolha subjetiva e descreve o conhecimento inicial (antes de se observar os dados) do es-
pecialista sobre η

. A informação fornecida pelos dados resumida na função de verossim-
ilhança f
Y



(y



) = f
Y
11
,...,Y
1m
1
,...,Y
n1
,...,Y
nm
n


(y
11
, . . . ,y
1m
1
, . . . ,y
n1
, . . . ,y
nm
n


). A in-
formação combinada é então descrita por outra função densidade de probabilidade
F
η|Y

(η|y), chamada distribuição a posteriori de η

. O teorema de Bayes fornece a
maneira de calcular essa distribuição a posteriori, que é dada por:
f
η

|Y



|y

) =
f
Y



(y



)f
η



)

Ξ
η

f
Y



(y



)f
η



)dη

(3.1)
em que

Ξ
η

f
Y



(y



)f
η



)dη

é a distribuição preditiva de y

, a priori, e Ξ
η

é o espaço
paramétrico de η

.
O maior problema da inferência bayesiana reside em calcular a integral em (3.1).
Todavia, com os avanços dos métodos computacionais tornou-se fácil obter amostras
de f
η

|Y



|y

) (Geman e Geman, 1984; Gelfand e Smith, 1990; Casella e George, 1992;
Chib e Greenberg, 1995). Todos estes trabalhos mostram como obter uma amostra
da distribuição a posteriori através de simulação Monte Carlo via Cadeias de Markov
(métodos MCMC). Uma apresentação detalhada dos métodos MCMC podem ser en-
contrados, por exemplo, em Gamerman e Lopes (2006).
Para dados de degradação, a exclusiva estimação da distribuição dos parâmetros do
modelo é insuficiente para a obtenção da distribuição dos tempos de falha das unidades
sob teste e das unidades futuras (que não se encontram no escopo da amostra, ou seja,
alguma unidade qualquer da população). É necessária a exploração da relação entre os
parâmetros e tempos de medição, estabelecida pelo modelo (1.3). Usando essa relação,
Capítulo 3. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 34
a distribuição dos tempos de falha poderá ser obtida através de f
η

|Y



|y

).
3.2 Modelo com Efeito Aleatório Weibull
3.2.1 Construção da Função de Verossimilhança
Seja Y

= (Y
1

, . . . ,Y
n

) em que Y
i

= (Y
i1
, . . . ,Y
im
i
) denota o vetor aleatório de me-
didas feitas na unidade amostral i, i = 1, . . . ,n (perfis de degradação). Seja B

=

1
, . . . ,β
n
)
t
o vetor que contém todos os vetores de efeitos aleatórios das n unidades
experimentais.
Da Figura 1.2 e 1.3 na Seção 1.1 percebe-se que os perfis de degradação são apro-
ximadamente lineares. Hamada (2005) utilizou, para os dados de lasers, um modelo
no qual o verdadeiro perfil de degradação no tempo t, para o i-ésimo perfil amostral é
dado por:
D
i
(t) =
_
1
β
i
_
t (3.2)
Fazendo D
f
= D
i
(T
i
) é possível obter o tempo de falha para o perfil i, da seguinte
forma:
T
i
= D
f
β
i
(3.3)
Portanto, o modelo que descreve Y
ij
isto é, a degradação do i-ésimo perfil no tempo
t
ij
toma a seguinte forma:
Y
ij
= D
ij
= D(t
ij

i
) +ε
ij
=
_
1
β
i
_
t
ij

ij
(3.4)
em que i = 1, . . . ,n (perfis) , j = 1, . . . ,m
i
(medidas).
35 3.2. Modelo com Efeito Aleatório Weibull
Fazendo referêcia à notação do Capítulo 2, note que no caso do modelo 3.4, β
i

= β
i
(um escalar, ∀ i = 1, . . . ,n) e, portanto, B

= (β
1

, . . . ,β
n

)
t
neste caso é B

= (β
1
, . . . ,β
n
)
t
.
Para facilitar a notação, visto que β
i
é um escalar, B

e β

serão utilizados ao longo deste
e dos próximos capítulos.
Além disso, assume-se que
ε
ij

2
ε
iid
∼ N
_
0; σ
2
ε
_
. (3.5)
Conseqüentemente, tem-se que
Y
ij

i

2
ε
indep
∼ N
_
1
β
i
t
ij
; σ
2
ε
_
. (3.6)
Sendo Y
i

= (Y
i1
, . . . ,Y
im
i
), segue-se então que
Y
i

i

2
ε

indep
∼ N
m
i
_
µ
i

; σ
2
ε
I
m
i
_
= N
m
i
_
1
β
i
t
i

t
; σ
2
ε
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:
µ
i

=
_
¸
¸
¸
¸
_
1
β
i
t
i1
.
.
.
1
β
i
t
im
i
_
¸
¸
¸
¸
_
Então tem-se que a distribuição conjunta de Y

,B




2
ε
é:
Capítulo 3. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 36
f
Y

,B

| θ


2
ε
(y

,B




2
ε
) = f
Y

|B


2
ε
(y

|B


2
ε
)f
B

| θ

(B



)
=
n

i=1
_
f
Y
i


i


2
ε
(y
i


i


2
ε
)f
β
i

| θ


i



)
_
=
n

i=1
_
_
_
_
_
m
i

j=1
f
Y
ij

i


2
ε
(y
ij

i


2
ε
)
_
_
f
β
i

| θ


i



)
_
_
_
=
n

i=1
_
_
_
_
_
m
i

j=1
_
1
2πσ
2
ε
_
1/2
exp
_

1

2
ε
_
y
ij

t
ij
β
i
_
2
_
_
_
f
β
i
| θ


i


)
_
(3.8)
Ainda, estabeleceu-se que a degradação inicial é y
i1
= 0 para todas as unidades.
Note que a equação (3.8) é bastante similar à equação (2.4), exceto pelas integrais. Para
a inferência bayesiana, diferentemente do procedimento da estatística clássica, não são
efetuadas a integrações no espaço paramétrico dos efeitos aleatórios. O procedimento
bayesiano para estimação dos parâmetros na equação (3.8) surge naturalmente como
evidenciado na Seção 3.2.2.
3.2.2 Especificação das Distribuições a priori
Assim como em Robinson e Crowder (2000), determinamos a distribuição conjunta
a posteriori dos parâmetros como se segue:
37 3.2. Modelo com Efeito Aleatório Weibull
f
β

, θ


2
ε
|Y



, θ


2
ε
|y

) =
f
Y



, θ


2
ε
( y



, θ


2
ε
)
f
Y

( y

)
=
f
Y




2
ε
( y




2
ε
)f
β

| θ



| θ

)f
θ

( θ

)f
σ
2
ε

2
ε
)

Ξ
σ
2
ε

Ξ
β


Ξ
θ

f
Y




2
ε
( y




2
ε
)f
β

| θ



| θ

)f
θ

( θ

)f
σ
2
ε

2
ε
)dθ




2
ε

n

i=1
{
m
i ∏
j=1
[
f
Y
ij

i

2
ε
(y
ij

i

2
ε
)
]
f
β
i
| θ


i
| θ

)
}
f
θ



)f
σ
2
ε

2
ε
) (3.9)
Note que as notações de f
θ



) e f
σ
2
ε

2
ε
) foram suprimidas (não condicionadas pelos
respectivos parâmetros) a título de simplificação.
Essa forma expandida remete aos modelos hierárquicos (Bernardo e Smith, 1994).
Define-se a distribuição a priori para os efeitos aleatórios β

i
s, e σ
2
ε
através de
f
β
i
| θ


i


) e f
σ
2
ε

2
ε
), respectivamente.
Defina θ

= (δ,λ)
t
, dessa maneira assume-se β
i


= β
i
|(δ,λ)
t
∼ Weibull(δ,λ) como
distribuição a priori para os efeitos aleatórios de cada perfil. Ou seja:
β
i


= β
i
|(δ,λ) ∼ Weibull(δ,λ) (3.10)
f
β
i
|δ,λ

i
|δ,λ) = δλ(β
i
)
δ−1
exp
_
−λβ
δ
i
_
β
i
> 0, δ > 0 e λ > 0 (3.11)
Hamada (2005) utilizou exatamente a distribuição a priori na equação (3.10) para
os efeitos aleatórios β
i
, o que é razoável ser assumido aqui, pois os perfis apresentados
nas Figuras 1.2 e 1.3 indicam que a degradação é positiva. Ainda, a distribuição Weibull
é flexível o bastante para definir distribuições a priori tanto informativas quanto não
informativas (no sentido de atribuir massa probabilística aproximadamente igual para
todos os valores no suporte de β
i
).
Assume-se, como usualmente utilizado na literatura e inclusive em Hamada (2005),
que σ
2
ε
|a
3
,b
3
∼ GammaInvertida(a
3
,b
3
), ou seja, distribuição a priori de σ
2
ε
tem a
Capítulo 3. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 38
seguinte densidade:
f
σ
2
ε
|a
3
,b
3

2
ε
|a
3
,b
3
) =
b
a
3
3
Γ(a
3
)
_
σ
2
ε
_
−(a
3
+1)
e
b
3

2
ε
; σ
2
ε
> 0, a
3
> 0, b
3
> 0 (3.12)
Ainda, é possível especificar no modelo hierárquico as chamadas “hiperprioris”, isto
é, f
θ



) = f
δ
(δ)f
λ
(λ). Aqui assumimos
δ|a
1
,b
1
∼ Gamma(a
1
; b
1
) (3.13)
f
δ|a
1
,b
1
(δ|a
1
,b
1
) =
b
a
1
1
Γ(a
1
)
δ
a
1
−1
e
b
1
δ
; δ > 0, a
1
> 0, b
1
> 0 (3.14)
λ|a
2
,b
2
∼ Gamma(a
2
; b
2
) (3.15)
f
λ|a
2
,b
2
(λ|a
2
,b
2
) =
b
a
2
2
Γ(a
2
)
λ
a
2
−1
e
b
2
λ
; λ > 0, a
2
> 0, b
2
> 0 (3.16)
As famílias de distribuições Gamma(a,b) e GammaInvertida(a,b), com valores de a
e b tendendo a zero, são usualmente utilizadas na literatura definir distribuições a priori
pouco informativas para δ e λ (no sentido de dar massa probabilística aproximadamente
igual para todos os valores no suporte do parâmetro que modelam).
Especificadas as distribuições a priori, para fazermos inferências necessitamos en-
contrar as distribuições a posteriori. Para o problema em questão a distribuição a
posteriori não tem forma fechada, por isto utilizaremos métodos MCMC. Iniciamos por
encontrar as distribuições condicionais completas.
39 3.2. Modelo com Efeito Aleatório Weibull
3.2.3 Especificação das Distribuições Condicionais Completas
As distribuições condicionais completas a posteriori para cada parâmetro são obti-
das a partir da distribuição conjunta f
β

, θ


2
ε
|Y






2
ε
|Y

). Para facilitar os cálculos será
utilizada uma parametrização diferente para a distribuição Normal, que até então era
da forma N(µ,σ
2
ε
), e agora assume a forma N(µ,τ), em que 1/σ
2
ε
= τ. A primeira
conseqüência dessa reparametrização é que distribuição a priori de τ é:
τ|a
3
,b
3
∼ Gamma(a
3
; b
3
) (3.17)
f
τ|a
3
,b
3
(τ) =
b
a
3
3
Γ(a
3
)
τ
a
3
−1
e
b
3
τ
; τ > 0, a
3
> 0, b
3
> 0 (3.18)
Dessa maneira a distribuição a posteriori dos parâmetros pode ser escrita como:
f
β

,δ,λ,τ|Y



,δ,λ,τ|y

) ∝ f
Y





(y





)f
β

|δ,λ


|δ,λ)f
δ
(δ)f
λ
(λ)f
τ
(τ)

n

i=1
_
_
_
m
i

j=1
_
f
Y
ij

i

(y
ij

i
,τ)
_
f
β
i
|δ,λ

i
|δ,λ)
_
_
_
f
δ
(δ)f
λ
(λ)f
τ
(τ)

n

i=1
_
_
_
m
i

j=1
_
f
Y
ij

i

(y
ij

i
,τ)
_
f
β
i
|δ,λ

i
|δ,λ)
_
_
_
f
δ
(δ)f
λ
(λ)f
τ
(τ)
(3.19)
Da equação (3.19) tem-se que:
Capítulo 3. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 40
f
β

,δ,λ,τ|Y



,δ,λ,τ|y

) ∝
n

i=1
_
_
_
m
i

j=1
_
f
Y
ij

i

(y
ij

i
,τ)
_
f
β
i
|δ,λ

i
|δ,λ)
_
_
_
f
δ
(δ)f
λ
(λ)f
τ
(τ)

n

i=1
m
i

j=1
_
τ

_
1/2
exp
_

τ
2
_
y
ij

t
ij
β
i
_
2
_
n

i=1
δλ(β
i
)
δ−1
exp
_
−λβ
δ
i
_
b
a
1
1
Γ(a
1
)
δ
a
1
−1
exp{b
1
δ}
b
a
2
2
Γ(a
2
)
λ
a
2
−1
exp{b
2
λ}
b
a
3
3
Γ(a
3
)
τ
a
3
−1
exp{b
3
τ} (3.20)
A distribuição condicional completa de cada um dos parâmetros é dada por:
f
β
i


[−i]
,δ,λ,τ,Y


i


[−i]
,δ,λ,τ,y

) ∝ f
Y


i

(y
i


i
,τ)f
β
i
|δ,λ

i
|δ,λ)
∝ (β
i
)
δ−1
exp
_
−λβ
δ
i
_
m
i

j=1
exp
_

τ
2
_
y
ij

t
ij
β
i
_
2
_
(3.21)
em que β

[−i]
= (β

) − β
i
= (β
1
, . . . ,β
n
) − β
i
. Ou seja, β

[−i]
é (n − 1) dimensional pois
não contém o escalar β
i
.
f
δ|β

,λ,τ,Y

(δ|β

,λ,τ,y

) ∝ f
β

|δ,λ


|δ,λ)f
δ
(δ)
∝ δ
a
1
−1
exp{b
1
δ}
n

i=1
δ (β
i
)
δ−1
exp
_
−λβ
δ
i
_
(3.22)
41 3.3. Modelo com Efeito Aleatório Lognormal
f
λ|β

,δ,τ,Y

(λ|β

,δ,τ,y

) ∝ f
β

|δ,λ


|δ,λ)f
λ
(λ)
∝ λ
a
2
−1
exp{b
2
λ}
n

i=1
λexp
_
−λβ
δ
i
_
(3.23)
f
τ|β

,δ,λ,Y

(τ|β

,δ,λ,y

) ∝ f
Y





(y





)f
τ
(τ)
∝ τ
a
3
−1
exp{b
3
τ}
n

i=1
m
i

j=1
τ
1/2
exp
_

τ
2
_
y
ij

t
ij
β
i
_
2
_
(3.24)
A partir da distribuição condicional completa de cada parâmetro é possível obter
amostras da distribuição f
β

, θ


2
ε
|Y






2
ε
|y

) conforme descrito por Gelfand e Smith
(1990).
3.3 Modelo com Efeito Aleatório Lognormal
3.3.1 Construção da Função de Verossimilhança
Analogamente à Seção 3.2.1, pois tratam-se das mesmas suposições, para o modelo
(3.4), com base em (3.5, 3.6 e 3.7), a função de verosimilhança pode ser escrita como
na equação (3.8).
3.3.2 Especificação das Distribuições a priori
Define-se a distribuição a priori para os efeitos aleatórios β
i
’s, e σ
2
ε
através de
f
β
i
| θ


i


) e f
σ
2
ε

2
ε
), respectivamente.
Capítulo 3. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 42
Defina θ

= (µ
L

2
L
), dessa maneira assume-se β
i


= β
i
|(µ
L

2
L
)
t
∼ Lognormal(µ
L

2
L
)
como distribuição a priori para os efeitos aleatórios de cada perfil. Ou seja:
f
β
i

L

2
L

i

L

2
L
) =
1
β
i

2πσ
2
L
exp
_

(ln(β
i
) −µ
L
)
2

2
L
_
(3.25)
β
i
> 0, µ
L
= (−∞, +∞) e σ
2
L
> 0
Freitas et al. (2010) utilizou a mesma distribuição a priori na equação (3.25) para
os efeitos aleatórios β
i
quando modelou a degradação das mesmas rodas de trem deste
texto (Figura 1.2).
Assume-se que σ
2
ε
|a
3
,b
3
∼ GammaInvertida(a
3
,b
3
), da mesma forma estabelecida
na equação (3.12).
Ainda, é possível especificar no modelo hierárquico as chamadas “hiperprioris”, isto
é, f
θ



) = f
µ
L

L
)f
σ
2
L

2
L
). Aqui assumimos
µ
L
|a
4
; b
2
4
∼ N(a
4
; b
2
4
) (3.26)
f
µ
L
|a
4
;b
2
4

L
|a
4
; b
2
4
) =
_
1
2πb
2
4
_
1/2
exp
_

1
2b
2
4

L
−a
4
)
2
_
µ
L
= (−∞, +∞), a
4
= (−∞, +∞) b
4
> 0 (3.27)
σ
2
L
|a
5
,b
5
∼ GammaInvertida(a
5
,b
5
) (3.28)
f
σ
2
L
|a
5
,b
5

2
L
|a
5
,b
5
) =
b
a
5
5
Γ(a
5
)
_
σ
2
L
_
−(a
5
+1)
e
b
5

2
L
; σ
2
L
> 0, a
5
> 0, b
5
> 0 (3.29)
43 3.4. F
T
i
|Y

(t|y

) Segundo Hamada (2005)
3.3.3 Especificação das Distribuições Condicionais Completas
As distribuições condicionais completas para cada parâmetro são obtidas a partir
da distribuição conjunta f
β

, θ


2
ε
|Y






2
ε
|y

). Das distribuições condicionais completas
é possível obter amostras da distribuição f
β

, θ


2
ε
|Y






2
ε
|y

) conforme em Gelfand e
Smith (1990).
Neste texto não serão apresentadas as distribuições condicionais completas para
efeitos aleatórios com distribuição Lognormal como priori, pois elas não serão utilizadas
como argumento analítico ou teórico em nenhum momento. O software WinBUGS14
(Spiegelhalter et al., 2000) permite estimar os parâmetros do modelo de degradação
sem necessidade de especificar a expressão das distribuições condicionais completas.
3.4 F
T
i
|Y

(t|y

) Segundo Hamada (2005)
O primeiro passo da análise efetuada por Hamada (2005) consiste em encontrar a
relação existente na distribuição dos efeitos aleatórios com a distribuição tempos de
falha a partir da forma funcional do modelo de degradação. Ou seja, é utilizado o
método analítico apresentado na Seção 2.2, com a diferença de que a estimativa dos
parâmetros é obtida via inferência bayesiana.
Tomando-se como exemplo um caso no qual assume-se que os efeitos aleatórios são
β
i


= β
i
|δ,λ
iid
∼ Weibull(δ,λ), cuja função densidade de probabilidade foi definida na
equação (3.10), e seja o modelo com forma funcional como na equação (3.2), da relação
resultante na equação (3.3) a função distribuição de probabiliadade do tempo de falha
será dada por:
f
T
i



∗(t|δ



) = f
β
i
|δ,λ

i
|δ,λ)
¸
¸
¸
¸
β
i

−1
i
(t)
¸
¸
¸
¸
∂β
−1
i
(t)
∂t
¸
¸
¸
¸
(3.30)
Capítulo 3. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 44
em que β
−1
i
(T
i
) = T
i
/D
f
e θ


= (δ



) corresponde aos parâmetros da distribuição
resultante da transformação de variável. Então segue que:
f
T
i



∗(t|δ



) = δλ
_
t
D
f
_
δ−1
exp
_
−λ
_
t
D
f
_
δ
_
1
D
f
= δ
_
λ
D
δ
f
_
t
δ−1
exp
_

_
λ
D
δ
f
_
t
δ
_
(3.31)
Dessa forma concluímos que se β
i


= β
i
|δ,λ
iid
∼ Weibull(δ,λ), então T
i




=
T
i
|δ,
_
λ
D
δ
f
_
iid
∼ Weibull
_
δ,
_
λ
D
δ
f
__
.
Conseqüentemente:
F
T
i



∗(t|δ



) = F
T
i
¸
¸
¸
¸
δ,
(
λ
D
δ
f
)
_
t
¸
¸
¸
¸
δ,
_
λ
D
δ
f
__
= 1 −exp
_

_
λ
D
δ
f
_
t
δ
_
(3.32)
R
T
i



∗(t|δ



) = R
T
i
¸
¸
¸
¸
δ,
(
λ
D
δ
f
)
_
t
¸
¸
¸
¸
δ,
_
λ
D
δ
f
__
= 1 −F
T
i



∗(t|δ



)
= exp
_

_
λ
D
δ
f
_
t
δ
_
(3.33)
45 3.4. F
T
i
|Y

(t|y

) Segundo Hamada (2005)
t
p|δ


∗(p|δ



) = t
p
¸
¸
¸
¸
δ,
(
λ
D
δ
f
)
_
p
¸
¸
¸
¸
δ,
_
λ
D
δ
f
__
=
__
D
δ
f
λ
_
ln(1 −p)
_1
δ
(3.34)
em que a equação (3.32) corresponde à distribuição acumulada dos tempos de falha
(fornece a “fração de falha” até certo tempo t), a equação (3.33) corresponde à função
de confiabilidade dos tempos de falha, e a equação (3.34) corresponde ao percentil de
ordem p da distribuição dos tempos de falha, ou seja t
p|δ


∗(p|δ



) é o tempo para o
qual a probabilidade acumulada de falha é p = F
T
i



∗(t|δ



).
Obtidas as amostras (β
1k
, . . . , β
nk
, δ
k
, λ
k
, σ
2
ε k
) da distribuição a posteriori dos parâ-
metros (β



,τ|y

) = (β

,δ,λ,σ
2
ε
|y

) dada em (3.9), obtém-se as amostras da função dis-
tribuição acumulada a posteriori dos tempos de falha (dado por (3.32)) como se segue
na Tabela 3.1:
Tabela 3.1: Amostra - preditiva a posteriori de T via Hamada (2005)


δ λ σ
2
ε
) |y

avalie δ|y

, λ|y

em F
T
i



∗(t|δ

k


k
)


1
δ
1
λ
1
σ
2
ε
1
) |y

F
T
i



∗(t|δ

1


1
)
.
.
.
.
.
.
.
.
.
.
.
.
δ|y

, λ|y

=⇒
.
.
.


u
δ
u
λ
u
σ
2
ε
u
) |y

F
T
i



∗(t|δ

u


u
)
em que u é o tamanho da amostra da distribuições a posteriori.
A partir da amostra obtida segundo o procedimento descrito na Tabela 3.1, F
T|Y

(t|y

)
é aproximadamente estimada como
ˆ
F
T
i
|Y

(t|y

) =
u

k=1
F
T
i



∗(t|δ

k


k
)
u
(3.35)
Capítulo 3. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 46
De forma análoga, das expressões 3.33 e 3.34, obtém-se, respectivamente, que
ˆ
R
T
i
|Y

(t|y

) =
u

k=1
R
T
i



∗(t|δ

k


k
)
u
(3.36)
ˆ
t
ip|y

(p|y

) =
u

k=1
t
p|δ


∗(p|δ

k


k
)
u
(3.37)
Note que F
T
i



∗(t|δ

k


k
), R
T
i



∗(t|δ

k


k
) e t
p|δ


∗(p|δ

k


k
) são objetos aleatórios,
pois dependem dos parâmetros δ e λ, desta forma, intervalos de credibilidade para cada
uma das quantidades de interesse nas equações (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 análoga para as equações (3.36) e (3.37)).
Note que todas as quantidades de interesse estimadas por Hamada (2005) resultam
em estimativas para qualquer unidade da população, ou seja, tratam-se de estimativas
de quantidades de interesse da distribuição preditiva a posteriori dos tempos de falha
para um perfil futuro. Então, necessariamente, para o caso de Hamada (2005), i = n+1
sempre. Observe também que a equação (3.35) é na verdade uma aproximação para a
seguinte integral:
F
T
i
|Y

(t|y

) =

Ξ
θ

F
T
i
, θ

|y

(t,θ

|y

)dθ

=

Ξ
θ

F
T
i
| θ

(t|θ

)f
θ

|y



|y

)dθ

=

Ξ
θ

P(T
i
≤ t|θ

)f
θ

|y



|y

)dθ

(3.38)
usando a relação na equação (3.3) e da equação (3.32) tem-se que:
47 3.5. F
T
i
|Y

(t|y

) Segundo Robinson e Crowder (2000)
F
T
i
|Y

(t|y

) =

Ξ
δ

Ξ
λ
_
1 −exp
_

_
λ
D
δ
f
_
t
δ
__
f
δ,λ|y

(δ,λ|y

)dδdλ (3.39)
=

Ξ
θ

P
_
β
i
D
f
≤ t|θ

_
f
θ

|y



|y

)dθ

=

Ξ
θ

P
_
β
i

t
D
f
¸
¸
¸
¸
θ

_
f
θ

|y



|y

)dθ

=

Ξ
θ

t/D
f

0
f
β
i
| θ


i


)f
θ

|y



|y

)dβ
i


(3.40)
Ainda, observa-se que a integral das equações (3.39) e (3.40) levam em consideração
a distribuição a priori dos tempos de falha e dos efeitos aleatórios, ou seja, assume-se
que a distribuição dos tempos de falha e dos efeitos aleatórios se mantém a mesma a
posteriori sendo atualizadas apenas pela distribuição a posteriori de θ

.
3.5 F
T
i
|Y

(t|y

) Segundo Robinson e Crowder (2000)
3.5.1 F
T
i
|Y

(t|y

) para um Perfil sob Teste
Seja o modelo geral na equação (1.3) e a forma funcional na equação (3.4), para
uma situação na qual a degradação é crescente com o tempo (caso das situações práticas
deste texto), segue que:
Capítulo 3. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 48
F
T
i
|Y

(t|y

) =

Ξ
σ
2
ε

Ξ
θ


Ξ
β
i
F
T
i

i
, θ


2
ε
|y

(t,β
i



2
ε
|y

)dβ
i



2
ε
=

Ξ
σ
2
ε

Ξ
θ


Ξ
β
i
F
T
i

i

2
ε
(t|β
i

2
ε
)
. ¸¸ .
I
f
β
i
, θ


2
ε
|y


i



2
ε
|y

)dβ
i



2
ε
(3.41)
é a distribuição preditiva a posteriori do tempo de falha para um perfil de degradação
sob teste.
A parte I da equação (3.41) corresponde a:
F
T
i

i

2
ε
(t|β
i

2
ε
) = P
_
D(t
ij

i
) +ε
ij
≥ D
f

i

2
ε
_
= P
__
1
β
i
_
t
ij

ij
≥ D
f
¸
¸
¸
¸
β
i

2
ε
_
= 1 −Φ
_
D
f

t
ij
β
i
σ
2
ε
¸
¸
¸
¸
β
i

2
ε
_
(3.42)
As as amostras da função distribuição acumulada a posteriori dos tempos de falha
na equação são obtidas como se segue na Tabela 3.2:
Tabela 3.2: Amostra - preditiva a posteriori de T via Robinson e Crowder (2000)

1
· · · β
n
θ

σ
2
ε
) |y

avalie β
i
|y

, σ
2
ε
|y

em F
T
i

i

2
ε
(t|β
i

2
ε
)

11
· · · β
n1
θ
1

σ
2
ε
1
) |y

F
T
i

i

2
ε
(t|β
i1

2
ε
)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
β
i
|y

, σ
2
ε
|y

=⇒
.
.
.

1u
· · · β
nu
θ
u

σ
2
ε
u
) |y

F
T
i

i

2
ε
(t|β
iu

2
ε
)
Finalmente a distribuição preditiva a posteriori dos tempos de falha de uma unidade
49 3.5. F
T
i
|Y

(t|y

) Segundo Robinson e Crowder (2000)
sob teste, resultante das integrais na equação (3.41) é aproximada por:
ˆ
F
T
i
|Y

(t|y

) =
u

k=1
F
T
i

i

2
ε
(t|β
ik

2
ε
)
u
(3.43)
Dada a amostra de F
T
i

i

2
ε
(t|β
i

2
ε
) na Tabela 3.2 é possível obter intervalos de
credibilidade para F
T
i
|Y

(t|y

) tomando-se os percentis desejados.
3.5.2 F
T
i
|Y

(t|y

) para um Perfil Futuro
A distribuição preditiva a posteriori para uma unidade futura será dada pela equação
3.44, e como não é possível gerar uma amostra dos efeitos aleatórios a posteriori do
perfil de degradação futuro, assume-se a amostra a posteriori de β

|y

como a amostra a
posteriori de β
n+1
|y

. A amostra de F
T
i

i

2
ε
(t|β
i

2
ε
) fica como na Tabela 3.3:
ˆ
F
T
n+1
|Y

(t|y

) =
n

i=1
u

k=1
F
T
i

i

2
ε
(t|β
ik

2
ε
)
nu
(3.44)
Tabela 3.3: Amostra - preditiva a posteriori de um perfil futuro via Robinson e Crowder
(2000)
avalie

1
· · · β
n
θ

σ
2
ε
) | y

β

| y

, σ
2
ε
| y

F
T
i

i

2
ε
(t|β
i

2
ε
)
em

11
· · · β
n1
θ

1
σ
2
ε1
) | y

F
T
i

i

2
ε
(t|β
11

2
ε
) · · · F
T
i

i

2
ε
(t|β
n1

2
ε
)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
β

| y

, σ
2
ε
| y

=⇒
.
.
.
.
.
.
.
.
.

1u
· · · β
nu
θ

u
σ
2
ε
u
) | y

F
T
i

i

2
ε
(t|β
1u

2
ε
) · · · F
T
i

i

2
ε
(t|β
nu

2
ε
)
Capítulo 3. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 50
3.6 F
T
i
|Y

(t|y

) Proposta
3.6.1 F
T
i
|Y

(t|y

) para um Perfil sob Teste
Seja o modelo geral na equação (1.3) e a forma funcional na equação (3.4), para
uma situação na qual a degradação é crescente com o tempo (caso das situações práticas
deste texto), segue que:
F
T
i
|Y

(t|y

) =

Ξ
β
i
F
T
i

i
|y

(t,β
i
|y

)dβ
i
=

Ξ
β
i
F
T
i

i
(t|β
i
)f
β
i
|y


i
|y

)dβ
i
=

Ξ
β
i
P(T
i
≤ t|β
i
)f
β
i
|y


i
|y

)dβ
i
=

Ξ
β
i
P (β
i
D
f
≤ t|β
i
) f
β
i
|y


i
|y

)dβ
i
(3.45)
=

Ξ
β
i
P
_
β
i

t
D
f
¸
¸
¸
¸
β
i
_
f
β
i
|y


i
|y

)dβ
i
=

Ξ
β
i
t/D
f

0
f
β
i
| θ

,y


i


,y

)f
θ

|y



|y

)dβ
i


(3.46)
Observe que a equação (3.46) é diferente da equação (3.41). A equação (3.41)
considera a distribuição das medidas de degradação e a relação T
i
= D
f
β
i
como meio
para estimação de F
T
i
|Y

(t|y

). Já a equação (3.46) considera a distribuição dos efeitos
aleatórios e a relação T
i
= D
f
β
i
para estimação de F
T
i
|Y

(t|y

).
Na equação (3.45), a amostra para estimação de F
T
i
|Y

(t|y

) pode ser obtida através
do seguinte procedimento descrito da Tabela 3.4:
51 3.6. F
T
i
|Y

(t|y

) Proposta
Tabela 3.4: Amostra distribuição preditiva a posteriori via Proposta


δ λ σ
2
ε
) |y

avalie β
i
|y

em T
i
= D
f
β
i
T
i

i


1
δ
1
λ
1
σ
2
ε
1
) |y

(T
i

i1
)
.
.
.
.
.
.
.
.
.
.
.
.
β
i
|y

=⇒
.
.
.


u
δ
u
λ
u
σ
2
ε
u
) |y

(T
i

iu
)
A estimativa de F
T
i
|Y

(t|y

) como aproximação da integral em (3.45) é obtida con-
forme se segue:
ˆ
F
T
i
|Y

(t|y

) =
[Número de T
i

i
’s ≤ t]
u
(3.47)
3.6.2 F
T
i
|Y

(t|y

) para um Perfil Futuro
A distribuição preditiva a posteriori para uma unidade futura será dada pela equação
3.48, e como não é possível gerar uma amostra dos efeitos aleatórios a posteriori do
perfil de degradação futuro, assume-se a amostra a posteriori de β

|y

como a amostra
a posteriori de β
n+1
|y

, da mesma forma que em Robinson e Crowder (2000). A dife-
rença deste procedimento para o apresentado em Robinson e Crowder (2000) é que aqui
obtem-se diretamente amostras das distribuições a posteriori dos tempos de falha dos
perfis. A amostra para estimação de F
T
i
|Y

(t|y

) fica como se segue na Tabela 3.5:
ˆ
F
T
n+1
|Y

(t|y

) =
[Número de T
i

i
’s ≤ t]
nu
(3.48)
3.6.3 F
T
i
|Y

(t|y

) para um Perfil Futuro Incluído na Verossimilhança
Partindo da suposição do modelo (3.4) de que y
i1
= 0 para todas as unidades sob
Capítulo 3. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 52
Tabela 3.5: Amostra - preditiva do perfil futuro a posteriori via Proposta
avalie

1
· · · β
n
θ

σ
2
ε
) |y

β
i
|y

T
i

i
em T
i
= D
f
β
i

11
· · · β
n1
θ

1
σ
2
ε
1
) |y

(T
i

11
) · · · (T
i

n1
)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
β

|y

=⇒
.
.
.
.
.
.
.
.
.

1u
· · · β
nu
θ

u
σ
2
ε
u
) |y

(T
i

1u
) · · · (T
i

nu
)
teste, pode-se estender esta e as demais suposições daquele modelo para uma unidade
futura. Assim, torna-se possível incorporar uma unidade futura na função de verossi-
milhança partindo da equação (3.49) até chegar na sua forma final em (3.50).
Seja Y
n+1

o vetor de degradação a ser observado na nova unidade, e seja β
n+1
o efeito aleatório associado à nova unidade. Seja β
n+1
independente de (β
1
, . . . ,β
n
).
Suponha que a nova unidade terá o mesmo comportamento dos perfis de degradação
que são observados para as n unidades sob teste.
As especificações da distribuição a priori dos efeitos aleatórios e demais parâmetros
se dão exatamente da mesma forma que na Seção 3.2.2 desde que seja assumido que o
efeitos aleatório β
n+1
∼ Weibull(δ,λ).
Sob estas suposições, segue que a distribuição conjunta de (Y
n+1,1
,Y


n+1


), dados
θ

e σ
2
ε
é:
53 3.6. F
T
i
|Y

(t|y

) Proposta
f
Y
n+1
,Y


n+1


| θ


2
ε
(y
n+1
,y


n+1




; σ
2
ε
) = f
Y





| θ


2
ε
(y







; σ
2
ε
)
= f
Y
n+1
,Y


n+1



2
ε
(y
n+1
,y


n+1


; σ
2
ε
)
f
β
n+1
| θ


n+1


)f
β

| θ





)
=
y
n+1

n+1

2
ε
(y
n+1

n+1
; σ
2
ε
)f
β
n+1
| θ


n+1


)
n

i=1
f
y
i

i

2
ε
(y
i

i
; σ
2
ε
)f
β
i
| θ


i


)
_
¸
_
¸
_
I
em que
Capítulo 3. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 54
I =
_
1
2πσ
2
ε
_
1/2
exp
_

1

2
ε
_
y
n+1,1

t
n+1,1
β
n+1
_
2
_
f
β
n+1
| θ


n+1


)
n

i=1
N
m
i
_
1
β
i
t
t
i
; σ
2
ε
_
f
β
i
| θ


i


)
=
_
1
2πσ
2
ε
_
1/2
exp
_

1

2
ε
_
y
n+1,1

t
n+1,1
β
n+1
_
2
_
f
β
n+1
| θ


n+1


)
n

i=1
m
i

j=1
N
_
1
β
i
t
ij
; σ
2
ε
_
f
β
i
| θ


i


)
=
_
1
2πσ
2
ε
_
1/2
exp
_

1

2
ε
_
y
n+1,1

t
n+1,1
β
n+1
_
2
_
f
β
n+1
| θ


n+1


)
n

i=1
m
i

j=1
_
1
2πσ
2
ε
_
1/2
exp
_

1

2
ε
_
y
ij

t
ij
β
i
_
2
_
f
β
i
| θ


i


)
=
_
1
2πσ
2
ε
_
1/2
exp
_

1

2
ε
_
y
1,1

t
1,1
β
1
_
2
_
· · ·
· · ·
_
1
2πσ
2
ε
_
1/2
exp
_

1

2
ε
_
y
n+1,1

t
n+1,1
β
n+1
_
2
_
f
β
n+1
| θ


n+1


)
n

i=1
m
i

j=2
_
1
2πσ
2
ε
_
1/2
exp
_

1

2
ε
_
y
ij

t
ij
β
i
_
2
_
f
β
i
| θ


i


)
mas y
i1
= 0, t
i1
= 0, e β
i


’s são iid para todas as unidades, então:
=
_
1
2πσ
2
ε
_
(n+1)/2
f
β
n+1
| θ


n+1


)
n

i=1
m
i

j=2
_
1
2πσ
2
ε
_
1/2
exp
_

1

2
ε
_
y
ij

t
ij
β
i
_
2
_
f
β
i
| θ


i


) (3.49)
55 3.7. Inconsistência Teórica em Hamada (2005)
f
Y


| θ


2
ε
(y




; σ
2
ε
) =
n+1

i=1

Ξ
β

m
i

j=1
_
1
2πσ
2
ε
_
1/2
exp
_

1

2
ε
_
y
ij

t
ij
β
i
_
2
_
f
β
i
| θ


i


)dβ

(3.50)
Para obter a estimativa de F
T
i
|Y

(t|y

) para o perfil futuro basta aplicar o procedi-
mento apresentado na Seção 3.6.1 para β
n+1
.
Esta mesma abordagem pode ser aplicada ao método apresentado por Robinson e
Crowder (2000). Através dela também é possível fazer previsões de degradação para
um perfil futuro.
A desvantagem dessa proposta é que as estimativas para o perfil futuro ficam atre-
ladas à distribuição condicional completa apresentada na equação (3.21) e também não
apresenta bons resultados sob condições de má especificação da distribuição dos efeitos
aleatórios. Assim, o resultado dessa proposta será sempre similar ao de Hamada (2005),
porém com a vantagem de possibilitar predições de medidas de degradação para um
perfil futuro.
3.7 Inconsistência Teórica em Hamada (2005)
Nas Seções anteriores do Capítulo 3 foram apresentadas duas metodologias correntes
na literatura, e uma proposta para obtenção da distribuição preditiva a posteriori dos
tempos de falha em modelos de degradação. A metodologia utilizada por Hamada
(2005) supõe que a distribuição dos efeitos aleatórios e dos tempos de falha se mantém
a mesma a posteriori, sendo atualizada apenas pelas estimativas dos hiperparâmetros
a posteriori. Tal suposição fica evidenciada pelas equações (3.39) e (3.39). Entretanto,
esta suposição não parece ser válida tanto para a distribuição dos efeitos aleatórios
Capítulo 3. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 56
individuais β
i
|δ,λ quanto para a distribuição conjunta de β|δ,λ. Em particular, a dis-
tribuição a posteriori para os efeitos aleatórios individuais não possui sequer forma
fechada (veja por exemplo a equação (3.21) que é a distribuição condicional completa
para β
i
quando β
i
|δ,λ ∼ Weibull(δ,λ)). O resultado para a distribuição conjunta de
β

|y

será demonstrado a seguir.
Seja o modelo construído na Seção 3.2. Seja δ = 1, de modo que reduzimos a
distribuição Weibull(δ,λ) ao seu caso simples tornando β
i
|λ ∼ exp(λ). Como a dis-
tribuição Exponencial é um caso particular da distribuição Weibull, o argumento da
prova é que se o resultado não vale para um caso particular, então não vale para a
família de distribuições Weibull como um todo. O objetivo é demonstrar que β

|λ tem
distribuição diferente de β

|λ,y

. A título de facilitação nos cálculos a distribuição normal
será utilizada na sua forma parametrizada pela precisão τ.
A distribuição a posteriori f
β

|λ,τ,Y



|λ,τ,y

) é dada por:
f
β

|λ,τ,Y



|λ,τ,y

) ∝

Ξ
τ

Ξ
λ
f
β

,λ,τ|Y



|λ,τ,y

)dλdτ


Ξ
τ

Ξ
λ
f
Y




(y



,τ)f
β




|λ)f
λ
(λ)f
τ
(τ)dλdτ


Ξ
λ
f
β




|λ)f
λ
(λ)dλ
. ¸¸ .
I

Ξ
τ
f
Y




(y



,τ)f
τ
(τ)dτ
. ¸¸ .
II
(3.51)
De I na equação (3.51) tem-se:
57 3.7. Inconsistência Teórica em Hamada (2005)

Ξ
λ
f
β




|λ)f
λ
(λ)dλ =

Ξ
λ
i

n
λexp {−λβ
i
}
b
a
2
2
Γ(a
2
)
λ
a
2
−1
exp {−b
2
λ} dλ
=
b
a
2
2
Γ(a
2
)

Ξ
λ
λ
n
exp
_
−λ
n

i=1
β
i
_
λ
a
2
−1
exp {−b
2
λ} dλ
=
b
a
2
2
Γ(a
2
)

Ξ
λ
λ
n+a
2
−1
exp
_
−λ
_
n

i=1
β
i
+b
2
__
. ¸¸ .
núcleo Gamma
(
n+a
2
,
n

i=1
β
i
+b
2
)

=
b
a
2
2
Γ(a
2
)
Γ(n +a
2
)
_
n

i=1
β
i
+b
2
_
n+a
2
=1
¸ .. ¸
+∞

0
Gamma
_
n +a
2
,
n

i=1
β
i
+b
2
_

=
b
a
2
2
Γ(n +a
2
)
Γ(a
2
)
_
n

i=1
β
i
+b
2
_
−(n+a
2
)
(3.52)
De II na equação (3.51), tem-se:
Capítulo 3. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 58

Ξ
τ
f
Y




(y



,τ)f
τ
(τ)dτ =

Ξ
τ
n

i=1
m
i

j=1
_
τ

_
1/2
exp
_

τ
2
_
y
ij

t
ij
β
i
_
2
_
b
a
3
3
Γ(a
3
)
τ
a
3
−1
exp{b
3
τ}dτ
=

Ξ
τ
τ



n

i=1
m
i
2



exp
_
_
_
−τ
_
_
1
2
n

i=1
m
i

j=1
_
y
ij

t
ij
β
i
_
2
_
_
_
_
_
τ
a
3
−1
exp{b
3
τ}dτ
_
1

_



n

i=1
m
i
2



b
a
3
3
Γ(a
3
)
=
_
1

_



n

i=1
m
i
2



b
a
3
3
Γ(a
3
)

Ξ
τ
τ



n

i=1
m
i
2
+a
3
−1



exp
_
_
_
−τ2
_
_
1
2
n

i=1
m
i

j=1
_
y
ij

t
ij
β
i
_
2
+b
3
_
_
_
_
_
. ¸¸ .
núcleo Gamma



n

i=1
m
i
2
+a
3
−1 ,
1
2
n

i=1
m
i ∑
j=1
(
y
ij

t
ij
β
i
)
2
+b
3




=
_
1

_



n

i=1
m
i
2



b
a
3
3
Γ(a
3
)
Γ
_
_
n

i=1
m
i
2
+a
3
−1
_
_
_
1
2
n

i=1
m
i

j=1
_
y
ij

t
ij
β
i
_
2
+b
3
_



n

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
β
i
_
2
+b
3
_
_
_
_

=
_
1

_



n

i=1
m
i
2



b
a
3
3
Γ(a
3
)
Γ
_
_
_
_
n

i=1
m
i
2
+a
3
−1
_
_
_
_
_
_
1
2
n

i=1
m
i

j=1
_
y
ij

t
ij
β
i
_
2
+b
3
_
_




n

i=1
m
i
2
+a
3
−1



(3.53)
59 3.7. Inconsistência Teórica em Hamada (2005)
Substituindo-se as equações (3.52) e (3.53) em I e II na equação (3.51), segue que:
f
β

|λ,τ,Y



|λ,τ,y

) ∝
b
a
2
2
Γ(n +a
2
)
Γ(a
2
)
_
1

_



n

i=1
m
i
2



b
a
3
3
Γ(a
3
)
Γ
_
_
_
_
n

i=1
m
i
2
+a
3
−1
_
_
_
_
. ¸¸ .
C
_
n

i=1
β
i
+b
2
_
−(n+a
2
)
_
_
1
2
n

i=1
m
i

j=1
_
y
ij

t
ij
β
i
_
2
+b
3
_
_




n

i=1
m
i
2
+a
3
−1




_
n

i=1
β
i
+b
2
_
−(n+a
2
)
_
_
1
2
n

i=1
m
i

j=1
_
y
ij

t
ij
β
i
_
2
+b
3
_
_




n

i=1
m
i
2
+a
3
−1



(3.54)
Nota-se pela equação (3.54) que a distribuição conjunta dos efeitos aleatórios a
posteriori β

|λ,τ,y

não é Exponencial, logo não é Weibull, como era desejado demonstrar,
e como pressupõe a metodologia de análise sugerida por Hamada (2005).
No Capítulo 4 os efeitos da metodologia utilizada por Hamada (2005) serão estuda-
dos em bancos de dados simulados.
Capítulo 4
Dados Simulados - Tempos de
Falha Conhecidos
O objetivo deste Capítulo é comparar a abordagem proposta neste texto com a de
Hamada (2005) e Robinson e Crowder (2000), em situações mas quais a distribuição
dos efeitos aleatórios é má especificada e naquelas em que é corretamente especificada.
Essa comparação será feita aplicando-se, cada uma delas, a bancos de dados simulados.
A Seção 4.1 apresenta o procedimento de geração dos dados de degradação simula-
dos.
A Seção 4.2 apresenta as distribuições a priori, dos parâmetros, a serem utilizadas
tanto no Capítulo 4 quanto no Capítulo 5.
A Seção 4.3 realiza a comparação da abordagem proposta neste texto com a de
Hamada (2005) e Robinson e Crowder (2000) para uma situação de má especificação
na qual os tempos de falha são conhecidamente advindos de uma distribuição bimodal,
de maneira que a inconsistência teórica em Hamada (2005) fica empiricamente evidente.
A Seção 4.4 realiza a comparação da abordagem proposta neste texto com a de
Hamada (2005) e Robinson e Crowder (2000) para uma situação de má e correta especi-
61 4.1. Geração dos Perfis Simulados
ficação dos efeitos aleatórios, na qual os tempos de falha são conhecidamente advindos
de uma distribuição Weibull. A Seção 4.5 realiza a comparação da abordagem proposta
neste texto com a de Hamada (2005) e Robinson e Crowder (2000) para uma situação
de má e correta especificação dos efeitos aleatórios, na qual os tempos de falha são
conhecidamente advindos de uma distribuição Lognormal. Em ambas Seções verifica-se
que apesar da inconsistência teórica em Hamada (2005), aquela abordagem aproxima
satisfatoriamente a distribuição dos tempos de falha quando a distribuição dos efeitos
aleatórios é bem especificada.
A Seção 4.6 apresenta as conclusões sobre o Capítulo 4.
4.1 Geração dos Perfis Simulados
Para ilustrar e estudar o efeito da modelagem proposta por Hamada (2005) serão
gerados três bancos de dados para os quais se conhece previamente a distribuição dos
tempos de falha. No primeiro deles os tempos de falha são uma mistura de duas dis-
tribuições Normais, no segundo a distribuição é Weibull e no terceiro, Lognormal. Estes
casos serão tratados nas Seções 4.3, 4.4 e 4.5, respectivamente. Aqui, será apresentado o
procedimento genérico assumindo-se o modelo de degradação com perfil de degradação
linear apresentado na equação (3.4).
Passos da geração dos dados de degradação:
1. Gere uma amostra de tantos tempos de falha quanto desejado a partir de uma
distribuição de probabilidade conhecida. Denote por t
i
os tempos de falha gerados
de modo que i = 1, . . . ,n, em que n é o número de tempos de falha gerados.
2. Defina um limiar de degradação D
f
3. Utilize a equação β
i
= T
i
/D
f
para encontrar a amostra de efeitos aleatórios β
i
Capítulo 4. Dados Simulados - Tempos de Falha Conhecidos 62
que gerarão cada perfil.
4. Defina os tempos t
j
nos quais serão simuladas as medidas de degradação y
ij
, sendo
que j = 1, . . . ,m
i
, em que m
i
denota o número de medidas de degradação para
um perfil específico.
5. Defina o desvio padrão σ
ε
do erro associado ao modelo de degradação ε
ij
na
equação (3.4).
6. Gere as medidas de degradação y
ij
utilizando a equação (3.4) do modelo de
degradação. Os erros associados a cada y
ij
são gerados de ε
ij
∼ Normal(0,σ
2
ε
).
7. Realize a análise dos dados de degradação utilizando os métodos e modelagem
apresentados no Capítulo 3.
4.2 Distribuições a priori Assumidas para os Parâmetros
do Modelo de Degradação
As distribuições a priori assumidas para os parâmetros do modelo de degradação
utilizado nos Capítulos 4 e 5 são apresentados nesta Seção, pois serão repetidamente
utilizadas ao longo de ambos os Capítulos.
A análise 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 fim de garantir a convergência da cadeia para a distribuição a
posteriori das estimativas dos parâmetros, assim como minimizar a autocorrelação das
mesmas, foram realizadas 10.001.000 iterações da simulação MCMC, com um período
de aquecimento (burn-in) de 1000, e saltos de 1000 para a amostragem, o que resul-
tou em uma amostra a posteriori final de tamanho u = 10.000 para cada parâmetro
63 4.2. Distribuições a priori Assumidas para os Parâmetros do Modelo de Degradação


; δ,λ; σ
2
ε
|y

). A cadeia formada pela distribuição condicional de todos os parâmetros
do modelo convergiram para a distribuição a posteriori e apresentaram decaimento
rápido dos autocorrelogramas (veja um exemplo na Figura 4.1), para todos as análises
realizadas.
Figura 4.1: Convergência e autocorrelação das cadeias da distribuição a posteriori para
alguns parâmetros - Assumindo β
i
∼ Weibull (Caso gerado - T ∼ Bimodal)
4.2.1 Efeito Aleatório Weibull
São estabelecidas as seguintes distribuições a priori para os parâmetros do modelo
(equação (4.1)):
Capítulo 4. Dados Simulados - Tempos de Falha Conhecidos 64
β
i


= β
i
|(δ,λ) ∼ Weibull(δ,λ)
δ|a
1
,b
1
∼ Gamma(a
1
; b
1
) = Gamma(0,01; 0,01)
λ|a
2
,b
2
∼ Gamma(a
2
; b
2
) = Gamma(0,01; 0,01)
σ
2
ε
|a
3
,b
3
∼ GammaInvertida(a
3
; b
3
) = GammaInvertida(0,01; 0,01) (4.1)
As distribuições a priori apresentadas em (4.1) são pouco informativas represen-
tando nosso pouco conhecimento sobre os parâmetros. O estabelecimento das dis-
tribuições a priori de δ e λ é justificável pois, vêem sendo amplamente utilizadas
na literatura (inclusive em Hamada (2005)). Outra razão forte é que a distribuição
Gamma(a,b) coloca um pouco mais de massa de probabilidade para valores pequenos
da variável aleatória quando a
i
e b
i
(i = 1,2) tendem a zero, por exemplo a dis-
tribuição Gamma(10
−2
,10
−2
), ainda que distribuia bastante a massa de probabilidade
para outros valores. No caso em questão δ e λ são hiperparâmetros de uma distribuição
Weibull(δ,λ), que por sua vez coloca massa de probabilidade aproximadamente igual
para os valores da variável aleatória que descreve (β
i
’s) quando δ e λ tendem a zero.
Dessa forma, é construída uma distribuição pouco informativa para os β
i
’s no sentido
de que todos os efeitos aleatórios são aproximadamente igualmente prováveis de ocorrer.
4.2.2 Efeito Aleatório Lognormal
São estabelecidas as seguintes distribuições a priori para os parâmetros do modelo
(equação (4.2)):
65
4.3. Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal - Mistura de Duas
Normais
β
i


= β
i
|(µ
L

2
L
) ∼ Lognormal(µ
L

2
L
)
µ
L
|a
4
,b
2
4
∼ N(a
4
; b
2
4
) = N(0; 100)
σ
2
L
|a
5
,b
5
∼ GammaInvertida(a
5
; b
5
) = GammaInvertida(0,01; 0,01)
σ
2
ε
|a
3
,b
3
∼ GammaInvertida(a
3
; b
3
) = GammaInvertida(0,01; 0,01) (4.2)
As distribuições a priori apresentadas em (4.2) são não informativas no sentido de
total desconhecimento sobre os parâmetros.
4.3 Caso 1: Distribuição do Tempo até a Falha T ∼ Bi-
modal - Mistura de Duas Normais
Foram gerados vinte (n = 20) perfis de degradação, com (m
i
= 17) medidas de
degradação em cada perfil, sendo y
i1
= 0 para todos os perfis (ou unidades),D
f
= 10,
σ
ε
= 0,2063, com tempos de falha advindos de uma distribuição de probabilidade
bimodal conhecida. A distribuição bimodal é na verdade a mistura de duas distribuições
normais T
1
∼ Normal(µ
T1

2
T1
) e T
1
∼ Normal(µ
T2

2
T2
) conforme a equação (4.3).
f
T
(t) = 0,5f
T|µ
T1

2
T1
(t|µ
T1

2
T1
) + 0,5f
T|µ
T2

2
T2
(t|µ
T2

2
T2
) (4.3)
em que µ
T1
= 3000, σ
T1
= 30, µ
T2
= 7000 e σ
T2
= 30. Os perfis gerados podem ser
observados na Figura 4.2.
No final, foram gerados dez (10) perfis de degradação advindos de cada uma das
duas distribuições.
A distribuição dos efeitos aleatórios, se seguido o passo 3 da geração de dados na
Capítulo 4. Dados Simulados - Tempos de Falha Conhecidos 66
0 1000 2000 3000 4000
0
2
4
6
8
1
0
1
2
1
4
Tempo
D
e
g
r
a
d
a
ç
ã
o
Df=10
Perfis de Degradação − Simulado
Figura 4.2: Perfis de degradação - T ∼ Bimodal
Seção 4.1, também é 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 aleatórios − T ~ Bimodal
Valor observado para o efeito aleatório
P
r
o
b
a
b
i
l
i
d
a
d
e
Figura 4.3: Densidade de probabilidade dos efeitos aleatórios Gerados - T ∼ Bimodal
Para este banco de dados, as três abordagens de análise serão utilizadas sob má-
especificação da distribuição dos efeitos aleatórios: Weibull (Seção 4.3.1) e Lognormal
67
4.3. Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal - Mistura de Duas
Normais
(Seção 4.3.2).
4.3.1 Análises Supondo Efeito Aleatório Weibull
Suponha que a distribuição dos tempos de falha não seja conhecida. Se utilizado
o modelo de degradação com a suposição de que os efeitos aleatórios são distribuí-
dos segundo uma distribuição Weibull (modelo da Seção 3.2 e lembrando que T
i




Weibull ⇔β
i


∼ Weibull).
As estimativas para os efeitos aleatórios dos perfis sob teste foram efetuadas com
sucesso como pode ser exemplificado na Figura 4.4. O valor real é indicado pela linha
preta vertical.
β
7
β | y
~
F
r
e
q
ü
ê
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
β
7
β | y
~
f
β
Y ~
(
β

|

y ~
)
302.25
Figura 4.4: Densidade a posteriori : efeito aleatório do perfil 7 - Assumindo β
i

Weibull (Caso gerado - T ∼ Bimodal)
Os três métodos de estimação da distribuição preditiva a posteriori para uma
unidade futura (perfil futuro) como apresentado na Seção 3 foram aplicadas e obteve-se
Capítulo 4. Dados Simulados - Tempos de Falha Conhecidos 68
o gráfico na Figura 4.5.
0 2000 4000 6000 8000 10000 12000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabe−se 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 θ
~
(t θ
~
)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
Sabe−se 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 θ
~
(t θ
~
)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
Sabe−se 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 θ
~
(t θ
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Prop.N.Unidade
(c) Proposta
Figura 4.5: Distribuição preditiva a posteriori dos tempos de falha para um perfil futuro
assumindo β
i
∼ Weibull (Caso gerado - T ∼ Bimodal)
Na Figura 4.5 por F
T| θ

(T| (

θ))
Real
entenda a verdadeira distribuição de T (aquela
da equação (4.3)). Por F
T
(T)
Gerado
entenda a distribuição acumulada empírica T
69
4.3. Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal - Mistura de Duas
Normais
dos vinte (20) tempos de falha gerados da equação (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 distribuição preditiva a posteriori
dos tempos de falha de uma unidade futura (perfil futuro) obtidas via Hamada (2005)
(Seção 3.4), Proposta (Seção 3.6) e Robinson e Crowder (2000) (Seção 3.5) respectiva-
mente.
Fica claro que o método utilizado em Hamada (2005) não consegue captar a bi-
modalidade da distribuição real e empírica dos tempos de falha, isto ocorre porque a
distribuição dos efeitos aleatórios e dos tempos de falha muda a posteriori (fato verifi-
cado analiticamente na Seção 3.7).
A surpresa fica por conta da Proposta deste texto e do método apresentado em
Robinson e Crowder (2000), uma vez que, independentemente da distribuição dos efeitos
aleatórios ter sido mal especificada, estimam muito aproximadamente a distribuição real
e empírica dos tempos de falha.
4.3.2 Análises Supondo Efeito Aleatório Lognormal
Suponha que a distribuição dos tempos de falha não seja conhecida. Se utilizado
o modelo de degradação com a suposição de que os efeitos aleatórios são distribuídos
segundo uma distribuição Lognormal (modelo da Seção 3.3 e lembrando que T
i




Lognormal ⇔β
i


∼ Lognormal da Seção 2.2).
São estabelecidas as mesmas distribuições a priori apresentadas na equação(4.2).
As estimativas para os efeitos aleatórios dos perfis sob teste foram efetuadas com
sucesso como pode ser exemplificado na Figura 4.6. O valor real é indicado pela linha
preta vertical.
Os métodos de estimação da distribuição preditiva a posteriori para uma unidade
futura (perfil futuro) como apresentado na Seção 3 foram aplicadas e obteve-se o gráfico
na Figura 4.7.
Capítulo 4. Dados Simulados - Tempos de Falha Conhecidos 70
β
7
β | y
~
F
r
e
q
ü
ê
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
β
7
β | y
~
f
β
Y ~
(
β

|

y ~
)
302.25
Figura 4.6: Densidade a posteriori : efeito aleatório do perfil 7 - Assumindo β
i

Lognormal (Caso gerado - T ∼ Bimodal)
Na Figura 4.7 fica claro que o método utilizado em Hamada (2005) não consegue
captar a bimodalidade da distribuição real e empírica dos tempos de falha, isto ocorre
porque a distribuição dos efeitos aleatórios e dos tempos de falha muda a posteriori
(fato assim como verificado analiticamente na Seção 3.7).
Novamente como na seção anterior, a Proposta deste texto e o método apresen-
tado em Robinson e Crowder (2000), independentemente da distribuição dos efeitos
aleatórios ter sido mal especificada, estimam muito aproximadamente a distribuição
real e empírica dos tempos de falha.
4.4 Caso 2: Distribuição do Tempo até a Falha T ∼ Weibull
Foram gerados quinze (n = 15) perfis de degradação, com (m
i
= 17) medidas de
71 4.4. Caso 2: Distribuição do Tempo até a Falha T ∼ Weibull
0 5000 10000 15000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabe−se 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 θ
~
(t θ
~
)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
Sabe−se 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 θ
~
(t θ
~
)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
Sabe−se 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 θ
~
(t θ
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Prop.N.Unidade
(c) Proposta
Figura 4.7: Distribuição preditiva a posteriori dos tempos de falha para um perfil futuro
assumindo β
i
∼ Lognormal (Caso gerado - T ∼ Bimodal)
degradação em cada perfil, sendo y
i1
= 0 para todos os perfis (ou unidades),D
f
= 10,
σ
ε
= 0,2063, com tempos de falha advindos de uma distribuição de probabilidade
Weibull conhecida T ∼ Weibull(θ


) = Weibull(δ



) = Weibull(6,63225; 1/5487,61).
Capítulo 4. Dados Simulados - Tempos de Falha Conhecidos 72
Os perfis 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
ç
ã
o
Df=10
Perfis de Degradação − Simulado
Figura 4.8: Perfis de degradação - T ∼ Weibull
Para este banco de dados gerado as três abordagens apresentadas neste texto serão
utilizadas. Na Seção 4.4.1, com a especificação da distribuição a priori correta, e sob
má especificação na Seção 4.4.2.
4.4.1 Análises Supondo Efeito Aleatório Weibull
As distribuições a priori para os efeitos aleatórios são as mesmas apresentadas na
equação(4.1).
As estimativas para os efeitos aleatórios dos perfis sob teste foram efetuadas com
sucesso como pode ser exemplificado na Figura 4.9. O valor real é indicado pela linha
preta vertical.
Os métodos de estimação da distribuição preditiva a posteriori para uma unidade
futura (perfil futuro) como apresentado na Seção 3 foram aplicadas e obteve-se o gráfico
na Figura 4.10.
73 4.4. Caso 2: Distribuição do Tempo até a Falha T ∼ Weibull
β
7
β | y
~
F
r
e
q
ü
ê
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
β
7
β | y
~
f
β
Y ~
(
β

|

y ~
)
307.91
Figura 4.9: Densidade a posteriori : efeito aleatório do perfil 7 - Assumindo β
i

Weibull (Caso gerado - T ∼ Weibull)
Na Figura 4.10 fica claro que o método utilizado em Hamada (2005) consegue captar
a distribuição empírica dos tempos de falha. Ou seja, o fato de que a distribuição dos
efeitos aleatórios e dos tempos de falha muda a posteriori (fato verificado analiticamente
na Seção 3.7), não penaliza drasticamente a estimação de F
T|Y

(t|y

).
A Proposta deste texto e do método apresentado em Robinson e Crowder (2000),
estimam muito aproximadamente a distribuição empírica dos tempos de falha.
Note que a distribuição acumulada real encontra-se mais a direita das demais cur-
vas. Isto ocorre porque a amostra gerada está sujeita ao erro Monte Carlo, e não é
suficientemente grande para aproximar a distribuição real, logo as curvas estimadas
das distribuições preditivas a posteriori se encontram mais próximas da distribuição
empírica dos dados gerados.
Um fato interessante é que, como o método de Hamada (2005) aproxima bem a
distribuição dos tempos de falha, é possível utilizar a Proposta para um perfil futuro
incluído na verossimilhança da Seção 3.6.3 denotada por F
T|Y

(t|y

)
Prop.N.U.V er
. Pela
Capítulo 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
Sabe−se 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 θ
~(t θ
~
)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
Sabe−se 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 θ
~(t θ
~
)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
Sabe−se 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 θ
~(t θ
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Prop.N.Unidade
(c) Proposta
Figura 4.10: Distribuição preditiva a posteriori dos tempos de falha para um perfil
futuro assumindo β
i
∼ Weibull (Caso gerado - T ∼ Weibull)
Figura 4.11 é possível notar que F
T|Y

(t|y

)
Prop.N.Unidade
praticamente se sobrepõe a
F
T|Y

(t|y

)
Hamada
. Dessa maneira, seria razoável utilizar a abordagem da Seção 3.6.3
para realizar inclusive predições de valores de degradação para uma unidade futura (tal
75 4.4. Caso 2: Distribuição do Tempo até a Falha T ∼ Weibull
abordagem será efetuada quando das situações práticas com dados reais).
2000 3000 4000 5000 6000 7000 8000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabe−se 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 θ
~
(t θ
~
)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: Distribuição preditiva a posteriori assumindo β
i
∼ Weibull (Caso gerado
- T ∼ Weibull)
4.4.2 Análises Supondo Efeito Aleatório Lognormal
A título de curiosidade será efetuada a análise assumindo-se as distribuições a priori
para os efeitos aleatórios como Lognormal (dita má especificação como na inferência
clássica).
São estabelecidas as mesmas distribuições a priori apresentadas na equação(4.2).
As estimativas para os efeitos aleatórios dos perfis sob teste foram efetuadas com
sucesso como pode ser exemplificado na Figura 4.12. O valor real é indicado pela linha
preta vertical.
Os métodos de estimação da distribuição preditiva a posteriori para uma unidade
futura (perfil futuro) como apresentado na Seção 3 foram aplicadas e obteve-se o gráfico
Capítulo 4. Dados Simulados - Tempos de Falha Conhecidos 76
β
7
β | y
~
F
r
e
q
ü
ê
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
β
7
β | y
~
f
β
Y ~
(
β

|

y ~
)
307.91
Figura 4.12: Densidade a posteriori : efeito aleatório do perfil 7 - Assumindo β
i

Lognormal (Caso gerado - T ∼ Weibull)
na Figura 4.13.
Na Figura 4.13 fica evidente que o método utilizado em Hamada (2005) não con-
segue captar a distribuição empírica dos tempos de falha. Ou seja, o fato de que a
distribuição dos efeitos aleatórios e dos tempos de falha muda a posteriori (fato verifi-
cado analiticamente na Seção 3.7), penaliza a estimação de F
T|Y

(t|y

).
A Proposta deste texto e do método apresentado em Robinson e Crowder (2000),
estimam muito aproximadamente a distribuição empírica dos tempos de falha. Ou seja,
reforça-se que ambos os métodos estão livres da má especificação dos efeitos aleatórios
quando assumidas distribuições a priori não informativas para os parâmetros do mo-
delo.
77 4.4. Caso 2: Distribuição do Tempo até a Falha T ∼ Weibull
2000 3000 4000 5000 6000 7000 8000 9000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabe−se 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 θ
~
(t θ
~
)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
Sabe−se 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 θ
~
(t θ
~
)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
Sabe−se 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 θ
~
(t θ
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Prop.N.Unidade
(c) Proposta
Figura 4.13: Distribuição preditiva a posteriori dos tempos de falha para um perfil
futuro assumindo β
i
∼ Lognormal (Caso gerado - T ∼ Weibull)
Capítulo 4. Dados Simulados - Tempos de Falha Conhecidos 78
4.5 Caso 3: Distribuição do Tempo até a Falha T ∼ Log-
normal
Foram gerados quinze (n = 15) perfis de degradação, com (m
i
= 17) medidas
de degradação em cada perfil, sendo y
i1
= 0 para todos os perfis (ou unidades sob
teste), D
f
= 10, σ
ε
= 0,2063, com tempos de falha advindos de uma distribuição
de probabilidade Lognormal conhecida T ∼ Lognormal(θ


) = Lognormal(µ

L

2
L

) =
Lognormal(5000; 1/44.72).
Os perfis 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
ç
ã
o
Df=10
Perfis de Degradação − Simulado
Figura 4.14: Perfis de degradação - T ∼ Lognormal
Tal qual na Seção 4.4, as três abordagens apresentadas neste texto serão utilizadas
neste banco de dados, com a má especificação do efeito aleatório (Seção 4.5.1) e especi-
ficação correta (Seção 4.5.2).
79 4.5. Caso 3: Distribuição do Tempo até a Falha T ∼ Lognormal
4.5.1 Análises Assumindo Efeito Aleatório Weibull
A título de curiosidade será efetuada a análise assumindo-se as distribuições a pri-
ori para os efeitos aleatórios como Weibull (dita má especificação como na inferência
clássica).
As distribuições a priori para os efeitos aleatórios são as mesmas apresentadas na
equação (4.1).
As estimativas para os efeitos aleatórios dos perfis sob teste foram efetuadas com
sucesso como pode ser exemplificado na Figura 4.15. O valor real é indicado pela linha
preta vertical.
β
7
β | y
~
F
r
e
q
ü
ê
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
β
7
β | y
~
f
β
Y ~
(
β

|

y ~
)
490.18
Figura 4.15: Densidade a posteriori : efeito aleatório do perfil 7 - Assumindo β
i

Weibull (Caso gerado - T ∼ Lognormal)
Os métodos de estimação da distribuição preditiva a posteriori para uma unidade
futura (perfil futuro) como apresentado na Seção 3 foram aplicadas e obteve-se o gráfico
na Figura 4.16.
Na Figura 4.16 observa-se que o método utilizado por Hamada (2005) oferece boa
Capítulo 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
Sabe−se 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 θ
~(t θ
~
)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
Sabe−se 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 θ
~(t θ
~
)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
Sabe−se 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 θ
~(t θ
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Prop.N.Unidade
(c) Proposta
Figura 4.16: Distribuição preditiva a posteriori dos tempos de falha para um perfil
futuro assumindo β
i
∼ Weibull (Caso gerado - T ∼ Lognormal)
aproximação da distribuição empírica dos tempos de falha. Ou seja, o fato de que
a distribuição dos efeitos aleatórios e dos tempos de falha muda a posteriori (fato
verificado analiticamente na Seção 3.7), não penalizou de forma grave a estimação
81 4.5. Caso 3: Distribuição do Tempo até a Falha T ∼ Lognormal
de F
T|Y

(t|y

). Entretanto, F
T|Y

(t|y

) não foi bem estimada para valores pequenos de
tempo, e estes valores são bastante utilizados para determinação de garantia, logo seria
preferível não utilizar os resultados do método de Hamada (2005).
A Proposta deste texto e do método apresentado em Robinson e Crowder (2000),
estimam muito aproximadamente a distribuição empírica dos tempos de falha. Re-
forçando mais uma vez a capacidade de ambos métodos estarem livres de má especifi-
cação dos efeitos aleatórios quando assumidas distribuições a priori não informativas
para os parâmetros do modelo.
4.5.2 Análises Supondo Efeito Aleatório Lognormal
São estabelecidas as mesmas distribuições a priori apresentadas na equação(4.2).
As estimativas para os efeitos aleatórios dos perfis sob teste foram efetuadas com
sucesso como pode ser exemplificado na Figura 4.17. O valor real é indicado pela linha
preta vertical.
β
7
β | y
~
F
r
e
q
ü
ê
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
β
7
β | y
~
f
β
Y ~
(
β

|

y ~
)
490.18
Figura 4.17: Densidade a posteriori : efeito aleatório do perfil 7 - Assumindo β
i

Lognormal (Caso gerado - T ∼ Lognormal)
Capítulo 4. Dados Simulados - Tempos de Falha Conhecidos 82
Os métodos de estimação da distribuição preditiva a posteriori para uma unidade
futura (perfil futuro) como apresentado na Seção 3 foram aplicadas e obteve-se o gráfico
na Figura 4.18.
2000 3000 4000 5000 6000 7000 8000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabe−se 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 θ
~
(t θ
~
)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
Sabe−se 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 θ
~
(t θ
~
)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
Sabe−se 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 θ
~
(t θ
~
)Real
FT(t)Gerado
FT Y
~
(t y
~
)Prop.N.Unidade
(c) Proposta
Figura 4.18: Distribuição preditiva a posteriori dos tempos de falha para um perfil
futuro assumindo β
i
∼ Lognormal (Caso gerado - T ∼ Lognormal)
83 4.6. Conclusões
Na Figura 4.18 a Proposta deste texto e do método apresentado em Robinson e
Crowder (2000), estimam muito aproximadamente a distribuição empírica dos tempos
de falha.
O método de Hamada (2005) também aproxima bem a distribuição dos tempos
de falha, é possível utilizar a Proposta para um perfil futuro incluído na verossimi-
lhança da Seção 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 sobrepõe a F
T|Y

(t|y

)
Hamada
. Dessa maneira,
seria razoável utilizar a abordagem da Seção 3.6.3 para realizar inclusive predições de
valores de degradação para uma unidade futura (tal abordagem será efetuada quando
das situações práticas com dados reais).
2000 3000 4000 5000 6000 7000 8000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Sabe−se 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 θ
~
(t θ
~
)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: Distribuição preditiva a posteriori assumindo β
i
∼ Lognormal (Caso
gerado - T ∼ Lognormal)
4.6 Conclusões
Neste Capítulo foi apontada, através de bancos de dados simulados, a inconsistência
Capítulo 4. Dados Simulados - Tempos de Falha Conhecidos 84
teórica presente em Hamada (2005). A inconsistência diz respeito à afirmação de que
a distribuição dos efeitos aleatórios (ou dos tempos de falha, uma vez que ambos estão
atrelados pela forma funcional do modelo linear de degradação) se mantém a mesma a
posteriori. Foram gerados dados de modo que a distribuição dos tempos de falha reais
é bimodal (mistura de duas normais), então através de Robinson e Crowder (2000),
da proposta deste texto (métodos que dão liberdade à atualização da distribuição dos
efeitos aleatórios), e do conhecimento da distribuição dos dados gerados, mostra-se que
os efeitos aleatórios de fato são atualizados no procedimento bayesiano, corroborando-se
assim empiricamente a inconsistência presente em Hamada (2005). Através de dados
gerados a partir das distribuições Weibull e Lognormal verifica-se que, mesmo apesar
da inconsistência teórica, quando o efeito aleatório não é mal especificado, o método
empregado em Hamada (2005) fornece uma boa aproximação da distribuição preditiva
a posteriori dos tempos de falha para unidades futuras.
Fato interessante ainda neste Capítulo é que Robinson e Crowder (2000) e a pro-
posta deste texto sempre aproximaram muito bem a distribuição amostrada a partir da
distribuição real quando assumidas distribuições a priori Weibull e Lognormal pouco
informativas para a distribuição dos efeitos aleatórios. Outra vantagem da proposta e
de Robinson e Crowder (2000) é que formas funcionais mais complexas de degradação
não dificultam a utilização dessas duas abordagens. Ou seja, para estes casos dos dados
gerados, são completamente livres de má especificação (com forte evidência já que con-
seguiram captar inclusive bimodalidade). Dessa forma, ambos os métodos podem ser
utilizados para validação da metodologia de Hamada (2005) em casos práticos, dado que
sempre aproximaram a distribuição gerada dos tempos de falha. A partir daí, pode-se
utilizar a proposta deste texto com inclusão de uma nova unidade na verossimilhança,
que por sua vez apresenta resultados extremamente parecidos com os de Hamada (2005),
para realizar predições de degradação para uma unidade futura.
Capítulo 5
Situações Práticas Revisitadas
5.1 Emissores de Laser
Na Seção 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 inferência clássica. A apresentação dessa mesma base de dados
foi realizada na Seção 1.1.2 desse trabalho.
Objetiva-se nesta Seção comparar os resultados obtidos em Hamada (2005) com
a análise Proposta apresentada na Seção 3.6. O modelo de degradação utilizado será
o mesmo apresentado na Seção 3, mais especificamente na Seção 3.2 (uma vez que
Hamada (2005) assumiu que os efeitos aleatório Weibull). As análises de perfis sob
teste e futuros também se encontram indicadas dentro da Seção 3.
Para o modelo (3.4), i = 1, . . . ,n = 15 (perfis) , j = 1, . . . ,m
i
(medidas) e
máx{m
1
, . . . ,m
15
} = 17.
Utilizado o modelo de degradação com a suposição de que os efeitos aleatórios são
distribuídos segundo uma distribuição Weibull (modelo da Seção 3.2 e lembrando que
T
i
| (

θ

) ∼ Weibull ⇔β
i


∼ Weibull), são estabelecidas as distribuições a priori para
Capítulo 5. Situações Práticas Revisitadas 86
os parâmetros do modelo segundo a Seção 4.2.1.
Os métodos de estimação da distribuição preditiva a posteriori para uma unidade
futura (perfil futuro), como apresentado na Seção 3, foram aplicadas e obteve-se o
gráfico na Figura 5.1.
2000 3000 4000 5000 6000 7000 8000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Assumindo T~Weibull
Tempo (horas)
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.Unidade
FT Y
~
(t y
~
)N.UnidadeRC
Figura 5.1: Distribuição preditiva a posteriori dos tempos de falha para um laser futuro
assumindo β
i
∼ Weibull
É possível recordar da Seção 4 que quando o método de Hamada (2005) é uma
boa aproximação para a distribuição preditiva posteriori dos tempos de falha, Hamada
(2005) é uma suavização das curvas resultantes dos métodos de Robinson e Crowder
(2000) e da Proposta (Seção 3.6 deste texto). Da Figura 5.1 nota-se que a aproxi-
mação de Hamada (2005) é adequada. Observe que como os métodos de Robinson e
Crowder (2000) e da Proposta (Seção 3.6 deste texto) na Seção 4 apresentaram bons
resultados em descrever a distribuição dos tempos de falha indepentende de más es-
pecificações (afirmativa válidada para o caso Weibull e Lognormal), pode-se utilizá-los
dessa maneira.
Na Figura 5.2 pode ser vista a distribuição preditiva a posteriori dos tempos de falha
87 5.1. Emissores de Laser
2000 4000 6000 8000 10000
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
Assumindo T~Weibull
Tempo (horas)
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.Unidade
FT Y
~
(t y
~
)Prop.Un.Sob.Teste
FT Y
~
(t y
~
)Prop.N.U.Ver.
Figura 5.2: Distribuição preditiva a posteriori dos tempos de falha para lasers sob teste
e laser futuro assumindo β
i
∼ Weibull
de unidades sob teste e futura (Proposta da Seção 3.6). Como visto na Seção 4.5.2,
a Proposta com a nova unidade na verossimilhança apresenta resultados praticamente
idênticos aos de Hamada (2005)(ver Seção 4).
Uma vantagem da Proposta em relação ao método aplicado por Hamada (2005) é
o conjunto de linhas pontilhadas, em que cada uma representa a distribuição preditiva
a posteriori dos tempos de falha de unidades sob teste. Ou seja, é possível estimar
quantidades de interesse para cada unidade laser.
As estimativas das quantidades de interesse R
T|Y

(4500|y

) e t
p|y

(0,1|y

) e parâmetros
do modelos são mostradas na Tabela 5.1. Note que todas as estimativas são similares,
indicando que o modelo de Hamada (2005) é adequado e possui resultados muito si-
milares aos propostos neste texto quando a suposição com relação à distribuição dos
efeitos aleatórios está correta (veja conclusões do Capítulo 4). Poderia ser determinada
também a garantia de um emissor de laser através dos resultados de t
p|y

(0,1|y

), tempo
para o qual a probabilidade de uma unidade futura falhar é 0,10. Note que as proba-
Capítulo 5. Situações Práticas Revisitadas 88
bilidades estimadas de um laser futuro sobreviver a 4500 (R
T|Y

(4500|y

)) horas de uso
é alta, todas estimativas maiores que 0,70.
Tabela 5.1: Distribuição a posteriori das quantidades de interesse e parâmetros (Dados
dos Emissores de Laser - Hamada (2005))
Parâmetro Média Desvio padrão 2,5% Mediana 97,5%
δ 6,4302 1,3776 3,9710 6,3420 9,3150
λ 7,791E-11 3,982E-09 2,786E-26 4,021E-18 1,355E-11
σ
ε
0,2117 0,0098 0,1936 0,2114 0,2321
R
T|Y

(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 * * * *
δ
Hamada
5,688 0,9496 3,6920 5,7650 7,1390
λ
Hamada
6,628E-11 1,348E-09 2,587E-20 1,626E-16 8,531E-11
σ
εHamada
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 é possível obter os percentis da distribuição preditiva a pos-
teriori de todas unidades sob teste. O método de Robinson e Crowder (2000) também
permitiria realizar essa análise. Planos de manutenção podem ser desenvolvidos para
unidades sob teste, pois são obtidas as estimativas de percentis para as mesmas (ver
Robinson e Crowder (2000) para maiores detalhes da aplicação).
Tabela 5.2: Percentis da distribuição 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 verossimilhança permite ainda executar
predições de degradação para uma unidade futura, como pode ser visto na Figura 5.3.
Linhas mais escuras e contínuas retratam as bandas de credibilidade de degradação
uma unidade futura, linhas tracejadas mais escuras a estimativa pontual da unidade
89 5.2. Desgaste das Rodas de Trem
futura, linhas tracejadas as predições das unidades sob teste, e os círculos as medições
observadas de degradação. Note que as bandas de credibilidade da unidade futura
tendem a englobar a degradação das unidades sob teste. Esse gráfico é ilustrativo, uma
vez que predições com tantos passos a frente não é uma prática recomendada (e nem
sempre apresenta resultados satisfatórios).
0 1000 2000 3000 4000
0
2
4
6
8
1
0
1
2
Tempo (horas)
D
e
g
r
a
d
a
ç
ã
o

%
Df=10
Perfis de Degradação − Observados e Estimados
Figura 5.3: Predições para lasers futuros e sob teste assumindo T ∼ Weibull
5.2 Desgaste das Rodas de Trem
Na Seção 1.1.1 foram apresentados os dados de rodas de trem que inicialmente
motivaram este texto. Freitas et al. (2010) também analisaram as rodas MA11, os
resultados serão comparados com a metodologia Proposta na Seção 3.6.
Objetiva-se nesta Seção comparar os resultados obtidos em Freitas et al. (2010)
(obtidos via o método de Hamada (2005)) com a análise Proposta apresentada na Seção
3.6. O modelo de degradação utilizado será o mesmo apresentado na Seção 3, (uma vez
Capítulo 5. Situações Práticas Revisitadas 90
que Freitas et al. (2010) assumiu que os efeitos aleatórios Weibull e Lognormal). As
análises de perfis sob teste e futuros também se encontram indicadas dentro da Seção
3.
Todos resultados de Freitas et al. (2010) serão 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
máx{m
1
, . . . ,m
14
} = 13.
5.2.1 Rodas de Trem - Efeito Aleatório Weibull
Utilizado o modelo de degradação com a suposição de que os efeitos aleatórios são
distribuídos segundo uma distribuição Weibull (modelo da Seção 3.2 e lembrando que
T
i



∼ Weibull ⇔ β
i


∼ Weibull), são estabelecidas as distribuições a priori para
os parâmetros do modelo segundo a equação (4.1). A justificativa para essa escolha
se dá da mesma maneira que na Seção 4.2.1. As análises foram conduzidas da mesma
maneira que nas seções anteriores.
A distribuição preditiva a posteriori dos tempos de falha via Hamada (2005) acom-
panha bem as distribuições acumuladas livres de má especificação de Robinson e Crow-
der (2000) e da Proposta deste texto.
Na Figura 5.5 pode ser vista a distribuição preditiva a posteriori dos tempos de
falha de rodas sob teste e futura (Proposta da Seção 3.6). Como visto na Seção 4.5.2,
a Proposta com a nova unidade na verossimilhança apresenta resultados praticamente
idênticos aos de Hamada (2005)(ver Seção 4).
As estimativas das quantidades de interesse (MTTF|Y

ou tempo médio até a falha
da unidade futura a posteriori, R
T|Y

(300000|y

), t
p|Y

(0,1|y

), e t
p|Y

(0,5|y

)) e parâme-
tros do modelos são comparadas na Tabela 5.3. Note que todas as estimativas são
similares, indicando que o modelo de Hamada (2005) é 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: Distribuição preditiva a posteriori dos tempos de falha para uma roda
futura assumindo β
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: Distribuição preditiva a posteriori dos tempos de falha para rodas sob teste
e roda futura assumindo β
i
∼ Weibull
muito parecidos aos propostos neste texto quando a suposição com relação à distribuição
dos efeitos aleatórios está correta. Poderia ser determinada também a garantia de uma
Capítulo 5. Situações Práticas Revisitadas 92
roda através dos resultados de t
p|Y

(0,1|y

), tempo para o qual a probabilidade de uma
unidade futura falhar é 0,10. Note que as probabilidades estimadas de uma roda futura
sobreviver a 300000 (R
T|Y

(300000|y

)) quilômetros de uso é alta, todas estimativas
maiores que 0,90.
Tabela 5.3: Distribuição a posteriori das quantidades de interesse e parâmetros (Dados
de Desgaste de Rodas de Trem - Freitas et al. (2010))
Parâmetro Média Desvio padrão 2,5% Mediana 97,5%
δ 1,95 0,41 1,22 1,93 2,81
λ 0,01 0,01 0,00 0,00 0,04
σ
ε
0,94 0,05 0,85 0,94 1,06
MTTF| (

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 * * * *
δ
Hamada
1,95 0,41 1,22 1,93 2,80
λ
Hamada
0,01 0,01 0,00 0,01 0,04
σ
εHamada
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 é possível obter os percentis da distribuição preditiva a pos-
teriori de todas unidades sob teste. O método de Robinson e Crowder (2000) também
permitiria realizar essa análise. Planos de manutenção podem ser desenvolvidos para
unidades sob teste.
Tabela 5.4: Percentis da distribuição 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 verossimilhança permite ainda executar
predições de degradação para uma roda futura, como pode ser visto na Figura 5.6.
Linhas mais escuras e contínuas retratam as bandas de credibilidade de degradação
uma unidade futura, linhas tracejadas mais escuras a estimativa pontual da unidade
futura, linhas tracejadas as predições das unidades sob teste e os círculos indicam as
medidas de degradação observadas. Note que as bandas de credibilidade da unidade
futura tendem a englobar a degradação das unidades sob teste. Esse gráfico é ilustrativo,
uma vez que predições com tantos passos a frente não é uma prática 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
ç
ã
o


(
m
m
)
Df=77mm
Perfis de Degradação − Observados e Estimados
Figura 5.6: Predições para rodas futuras e sob teste assumindo β
i
∼ Weibull
5.2.2 Rodas de Trem - Efeito Aleatório Lognormal
São estabelecidas as mesmas distribuições a priori apresentadas na equação (4.2),
ou seja, não informativas no sentido de pouco conhecimento sobre os parâmetros. Na
Figura 5.7 nota-se que o método de Hamada (2005) não gera boas estimativas da dis-
tribuição dos tempos de falha a posteriori, logo não seria adequado utilizar o método
Capítulo 5. Situações Práticas Revisitadas 94
proposto de inserção da nova unidade na verossimilhança.
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: Distribuição preditiva a posteriori dos tempos de falha para uma roda
futura assumindo β
i
∼ Lognormal
Como os resultados da Seção 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

ou tempo médio até a falha
da unidade futura a posteriori, R
T|Y

(300000|y

), t
p|Y

(0,1|y

), e t
p|Y

(0,5|y

)) e parâme-
tros do modelo são 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 são quase
100.000 Km maiores que MTTF|Y

Prop.N.Unidade
= 1056880 Km, indicando que o mo-
delo de Hamada (2005) não é adequado apesar de possuir resultados parecidos aos
propostos na parte inicial da curva de probabilidade acumulada. Neste caso a situação
seria mais recomendável a utilização da Proposta deste texto e de Robinson e Crowder
(2000), para estabelecimento de garantia para novas rodas, ou ainda, conforme a Seção
5.2.1.
95 5.2. Desgaste das Rodas de Trem
Tabela 5.5: Distribuição a posteriori das quantidades de interesse e parâmetros (Dados
de Desgaste de Rodas de Trem - Freitas et al. (2010))
Parâmetro Média Desvio padrão 2,5% Mediana 97,5%
µ
L
2,46 0,18 2,10 2,46 2,81
σ
L
0,65 0,14 0,44 0,63 0,98
σ
ε
0,94 0,05 0,85 0,94 1,05
MTTF| (

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 * * * *
µ
LHamada
2,46 0,18 2,10 2,46 2,81
σ
LHamada
0,65 0,14 0,44 0,62 0,98
σ
εHamada
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
Capítulo 6
Conclusão
No Capítulo 1 deste texto foram apresentados dados de degradação de rodas de
trem para análise via inferência bayesiana. A percepção de inconsistências teóricas no
artigo de Hamada (2005) motivou a busca de artigos que propusessem metodologias
de abordagem bayesiana alternativas para dados de degradação e fomentou retorno à
situação prática dos dados de degradação de emissores de laser.
No Capítulo 2 foram revisadas algumas metodologias de inferência para modelos de
degradação.
No Capítulo 3, foi apresentada a abordagem bayesiana para inferência em mode-
los de degradação através de duas metodologias correntes na literatura (Robinson e
Crowder, 2000; Hamada, 2005), e de uma desenvolvida nesta dissertação. Através da
abordagem proposta neste texto, torna-se possível a obtenção da distribuição preditiva
a posteriori dos tempos de falha para unidades futuras e sob teste. Ainda, é apresen-
tada uma metodologia de inserção de uma nova unidade na função de verossimilhança
que permite acessar a distribuição a posteriori dos tempos de falha para unidades fu-
turas da mesma forma que em unidades sob teste, além de possibilitar predições de
medidas de degradação para uma unidade não observada. Esta última metodologia é
97
limitada pela correta especificação dos efeitos aleatórios assim como o é a metodologia
empregada por Hamada (2005). Neste Capítulo foi também apontada a inconsistência
teórica presente em Hamada (2005). A inconsistência diz respeito à afirmação de que
a distribuição dos efeitos aleatórios (ou dos tempos de falha, uma vez que ambos estão
atrelados pela forma funcional do modelo linear de degradação) se mantém a mesma a
posteriori. Foi realizada uma prova analítica contrária a esta suposição.
No Capítulo 4 são gerados dados de modo que a distribuição dos tempos de falha
reais é bimodal (mistura de duas normais), então através de Robinson e Crowder (2000),
da proposta deste texto (métodos que dão liberdade à atualização da distribuição dos
efeitos aleatórios), e do conhecimento da distribuição dos dados gerados, mostra-se que
os efeitos aleatórios de fato são atualizados no procedimento bayesiano, corroborando-se
assim empiricamente a inconsistência presente em Hamada (2005). Através de dados
gerados a partir das distribuições Weibull e Lognormal verifica-se que, apesar da incon-
sistência teórica, quando o efeito aleatório não é mal especificado, o método empregado
em Hamada (2005) fornece uma boa aproximação da distribuição preditiva a posteriori
dos tempos de falha para unidades futuras.
Fato interessante ainda neste Capítulo é que Robinson e Crowder (2000) e a pro-
posta deste texto sempre aproximaram muito bem a distribuição amostrada a partir da
distribuição real quando assumidas distribuições a priori Weibull e Lognormal pouco
informativas para a distribuição dos efeitos aleatórios. Outra vantagem da proposta e
de Robinson e Crowder (2000) é que formas funcionais mais complexas de degradação
não dificultam a utilização dessas duas abordagens. Ou seja, para estes casos dos dados
gerados, são completamente livres de má especificação (com forte evidência já que con-
seguiram captar inclusive bimodalidade). Dessa forma, ambos os métodos podem ser
utilizados para validação da metodologia de Hamada (2005) em casos práticos, dado que
sempre aproximaram a distribuição gerada dos tempos de falha. A partir daí, pode-se
utilizar a proposta deste texto com inclusão de uma nova unidade na verossimilhança,
Capítulo 6. Conclusão 98
que por sua vez apresenta resultados extremamente parecidos com os de Hamada (2005),
para realizar predições de degradação para uma unidade futura.
No Capítulo 5 foram revisitadas as situações práticas dos emissores de laser e das
rodas de trem. Quanto aos emissores de laser, verificou-se que a abordagem de Hamada
(2005) aproximava bem a distribuição dos tempos de falha, o que inclusive tornou pos-
sível realizar predições de degradação para a unidade futura através da proposta desta
dissertação. Em relação aos dados das rodas de trem, observou-se que a distribuição
Weibull, para o caso do uso da metodologia utilizada por Hamada (2005), era a mais
adequada em descrever os tempos de falha, e conseqüentemente os efeitos aleatórios.
Também foram realizadas predições de degradação para uma unidade não observada.
Primeiramente, é importante ressaltar-se que o método proposto de inclusão da
nova unidade na verossimilhança também pode ser abordado segundo o método de
Robinson e Crowder (2000). Segundo, as análises realizadas através de Robinson e
Crowder (2000) e das propostas desta dissertação são mais informativas do ponto de
vista prático, pois possibilitam realização de inferência para os perfis individuais e para
perfis futuros, inclusive predições para ambos se sob condições de correta especificação.
Do ponto de vista de manutenção preventiva, preditiva, e determinação de garantia,
a quantidade de informação obtida com a análise é muito maior e mais fidedigna à
verdadeira distribuição dos tempos de falha.
6.1 Sugestões para Pesquisas Futuras
Para estudos posteriores seria interessante avaliar, através de simulações, se Robin-
son e Crowder (2000) e a proposta deste texto conseguem captar de fato toda e qualquer
forma de distribuição de tempos de falha em modelos de degradação (as situações mais
atípicas). Outro questionamento que se faz é se essa propriedade das duas abordagens
99 6.1. Sugestões para Pesquisas Futuras
depende do fato de as distribuições a priori dos efeitos aleatórios serem especificadas
segundo as distribuições Weibull ou Lognormal, seria interessante avaliar outros tipos
de distribuições a priori não informativas.
Referências Bibliográficas
Agresti, A., Caffo, B., e Strickland-Ohman, P. (2004). Examples in which misspecifi-
cation of random effects distribution reduces efficiency, and possible remedies. Com-
putational Statistics & Data Analysis, 47:639–653.
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, 17:497–504.
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):211–252.
Casella, G. e George, E. (1992). Explaining the gibbs sampler. The American Statisti-
cian, 46(3):167–174.
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, 12:89–94.
Chiao, C. e Hamada, M. (2000). Experiments with degradation data for improving
reliability and for achieving robust reliability. Quality And Reliability Engineering
International, 17:333–344.
101 Referências Bibliográficas
Chib, S. e Greenberg, E. (1995). Understanding the metropolis-hastings algorithm. The
American Statistician, 49(4):327–335.
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, 4:195–201.
Efron, B. (1985). Bootstrap confidence intervals for a class of parametric problems.
Biometrika, 72(1):45–58.
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, 85:398–409.
Gelman, A., Bois, F., e Jiang, J. (1996). Physiological pharmacokinetic analysis using
population modeling and informative prior distributions. Journal of the American
Statistical Association, 91:1400–1412.
Referências Bibliográficas 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, 6:721–741.
Gertsbackh, I. e Kordonskiy, K. (1969). Models of Failure. Springer: New York.
Hamada, M. (2005). Using degradation data to assess reliability. Quality Engineering,
17:615–620.
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, 58:619–678.
Lindstrom, M. J. e Bates, D. M. (1990). Nonlinear mixed effects models for repeated
measures data. Biometrics, 46(3):673–687.
Litière, S., Alonso, S., e Molenberghs, G. (2008). The impact of a misspecified random-
effects distribution on the estimation and the performance of inferential procedures
in generalized linear mixed models. Statitics in Medicine, 27:3125–3144.
Liu, L. e Yu, Z. (2008). A likelihood reformulation method in non-normal random
effects models. Statistics in Medicine, 27:3105–3124.
Lu, C. e Meeker, W. (1993). Using degradation measurements to estimate a time-to-
failure distribution. . Technometrics, 35:161–174.
103 Referências Bibliográficas
Lu, C., Meeker, W., e Escobar, L. (1996). Using degradation measurements to estimate
a time-to-failure distribution. Statistica Sinica, 6:531–546.
Lu, J., Park, J., e Yang, Q. (1997). Statistical inference of a time-to-failure distribution
derived from linear degradation data. Technometrics, 39(4):391–400.
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 fit nonlinear
mixed-effects models with nonnormal random effects. Journal of Computational and
Graphical Statistics, 15(1):39–57.
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, 20:363–373.
Pinheiro, J. e Bates, D. (1995). Approximations to the log-likelihood function in the
nonlinear mixed-effects model. Journal of Computational and Graphical Statistics,
1(4):12–35.
Pinheiro, J. e Bates, D. (2000). Mixed-Effects 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 Effects Models. R package version 3.1-89.
Referências Bibliográficas 104
Pinheiro, J., Liu, C., e Wu, Y. (2001). Efficient algorithms for robust estimation in linear
mixed-effects models using the multivariate t distribution. Journal of Computational
and Graphical Statistics, 10:249–276.
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, 6:357–374.
Sobczyk, K. e Spencer, B. (1992). Random Fatigue: From Data to Theory. Academic
Press: New York.
Song, P., Fan, Y., e Kalbfleisch, J. (2005). Maximization by parts in likelihood inference
(with discussion). Journal of the American Statistical Association, 100:1145–1167.
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 coefficient degradation
model with random sample size. Lifetime Data Analysis, 5:173–183.
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 degradação: estudo comparativo de métodos de
análise de dados. Dissertação de Mestrado, Universidade Federal de Minas Gerais.
Tseng, S., Hamada, M., e Chiao, C. (1995). Using degradation data from a factorial
experiment to improve fluorescent lamp reliability. Journal of Quality Technology,
27:363–369.
105 Referências Bibliográficas
Verbeke, G. e Lesaffre, E. (1997). The effect of misspecifying the random-effects dist-
gribution in linear mixed effects distribution in linear mixed models for longitudinal
data. Computational Statistics & Data Analysis, 23:541–556.
Wakefield, J. (1996). The bayesian analysis of population pharmacokinetic models.
Journal of the American Statistical Association, 91:62–75.
Wakefield, 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):201–221.
Whitmore, G. e Schenkelberg, F. (1997). Modelling accelerated degradation data using
wiener diffusion with a time scale transformation. Lifetime Data Analysis, 3:27–45.
10.1023/A:1009664101413.
Wu, S. e Shao, J. (1999). Reliability anaysis using the least squares method in nonlinear
mixed effects degradation models. Statistica Sinica, 9:855–877.
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,
113:177–189.
Anexo A
ROTINA NO R - Caso 1:
Distribuição do Tempo até a Falha
T ∼ Bimodal - Mistura de Duas
Normais
#SIMULAÇÃO DOS DADOS DE DEGRADAÇÃO - T BIMODAL#
nperfis<-20 #número de perfis de degradação a serem gerados
ntotal<-nperfis*17 #número total de observações de degradação
# gerando os valores de tempos de falha estimados Mistura 0,5*N(3000,30) e
0,5*N(7000,30)
M1<-3000 #média da primeira amostra da distribuição normal para mistura
DP1<-30 #desvio padrão da primeira amostra da distribuição normal para mistura
M2<-7000 #média da segunda amostra da distribuição normal para mistura
DP2<-30 #desvio padrão da primeira amostra da distribuição normal para mistura
107
set.seed(214) #fixando a semente para replicação dos perfis
ptfg1<-rnorm(nperfis/2,M1,DP1) #gerando os tempos de falha com peso = 0,5 para
a primeira normal
set.seed(214) #fixando a semente para replicação dos perfis
ptfg2<-rnorm(nperfis/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) #cálculo da densidade dos tempos de falha
plot(densidadeg) #visualizando a fdp dos tempos de falha gerados
horas<-seq(0,15000,1)
# encontrando os coeficientes da regressão
df<-10 #estabelecendo um limiar crítico de degradação
coef<-ptfg/df #calculando os efeitos aleatórios associados a cada perfil de degradação
coef
#apresentando o gráfico que demonstra que os efeitos aleatórios também possuem
distribuição bimodal
windows()
densidadecoef<-density(coef)
plot(densidadecoef,main="Efeitos aleatórios - T Bimodal",
ylab="Probabilidade",xlab="Valor observado para o efeito aleatório")
)
# simulando os tempos observados com erro N(0,0.2063)
tempos<-seq(0,4000,250)
deg<-matrix(0,17,nperfis)
for (j in 1:nperfis)
for (i in 1:17)
set.seed(i+j)
Anexo A. ROTINA NO R - Caso 1: Distribuição do Tempo até 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 análise
for (j in 1:nperfis)
deg[1,j]<-0
deg
Tempo<-rep(tempos,nperfis)
Unidade<-vector()
Desgaste<-vector()
k<-0
for (i in 1:nperfis)
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 perfis de degradação
windows()
lim=range(d$Tempo,d$Desgaste)
plot(d$Tempo,d$Desgaste,type="p",xlab="Tempo", ylab="Degradação")
for (i in 1:nperfis)
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("Perfis de Degradação - Simulado")
#SUPONHA NÃO CONHECERMOS A REALIDADE, AFIRMAREMOS QUE A
DISTRIBUIÇÃO DOS EFEITOS ALEATÓRIOS É WEIBULL.#
#chamando os pacotes que realizam a comunicação do R com o WinBUGS
#packages("R2WinBUGS")
library("R2WinBUGS")
require(R2WinBUGS)
require(BRugs)
#carregando o modelo escrito na sintaxe do WinBUGS
model.file <- system.file(package = "R2WinBUGS", "model",
"WeibullModel_DISS.txt")
file.show(model.file)
#Preparação dos dados para o WinBugs
data <- list( n1=ntotal, n2=nperfis,
y=d$Desgaste,
hours=d$Tempo,
units=d$Unidade)
ibetas<-rep(500,nperfis)
#Atribuindo os valores iniciais aos parâmetros
inits <- function()
list(delta=6,lambda=0.001,tau=0.1,beta=ibetas)
#Determinação dos parâmetros a serem monitorados
parameters <- c("delta", "lambda", "sigma","beta")
semente=1000 #fixa a semente da cadeia
#obtenção da distribuiçãoo a posteriori dos parâmetros do modelo
Anexo A. ROTINA NO R - Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal
- Mistura de Duas Normais 110
weib.sim <- bugs(data, inits, parameters, model.file,
n.chains = 1, n.iter = 10001000,n.burnin=1000,n.thin=1000,codaPkg=FALSE, de-
bug = FALSE, #resultado da dissertação
# n.chains = 1, n.iter = 11000, n.burnin=1000, n.thin=1,codaPkg=FALSE, debug
= FALSE, #descomente para um resultado rápido (aviso:autocorrelação)
bugs.directory ="C:/Program Files/WinBUGS14", bugs.seed=semente,
working.directory ="C:/CAMINHO", clearWD = FALSE)
#codaPkg=TRUE para obter os valores dos parâmetros
print(weib.sim)
#ANÁLISE HAMADA#
#função para calcular a função distribuição acumulada preditiva à posteriori dos
tempos de falha com efeito aleatório weibull
F_Ham<- function (t,delta,lambda,df)
d_F_t_Hamada<-vector()
F_Hamada<-vector()
for (i in 1:length(t))
d_F_t_Hamada<-1-exp(-(lambda/(df**delta))*t[i]**delta)
F_Hamada[i]<-mean(d_F_t_Hamada)
F_Hamada
#distribuição preditiva a posteriori dos parâmetros de forma e escala, respectiva-
mente
delta<-weib.sim$sims.matrix[,1]
lambda<-weib.sim$sims.matrix[,2]
#tempos nos quais será avaliada a função distribuição acumulada preditiva à pos-
teriori dos tempos de falha
horas<-seq(0,15000,1)
#obtenção da função distribuição acumulada preditiva à posteriori dos tempos de
111
falha
F_Hamada<-F_Ham(horas,delta,lambda,df)
#PROPOSTA#
#armazenando as amostras a posteriori dos efeitos aleatórios e variância do erro
para facilitar a manipulação
beta<-weib.sim$sims.matrix[,1:nperfis+3]
sigma<-weib.sim$sims.matrix[,3]
#amostra da distribuição preditiva a posteriori para os tempos de falha baseia-se
na relação que o modelo estabelece entre os parâmetros e os tempos de falha
tf_dados<-df*beta
#rode esta parte para verificar que o modelo estimou corretamente a distribuição
dos efeitos aleatórios gerados
for (i in 1:nperfis)
windows()
par(mfrow=c(1,2))
hist(beta[,i],main=bquote(beta[.(i)]),
ylab="Freqüência",
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: Distribuição do Tempo até a Falha T ∼ Bimodal
- Mistura de Duas Normais 112
#rode esta parte para verificar que o modelo estimou corretamente a distribuição
dos tempos de falha gerados
for (i in 1:nperfis)
windows()
par(mfrow=c(1,2))
hist(tf_dados[,i],main=bquote(t[.(i)]),
ylab="Freqüência",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")
#MÉTODO ROBINSON E CROWDER#
horas<-seq(0,15000,1) #seqüência de valores de horas para cálculo de F(t)
ttam<-length(horas) #tamanho da seqüência de horas
Ft2<-matrix(0,ttam,nperfis) #matriz onde serão armazenados as distribuições acu-
muladas de tempo de falha para cada unidade
F<-vector() #vetor auxiliar para cálculo de F(t|theta,dados)
z<-vector() #vetor que irá receber a padronização para a distribuição Normal(0,1)
#obtenção da função distribuição acumulada preditiva à posteriori dos tempos de
falha
for (i in 1:nperfis)
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:nperfis,i])
#CONFRONTO DAS ACUMULADAS DE T#
perfis<-20000 #número de perfis a serem gerados para aproximar a distribuição 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) #fixando semente para repetir os resultados
ptf1<-rnorm(perfis/2,M1,DP1) #peso de 0,5 para a amostra ter vindo dessa dis-
tribuição
set.seed(214) #fixando semente para repetir os resultados
ptf2<-rnorm(perfis/2,M2,DP2) #peso de 0,5 para a amostra ter vindo dessa dis-
tribuição
real<-c(ptf1,ptf2) #amostra suficientemente grande para aproximar a distribuição
real
#Plotando a função 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: Distribuição do Tempo até 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 função 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:nperfis])
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 função 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 NÃO CONHECERMOS A REALIDADE, AFIRMAREMOS QUE A
DISTRIBUIÇÃO DOS EFEITOS ALEATÓRIOS É LOGNORMAL.#
#chamando os pacotes que realizam a comunicação do R com o WinBUGS
packages("R2WinBUGS")
library("R2WinBUGS")
require(R2WinBUGS)
Anexo A. ROTINA NO R - Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal
- Mistura de Duas Normais 116
require(BRugs)
#carregando o modelo escrito na sintaxe do WinBUGS
model.file <- system.file(package = "R2WinBUGS", "model",
"LNModel_DISS2.txt")
file.show(model.file)
#Preparação dos dados para o WinBugs
data <- list( n1=ntotal, n2=nperfis,
y=d$Desgaste,
hours=d$Tempo,
units=d$Unidade)
ibetas<-rep(500,nperfis)
#Atribuindo os valores iniciais aos parâmetros
inits <- function()
list(muL=6,tauL=0.1,tau=0.1,beta=ibetas)
#Determinação dos parâmetros a serem monitorados
parameters <- c("muL", "sigmaL", "sigma","beta")
semente=1000 #fixa a semente da cadeia
LN.sim <- bugs(data, inits, parameters, model.file,
n.chains = 1, n.iter = 10001000,n.burnin=1000,n.thin=1000,codaPkg=FALSE, de-
bug = FALSE, #resultado da dissertação
# n.chains = 1, n.iter = 11000, n.burnin=1000, n.thin=1,codaPkg=FALSE, debug
= FALSE, #descomente para um resultado rápido (aviso:autocorrelação)
bugs.directory ="C:/Program Files/WinBUGS14", bugs.seed=semente,
working.directory ="C:/CAMINHO", clearWD = FALSE)
#codaPkg=TRUE para obter os valores dos parâmetros
print(LN.sim)
#ANÁLISE HAMADA#
117
#função para calcular a função distribuição acumulada preditiva à posteriori dos
tempos de falha com efeito aleatório 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 será avaliada a função distribuição acumulada preditiva à pos-
teriori dos tempos de falha
muL<-LN.sim$sims.matrix[,1]
sigmaL<-LN.sim$sims.matrix[,2]
horas<-seq(0,15000,1)
#obtenção da função distribuição acumulada preditiva à posteriori dos tempos de
falha
F_HamadaL<-F_HamL(horas,muL,sigmaL,df)
#PROPOSTA#
#armazenando as amostras a posteriori dos efeitos aleatórios para facilitar a ma-
nipulação
betaL<-LN.sim$sims.matrix[,1:nperfis+3]
sigmaL<-LN.sim$sims.matrix[,3]
#amostra da distribuição preditiva a posteriori para os tempos de falha baseia-se
na relação que o modelo estabelece entre os parâmetros e os tempos de falha
tf_dadosL<-df*betaL
#rode esta parte para verificar que o modelo estimou corretamente a distribuição
dos efeitos aleatórios gerados
Anexo A. ROTINA NO R - Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal
- Mistura de Duas Normais 118
for (i in 1:nperfis)
windows()
par(mfrow=c(1,2))
hist(betaL[,i],main=bquote(beta[.(i)]),
ylab="Freqüência",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 verificar que o modelo estimou corretamente a distribuição
dos tempos de falha gerados
for (i in 1:nperfis)
windows()
par(mfrow=c(1,2))
hist(tf_dadosL[,i],main=bquote(t[.(i)]),
ylab="Freqüência",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
#MÉTODO ROBINSON E CROWDER#
horas<-seq(0,15000,1) #seqüência de valores de horas para cálculo de F(t)
ttam<-length(horas) #tamanho da seqüência de horas
Ft2L<-matrix(0,ttam,nperfis) #matriz onde serão armazenados as distribuições
acumuladas de tempo de falha para cada unidade
FL<-vector() #vetor auxiliar para cálculo de F(t|theta,dados)
zL<-vector() #vetor que irá receber a padronização para a distribuição Normal(0,1)
#obtenção da função distribuição acumulada preditiva à posteriori dos tempos de
falha
for (i in 1:nperfis)
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:nperfis,i])
#CONFRONTO DAS ACUMULADAS DE T#
perfis<-20000 #número de perfis a serem gerados para aproximar a distribuição 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) #fixando semente para repetir os resultados
Anexo A. ROTINA NO R - Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal
- Mistura de Duas Normais 120
ptf1<-rnorm(perfis/2,M1,DP1) #peso de 0,5 para a amostra ter vindo dessa dis-
tribuição
set.seed(214) #fixando semente para repetir os resultados
ptf2<-rnorm(perfis/2,M2,DP2) #peso de 0,5 para a amostra ter vindo dessa dis-
tribuição
real<-c(ptf1,ptf2) #amostra suficientemente grande para aproximar a distribuição
real
#Plotando a função 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 função 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:nperfis])
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 função 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: Distribuição do Tempo até 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 Predições
setwd("C:/CAMINHO")
nperfis<-15 #número de perfis de degradação
ntotal<-nperfis*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 crítico de degradação
# Plotando os perfis de degradação
windows()
lim=range(d$Tempo,d$Desgaste)
plot(d$Tempo,d$Desgaste,type="p",xlab="Tempo (horas)", ylab="Degradação %")
abline(h=df)
legend(locator(1), "Df=10", bty="n")
title("Perfis de Degradação - Observados e Estimados")
Anexo B. ROTINA NO R - Emissores de Laser Para Predições 124
# Rodar apenas este para predição no tempo zero
ntotal<-ntotal+1
nperfis<-nperfis+1
d<-rbind(d,c(nperfis,0,0))
# Rodar esta parte em complemento à anterior para predições vários passos a frente
npredict<-17 #Determine a quantidade de passos a frente das predições
for (i in 1:npredict)
ntotal<-ntotal+1
d<-rbind(d,c(nperfis,i*250,NA)) # O WinBUGS realiza predições para observações
marcadas como NA
#chamando os pacotes que realizam a comunicação do R com o WinBUGS
#packages("R2WinBUGS")
library("R2WinBUGS")
require(R2WinBUGS)
require(BRugs)
model.file <- system.file(package = "R2WinBUGS", "model",
"WeibullModel
D
ISS
P
.txt”)
file.show(model.file)
#Preparação dos dados para o WinBugs
data <- list( n1=ntotal, n2=nperfis,
y=d$Desgaste,
hours=d$Tempo,
units=d$Unidade)
ibetas<-rep(500,nperfis)
#Atribuindo os valores iniciais aos parâmetros
inits <- function()
list(delta=6,lambda=0.001,tau=0.1,beta=ibetas)
125
#Determinação dos parâmetros a serem monitorados
parameters <- c("delta", "lambda", "sigma","beta","y.pred")
semente=1000
weib.sim <- bugs(data, inits, parameters, model.file,
# n.chains = 1, n.iter = 10001000,n.burnin=1000,n.thin=1000,codaPkg=FALSE,
debug = FALSE,
n.chains = 1, n.iter = 11000, n.burnin=1000, n.thin=1,codaPkg=FALSE, debug =
FALSE,
bugs.directory ="C:/Program Files/WinBUGS14", bugs.seed=semente,
working.directory ="C:/CAMINHO", clearWD = FALSE)
print(weib.sim)
#armazenando os resultados preditos para todas as unidades, inclusive para a in-
serida na verossimilhança (futura)
ypred<-head(weib.sim$sims.matrix[,(4+nperfis):(4+nperfis+ntotal)])
y.pred<-vector()
y.pred.025<-vector()
y.pred.975<-vector()
#calculando estimativa média e bandas de credibilidade da degradação no perfil
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))
nperfis<-15
ntotal<-nperfis*17
#insere no gráfico as medidas de degradação preditas para os perfis sob teste
for (i in 1:nperfis)
Anexo B. ROTINA NO R - Emissores de Laser Para Predições 126
a<-i*17-16
b<-i*17
lines(d$Tempo[1:17],y.pred[a:b],lty=c("dashed"))
#insere no gráfico as medidas de degradação preditas para o perfil futuro
lines(d$Tempo[1:17],y.pred[((nperfis+1)*17-16):((nperfis+1)*17)],
lty=c("dashed"),lwd=4,col="black")
#insere a banda inferior de credibilidade para as medidas de degradação preditas
para o perfil futuro
lines(d$Tempo[1:17],y.pred.025[((nperfis+1)*17-16):((nperfis+1)*17)],
lty=1,lwd=4,col="black")
#insere a banda superior de credibilidade para as medidas de degradação preditas
para o perfil futuro
lines(d$Tempo[1:17],y.pred.975[((nperfis+1)*17-16):((nperfis+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;
#verossimilhança
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;
#verossimilhança
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)
#(locação,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)

Rívert Paulo Braga Oliveira

Uma abordagem bayesiana para modelos de degradação: a obtenção da distribuição preditiva a posteriori dos tempos de falha de unidades amostrais futuras e sob teste

Dissertação apresentada ao Departamento de Pós-Graduação em Engenharia de Produção da Universidade Federal de Minas Gerais, para a obtenção do Título de Mestre em Engenharia de Produção, Concentração em Produção e Logística. Orientadora: Marta Afonso Freitas Co-orientadora: Rosângela Helena Loschi Belo Horizonte Fevereiro 2011

Aos meus pais. . José Antônio e Valdelice. Aos meus irmãos. Rodrigo e Rony. Carolina. A meu grande amor.

Não há efeito sem causa. Capítulo 1. Procurai a causa de tudo que não é obra do homem e a vossa razão responderá. .Epígrafe Onde se pode encontrar a prova da existência de Deus? "Num axioma que aplicais às vossas ciências." Passagem de "O Livro dos Espíritos" de Allan Kardec. questão 4.

Rosângela Helena Loschi pelas críticas decisivas e pela orientação. A Inês. A CAPES e CNPq pelo financiamento da pesquisa. Ao companheiro de mestrado. Drª. Aos meus pais. Rodrigo e Rony. Júlio Ferreira. A ambas por acreditarem na minha capacidade. Drª. da minha infância e demais amigos que fiz ao longo dos anos. secretária do PPGEP-UFMG. . da Estatística-UFMG. pela força. A UFMG e LADEC pelo suporte e estrutura. e meus irmãos. carinho e compreensão. pelo companheirismo. pelo ótimo trabalho que desempenha. José Antônio e Valdelice. sempre muito ativo e contribuindo bastante em grande parte das reuniões. força. A minha orientadora. do LADEC. direta ou indiretamente. Aos professores do PPGEP-UFMG pelo conhecimento transmitido. incentivo. me apoiaram neste trabalho. A minha co-orientadora. dedicação. dedicação. e aos demais funcionários da UFMG. Aos amigos do Objetivo. Enrico Antônio Colosimo. pela participação e colaboração nas reuniões do grupo. A minha namorada Carolina. apoio e carinho. Além das longas discussões teóricas. companheiros de mestrado. do CEFET-MG. Marta Afonso Freitas pela orientação e dedicação à elaboração da dissertação.Agradecimentos Agradeço a todos que. Ao colaborador Dr. além das oportunidades e aprendizado que transpassaram o mundo acadêmico.

que possuem como dado experimental não a falha. Técnicas convencionais são voltadas para a ocorrência de falhas ao longo do tempo. a qual quando monitorada torna possível melhorias significativas nas estimativas das quantidades de interesse. Distribuição Preditiva . fora do escopo da amostra. Isso se deve ao fato de que os métodos computacionais implementados na abordagem bayesiana já permitem acomodar um número maior de distribuições de probabilidade. Contudo. a estimação das quantidades que descrevem os tempos de falha fica comprometida. Inferência Bayesiana. Palavras-chave: Modelos de Degradação.Resumo A Confiabilidade é um ramo da Estatística que visa descrever via inferência a distribuição do tempo de falha de objetos de interesse. para determinadas situações nas quais a ocorrência de falhas é pequena ou quase nula. Dessa forma foram desenvolvidos os modelos de degradação. Uma base de dados de emissores de laser e outra de rodas de trem ilustram a aplicação da metodologia proposta neste texto. e dessa forma torna-se menos susceptível a problemas de má especificação. O que se propõe neste texto é apontar alguns erros metodológicos que vêm sendo cometidos no uso da inferência bayesiana e apresentar uma proposta de análise. comparando-a com as abordagens por inferência bayesiana existentes na literatura em Modelos de Degradação. mas sim alguma característica mensurável a ela atrelada. Neste texto evidencia-se que mesmo sob má especificação o enfoque bayesiano pode apresentar bons resultados. Modelos de degradação têm sido amplamente aplicados e estudados sob a perspectiva da estatística clássica. Os resultados apresentados permitem levantar a confiabilidade dos objetos estudados e de objetos futuros. todavia dificuldades computacionais e má especificações relativas a suposições dos modelos passaram a tornar interessante uma obordagem pelo enfoque da estatística bayesiana.

Bayesian Inference. for certain situations in which the occurrence of failures is small or almost zero. have turned interesting the approach by a focus on bayesian statistics. 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. thus become less susceptible to problems of misspecification. Thus.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. comparing it to the approaches for bayesian inference in the literature on degradation models. This is due to the fact that the computational methods implemented in the bayesian approach already allowed accommodate a larger number of probability distributions. which when monitored make possible significant improvements in estimates of quantities of interest. but some measurable characteristic linked to them. The degradation models have been widely applied and studied from the perspective of classical statistics. The results allow to raise the reliability of the studied objects and future objects outside the scope of the sample. however. computational difficulties and misspecifications of the assumptions of the models. the estimation of quantities that describe the failure time is compromised. which the experiemtal data are not failures. degradation models were developed. However. Keywords: Degradation Models. A database of laser emitters and another of train wheels illustrate the application of the methodology proposed in this text. Predictive Distribution . This text shows that even under misspecification the Bayesian approach can produce good results.

. . . . . .6 Densidade a posteriori : efeito aleatório do perfil 7 . . . . . . . .3 4. . . . . . . . . . . . . . . .2 4. 71 72 4. .T ∼ Bimodal) . . . .Assumindo βi ∼ W eibull (Caso gerado .Lista de Figuras 1. . . . . . . . Densidade a posteriori : efeito aleatório do perfil 7 .rodas MA11. .T ∼ Bimodal 66 Densidade a posteriori : efeito aleatório do perfil 7 . . .T ∼ Bimodal) . . . . . . 73 . . . . . . . . . . . . .T ∼ Bimodal) . . . . . . . . . . . . . . . . . .Assumindo βi ∼ W eibull (Caso gerado . . . . . . . . . . . . . . . . . . . . Perfil de degradação das unidades emissoras laser. Perfis de desgaste . .1 1. .T ∼ Bimodal . . .Assumindo βi ∼ W eibull (Caso gerado .5 Distribuição preditiva a posteriori dos tempos de falha para um perfil futuro assumindo βi ∼ W eibull (Caso gerado . . . . . . . .vista principal inferior de um vagão motor. .9 Perfis de degradação . .2 1. . . .7 Distribuição preditiva a posteriori dos tempos de falha para um perfil futuro assumindo βi ∼ Lognormal (Caso gerado . .1 Croqui . . . . . . . 70 4. . . . 63 66 2 3 5 Densidade de probabilidade dos efeitos aleatórios Gerados . . . . . . . . .T ∼ Bimodal) . . .Assumindo βi ∼ Lognormal (Caso gerado . . . 68 4. . . . . . . . . . . . . . . . . . . . Convergência e autocorrelação das cadeias da distribuição a posteriori para alguns parâmetros . 67 4. .8 4. . . . . . . . . . . . . .T ∼ W eibull) . . .4 Perfis de degradação . . . . 4. . .3 4. . . . .T ∼ W eibull .T ∼ Bimodal) . . .

.T ∼ W eibull) . . . . . . . . 4. .14 Perfis de degradação .19 Distribuição preditiva a posteriori assumindo βi ∼ Lognormal (Caso gerado .12 Densidade a posteriori : efeito aleatório do perfil 7 . . . . . . .Assumindo βi ∼ W eibull (Caso gerado . . .13 Distribuição preditiva a posteriori dos tempos de falha para um perfil futuro assumindo βi ∼ Lognormal (Caso gerado . . . . . .T ∼ Lognormal) . . 4. 5. . . . 5. . . . 77 78 4. . . . . . . . . .4. . . 5. . . . .1 Distribuição preditiva a posteriori dos tempos de falha para um laser futuro assumindo βi ∼ W eibull . . . . . . . . . . . . . . . . .T ∼ Lognormal) . .Assumindo βi ∼ Lognormal (Caso gerado . . . . . 4. . . . . . . . . . . . . . . . 4. . . . . . .T ∼ W eibull) . . 76 75 74 4.T ∼ W eibull) . . . . .18 Distribuição preditiva a posteriori dos tempos de falha para um perfil futuro assumindo βi ∼ Lognormal (Caso gerado . . . . . . .T ∼ W eibull) . . . . . . . . . . . . . . . . .16 Preditiva a posteriori FTn+1 |Y (t|Y ) assumindo βi ∼ W eibull .4 Predições para lasers futuros e sob teste assumindo T ∼ W eibull . . .Assumindo βi ∼ Lognormal (Caso gerado . . . . Distribuição preditiva a posteriori dos tempos de falha para uma roda futura assumindo βi ∼ W eibull . . . .17 Densidade a posteriori : efeito aleatório do perfil 7 . . . . . . .2 Distribuição preditiva a posteriori dos tempos de falha para lasers sob teste e laser futuro assumindo βi ∼ W eibull . . . . . . . . . .11 Distribuição preditiva a posteriori assumindo βi ∼ W eibull (Caso gerado . . . . . . . . .3 5. . . . . .T ∼ Lognormal . . . . .T ∼ Lognormal) .15 Densidade a posteriori : efeito aleatório do perfil 7 . . . . . . 79 80 4. . . . . . . . . . . . . 91 87 89 86 83 82 81 . . . . . . . . . . . . . . . . . . ∼ 4. . .10 Distribuição preditiva a posteriori dos tempos de falha para um perfil futuro assumindo βi ∼ W eibull (Caso gerado . . . . 4. .T ∼ Lognormal) ∼ . . . . . . .

. . .6 5. . .7 Predições para rodas futuras e sob teste assumindo βi ∼ W eibull . . . . .5. . . ∼ ∼ . . . . . . Preditiva a posteriori FTn+1 |Y (t|Y ) assumindo βi ∼ Lognormal . . .5 Distribuição preditiva a posteriori dos tempos de falha para rodas sob teste e roda futura assumindo βi ∼ W eibull . . . . . 91 93 94 5.

.1 3. . . . . . . . . . . . . . Amostra . Amostra . . . . . . .4 3. .5 5. . . . . . . . . . (2010)) . . . . . . . . .Freitas et al. . . . .3 Amostra . . . . . . . 3. . .preditiva a posteriori de T via Robinson e Crowder (2000) . . (2010)) . .Lista de Tabelas 3. . . . . . . . . . . .5 Distribuição a posteriori das quantidades de interesse e parâmetros (Dados de Desgaste de Rodas de Trem . .Hamada (2005)) .2 3. (2010)) . . . .Hamada (2005)) . . . . . .2 Percentis da distribuição preditiva a posteriori dos tempos de falha para unidades sob teste (Dados dos Emissores de Laser .4 Percentis da distribuição preditiva a posteriori dos tempos de falha para unidades sob teste (Dados de Desgaste de Rodas de Trem . . . .Freitas et al. . . 5. . . . . Amostra . . . .Freitas et al. . .1 Amostra distribuição preditiva a posteriori via Proposta . . . . . .preditiva a posteriori de T via Hamada (2005) .3 Distribuição a posteriori das quantidades de interesse e parâmetros (Dados de Desgaste de Rodas de Trem . . . 95 92 92 88 88 49 51 52 45 48 . . . . . . .preditiva do perfil futuro a posteriori via Proposta . . Distribuição a posteriori das quantidades de interesse e parâmetros (Dados dos Emissores de Laser . . . . 5. . . 5. . . . . . . . . . . . 5. . . .preditiva a posteriori de um perfil futuro via Robinson e Crowder (2000) . .

21 22 23 25 27 32 32 34 34 3 Especificação do Modelo de Degradação Sob Abordagem Bayesiana 3. . . . . . . . . . 1 1 1 4 5 Literatura . . . . . . . . . . . . . . . . . . . . . .1 Construção da Função de Verossimilhança . . . .2 1. . . . . . O Método Analítico . . . . . . . . . .3 2. .5 Dados de Desgaste de Rodas de Trem . . . . . . . .3 1. . . . . . . . .1 2. . . . . . . . . . 3. . . . . . . . . . . . . Organização deste Texto . . . .4 1. .1. . . . . . . . . O Modelo Geral de Degradação e o Problema da Estimação dos Parâmetros 10 Objetivos do Trabalho .2 1.1 1. . . . . . . . . . . . . . . 19 19 2 Métodos Estatísticos Baseados em Inferência Clássica para Estimação de Parâmetros em Modelos de Degradação 2. . . . . . . . . . . . . .2 2. . . . . . . Dados de Corrente de Operação de Emissores de Laser . . . . . . . . . . . . . . . . . . .1 Situações Práticas Motivadoras . . . . . . .2 Método Baseado em Inferência Bayesiana . . . . . . . Modelo com Efeito Aleatório Weibull . . . O Método Numérico . . . . . .1. . . . . . . . . . O Método de Dois Estágios . . . . . . . . . . . . . . . . . . . . . . . . . 1. . . .4 O Método Aproximado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Sumário 1 Introdução 1. . . . . . . . . . . . .2.

. . . . . .Mistura de Duas Normais . . . . . . .Tempos de Falha Conhecidos 4. . . . . . . . 65 67 69 70 4. . . . . . . . . . . . . . . . . . . .3 Construção da Função de Verossimilhança . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Efeito Aleatório Lognormal . .2 3. ∼ FTi |Y (t|y ) Segundo Robinson e Crowder (2000) . .2 Geração dos Perfis Simulados . .2 3. ∼ ∼ ∼ FTi |Y (t|y ) para um Perfil Futuro .1 4.6. . . . . . . . . . . . . .1 3. . . . . 3. .2. . . . . . . . . . . . . . . . . . . Análises Supondo Efeito Aleatório Lognormal . . . . . . . .1 4. . . . . . 4. . . . .1 3. .3. . . . . . . . . . . . .3. . . .3. . .2 Análises Supondo Efeito Aleatório Weibull . . . . . . . . . . . 62 63 64 Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal . . . . . . . .3. . . . . . . . . . . . . . . .6 ∼ FTi |Y (t|y ) para um Perfil sob Teste . . .6. . .5 FTi |Y (t|y ) Segundo Hamada (2005) . . . . .3 3. . .2 4. .5. .2 3. . . . . . . . . . . . . .6. . . . . . . . . . . . . . .3 3. . . . ∼ 3. . . . . . .2. . . . . . . . .5. . . . . . .4 Caso 2: Distribuição do Tempo até a Falha T ∼ Weibull . . . . . . . . . . . .3.3 Especificação das Distribuições a priori . . . Especificação das Distribuições a priori . Distribuições a priori Assumidas para os Parâmetros do Modelo de Degradação . . . . . . . . Especificação das Distribuições Condicionais Completas . . .4 3. . .1 3. . . .3. . . . . . . . . . . ∼ FTi |Y (t|y ) Proposta . . . . . . . . .2 3. . .2. . . . . . ∼ ∼ ∼ ∼ FTi |Y (t|y ) para um Perfil Futuro . . ∼ FTi |Y (t|y ) para um Perfil Futuro Incluído na Verossimilhança . . . . . . 4. . . . . . . . . . . . . . . .2. . 36 39 41 41 41 43 43 47 47 49 50 50 51 51 55 60 61 Modelo com Efeito Aleatório Lognormal . 4 Dados Simulados . . . . . . . . . . . . .7 FTi |Y (t|y ) para um Perfil sob Teste . . .3 Efeito Aleatório Weibull . . . . . . . . . . . . . . ∼ ∼ 3. . . . . . . . .1 4. . . . . . . ∼ 3. . . . . . . . . . . Especificação das Distribuições Condicionais Completas . ∼ Inconsistência Teórica em Hamada (2005) . . . .

. . Análises Supondo Efeito Aleatório Lognormal . . . Rodas de Trem . . . . . . . . . . .5. . . . . . .2 Emissores de Laser . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .Efeito Aleatório Weibull . . . . . . . . . . . . 72 75 78 79 81 83 85 85 89 90 93 96 98 100 Caso 3: Distribuição do Tempo até a Falha T ∼ Lognormal .2 6 Conclusão 6. .Emissores de Laser Para Predições C MODELO PARA WINBUGS: WEIBULL D MODELO PARA WINBUGS: LOGNORMAL 106 123 127 129 . . . . . . . . . Referências Bibliográficas A ROTINA NO R . .5. . . .Mistura de Duas Normais B ROTINA NO R . . . . . . .Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal .Efeito Aleatório Lognormal . . . . . . . . . . . .1 4.1 5. . . . . . . . Rodas de Trem . . 4. . . . . . . . . . . . . . . . . . . . . . . . .2.1 5. . . . . . . . . . . . . . . . . . 4. .5 Análises Supondo Efeito Aleatório Weibull . 5. .6 Conclusões 5 Situações Práticas Revisitadas 5. .2 4. . . . . . Desgaste das Rodas de Trem . . . Análises Supondo Efeito Aleatório Lognormal . . . . .2 Análises Assumindo Efeito Aleatório Weibull . .4.4. . . . . . . .4. . . . . . . .1 Sugestões para Pesquisas Futuras . .2.1 4.

.

1 Situações Práticas Motivadoras Dados de Desgaste de Rodas de Trem Utilizaremos os dados de desgaste de rodas de trens discutidos inicialmente em Freitas et al. cada um composto por quatro carros (vagões). No estudo preliminar foram selecionados aleatoriamente quatorze (14) trens dos vinte e cinco (25) em operação. trinta e duas por trem.000Km.R2.1 1. O banco de dados completo inclui. possui dois truques. referente a um estudo conduzido por uma empresa do setor ferroviário. totalizando assim oito rodas por carro (vagão). entre outras informações. Cada vagão em um dado trem.1 apresenta o croqui para o vagão motor. . . cada eixo com duas rodas. .Capítulo 1 Introdução 1. sendo um motor (MA) e três reboques (R1. t13 = 600.00Km. Para estes quatorze (14) trens foi dada ênfase aos . cada truque com dois eixos. t1 = 50.R3).1. Estas medidas foram registradas para 14 trens. A Figura 1. . as medidas de diâmetros de rodas tomadas em 13 igualmente espaçados tempos de inspeção: t0 = 0km. Os carros reboque não possuem tração própria. (2009) como uma das motivações práticas do trabalho. Trata-se de um subconjunto de um banco de dados maior.

o desgaste das rodas. A equipe de engenharia determinou que a redução crítica de diâmetro ocorre quando este atinge 889 mm. MA32. Portanto os dados disponibilizados foram os de desgaste das rodas desse vagão (isto é. Freitas et al. As rodas estudadas são de aço forjado e laminado e cada uma possui um diâmetro inicial de 966 mm.14. (2009) analisaram os dados das quatorze (14) rodas MA11 apenas e para tal.vista principal inferior de um vagão motor. O objetivo do estudo era a caracterização da confiabilidade das rodas através da obtenção da distribuição do tempo até a falha e a obtenção das estimativas de quilometragem média até a falha. dos quantis da distribuição do tempo de falha e da confiabilidade em 300.. MA22. dado por: Yij = 966mm − Diamij .2. O limiar crítico de degradação Df (“Failure Threshold ”) é dado por: .2.. Introdução 2 Figura 1. ao final do acompanhamento.. obtiveram-se 14 medidas de diâmetro para cada uma das oito posições de rodas do vagão motor (MA11.. j = 1..13) em que Yij é a variável aleatória que define o desgaste da i-ésima roda no j-ésimo tempo (quilometragem) de medição.. ao todo quatorze (14) vagões motor). MA42). MA41. dados dos vagões motor uma vez que características do modo de operação dos mesmos acelera o desgaste as rodas. A Figura 1. utilizaram como informação.Capítulo 1.1: Croqui . (i = 1.000 Km. ocasião em que a roda deve ser substituída. Portanto. MA31.2 apresenta os perfis para as rodas MA11. MA12. MA21.

utilizando uma abordagem baseada em inferência bayesiana. (2009) utilizaram os dados de degradação das rodas MA11 e modelos de degradação cujos parâmetros foram estimados com base em inferência clássica (em particular. os dados das rodas MA11 serão reanalisados bem como os dados das rodas em outras posições. (2010). da quilometragem média até a falha. Observe que os pefis são lineares e que para esta posição 3 unidades (21.2: Perfis de desgaste .4%) atingem o limiar crítico durante o período de observação. considera-se que a “falha” de uma determinada roda ocorreu quando o desgaste atinge este limiar crítico.rodas MA11. bem como estimativas de quantis.1. Os resultados são comparados com aqueles obtidos por Freitas et al. . máxima verossimilhança) para obter a distribuição do tempo até falha das rodas MA11. um outro texto no qual o autor utilizou estatística bayesiana para estimar as quantidades de interesse para esta mesma base de dados. Situações Práticas Motivadoras Perfis de Degradação 80 Df=77 mm Degradação (mm) 0 0 20 40 60 100 200 300 x 10−3 Km 400 500 600 Figura 1.000 Km. Df = 966mm − Diamcrtico = 966mm − 889mm = 77mm Portanto. e da confiabilidade em 300. Freitas et al. Neste trabalho.3 1.

2 Dados de Corrente de Operação de Emissores de Laser Hamada (2005) apresentou dados para quinze (15) lasers. 7.htm).1. O objetivo aqui também é a obtenção da distribuição do tempo até a falha dos lasers bem como outras características tais como o número médio de horas até a falha e quantis da distribuição. Conseqüentemente. para que seja gerada uma saída de luz constante.3 apresenta o gráfico dos perfis de degradação para cada uma das 15 unidades emissoras de laser (os dados estão disponíveis na página http://www.3210.3810.stat. 5. cuja degradação é a mais rápida. 8. 10. Por exemplo. Neste trabalho os dados dos lasers serão re-analisados utilizando também uma abordagem com base em inferência bayesiana. gob/staff/MHamada/degradation_data. acompanhados por 4000 horas de operação. A motivação para a re-análise re- .4500.1 da distribuição do tempo até a falha (isto é . Em outras palavras.0000. embora ainda esteja em operação.2.4136. o tempo até o qual 10% das falhas já terão ocorrido). 1. Note que os perfis são lineares e que 3 das 15 unidades (20%) (atingiram o limiar crítico Df durante o período de coleta de dados). para a 10ª Unidade. 8. Esta informação é importante visto que a luz dos lasers se degrada ao longo do tempo se a corrente de operação é mantida constante. a cada 250 h. os dados são (0. A Figura 1. a corrente de operação precisa ser aumentada ao longo do tempo.Capítulo 1. 0. Portanto a medida de degradação neste caso é o percentual de aumento na corrente de operação. A “falha” do laser é estabelecida para o momento no qual o percentual de aumento na corrente excede 10%.lanl. o percentual de aumento na corrente de operação (calculado em relação à corrente nominal de operação isto é.2800. 6.9950.2510. Introdução 4 1. Foi registrado para cada um.8350. 11. 12.0510.4880. 9.8030. 7. 2.9300. no limiar Df = 10% considera-se que o laser falhou.2100). 4. 3.2560. O autor utilizou abordagem baseada em inferência bayesiana para análise dos dados e obteve entre outras informações. aquela do início do ensaio).5010.5540. a distribuição a posteriori do quantil 0.

é comum encontrar-se diante de uma situação na qual. serão utilizados indiscriminadamente). os custos de realização dos ensaios são elevados e os mesmos .2. ao final do ensaio. 1.5 1. poucas ou até mesmo nenhuma falha é observada. os termos “tempo de vida”. “tempo de falha” e “tempo até a falha”. Em casos como estes.2 Literatura Grande parte da literatura em Confiabilidade faz o uso de dados de tempo de falha (ou tempo de vida) em estudos nos quais o objetivo é a caracterização da confiabilidade de produtos. As inconsistências serão discutidas nos Capítulo 3 e 4. Literatura Perfis de Degradação − Laser 12 % acrescido da corrente padrão do laser Df=10 10 0 0 2 4 6 8 1000 2000 Tempo (horas) 3000 4000 Figura 1. side no fato de termos identificado uma inconsistência no procedimento utilizado por Hamada (2005). resultando em um alto índice de censuras. para produtos que possuem um alto grau de confiabilidade. tais como componentes eletrônicos modernos. Todavia. Esses dados são oriundos de ensaios de vida. em geral. nos quais a medida observada é o tempo de falha (neste texto.3: Perfil de degradação das unidades emissoras laser.

obter medidas da degradação em tempos pré-fixados e distintos e definir que a falha ocorre quando a quantidade de degradação para uma unidade sob teste excede aquele nível crítico. Lu et al. ainda que nenhuma falha tenha ocorrido.. por exemplo. 1990). operar além do período de garantia estipulado. Para conduzir um teste (ensaio) de degradação. Introdução 6 acabam não fornecendo informações suficientes para a inferência estatística. Dados com esta natureza (alto índice de censuras) fornecem pouca informação a respeito da proporção de produtos que conseguem. a literatura específica na área de confiabilidade tem dado maior ênfase à utilização de dados de degradação como uma alternativa aos dados de tempo até a falha. 1993. alguns mecanismos de degradação comuns incluem fadiga. isto é. trincas. 2005).Capítulo 1. tomada ao longo do tempo. Além disso. 2000. 2000. Tseng et al. Por esta razão. . Chiao e Hamada. é necessário pré-especificar um limiar critico de degradação (limiar de falha ou “failure threshold”). Oliveira e Colosimo. Esta medida deve estar diretamente relacionada à falha. a variável observada não é o tempo de falha. 1995. Robinson e Crowder. o índice de censuras resultante pode ser elevado. Do ponto de vista da engenharia.. 1996. mesmo nestes casos. 2004. mas. Hamada. Alguns exemplos importantes são os trabalhos de (Lu e Meeker. A principal vantagem da utilização de dados de degradação sobre os dados de tempos de falha (oriundos de testes de vida) é que a análise pode ser feita de maneira satisfatória. 1996. mesmo que nenhum dos perfis das unidades sob observação tenha atingido o limiar considerado “falha” durante o período de estudo. mas uma medida de degradação de alguma característica de qualidade do produto de interesse. Nos testes de degradação. Em algumas situações é possível implementar testes acelerados (ver Nelson. a própria definição da falha deve estar associada à algum nível crítico pré-especificado (limiar de falha ou “failure threshold”) da medida de degradação. A justificativa para a utilização desse tipo de abordagem reside no fato de que muitas falhas são o resultado de um mecanismo de degradação em atuação para o qual existem características que se degradam com o tempo. corrosão e oxidação.

Gertsbackh e Kordonskiy (1969) por exemplo. Existem referências importantes abordando a utilização de dados de degradação para estimar a confiabilidade. A análise de dados de degradação por essa abordagem é implementada em duas etapas. discutiram o problema de degradação sob o ponto de vista da engenharia. Uma abordagem alternativa é considerar modelos estatísticos mais gerais. a qual descreve a distribuição do tempo até a falha para um modelo linear simples (uma reta) com intercepto e inclinação ambos aleatórios. Literatura A análise de dados de degradação. 1990. A primeira assume que a degradação é um processo aleatório no tempo. Doksum (1991) utilizou um processo de Wiener para analisar dados de degradação. Dentro dessa linha. Na literatura duas abordagens básicas para modelagem e análise de dados de degradação podem ser encontradas. A segunda . tem como objetivo estimar a distribuição do tempo até a falha ou características da mesma. (Nelson. Capítulo 11) revisou a literatura relacionada ao tema. Nestes modelos a degradação é modelada por uma função do tempo e possivelmente algumas variáveis aleatórias multidimensionais. mostrou como analisar um certo tipo de dados de degradação. assim como dos dados de tempo de falha. pesquisou aplicações. Os autores apresentaram a distribuição de Bernstein. tais como o p-ésimo quantil (tp ).2. ou a função de confiabilidade R(t) por exemplo. o tempo médio até a falha. descreveu idéias básicas e utilizando um exemplo específico. Whitmore e Schenkelberg (1997) modelaram o processo de degradação como um processo de difusão de Wiener. Tang e Chang (1995) modelaram dados oriundos de ensaios de degradação acelerados não destrutivos como uma coleção de processos estocásticos. Nelson (1981) discutiu uma situação especial na qual a medida de degradação é destrutiva (somente uma medida pode ser feita em cada item).7 1. Esses modelos são denominados modelos gerais de perfis de degradação (“general degradation path models”). A primeira consiste na construção de um modelo não linear (ou linear) misto que explique o perfil de degradação ao longo do tempo e a estimação dos parâmetros desconhecidos deste modelo.

neste ponto da primeira etapa de análise dos dados de degradação que surgem algumas dificuldades. 2004). . Uma vez que uma família paramétrica para os efeitos aleatórios é escolhida é preciso estimar os parâmetros fixos do modelo. justamente. na Seção 1. ser vista como uma modelagem em dois estágios. Métodos de estimação baseados em inferência clássica podem ser empregados para obter estimativas dos parâmetros desconhecidos nos modelos de degradação e. Em seguida (2º. pode. possui parâmetros (fixos) desconhecidos. no qual primeiramente parâmetros não observáveis (os efeitos aleatórios) são amostrados de uma distribuição que por si só. cujas médias são funções lineares (ou não lineares) destes efeitos aleatórios e. Introdução 8 etapa consiste em utilizar estas estimativas dos parâmetros para estimar a distribuição do tempo até a falha e outras características de interesse. de outros parâmetros populacionais (efeitos fixos). Em geral a análise é implementada em duas etapas.. estimar a distribuição do tempo de falha. Quando o modelo de degradação não é suficientemente simples para que se obtenha uma forma fechada para a distribuição do tempo de falha então uma estimativa pode ser obtida através de simulação de Monte Carlo. a partir delas. É.3. É importante ressaltar que dados de degradação possuem características de dados longitudinais (Fitzmaurice et al. a segunda etapa da análise dos dados de degradação consiste em estimar a distribuição do tempo até a falha FT (t). Estágio) os dados observados no ensaio são considerados como sendo amostras (realizações) de distribuições Normais independentes. as quais serão elucidadas mais adiante. por sua vez. De posse das estimativas dos parâmetros do modelo. quais sejam os parâmetros que indexam a distribuição dos efeitos aleatórios e outros parâmetros fixos que fazem parte da forma funcional do perfil de degradação.Capítulo 1. a primeira etapa da análise é na realidade uma análise de dados longitudinais com resposta contínua. Portanto. isto é. possivelmente. que incorpora em sua forma funcional tanto efeitos aleatórios quanto fixos. A utilização de um modelo misto. implementada através de um modelo não linear (ou linear) misto.

O procedimento foi ilustrado com dados de evolução de trincas em ensaios de fadiga. Lu et al. entretanto. Wu e Shao (2000) apresentaram um método de estimação ponderado com base em conjuntos nebulosos para modificar o procedimento em dois estágios proposto por Lu e Meeker (1993).Nonlinear Mixed. (1997) propuseram um modelo com coeficientes de regressão aleatórios e uma função para o desvio padrão. Jiang e Zhang . Uma boa referência em modelos gerais de perfis de degradação é (Meeker e Escobar. estes não são adequados para todos os tipos de dados de degradação.2. para analisar dados de semicondutores com perfis lineares de degradação. Os métodos propostos foram ilustrados com dados de comprimento de trincas em metais submetidos a ensaios de fadiga. Finalmente. outros trabalhos importantes são os de Crk (2000). Capítulos 13 e 21).Effects Model ”) e propuseram um método de estimação em dois estágios para obter estimadores pontuais e intervalos de confiança para percentis da distribuição do tempo até a falha. 1998. O método proposto e o de dois estágios de Lu e Meeker (1993) foram ambos utilizados no banco de dados apresentado no trabalho de Wu e Shao (1999). Os autores utilizaram estas propriedades para obtenção de estimativas pontuais e intervalos de confiança aproximados para percentis da distribuição do tempo de falha.9 1. (1999) consideraram um modelo de degradação com coeficientes e tamanho de amostra aleatórios e utilizaram máxima verossimilhança para estimação dos parâmetros. Su et al. Os métodos foram aplicados em um conjunto de dados de semicondutores. Os autores consideraram um modelo não linear misto (“NLME . (1996) estenderam o modelo de degradação e sugeriram métodos de estimação baseados na verossimilhança. Literatura Lu e Meeker (1993) desenvolveram métodos estatísticos utilizando dados de degradação para estimar a distribuição do tempo até a falha para uma classe ampla de modelos de degradação. Wu e Shao (1999) estudaram as propriedades assintóticas dos estimadores de mínimos quadrados (ponderados) do modelo NLME. (1996) utilizaram o procedimento proposto por Lu e Meeker (1993) em dados de degradação de elementos de combustível. Lu et al. Yacout et al.

Capítulos 13 e 21) e todos baseiam-se em estimação por máxima verossimilhança ou mínimos quadrados. A grande dificuldade da abordagem por inferência clássica reside justamente na primeira etapa da análise dos dados. Os métodos analítico e aproximado aplicam-se melhor a situações nas quais o modelo de degradação é simples (por exemplo uma reta) com poucos parâmetros aleatórios. Dentre alguns métodos disponíveis na literatura estão o método analítico. A abordagem geral consiste em modelar os perfis de degradação das unidades individuais utilizando a mesma forma funcional e as diferenças entre as unidades amostrais são explicadas através da incorporação de efeitos aleatórios no modelo. Esta questão será melhor apresentada na próxima Seção. Assim. através das medidas desta característica tomadas ao longo do tempo.Capítulo 1. 1. numérico e o método aproximado (Meeker e Escobar. Em outras palavras. na estimação dos parâmetros do modelo. a verdadeira degradação no tempo t é dada por: .3 O Modelo Geral de Degradação e o Problema da Estimação dos Parâmetros Em um ensaio de degradação. aproximado e numérico) aplicando cada um deles a um conjunto de dados de desgaste de bandas de rodagem de pneus automotivos. observa-se a “degradação” desta unidade. Já o método numérico é mais abrangente e permite utilizar modelos mais complexos (não lineares por exemplo) com parâmetros fixos e aleatórios. Introdução 10 (2002) e Oliveira e Colosimo (2004). ou seja. para a i-ésima unidade. 1998. Neste último os autores compararam os três métodos propostos por Meeker e Escobar (1998) (analítico. uma amostra de n unidades é colocada sob teste. Para cada uma delas observa-se ao longo do tempo uma característica relacionada ao mecanismo de falha de interesse.

.βi2 . os dados observados nos ensaios de degradação para uma dada unidade i são na verdade amostras do seu verdadeiro perfil (dado por (1. Portanto. . α.αr )t é um vetor de efeitos fixos ∼ que descreve as características da população (este se mantém constante para todas as unidades).2. α.βip )t é um vetor de efeitos aleatórios associado à i∼ ésima unidade. . representando características individuais de cada unidade (por exemplo.3. . βi ) ∼ ∼ (1. D(tij ) ) é observada com erro εij . obtidas em mi tempos pré-especificados tij (j = 1. Como estas medidas estão sujeitas a erros. .1) em que D(t. Assim o tempo de falha da i-ésima unidade é o tempo Ti no qual: YiT = Df = D(Ti .2) Entretanto. D(tij . α. etc. no processo de produção.α2 .2.1)). βi = (βi1 . βi ) + εij ∼ ∼ (1. βi ) ∼ ∼ (1.n.11 1. j = 1. a falha ocorre quando a degradação atinge o limiar pré-especificado Df .mi ). . . βi ) é o real perfil de degradação da unidade i em um tempo pré-especificado ∼ ∼ tij (i = 1. . . . nas dimensões do componente. variações em propriedades da materia prima. . . . βi ) assume uma forma funcional que depende de parâmetros (cuja na∼ ∼ tureza será explicitada mais adiante). a verdadeira degradação no tempo tij (isto é. α = (α1 . . . o modelo geral de degradação é dado por: Yij = D(tij . . . Para uma dada unidade i.2. . O Modelo Geral de Degradação e o Problema da Estimação dos Parâmetros Yit = D(t. α.3) em que Yij é a variável aleatória que representa a j-ésima medida para a i-ésima unidade.) e εij é o erro aleatório (da medida) associado à i-ésima unidade no tempo tij . .mi ). . . α.

Df .β . . β ) ≥ Df |α. j = 1.β . . há trabalhos nos quais σε varia com o tempo ou o nível de degradação (Lu et al. Df . mas sempre que possível deve ser baseada em algum fenômeno físico-químico associado à ele. 1994). é necessário estimar α (o vetor de efeitos fixos) ∼ .θ ] ∼ ∼ ∼ ∼∼ quando as medidas de degradação são crescentes com o tempo. Λβ |θ (β |θ ). 2 Neste trabalho será adotado o modelo geral (1.β . Introdução 12 A forma funcional de D(tij .θ (t|α. Wakefield et al. por suposição..β .n) são independentes. 2 Entretanto.Capítulo 1. Assume-se. . . . então uma forma de covariância estruturada pode ser adotada.θ (t|α. Por exemplo. . O parâmetro θ ∼ ∼ também precisa ser estimado a partir dos dados de degradação. que depende ∼ ∼∼ de um vetor de parâmetros (fixos) desconhecidos θ = (θ1 . Y e t podem estar em escala logarítmica. β ) ≤ Df |α. Λβ |θ (β |θ ). . que os εij ’s (i = 1.mi ) são independentes e identicamente distribuídos (iid )..θ2 . A proporção de falhas no tempo t é equivalente à proporção de perfis de degradação que excedem o limiar crítico Df até o tempo t. em geral.β .θ ) = ∼∼∼ ∼ ∼∼ ∼∼∼ ∼ ∼∼ ∼∼ ∼ ∼∼ P [D(t. com distribuição Λβ |θ (β |θ ).β . . ou como sendo FT |α.θ (t|α. por exemplo. . caso necessário.n. é possível definir a distribuição do tempo de falha T para o modelo (1. Se o processo de medição induz uma correlação serial entre os erros.2.1) como sendo FT |α. βi ) pode ser baseada em análise empírica dos perfis ∼ ∼ de degradação dos processos sob estudo.2. α.θ ) = ∼∼∼ ∼ ∼∼ ∼∼∼ ∼ ∼∼ ∼∼ ∼ ∼∼ P [D(t. os quantis da distribuição do tempo de falha T com base neste modelo de degradação. . Além disso.β . . α. Os βi ’s (i = 1.θ ) = FT |α.β .2. .σε ). Assume-se também que y e t estão em escalas transformadas.β . {βi } e {εij } são.3) com erros iid N (0.β . D) = P (T ≤ t|α. Portanto. α.θ ) = FT |α. . 2 seguindo uma distribuição Normal com média zero (0) e variância desconhecida σε . independentes para todo i e j.θ (t|α. 1997. . . D) = P (T ≤ t|α. Para que se possa estimar. .θq ∼ ∼∼ )t .θ ] ∼ ∼ ∼ ∼∼ quando as medidas de degradação são decrescentes com o tempo.

θ (t|α. Como a estimação por máxima verossimilhança dos parâmetros da dis∼ ∼ tribuição dos efeitos aleatórios µβ e Σβ é. também fixos. Portanto. Todavia.Σβ ). em geral.θ ) pode ser expressa. em geral. Λβ |θ (β |θ ). . utilizando simulação de Monte ∼ ∼∼ ∼∼ Carlo. a distribuição FT |α. a especificação de ∼ FT |α. isto não é possível.θ (t|α. Estudos por simulação mostraram que os resultados obtidos pelo método de dois estágios eram comparáveis aos dos métodos computacionalmente intensivos. Posteriormente.θq )t o vetor de parâmetros.β .13 1.β . em muitos casos. Quando a forma funcional de D(tij . βi ) é não linear e o modelo tem mais de um parâmetro aleatório ∼ ∼ (ou seja. algebricamente complicada e ∼ ∼ computacionalmente intensiva quando estes aparecem de forma não linear no modelo postulado para o perfil. esse procedimento só pode ser implementado se o vetor de parâmetros fixos α e o vetor de parâmetros θ (fixo) da distribuição dos efeitos aleatórios Λβ |θ (β |θ ) ∼ ∼ ∼∼ ∼∼ puderem ser estimados. Em casos como este essa avaliação é feita de ∼∼∼ ∼ ∼∼ forma numérica. segue uma distribuição Normal Multivariada (NM) com média µβ e matriz de variância-covariância Σβ . α. De maneira mais geral. Lu e Meeker (1993) trabalhararam no problema de estimação de parâmetros e propuseram o método de dois estágios para o caso no qual o vetor de efeitos aleatórios β . neste caso. . Df e D especificados. é possível obter numericamente a distribuição de T para quaisquer α. . ou alguma reparametrização apropriada do ∼ mesmo. em forma ∼∼∼ ∼ ∼∼ fechada.β . Λβ |θ (β |θ ) = Λβ (µβ . problema continua sendo a estimação de α e θ = θ1 . uma vez que Λβ |θ (β |θ ) ∼∼ ∼∼ é conhecida.β . Entretanto.θq ) ∼ ∼ Este problema tem sido tratado na literatura. mesmo para uma dada distribuição Λβ |θ (β |θ ) o ∼∼ ∼ ∼ ( t. .3.θ2 . . . Em outras palavras. da distribuição dos efeitos ∼ aleatórios Λβ |θ (β |θ ). . ∼∼ ∼∼ Para perfis cujos modelos assumem formas funcionais simples.θ ) torna-se complicada. . quando o vetor de parâmetros βi tem dimensão k > 1). os autores propuseram este método de dois estágios como uma alternativa aos métodos computacionalmente intensivos. Pinheiro e Bates (1995) utilizaram o método desenvolvido por Lind- .Σβ ) = ∼∼ ∼∼ ∼ ∼ ∼ Np (µβ . O Modelo Geral de Degradação e o Problema da Estimação dos Parâmetros e θ = (θ1 .

aproximado e o numérico. Além disso. o tempo no qual cada perfil irá atingir o limiar Df . estimar os respectivos tempos até a falha isto é. os parâmetros da distribuição de FT (t) podem ser escritos como funções do limiar critico Df e dos parâmetros da distribuição dos efeitos aleatórios. O método analítico é na verdade utilizado como uma forma de obter a distribuição do tempo de falha a partir do conhecimento da distribuição dos efeitos aleatórios do modelo. Utilizando a forma funcional proposta para o verdadeiro perfil de degradação e o limiar crítico que define a falha. Σβ e σε em modelos de ∼ ∼ degradação com suposição de normalidade dos efeitos aleatórios. Meeker e Escobar (1998) apresentam três métodos para análise de dados de degradação: o método analítico. a relação entre o tempo de falha e os efeitos aleatórios é obtida. Entretanto. ainda é preciso estimar tais parâmetros a partir dos dados de degradação. a partir dele. O método aproximado consiste em ajustar por mínimos quadrados um modelo de degradação para o perfil de cada unidade separadamente e. mesmo que uma forma fechada seja encontrada e se obtenha a relação existente entre seus parâmetros e os da distribuição dos efeitos aleatórios. 2000). este procedimento torna-se razoavelmente complicado para formas funcionais mais complexas e nem sempre é possível chegar a uma forma fechada para a distribuição do tempo de falha. Em seguida uma análise . Em geral. Introdução 14 strom e Bates (1990) para dados com medidas repetidas para obter uma estimativa 2 de máxima verossimilhança aproximada dos parâmetros µβ . Em outras palavras. estas funções foram desenvolvidas para o caso específico de modelos cujos efeitos aleatórios seguem uma distribuição Normal Multivariada. supondo que se conhece a distribuição dos efeitos aleatórios chega-se analiticamente à distribuição do tempo até a falha FT (t) através de transformação de variáveis. As funções LME (“linear mixed-effects models”) e NLME (“nonlinear mixed effects models”) escritas na linguagem S-PLUS . foram desenvolvidas para este objetivo (Pinheiro e Bates.Capítulo 1. Assim. Estas estimativas são denominadas “pseudo tempos de falha”. Eles serão brevemente apresentados no próximo Capítulo.

essa suposição não é verdadeira. é bastante abrangente e permite utilizar modelos mais complexos (não lineares por exemplo) com vários parâmetros fixos e aleatórios. Este método é simples e tem apelo prático. para muitas situações práticas tais como as que serão tratadas neste trabalho (vide Seção 1.) é implementada com base nestas quantidades.3. Dada a dificuldade de verificação da validade dessa suposição de normalidade. Tal dificuldade computacional impõe uma restrição prática ao método numérico. ele pode subestimar a precisão das estimativas das quantidades de interesse como percentis por exemplo. os erros nas estimativas dos mesmos. os pseudo tempos de falha são tratados como se fossem os resultados observados de ensaio. Todavia. Tanto o método analítico como o aproximado são mais indicados para situações nas quais a forma funcional do modelo é razoavelmente simples (uma reta por exemplo e com um parâmetro aleatório). as rotinas disponíveis para a estimação dos parâmetros por máxima verossimilhança utilizam a suposição de que os efeitos aleatórios seguem uma distribuição Normal Multivariada com vetor de médias e matriz de variância-covariância desconhecidos (Pinheiro e Bates. a obtenção das estimativas não é um tarefa trivial. muitos trabalhos na literatura têm tentado estudar o efeito de desvios desta suposição nas estimativas dos parâmetros fixos tanto para esta classe de modelos (Modelos Lineares e Não Lineares de Efeitos Mistos) quanto para outras mais abrangentes tais como . 1995. Lognormal etc. Entretanto. Entretanto. O Modelo Geral de Degradação e o Problema da Estimação dos Parâmetros de tempo de falha tradicional (utilizando distribuições tais como Weibull. Meeker e Escobar (1998) apresentam o método numérico supondo a normalidade dos efeitos aleatórios e utilizam os algoritmos de (Pinheiro e Bates. 1995. A estimação dos parâmetros é feita pelo método de máxima verossimilhança.1). O método numérico por outro lado.15 1. As estimativas dos parâmetros da distribuição escolhida são obtidas por máxima verossimilhança. Em outras palavras. No caso em que os efeitos aleatórios não têm distribuição Normal. 2000) para obtenção das estimativas dos parâmetros nos exemplos apresentados. visto que não se leva em conta na análise dos pseudo tempo de falhas. 2000).

Capítulo 1. Introdução

16

a dos Modelos Lineares Generalizados de Efeitos Mistos - GLMM (“Generalized Linear Mixed Effects Models”). Verbeke e Lesaffre (1997), Agresti et al. (2004), Litière et al. (2008), Alonso e Molenberghs (2008), Freitas et al. (2009) são alguns exemplos. Em particular, com o objetivo de estudar o impacto de desvios da suposição de Normalidade nas estimativas de percentis, Freitas et al. (2009) compararam, através de um estudo por simulação, os resultados obtidos com os métodos numérico e aproximado àqueles oriundos de uma análise tradicional de tempo até a falha (isto é, utilizando apenas o tempo no qual o perfil atinge o limiar Df e as observações censuradas). Os autores utilizaram um modelo de degradação linear simples (uma reta sem intercepto) no qual o efeito aleatório associado à cada perfil de degradação (a inclinação da reta) era oriundo das distribuições normal, Weibull e lognormal. Entre outros resultados, os autores constataram que o desempenho do método numérico (medido pelo erro quadrático médio das estimativas) é altamente afetado pela violação da suposição de normalidade dos efeitos aleatórios, chegando ao ponto deste ter o pior desempenho dentre os três métodos comparados. Em particular, Toledo (2007) constatou que o efeito maior desta má especificação é no vício relativo das estimativas obtidas pelo método numérico. Em função da grande dificuldade de estimação dos parâmetros do modelo em situações nas quais a suposição de Normalidade não se aplica, e dos efeitos desta má especificação, uma outra frente de pesquisa foi aberta cujo foco é o desenvolvimento de métodos computacionais alternativos, que permitam a obtenção de estimadores de máxima verossimilhança para modelos de efeitos mistos (utilizados na modelagem de dados de degradação) com efeitos aleatórios não-normais. Pinheiro et al. (2001) propuseram um modelo linear misto com efeitos aleatórios de uma distribuição T multivariada. Para modelos gerais com efeitos aleatórios não-normais, alguns métodos de estimação que aparecem na literatura incluem a verossimilhança hierárquica (Lee e Nelder, 1996) e a maximização por partes (Song et al., 2005). Entretanto, a implementação destes métodos para utilização intensiva em análise de dados mostrou-se uma tarefa desafi-

17

1.3. O Modelo Geral de Degradação e o Problema da Estimação dos Parâmetros

adora. A quadratura gaussiana é uma ferramenta que tem sido utilizada com sucesso na estimação de parâmetros em modelos com efeitos aleatórios Normais. Para modelos mistos com efeitos aleatórios não-normais, Nelson et al. (2006) propôs um método computacional que utiliza o método PIT (“Probability Integral Transformation”) para obter estimativas de máxima verossimilhança. Infelizmente essa abordagem só consegue lidar com efeitos aleatórios para os quais a inversa da função distribuição acumulada (f.d.a) tem forma fechada, o que limita a sua aplicação. Liu e Yu (2008) propuseram um novo método de estimação que reformula a verossimilhança condicional de efeitos aleatórios não-normais. Os autores reformulam a verossimilhança, dividindo e multiplicando a verossimilhança condicional por uma função densidade Normal. Os mesmos mostram que os resultados encontrados são similares aos obtidos pelo método PIT. Além disso, há vantagens adicionais tais como a redução do esforço computacional e a possibilidade de lidar com distribuições de efeitos aleatórios para as quais não há forma fechada para a função de distribuição acumulada. Por outro lado, outra abordagem para o tratamento de dados de degradação é utilização de métodos bayesianos. Esta abordagem aparece de maneira natural visto que utiliza a informação contida na distribuição a priori dos parâmetros do modelo de degradação. Em fármaco-cinética, métodos bayesianos já foram utilizados (Wakefield et al., 1994; Gelman et al., 1996; Wakefield, 1996), entretanto só recentemente essa abordagem começou a ser utilizada em dados de degradação. Hamada (2005) utilizou inferência bayesiana em dados de degradação associados a falhas em lasers (situação descrita na Seção 1.1.2). O autor baseou-se em um modelo linear de degradação com estrutura hierárquica, no qual uma distribuição a priori Weibull foi escolhida para os efeitos aleatórios e distribuições a priori Gamma foram utilizadas para os dois hiperparâmetros. Amostras da distribuição a posteriori dos parâmetros do modelo foram obtidas através de métodos MCMC (Gamerman e Lopes, 2006, Markov Chain Monte Carlo). As distribuições a posteriori de quantis da distribuição do tempo de falha T,

Capítulo 1. Introdução

18

bem como da confiabilidade a posteriori em 4500 horas de uso também foram obtidas. Para isso, as expressões para o cálculo do p-ésimo quantil e de R(t) (a confiabilidade em um tempo t) de uma distribuição Weibull foram aplicadas às amostras da distribuição a posteriori dos parâmetros do modelo. Contudo, algumas inconsistências teóricas foram observadas no referido artigo, uma vez que o autor afirma que a distribuição dos Tempos de Falha e dos Efeitos Aleatórios do modelo proposto é Weibull tanto a priori quanto a posteriori. Será provado no presente trabalho que essa colocação não é válida. Diante desta constatação um dos objetivos da presente pesquisa é estudar o efeito dessa inconsistência nos resultados da análise dos dados dos emissores a laser e propor uma abordagem alternativa. Robinson e Crowder (2000) fizeram uma revisão dos métodos clássicos de inferência para modelos de degradação e apresentaram uma abordagem bayesiana completa para o problema, que incluia a estimação da distribuição do tempo de falha de unidades futuras e para as unidades sob teste. No artigo os autores aplicam o enfoque bayesiano num modelo de degradação não linear utilizado por Lu e Meeker (1993) originário da Lei de Paris-Edorgan (e.g., Sobczyk e Spencer, 1992, Capítulo 1). O banco de dados utilizado é recorrente na área e foi primeiramente introduzido por Hudak et al. (1978), trata de medidas da evolução do tamanho da trinca em eixos. Os autores eliciam distribuições a priori não informativas no sentido de Jeffreys para os parâmetros da distribuição e hiperparâmetros da distribuição dos efeitos aleatórios, posteriormente utilizam as distribuições marginais a posteriori dos mesmos para obter a distribuição dos tempos de falha das unidades sob teste e de uma unidade futura através da distribuição preditiva a posteriori dos tempos de falha.

No Capítulo 5 os dados de emissores de laser presentes em Hamada (2005) e os dados de . 1. 3. Robinson e Crowder (2000) e a proposta de análise realizada nesta dissertação. Para esta avaliação empírica utilizam-se dados simulados. quais sejam. para algumas situações de dados simulados. Apontar as inconsistências teóricas presentes em Hamada (2005). com mais foco neste primeiro.4 Objetivos do Trabalho Os objetivos deste trabalho são: 1. No Capítulo 3 fornecemos a especificação do modelo linear sob o enfoque bayesiano. Comparar os resultados da proposta com as duas na literatura.4.5 Organização deste Texto O presente texto está organizado da seguinte forma. 2. seguido das metodologias apresentadas nos artigos de Hamada (2005). Os mesmos são utilizadas para avaliar a proposta de análise deste texto em relação aos métodos de Hamada (2005) e Robinson e Crowder (2000). de Robinson e Crowder (2000) e Hamada (2005). além de evidenciar-se analiticamente a inconsistência teórica em Hamada (2005). Apresentar uma proposta de abordagens alternativas encontradas para a análise de tempos de falha via Modelos de Degradação com a abordagem bayesiana. Aplicar a proposta de análise aos dados de rodas de trem e emissores de laser. No Capítulo 2 são apresentados os métodos estatísticos para estimação dos parâmetros em modelos de degradação com abordagem pela estatística clássica. No Capítulo 4 mostra-se empiricamente a inconsistência teórica presente em Hamada (2005). Objetivos do Trabalho 1.19 1. 4.

Introdução 20 rodas de trem (Freitas et al.Capítulo 1. No Capítlo 6 são apresentadas as conclusões do estudo. além disso.. 2010) são reanalizados pela metodologia proposta na dissertação. 2009. comparam-se os resultados com os daqueles autores (apenas o enfoque bayesiano). .

1). Uma abordagem completamente bayesiana de estimação para modelos de degradação é apresentada no Capítulo 3. Embora tais métodos não sejam o foco do presente trabalho. a nomenclatura para modelos de degradação é introduzida através dos mesmos.Capítulo 2 Métodos Estatísticos Baseados em Inferência Clássica para Estimação de Parâmetros em Modelos de Degradação Neste capítulo serão brevemente apresentados os principais métodos de estimação e análise de dados de degradação baseados em inferência clássica. Além disso. introduzimos a notação que será utilizada extensivamente ao longo deste texto e as simplificações que se fizeram neces- . Antes de iniciarmos a apresentação dos métodos. o leitor poderá apreciar melhor a estrutura da verossimilhança que será introduzida na inferência bayesiana (Seção 3.2.

da distribuição dos efeitos aleatórios Λβ |θ (β |θ ). De maneira equivalente. se nos desviarmos desta notação. βi ) + εij e a amostra ob∼ ∼ . Formalmente. consiste de dois passos. fixos. em que θ = (θ1 .θ2 . . yij é o valor observado de Yij ). Na literatura estatística. os quais no Método ∼∼ ∼∼ Aproximado são tratados como fixos. FY |θ (y |θ ) é a função ∼ ∼ ∼ ∼∼ distribuição acumulada de probabilidade de Y associada a fY |θ (y |θ ). Entretanto. Métodos Estatísticos Baseados em Inferência Clássica para Estimação de Parâmetros em Modelos de Degradação 22 sárias. estará claro pelo contexto se estamos nos referindo à variável aleatória ou à sua realização (seu valor observado).θq )t é o vetor de ∼ ∼ ∼ parâmetros.3).1 O Método Aproximado Seja o modelo dado em (1. . Tal notação é ∼ ∼ ∼ ∼∼ similar para as demais funções distribuição densidade e acumulada de probabilidade. Além disso.g. Yij é a variável aleatória que representa a resposta a ser observada para a i-ésima unidade no j-ésimo tempo) e o valor observado dessa variável aleatória (“os dados”) pela letra minúscula correspondente (e. temos: 1. Ao tempo de falha estimado. indexado pelo vetor de parâmetros θ . α. O método aproximado. dá-se o nome “pseudo tempo de falha”. o que caracteriza a falha. introduzido por Meeker e Escobar (1998). avaliada no ∼ ∼ vetor de valores observados (“os dados”) y . Para cada unidade i utilize o modelo Yij = D(tij . a convenção usual é denotar a variável aleatória por uma letra maiúscula (e. .Capítulo 2. O primeiro é uma análise separada para cada perfil de modo a definir (estimar) quando o limiar de degradação Df é alcançado.g. 2. a notação fY |θ (y |θ ) será utilizada para representar a função densidade ∼ ∼ ∼∼ de probabilidade do vetor aleatório Y . Os “pseudo tempos de falha” são analisados como uma amostra completa de tempos de falha para a estimação de FT |θ (t|θ ). ... Para a maior parte deste texto essa convenção será mantida. obtido da solução da equação de degradação em relação a t quando a degradação é igual à degradação crítica.

. as estimativas são obtidas para uma unidade experimental específica. O exemplo a seguir ilustra o caso. β é a taxa de degradação que varia de unidade para unidade (corresponde ao efeito aleatório) de acordo com uma distribuição log- . .αr ∼ )t de efeitos fixos. as quais também podem ser obtidas através de mínimos ˆ ∼ ∼ quadrados.2 O Método Analítico Para modelos de degradação mais simples. Denote ˆ tais estimativas αi e βi .α2 . . Execute o procedimento convencional de análise de tempo de falha (Nelson. . ou seja. D(0) = α. .tˆ para estimar FT |θ (t|θ ). . βi ) = Df para t e obtenha a ˆ ˆ ˆ solução t1 . uma vez que o modelo desconsidera erros de previsão e os erros inerentes aos valores de degradação observados. . αi . também será estimado para cada uma separadamente. em que α é efeito fixo e representa a degradação inicial de todas as unidades sob teste. . . . .3) é comum para todas as unidades. . Note ∼ ∼ que fixando-se i. O vetor ∼ α = (α1 . . . .αr )t e βi = (βi1 . 2. . e para os quais os dados sejam suficientes para estimar αi e βi . . n ∼ ∼ O método é adequado para caminhos de degradação relativamente simples.βi2 . que no modelo geral (1. . .α2 . n 3. FT |θ (t|θ ) pode ser expressa de forma ∼ ∼ fechada. Portanto o vetor βi = (βi1 .βi2 . 2.tˆ (“pseudo tempos de falha”).(timi . 1990) ˆ para os “pseudo tempos de falha” t1 .yimi ) para encontrar as estimativas de máxima verossimilhança (condicionadas) de α = (α1 . Para cada unidade i resolva as equações Di (t. . .yi1 ). . .2.βip )t . . .βip )t é tratado como fixo. Suponha que o perfil real de degradação de uma unidade particular seja dado por D(t) = α + βt.23 2. . O horizonte de extrapolação ∼ ∼ deve ser curto. O Método Analítico servada (ti1 . . .

Note que mesmo neste caso é preciso estimar os parâmetros da distribuição dos efeitos aleatórios β .σβ .µβ .β t ) ( log(Df − α) − log t − µβ FT |α.β) = P (T ≤ t|α.µβ .a. T também é log-normal com parâmetro de escala t0.σβ ) = 1 − Φnor |α. α.β (t|α. Df .µβ .µβ .µβ .β) ) ( Df − α ≤ t|α. Neste caso. A função distribuição acumulada de T é dada por: FT |α. Para o nível crítico Df tem-se: Df − α β Df = α + βT e T = g(β.β = P β ( ) Df − α = P β≥ |α. T .σβ σβ ( ) − [log(Df − α) − log t − µβ ] = Φnor |α. Métodos Estatísticos Baseados em Inferência Clássica para Estimação de Parâmetros em Modelos de Degradação 24 normal com parâmetros µβ e σβ > 0.Capítulo 2.50|α. Normal (Gaussiana) e Bernstein podem ser encontradas em Lu e Meeker (1993). ∼ .µβ .a.D) = em que g é a transformação da variável aleatória (v. Outras funções densidade de probabilidade podem ser utilizadas para estimar FT (t) utilizando o mesmo procedimento.σβ (t|α. Resultados para outras distribuições como Weibull.σβ = exp(µT ) = µT = [log(Df − α) − µβ ] e parâmetro de forma σT = σβ > 0. t > 0 σβ em que Φnor é a função distribuição acumulada de uma distribuição normal padrão. e T é o tempo até a falha.) β na v.σβ σβ ) ( log t − [log(Df − α) − µβ ] = Φnor |α.

Assuma que. para alguma reparametrização apropriada (e. (αi .n). . em que q = p + r. as estimativas de ˆ ˆ ∼ ∼ mínimos quadrados para os parâmetros de efeito fixo e aleatório do modelo. . O Método de Dois Estágios 2. Para cada unidade amostral i (i = 1. A seguir são explicitados os passos do método. um estimador da variância do erro σε . . . respectivamente. µφ e Σφ são.n). respectivamente. φi ) (i = 1. transformação ˆ de Box e Cox. . αi .3 O Método de Dois Estágios Este método foi apresentado por Lu e Meeker (1993) e parte do pressuposto de que o vetor de efeitos aleatórios β . ∼ Estágio 2 No segundo estágio. ajuste o modelo de degradação (1. Em outras palavras. ∼ ∼ ∼ .g.25 2. . . . para cada ∼ ∼ unidade i (i = 1. ou alguma reparametrização apropriada φ = H(β ) segue ∼ ∼ ∼ uma distribuição Normal Multivariada. .3. 1964). Estágio 1 1.  yij − D tij .3) (através de mínimos quadrados) e obtenha as estimativas de Estágio 1 para os parâmetros do modelo (α. βi ). . 2 Ainda.n) são combinados para ˆ ˆ ∼ ∼ construir os estimadores de dois estágios dos parâmetros do modelo de degradação. Os estimadores de α. Vale aqui a mesma observação feita no passo 1 do método aproximado. os estimadores (αi . . βi ˆ ˆ (mi − q) 2. . φi = H(βi ) é aproximadamente distribuído segundo ˆ ∼ ∼ uma normal multivariada com média assintótica µφ e matriz de variância e ∼ covariância Σφ . obtida da i-ésima unidade é o erro quadrático médio:  { 2 σε ∼ mi ∑  =  i=1 ( ∼ ∼ )}2    . βi ) são.

µφ .Σφ ) ∼ ∼ ∼ ∼ ∼ ∼ ˆ A estimativa FT |α.µφ . Os passos básicos são: 1.Σφ (t|α. ˜ ∼ ) µφ .µφ ..µφ . as realizações β ∗ de β podem ser geradas ∼ ∼ ∼ ∼ diretamente desta distribuição.µφ .µφ .Σφ (t|α.Σφ (t|α. N = 100. Estime os parâmetros α. 3. t).Σφ ) = ∼ ∼ ∼ ∼ ∼ ∼ N . Gere N realizações φ de φ da distribuição N ˜ correspondentes realizações β ∗ de β a partir de ∼ ∼ ∼ ∼ ( ∼ ∼ H −1 (φ).000) e H −1 é a transformada inversa de H. Em casos para os quais Fβ (· ) de β é conhecida. Calcule os N tempos de falha t∗ simulados substituindo β ∗ em Df = D(β . ˆ ∼ ∼ ∼ 4. 2. µφ e Σφ de n perfis de degradação utilizando o ∼ ∼ ∼ método de dois estágios.µφ .µφ . Tais valores podem ser aplicados nos passos 3 e 4.Capítulo 2. α.Σφ (t|α. Métodos Estatísticos Baseados em Inferência Clássica para Estimação de Parâmetros em Modelos de Degradação 26 n ˆ ∑ αi ∼ i=1 α= ˆ ∼ n µφ = ˆ ∼ n ˆ ∑ φi ∼ i=1 n )t  ( ) ˆ ˆ n ∑ varε φi ∼ i=1  n ∑  ˆ Σφ =   ∼ i=1 ( φi − µφ ˆ ˆ ∼ ∼ )( φi − µφ ˆ ˆ ∼ ∼ (n − 1)   −  n Estimação Pontual de FT |α.Σφ ) da distribuição empírica simulada para qual∼ ∼ ∼ ∼ ∼ ∼ quer valor desejado de t da seguinte maneira: [N umero de tempos de f alha t∗ ≤ t] ´ ˆ FT |α.Σφ (t|α.Σφ ) pode ser avaliada ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ para qualquer nível de precisão desejada através de simulação Monte Carlo.µφ . Estime FT |α.Σφ ) de FT |α.µφ .g. Σφ ˆ ˆ e obtenha as N em que N é grande (e.

.βi ) + εij i = 1.n) para cada uma das n unidades amostrais. No desenvolvimento do método de dois estágios. Intervalos de confiança podem ser construídos através de procedimentos bootstrap (Efron. Seja o modelo geral de degradação (1.3) pelo método de máxima verossimilhança e. . Primeiramente é necessário retomar o modelo geral (1. . .27 2.3) e introduzir uma notação adicional que será utilizada ao longo do texto nas próximas seções e capítulos. Este erro pode ser minimizado fazendo-se N suficientemente grande. O Método Numérico O erro Monte Carlo é facilmente calculado através da distribuição binomial.4. . . Lu e Meeker (1993) assumiram que o número de observações para cada perfil era suficientemente grande para garantir as propriedades assintóticas dos estimadores. α.4 O Método Numérico O método numérico. 1985).mi ∼ ∼ em que.3): Yij = D(tij .2. Para o modelo utilizado no artigo. posteriormente. 1993). . a obtenção de FT (t) através de simulação de Monte Carlo.n.. . . os autores concluíram através de um estudo por simulação (não incluído no artigo) que a normalidade assintótica era garantida com um número mínimo de mi = 7 observações (i = 1. 2.. j = 1.. apresentado por Meeker e Escobar (1998) consiste na estimação dos parâmetros do modelo geral de degradação (1. A referência básica é o trabalho de Robinson e Crowder (2000). O número de observações em cada nível afeta a acurácia da estimação dos parâmetros do modelo para cada um dos perfis individuais (Lu e Meeker.

i = 1. . Os βi ’s (i = 1. . .yi2 .Yimi )t o vetor aleatório que denota as medidas de degradação ∼ da i-ésima unidade. .n) são iid e seguem uma distribuição multivariada Λβ |θ (β |θ ) ∼ ∼∼ ∼∼ indexada por um vetor fixo de parâmetros θ = (θ1 .σε ). . .βip )t é o vetor de parâmetros aleatórios (coeficientes dos efeitos ∼ aleatórios do modelo) e que varia entre as unidades experimentais. . Portanto. . . . . Seja Yi = (Yi1 . .θq ∼ ∼∼ )t desconhecido. . no j-ésimo tempo pré-específicado tij .n e j = 1. .εimi )t são independentes para todo i = ∼ ∼ 1.yimi )t o vetor de observações (“os dados”) da ∼ i-ésima unidade. . Métodos Estatísticos Baseados em Inferência Clássica para Estimação de Parâmetros em Modelos de Degradação 28 • Yij é variável aleatória que representa a j-ésima medida de degradação da i-ésima unidade amostral. e yi = (yi1 .αr )t é o vetor de parâmetros fixos (associado aos efeitos fixos).mi . . . ∼ ∼ Seja fβ |θ (β |θ ) a função densidade associada a Λβ |θ (β |θ ). 3. • α = (α1 . . .Capítulo 2. . . . Os erros εij são iid N (0.Yi2 . . . os vetores aleatórios βi e εi = (εi1 . . . . . des∼ conhecido e comum à todas as unidades. . . .n.n. em que σε é fixo e desconhecido. ∼ 2 2 2 2. • βi = (βi1 . . . . . . . Seja fεij |σε (εij |σε ) 2 a função densidade de probabilidade dos εij ’s. Λβi |θ (βi |θ ) = ∼∼ ∼∼ ∼∼ ∼ ∼ Λβ |θ (β |θ ) e fβi |θ (βi |θ )=fβ |θ (β |θ ) ∀ i = 1. As suposições básicas do modelo são: 1. . .2. . . . . em que fβi |θ (βi |θ ) é a função ∼∼ ∼∼ ∼ ∼ ∼ ∼ ∼∼ ∼∼ ∼ ∼ ∼ ∼ densidade do vetor de efeito aleatório βi . . Assim: } { 1 2 =√ exp − 2 εij 2 2σε 2πσε 1 2 fεij |σε (εij |σε ) 2 em que. .

29 2.σε (yi |α.θ . .B .σε ). βn1 . . . Seja B = (β1 .θ .σε (yi |α.θ .θ .βi . θ e σε os parâmetros (fixos) a serem estimados. .βi . . β2p . .j).1) fB |θ (B |θ ) = ∼ ∼ n ∏ i ∼ ∼ fβi |θ (βi |θ ) ∼ ∼ ∼ ∼ (2.θ .θ .θ .βnp )t ∼ ∼ ∼ ∼ que agrega todos os parâmetros aleatórios do modelo (para todas as n unidades experimentais). e y = (y1 .σε )dβ1 .1) e (2.σε )dB 2 ∼ ∼ ∼∼ ∼ ∼ ∼ ∼ ∼ ∫ = ∼ ∫ ··· 2 fY .θ .σε ) 2 ∼ ∼∼ ∼ ∼ ∼ = ΞB 2 fY . De (2.σε )fβi |θ (βi |θ ) dβ1 . . . .B |α.θ . seja Y = (Y1 .B .θ . .B |α.B |α.θ .σε (y .2). dβn 2 ∼ ∼ ∼∼ Ξβ1 ∫ = ∼ Ξβn ∼ ∼ ∼ ∼ ∼ ∼ ∼ } ∫ { 2 ··· fY |α. segue ∼ ∼ que a expressão geral da função de verossimilhança é dada por: ∫ 2 fY |α.σε (y |α.B .θ .βi . . .β12 .yn )t os ∼ ∼ ∼ dados observados durante o período de ensaios.βi .θ . . .σε (y . . .σε ) 2 ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ = 2 fYi |α. 2 Denote a função densidade de Yi como fYi |α.βn )t = (β11 .β2 .4.σε (yi |α.β1p . . .βi . . . . tem-se que as funções densidade de proba∼ bilidade de Y e B são dadas respectivamente por: ∼ ∼ n ∏ i 2 fY |α.B .θ .β22 . dβn 2 ∼ ∼ ∼ ∼ Ξβn ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ (2. . β21 .σε (y |α. . .θ . . .βn2 . . O Método Numérico De maneira análoga.θ . . . dβn 2 ∼ ∼ ∼ ∼ Ξβ1 = n ∏∫ i=1Ξ β1 ∼ ∼ Ξβn ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ } ∫ { 2 ··· fYi |α. . Assim pela su2 ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ posição de independência de βi e εij (∀ i.2) 2 Sejam α. . .σε )fB |θ (B |θ ) dβ1 .B |α.βi .3) . .σε (y |α.σε ) 2 ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ (2. .Yn )t o vetor aleatório que representa o con∼ ∼ ∼ junto completo de medidas de degradação para as n unidades.

Portanto. .βi . . . . σε ) em que j = 1.σε )fβi |θ (βi |θ ) dβ1 .4) 2 A estimação de α. α.4).βi ).Σ β (βi |µβ . ΣYi ). .σε (y |α.4): 2 fY |α.σε ). . ΞB = (Ξβ1 .βi . . . em geral implementada.θ . . é a de que os βi ’s são iid segundo ∼ uma Normal Multivariada de ordem p. são independentemente dis(indep.θ .βi . . . Métodos Estatísticos Baseados em Inferência Clássica para Estimação de Parâmetros em Modelos de Degradação 30 em que.Σβ ∼ ∼ ∼ ∼ iid ∼ ∼ ∼ Np (µβ .βi .θ . α. . ∼ Uma suposição adicional.βi ). .βi ) ∼ 2 Yi |α. Tal como: ∼ ∼ . mesmo numericamente. . na qual Imi é a matriz identidade de ordem mi .Σβ ) ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ é a função densidade da Np (µβ .Σβ ).σε ) 2 ∼ ∼∼ ∼ ∼ ∼ = n ∏∫ i=1Ξ β1 ∼ } ∫ { 2 fYi |α.Ξβn ) é o suporte de B . a dificuldade de resolução aumenta com o aumento da dimensão de βi . ou seja. fYi |α. de onde segue a função 2 j=1 ∼ ∼ ∼ ∼ indep. em que µYi é o vetor de ∼ ∼ [ ∼ ]t médias (de dimensão mi × 1 dado por µYi = E(Yi ) = D(ti1 .θ . .θ .βi ).) tribuídos ∼ segundo uma distribuição Nmi (µYi . ∼ ∼ ∼ ∼ ∼ ∏ 2 2 em (2.D(timi . En∼ ∼ tretanto a integração nos βi ’s em geral apresenta problemas.σε ∼ N (Di (tij .n. . σε ).Σβ ). . ∼ ∼ ∼ ∼ ∼ ∼ de verossimilhança (2. 2 2 Além disso.σε ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ e matriz de variância-covariância ΣYi = ∼ 2 σε Imi . ∼ ∼ ∼ ∼ ∼ ∼ Note que com a suposição de que os erros são iid 2 N (0. θ e σε é então obtida pela maximização da função (2.θ . . .σε ) = mi N (Di (tij . ou seja. α.Σβ ) e βi |µβ . α.θ . Yij |α.4). Contudo.mi . dβn ∼ ∼ (2. fβi |θ (βi |θ ) = fβi |µ β .θ .βi . α. . na expressão da verossimilhança (2. neste caso θ = (µβ . dβn ··· 2 ∼ ∼ ∼ ∼ = n ∏ ∫ i=1Ξ β1 ∼    ∫  ∏ mi  2   ··· N (Di (tij . ∼ ∼ ∼ Portanto. e Ξα é o suporte de α. σε ) fβi |θ (βi |θ ) ∼ ∼  ∼ ∼ ∼ ∼  Ξβn ∼ Ξβn ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ j=1 dβ1 .σε (yi |α.Capítulo 2.3).βi . A solução é resolver as ∼ integrais numericamente.σε (yi |α. para todo i = 1.βi ). em que Σβ é a matriz de variância-covariância. Yi tem distribuição ∼ Normal Multivariada de ordem mi .

Σφ (t|α.Σβ (t|α. das estimativas de α.9.Σβ e σε (Pinheiro e Bates.Σβ ) via simulação de Monte Carlo. O Método Numérico { } 1 1 t −1 fβi |µ β . θ = µβ .µφ . as funcões LME (modelo ∼ linear de efeitos mistos lineares) e NLME (modelo não-linear de efeitos mistos). ∼ ∼ ∼ ∼ ∼ ∼ . ∼ ∼ ∼ ∼ 2000).θ . implementadas no Software R 2. FT |α. θ = ∼ ∼ ( µβ .θ .Σβ ∼ ∼ ) 2 e σε . Uma alternativa é calcular FT |α.Σβ ) pode ser ∼∼ ∼ ∼ obtida via integração direta.Σβ ) = exp − (βi − µβ ) Σβ (βi − µβ ) 2 ∼ (2π)p/2 |Σβ |1/2 ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ Nesse caso em que os βi ’s são normalmente distribuídos. (2008).31 2.Σ β (βi |µβ .Σφ ).µφ .3. de forma bastante similar àquela a∼∼ ∼ ∼ presentada na etapa de Estimação Pontual de FT |α. 2005) no pacote NLME Pinheiro et al.Σβ (t|α. na Seção 2.4. podem ser utilizadas para cálculo das estimativas de máxima ( ) 2 verossimilhança aproximadas dos parâmetros α.θ . Assim.0 (R Development Core Team.θ . o tempo computacional para avaliação das integrais irá aumentar exponencialmente com o aumento das dimensões das integrais. Contudo.

3). Ou seja. 3. O mesmo modelo será utilizado para ambas as situações práticas deste texto.Capítulo 3 Especificação do Modelo de Degradação Sob Abordagem Bayesiana Dada a natureza aproximadamente linear dos perfis de degradação em estudo neste texto (veja as Figuras 1. a inferência resultante é a distribuição de probabilidade a posteriori dos parâmetros desconhecidos do modelo.1 Método Baseado em Inferência Bayesiana A inferência bayesiana permite estimar parâmetros desconhecidos de um modelo e avaliar a incerteza sobre ele através da distribuição a posteriori. será apresentada a especificação do modelo de degradação sob a abordagem bayesiana considerando-se aquela linearidade. Essa tarefa é executada combinando a informação a priori sobre .2 e 1.

.ynmn |η ). . e Ξ η é o espaço ∼ ∼ ∼∼ ∼ ∼ ∼ ∼ ∼ paramétrico de η . Método Baseado em Inferência Bayesiana ∼ η = (η1 . em geral. alguma unidade qualquer da população). . Para dados de degradação. 1984. O teorema de Bayes fornece a ∼ ∼ maneira de calcular essa distribuição a posteriori. conhecida como distribuição a priori de η . estabelecida pelo modelo (1.Ynmn |η (y11 . A informação a priori é. .1). 1992.y1m1 .Yn1 . 1990. .33 3. .Y1m1 . descrita por uma função densidade de probabilidade f η (η ). ∼ ∼ ∼∼ Chib e Greenberg. que é dada por: fY |η (y |η )f η (η ) ∼ ∼ f η |Y (η |y ) = ∫ ∼ ∼ ∼∼ ∼ ∼ ∼∼ fY |η (y |η )f η (η )dη ∼ ∼ (3. .1..3).yn1 .. por exemplo. Todavia.. A in∼ ∼ ∼∼ ∼ ∼ formação combinada é então descrita por outra função densidade de probabilidade Fη|Y (η|y).. a priori. chamada distribuição a posteriori de η . . . A informação fornecida pelos dados resumida na função de verossim∼ ilhança fY |η (y |η ) = fY11 . a exclusiva estimação da distribuição dos parâmetros do modelo é insuficiente para a obtenção da distribuição dos tempos de falha das unidades sob teste e das unidades futuras (que não se encontram no escopo da amostra. Casella e George. .. . com os avanços dos métodos computacionais tornou-se fácil obter amostras de f η |Y (η |y ) (Geman e Geman. Gelfand e Smith.ηs ). Todos estes trabalhos mostram como obter uma amostra da distribuição a posteriori através de simulação Monte Carlo via Cadeias de Markov (métodos MCMC).. . Esta distribuição é uma ∼ ∼ ∼ escolha subjetiva e descreve o conhecimento inicial (antes de se observar os dados) do especialista sobre η . em que s é o número de parâmetros do modelo... ... .1) Ξη ∼ ∼∼ ∼ ∼ ∼ em que ∫ Ξη ∼ fY |η (y |η )f η (η )dη é a distribuição preditiva de y . ∼ O maior problema da inferência bayesiana reside em calcular a integral em (3. Uma apresentação detalhada dos métodos MCMC podem ser encontrados. É necessária a exploração da relação entre os parâmetros e tempos de medição. em Gamerman e Lopes (2006). ou seja. com a informação con- tida nos dados. . Usando essa relação. ... . 1995).

2) t 1 βi Fazendo Df = Di (Ti ) é possível obter o tempo de falha para o perfil i. . . . ∼ ∼ ∼∼ 3.Yimi ) denota o vetor aleatório de me∼ ∼ ∼ ∼ didas feitas na unidade amostral i. . Da Figura 1. . . . Seja B = ∼ (β1 . . .1 percebe-se que os perfis de degradação são aproximadamente lineares. .4) em que i = 1. i = 1. o modelo que descreve Yij isto é. . j = 1. para os dados de lasers. um modelo no qual o verdadeiro perfil de degradação no tempo t.3 na Seção 1. da seguinte forma: Ti = Df βi (3. .n (perf is) . .mi (medidas).Yn ) em que Yi = (Yi1 . . . .3) Portanto.Capítulo 3.2 e 1.n (perfis de degradação). . a degradação do i-ésimo perfil no tempo tij toma a seguinte forma: ( Yij = Dij = D(tij .2. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 34 a distribuição dos tempos de falha poderá ser obtida através de f η |Y (η |y ). .βi ) + εij = 1 βi ) tij + εij (3.βn ) o vetor que contém todos os vetores de efeitos aleatórios das n unidades experimentais. para o i-ésimo perfil amostral é dado por: ( Di (t) = ) t (3. . . . . Hamada (2005) utilizou. .2 3. . .1 Modelo com Efeito Aleatório Weibull Construção da Função de Verossimilhança Seja Y = (Y1 .

6) Sendo Yi = (Yi1 . . . Além disso. . . .2.σε ∼ ∼ ( Nmi 2 µi .timi ) e: ∼    µi =   ∼  1 βi ti1  . . βi (3. segue-se então que ∼ 2 indep Yi |βi . assume-se que ( ) 2 iid 2 εij |σε ∼ N 0. visto que βi é um escalar. .7) em que Imi denota a matriz identidade de ordem mi . βi ∼ ε i (3. ∀ i = 1. σ Im . (3. ∼ ∼ ∼ ∼ Para facilitar a notação.B |θ . . . tem-se que 2 Yij |βi . . ti t = (ti1 . σε Imi ∼ ) = Nmi ( ) 1 t 2 t i .Yimi ). portanto. σε . . σε .n) e. .σε é: ∼ ∼ ∼ .βn )t . . βi = βi ∼ (um escalar. . . . .4. note que no caso do modelo 3. 1 βi timi      2 Então tem-se que a distribuição conjunta de Y .35 3. .βn )t neste caso é B = (β1 .5) Conseqüentemente. Modelo com Efeito Aleatório Weibull Fazendo referêcia à notação do Capítulo 2. . B = (β1 .σε ∼ N indep ( ) 1 2 tij . . B e β serão utilizados ao longo deste ∼ ∼ e dos próximos capítulos. . .

4). não são efetuadas a integrações no espaço paramétrico dos efeitos aleatórios.2.σε (yij |βi .σε (y . estabeleceu-se que a degradação inicial é yi1 = 0 para todas as unidades.2 Especificação das Distribuições a priori Assim como em Robinson e Crowder (2000). O procedimento bayesiano para estimação dos parâmetros na equação (3. determinamos a distribuição conjunta a posteriori dos parâmetros como se segue: .Capítulo 3.2.B |θ .σε (yi |βi . Note que a equação (3.σε )fβi |θ (βi |θ ) 2 ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ Ainda.8) ∼ 2 fYi |βi . exceto pelas integrais.σε ) fβi |θ (βi |θ ) = 2  ∼ ∼ ∼ ∼  ∼ ∼ j=1 i=1   { ( )2 } mi n ∏  ∏ ( 1 )1/2 tij 1   exp − 2 yij − = 2  2πσε 2σε βi i=1 j=1 } fβi |θ (βi |θ ) (3.8) surge naturalmente como evidenciado na Seção 3. 3. Para a inferência bayesiana.σε (y |B .2. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 36 2 2 fY .8) é bastante similar à equação (2.B |θ .σε )fB |θ (B |θ ) 2 2 ∼ ∼ ∼ ∼ ∼ ∼ = n ∏{ i=1 ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ }    mi n  ∏ ∏ 2  fYij |βi . diferentemente do procedimento da estatística clássica.σε ) = fY |B .

σ ) Y .σε |y ) ε ∼ ∼∼ ∼ ∼∼ = = ∝ 2 f 2 ( y . 2 2 que σε |a3 . a distribuição Weibull é flexível o bastante para definir distribuições a priori tanto informativas quanto não informativas (no sentido de atribuir massa probabilística aproximadamente igual para todos os valores no suporte de βi ).37 3.2.b3 ∼ GammaInvertida(a3 .λ) como ∼ ∼ distribuição a priori para os efeitos aleatórios de cada perfil.10) para os efeitos aleatórios βi . Modelo com Efeito Aleatório Weibull 2 f β .3 indicam que a degradação é positiva.λ)t . θ .σ )f θ ( β | θ )f θ ( θ )f 2 (σ ) Y | β . o que é razoável ser assumido aqui. Essa forma expandida remete aos modelos hierárquicos (Bernardo e Smith.λ) ∼ W eibull(δ. Assume-se. pois os perfis apresentados nas Figuras 1.σ2 |Y (β .σ 2 ε ∼ ∼ ∼ ∼ ε (3. como usualmente utilizado na literatura e inclusive em Hamada (2005). e σε através de 2 fβi |θ (βi |θ ) e fσε (σε ).λ) = δλ (βi )δ−1 exp −λβi βi > 0. dessa maneira assume-se βi |θ = βi |(δ.b3 ). β . θ .10) (3. θ . respectivamente.2 e 1.λ)t ∼ W eibull(δ.σε ∼ ∼ ∼ ε ∼∼∼ fY ( y ) ∼ ∼ 2 2 f 2 ( y | β . 1994).σ 2 Ξ 2 Ξβ Ξ θ ∼ ∼ ε ∼ ∼ ∼∼ ∼ σε ∼ ∼ n ∏ { mi ∏ i=1 j=1 [ fY ij |βi } ] 2 2 (yij |βi .11) Hamada (2005) utilizou exatamente a distribuição a priori na equação (3.λ) ∼ { } δ fβi |δ. distribuição a priori de σε tem a .9) 2 Note que as notações de f θ (θ ) e fσε (σε ) foram suprimidas (não condicionadas pelos 2 ∼ ∼ respectivos parâmetros) a título de simplificação. ′ 2 Define-se a distribuição a priori para os efeitos aleatórios βi s.σε ∼ ∼ ε β |∼ ∼ ∼ ∼ ∼ σε ε ∼ ∼∼ ∫ ∫ ∫ 2 2 2 f ( y | β .θ .σε )f β | θ ( β | θ )f θ ( θ )f 2 (σε )d θ d β dσε ∼ ∼ ∼ σε ∼ ∼ Y | β . ou seja. δ > 0 e λ > 0 (3.σε ) fβi | θ (βi |θ ) f θ (θ )fσ2 (σε ) . Ainda. 2 ∼ ∼ Defina θ = (δ.λ (βi |δ. Ou seja: βi |θ = βi |(δ. β .

b3 (σε |a3 . são usualmente utilizadas na literatura definir distribuições a priori pouco informativas para δ e λ (no sentido de dar massa probabilística aproximadamente igual para todos os valores no suporte do parâmetro que modelam).b3 ) = 2 ba3 ( 2 )−(a3 +1) b3 /σε 2 2 3 . é possível especificar no modelo hierárquico as chamadas “hiperprioris”.b2 ∼ Gamma(a2 .Capítulo 3.b1 (δ|a1 . a1 > 0. b3 > 0 σε e Γ(a3 ) (3. b2 > 0 (3. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 38 seguinte densidade: 2 fσε |a3 . isto é. para fazermos inferências necessitamos encontrar as distribuições a posteriori. b2 ) fλ|a2 .b1 ) = ba 1 1 Γ(a1 ) δ a1 −1 eb1 δ . λ > 0.b2 (λ|a2 .b2 ) = ba 2 2 Γ(a2 ) λa2 −1 eb2 λ . a2 > 0. δ > 0. b1 ) fδ|a1 .16) As famílias de distribuições Gamma(a.14) λ|a2 . Aqui assumimos ∼ ∼ δ|a1 . Iniciamos por encontrar as distribuições condicionais completas. . Para o problema em questão a distribuição a posteriori não tem forma fechada.b).13) (3. σε > 0.15) (3. por isto utilizaremos métodos MCMC. a3 > 0. com valores de a e b tendendo a zero.b) e GammaInvertida(a. f θ (θ ) = fδ (δ)fλ (λ).12) Ainda. Especificadas as distribuições a priori. b1 > 0 (3.b1 ∼ Gamma(a1 .

τ (yij |βi .τ ) fβi |δ.σε |Y ). τ > 0.θ .σε |Y (β . em que 1/σε = τ . A primeira conseqüência dessa reparametrização é que distribuição a priori de τ é: τ |a3 .17) (3.b3 ∼ Gamma(a3 .19) Da equação (3.19) tem-se que: .λ.δ.λ (βi |δ.τ |y ) ∝ fY |β .δ.b3 (τ ) = ba 3 3 Γ(a3 ) τ a3 −1 eb3 τ . Modelo com Efeito Aleatório Weibull 3.τ |Y (β . b3 > 0 (3.λ) fδ (δ)fλ (λ)fτ (τ )   i=1 j=1   mi n  ] ∏ ∏ [ ∝ fYij |βi .λ.λ) fδ (δ)fλ (λ)fτ (τ )   i=1 j=1 (3.18) Dessa maneira a distribuição a posteriori dos parâmetros pode ser escrita como: fβ .2.τ ) fβi |δ.θ .3 Especificação das Distribuições Condicionais Completas As distribuições condicionais completas a posteriori para cada parâmetro são obti2 das a partir da distribuição conjunta fβ . a3 > 0.σε ). b3 ) fτ |a3 .λ)fδ (δ)fλ (λ)fτ (τ ) ∼ ∼ ∼ ∼∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼   mi n ∏ [  ] ∏ ∝ fYij |βi . que até então era 2 2 da forma N (µ.τ (y |β .τ ). Para facilitar os cálculos será 2 ∼∼ ∼ ∼∼ ∼ utilizada uma parametrização diferente para a distribuição Normal. e agora assume a forma N (µ.τ (yij |βi .τ )fβ |δ.2.λ (βi |δ.λ (β |δ.39 3.

λ.21) em que β [−i] = (β ) − βi = (β1 .βn ) − βi .Capítulo 3. .λ (βi |δ.Y (δ|β . .τ )fβi |δ.λ (βi |δ.y ) ∝ fβ |δ. β [−i] é (n − 1) dimensional pois ∼ ∼ ∼ não contém o escalar βi .δ. .20) A distribuição condicional completa de cada um dos parâmetros é dada por: fβi |β [−i] .τ.τ.λ) fδ (δ)fλ (λ)fτ (τ ) ∼ ∼   ∼ ∼ i=1 j=1 } { ) ( n mi ∏ ∏ ( τ )1/2 tij 2 τ ∝ exp − yij − 2π 2 βi i=1 j=1 n ∏ i=1 ba 1 1  mi n ∏ ∏ [ δλ (βi ) δ−1 { } δ exp −λβi δ a1 −1 exp{b1 δ} Γ(a1 ) ba2 a2 −1 2 λ exp{b2 λ} Γ(a2 ) ba3 a3 −1 3 τ exp{b3 τ } Γ(a3 ) (3.Y (βi |β [−i] .δ.τ ) fβi |δ.τ (yij |βi .δ. Ou seja.λ.τ |y ) ∝ fYij |βi .λ) ∼ ∼ ∼ ∼ ∼ ∼ ∝ (βi ) δ−1 δ exp −λβi { mi }∏ j=1 τ exp − 2 { ( tij yij − βi )2 } (3.λ.λ. fδ|β .τ. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 40   ] fβ .λ.y ) ∝ fY |βi .τ (yi |βi .λ (β |δ.δ. .τ.22) .λ)fδ (δ) ∼ ∼ ∼ ∼ ∼ ∼ ∝ δ a1 −1 exp{b1 δ} n ∏ i=1 { } δ δ (βi )δ−1 exp −λβi (3.τ |Y (β .λ.

τ )fτ (τ ) ∼ ∼ ∼ ∼ ∼ ∼∼ ∼∼∼ ∝ τ a3 −1 exp{b3 τ } n mi ∏∏ i=1 j=1 τ τ 1/2 exp − 2 { ( tij yij − βi )2 } (3.λ)fλ (λ) ∼ ∼ ∼ ∼ ∼ ∼ ∝ λ a2 −1 exp{b2 λ} n ∏ i=1 { } δ λ exp −λβi (3.δ.λ.2.8).δ.3.δ.2 Especificação das Distribuições a priori 2 Define-se a distribuição a priori para os efeitos aleatórios βi ’s. 2 ∼ ∼ .4).θ .3.τ.y ) ∝ fY |β . 3. Modelo com Efeito Aleatório Lognormal fλ|β .λ (β |δ.3. 3.5.σε |y ) conforme descrito por Gelfand e Smith 2 ∼∼ ∼ ∼∼ ∼ (1990).23) fτ |β .24) A partir da distribuição condicional completa de cada parâmetro é possível obter 2 amostras da distribuição fβ .λ. 3. respectivamente. pois tratam-se das mesmas suposições.Y (τ |β .1.1 Modelo com Efeito Aleatório Lognormal Construção da Função de Verossimilhança Analogamente à Seção 3. e σε através de 2 fβi |θ (βi |θ ) e fσε (σε ).τ.41 3. para o modelo (3.7).τ (y |β .σε |Y (β .θ .3 3.Y (λ|β . a função de verosimilhança pode ser escrita como na equação (3. com base em (3.δ.y ) ∝ fβ |δ.6 e 3.

28) (3.σL ).b5 ) 2 fσ2 |a5 .b5 ) = L (3.b5 (σL |a5 . Especificação do Modelo de Degradação Sob Abordagem Bayesiana 42 2 2 2 Defina θ = (µL . a5 > 0.σ2 (βi |µL . isto 2 é. (2010) utilizou a mesma distribuição a priori na equação (3. µL = (−∞. b5 > 0 2 . é possível especificar no modelo hierárquico as chamadas “hiperprioris”.σL ) ∼ ∼ como distribuição a priori para os efeitos aleatórios de cada perfil. Ainda.2). σL > 0. b2 ) 4 4 } { 1 exp − 2 (µL − a4 )2 2b4 (3.25) Freitas et al.b2 (µL |a4 . Ou seja: 2 fβi |µL .26) µL = (−∞.σL ) L { } (ln(βi ) − µL )2 1 exp − = √ 2 2σL 2 βi 2πσL 2 βi > 0. f θ (θ ) = fµL (µL )fσ2 (σL ). + ∞) b4 > 0 (3. da mesma forma estabelecida na equação (3.b5 ∼ GammaInvertida(a5 .29) ba 5 5 Γ(a5 ) ( 2 σL )−(a5 +1) 2 eb5 /σL . b2 ∼ N (a4 . 2 Assume-se que σε |a3 . + ∞) e σL > 0 (3.25) para os efeitos aleatórios βi quando modelou a degradação das mesmas rodas de trem deste texto (Figura 1.σL )t ∼ Lognormal(µL . b2 ) = 4 4 1 2πb2 4 )1/2 µL |a4 .12). + ∞). dessa maneira assume-se βi |θ = βi |(µL . a4 = (−∞.Capítulo 3. Aqui assumimos ∼ ∼ L ( fµL |a4 .27) 2 σL |a5 .b3 ∼ GammaInvertida(a3 .b3 ).

da relação resultante na equação (3.30) .λ).θ . 2000) permite estimar os parâmetros do modelo de degradação sem necessidade de especificar a expressão das distribuições condicionais completas. pois elas não serão utilizadas como argumento analítico ou teórico em nenhum momento. cuja função densidade de probabilidade foi definida na ∼ iid equação (3.2).3) a função distribuição de probabiliadade do tempo de falha será dada por: −1 ∂βi (t) ∂t fTi |δ∗ .σε |y ) conforme em Gelfand e 2 ∼∼ ∼ ∼∼ ∼ Smith (1990).θ . O software WinBUGS14 (Spiegelhalter et al.σε |Y (β .λ (βi |δ.θ . com a diferença de que a estimativa dos parâmetros é obtida via inferência bayesiana.σε |Y (β . FTi |Y (t|y ) Segundo Hamada (2005) ∼ ∼ 3. e seja o modelo com forma funcional como na equação (3. é utilizado o método analítico apresentado na Seção 2.10).λ ∼ W eibull(δ.θ .43 3.4.3. Tomando-se como exemplo um caso no qual assume-se que os efeitos aleatórios são βi |θ = βi |δ. Das distribuições condicionais completas 2 ∼∼ ∼ ∼∼ ∼ 2 é possível obter amostras da distribuição fβ .σε |y ). Ou seja. Neste texto não serão apresentadas as distribuições condicionais completas para efeitos aleatórios com distribuição Lognormal como priori.λ) −1 βi =βi (t) (3.4 FTi |Y (t|y ) Segundo Hamada (2005) ∼ ∼ O primeiro passo da análise efetuada por Hamada (2005) consiste em encontrar a relação existente na distribuição dos efeitos aleatórios com a distribuição tempos de falha a partir da forma funcional do modelo de degradação.λ∗ (t|δ ∗ .3 Especificação das Distribuições Condicionais Completas As distribuições condicionais completas para cada parâmetro são obtidas a partir 2 da distribuição conjunta fβ . 3.λ∗ ) = fβi |δ..2.

33) . Dδ ∼ W eibull δ. Então segue que: { ) ( ) } t δ−1 t δ 1 fTi |δ∗ . ) λ δ Df )) = 1 − FTi |δ∗ .λ∗ ) = R ( Ti δ.λ∗ (t|δ ∗ . λ Dδ f ( t δ.λ∗ = ∼ ( ) ( ( )) iid λ λ Ti |δ. ( λ Dδ f ( t δ.λ ) = δλ exp −λ Df Df Df ( ) { ( ) } λ λ = δ tδ−1 exp − tδ δ δ Df Df ∗ ∗ ( (3. Dδ .λ ∼ W eibull(δ.Capítulo 3.λ∗ (t|δ ∗ .λ∗ ) corresponde aos parâmetros da distribuição ∼ resultante da transformação de variável.λ∗ ) = F Ti δ. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 44 −1 em que βi (Ti ) = Ti /Df e θ∗ = (δ ∗ . ) λ δ Df tδ )) { ( = 1 − exp − λ δ Df ) } (3.31) Dessa forma concluímos que se βi |θ = βi |δ. f f iid Conseqüentemente: ( FTi |δ∗ .32) ( RTi |δ∗ .λ).λ∗ (t|δ ∗ .λ∗ ) { ( ) } λ = exp − tδ δ Df (3.λ∗ (t|δ . então Ti |δ ∗ .

34) em que a equação (3.1.λ∗ ). . ) λ δ Df ]1 δ )) δ Df ) λ ln(1 − p) (3.θ .preditiva a posteriori de T via Hamada (2005) (β (β .9). e a equação (3.33) corresponde à função de confiabilidade dos tempos de falha.4. FTi |Y (t|y ) Segundo Hamada (2005) ∼ ∼ ( tp|δ∗ .λ∗ (t|δ ∗ .λ∗ ) 1 ∼1 . λu 2 σε ) 2 σε 1 ) |y |y ∼ ∼ avalie δ|y . .λ∗ (t|δk . λ|y ∼ =⇒ ∼ .λ∗ ) k k=1 ˆ FTi |Y (t|y ) = ∼ ∼ u (3. obtém-se as amostras da função dis∼∼ ∼ ∼ ∼ tribuição acumulada a posteriori dos tempos de falha (dado por (3. δu λ λ1 . . a equação (3.λ. βnk .λ∗ (t|δu .1: Amostra . λk .32)) como se segue na Tabela 3. (β ∼u ∼ δ δ1 .λ∗ (t|δ1 . . 2 Obtidas as amostras (β1k . . δk . .λ∗ (p|δ ∗ .35) . .σε |y ) dada em (3. A partir da amostra obtida segundo o procedimento descrito na Tabela 3. ou seja tp|δ∗ .λ∗ (t|δk . . .λ∗ ) = t [( = ( p δ. σε k ) da distribuição a posteriori dos parâ2 metros (β . ∗ FTi |δ∗ .δ.34) corresponde ao percentil de ordem p da distribuição dos tempos de falha.λ∗ ) u |y ∼ em que u é o tamanho da amostra da distribuições a posteriori. . λ Dδ f ( p δ. .λ∗ ) é o tempo para o qual a probabilidade acumulada de falha é p = FTi |δ∗ . . .1: Tabela 3.45 3. 2 σε u ) δ|y .32) corresponde à distribuição acumulada dos tempos de falha (fornece a “fração de falha” até certo tempo t).λ∗ ) k ∗ FTi |δ∗ . FT |Y (t|y ) ∼ ∼ é aproximadamente estimada como u ∗ ∑ FTi |δ∗ .λ∗ (p|δ ∗ . . λ|y em ∼ ∼ ∗ FTi |δ∗ .τ |y ) = (β .

respectivamente. (3.θ |y )dθ ∼∼ Ξθ ∼∼ ∼ ∫ = ∼ FTi |θ (t|θ )f θ |y (θ |y )dθ ∼ ∼ ∼∼ Ξθ ∼∼ ∼ ∫ = ∼ P (Ti ≤ t|θ )f θ |y (θ |y )dθ ∼ ∼∼ Ξθ ∼∼ ∼ (3.λ∗ (t|δk .36) ˆ ti p|y (p|y ) = ∼ u ∗ ∑ tp|δ∗ . desta forma. k k k pois dependem dos parâmetros δ e λ.36) e (3.33 e 3.λ∗ ) k k=1 ˆ RTi |Y (t|y ) = ∼ ∼ u (3.λ∗ (p|δk . obtém-se.32) tem-se que: . RTi |δ∗ . tratam-se de estimativas de quantidades de interesse da distribuição preditiva a posteriori dos tempos de falha para um perfil futuro. Observe também que a equação (3.λ∗ ) e tp|δ∗ . das expressões 3.λ∗ ).Capítulo 3.37)).λ∗ (t|δk . i = n+1 sempre.3) e da equação (3. que u ∗ ∑ RTi |δ∗ .λ∗ ) k k=1 ∼ u (3. Note que todas as quantidades de interesse estimadas por Hamada (2005) resultam em estimativas para qualquer unidade da população. intervalos de credibilidade para cada uma das quantidades de interesse nas equações (3.38) ∼ usando a relação na equação (3.θ |y (t.37) ∗ ∗ ∗ Note que FTi |δ∗ . para o caso de Hamada (2005).λ∗ (p|δk .34.λ∗ (t|δk . ou seja. Então.36) e (3.λ∗ ) são objetos aleatórios.37) podem ser encontrados tomando-se os percentis das amostras obtidas via o procedimento apresentado na Tabela 3. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 46 De forma análoga.35) é na verdade uma aproximação para a seguinte integral: ∫ FTi |Y (t|y ) = ∼ ∼ FTi . necessariamente.35).1 (de forma análoga para as equações (3.

assume-se que a distribuição dos tempos de falha e dos efeitos aleatórios se mantém a mesma a posteriori sendo atualizadas apenas pela distribuição a posteriori de θ .λ|y (δ.39) ∫ = Ξθ ( ) P βi Df ≤ t|θ f θ |y (θ |y )dθ ∼ ∼∼ ∼∼ ∼ ∫ = ∼ ( P βi ≤ Ξθ ) t θ f θ |y (θ |y )dθ Df ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∫ = Ξθ ∼ t/Df ∫ fβi |θ (βi |θ )f θ |y (θ |y )dβi dθ ∼ ∼ ∼∼ 0 ∼∼ ∼ (3.5.40) Ainda.40) levam em consideração a distribuição a priori dos tempos de falha e dos efeitos aleatórios. FTi |Y (t|y ) Segundo Robinson e Crowder (2000) ∼ ∼ { ( ) }) ∫ ∫ ( λ FTi |Y (t|y ) = 1 − exp − tδ fδ.3) e a forma funcional na equação (3.λ|y )dδdλ δ ∼ Df ∼ ∼ ∼ Ξδ Ξλ (3.1 FTi |Y (t|y ) para um Perfil sob Teste ∼ ∼ Seja o modelo geral na equação (1.5.47 3.39) e (3.5 FTi |Y (t|y ) Segundo Robinson e Crowder (2000) ∼ ∼ 3. ou seja. ∼ 3. para uma situação na qual a degradação é crescente com o tempo (caso das situações práticas deste texto).4). observa-se que a integral das equações (3. segue que: .

σε 2 σε (3.σε (t|βi .σε ) 2 ··· |y ∼ Finalmente a distribuição preditiva a posteriori dos tempos de falha de uma unidade . σε |y ∼ =⇒ ∼ . 2 FTi |βi .σε ) = P D(tij . βn βn1 .βi .41) é a distribuição preditiva a posteriori do tempo de falha para um perfil de degradação sob teste.σε |y (βi .θ . .41) corresponde a: ( ) 2 2 FTi |βi .Capítulo 3.σε ) 2 θ1 ∼ . (β1u ··· ··· . .σε (t|βi1 . A parte I da equação (3. . .σε = P βi ( ) tij Df − βi 2 = 1−Φ βi . σε |y em ∼ ∼ 2 FTi |βi . .σε |y )dβi dθ dσε 2 2 ∼ ∼ ∼ ∼ ∼ I (3. θu ∼ . .preditiva a posteriori de T via Robinson e Crowder (2000) (β1 (β11 .σε 2 ) (( ) 1 2 tij + εij ≥ Df βi .σε |y (t. .θ . Especificação do Modelo de Degradação Sob Abordagem Bayesiana 48 ∫ ∫ ∫ FTi |Y (t|y ) = ∼ ∼ 2 2 FTi .σε ) fβi .βi .2: Tabela 3.θ . .βi ) + εij ≥ Df |βi .2: Amostra . βnu ∼ θ 2 σε ) 2 σε 1 ) |y |y ∼ ∼ 2 avalie βi |y .θ . .σε (t|βiu .σε (t|βi . 2 σε u ) 2 βi |y ..σε ) 2 2 FTi |βi .42) As as amostras da função distribuição acumulada a posteriori dos tempos de falha na equação são obtidas como se segue na Tabela 3. .σε (t|βi . .σε |y )dβi dθ dσε 2 ∼ ∼ ∼ Ξσ2 Ξ θ Ξβi ∼ ∼ ∫ ∫ ∫ ∼ ε ∼ = Ξσ2 Ξ θ Ξβi ε 2 2 2 FTi |βi .

. A amostra de ∼ 2 FTi |βi . βnu ∼ ∼1 θ 2 σε ) 2 σε 1 ) |y |y ∼ ∼ ∼ ∼ avalie 2 β | y . 2 FT |β .σε ) na Tabela 3.preditiva a posteriori de um perfil futuro via Robinson e Crowder (2000) (β1 (β11 .2 FTi |Y (t|y ) para um Perfil Futuro ∼ ∼ A distribuição preditiva a posteriori para uma unidade futura será dada pela equação 3.σε ) 2 fica como na Tabela 3.σε ) i i ε 2 FT |β . 2 σε u ) 2 β | y .44. . e como não é possível gerar uma amostra dos efeitos aleatórios a posteriori do perfil de degradação futuro.σε ) i i ε θ ··· .5.43) 2 Dada a amostra de FTi |βi . .σ2 (t|βn1 .σε ) ε ˆ FTi |Y (t|y ) = ∼ ∼ k=1 u (3. (β1u ··· ··· . 2 FT |β . .σε (t|βi . .3: Amostra . . σε | y em ∼ 2 FT |β . resultante das integrais na equação (3.41) é aproximada por: u 2 ∑ FTi |βi . . ∼u . . .σ2 (t|β1u .σ2 (t|βik . . . .σε ) i i ε ··· θ |y ∼ ··· . σε | y ∼ ∼ ∼ = ⇒ . .σ2 (t|βik .5. βn βn1 .44) Tabela 3.σε (t|βi . .2 é possível obter intervalos de 2 credibilidade para FTi |Y (t|y ) tomando-se os percentis desejados. FTi |Y (t|y ) Segundo Robinson e Crowder (2000) ∼ ∼ sob teste.σ2 (t|βi .σε ) ε ∼ i=1 k=1 nu (3. ∼ ∼ 3. .σε ) i i ε . 2 FT |β .3: ˆ FTn+1 |Y (t|y ) = ∼ u n 2 ∑ ∑ FTi |βi .σ2 (t|βnu . .σ 2 (t|β11 . assume-se a amostra a posteriori de β |y como a amostra a ∼∼ posteriori de βn+1 |y .σε ) i i ε .49 3.

6 3.3) e a forma funcional na equação (3.1 FTi |Y (t|y ) Proposta ∼ ∼ FTi |Y (t|y ) para um Perfil sob Teste ∼ ∼ Seja o modelo geral na equação (1.y (βi |θ . Especificação do Modelo de Degradação Sob Abordagem Bayesiana 50 3. A equação (3. segue que: ∫ FTi |Y (t|y ) = ∼ ∼ FTi .45).41). para uma situação na qual a degradação é crescente com o tempo (caso das situações práticas deste texto). ∼ ∼ Na equação (3.βi |y (t.6.45) ∫ ( P = Ξβi ) t βi ≤ βi fβi |y (βi |y )dβi Df ∼ ∼ ∫ = Ξβi t/Df ∫ fβi |θ .46) Observe que a equação (3.4: .y )f θ |y (θ |y )dβi dθ ∼∼ 0 ∼∼ ∼∼ ∼∼ ∼ (3.46) é diferente da equação (3.Capítulo 3.46) considera a distribuição dos efeitos ∼ ∼ aleatórios e a relação Ti = Df βi para estimação de FTi |Y (t|y ).41) considera a distribuição das medidas de degradação e a relação Ti = Df βi como meio para estimação de FTi |Y (t|y ).4). a amostra para estimação de FTi |Y (t|y ) pode ser obtida através ∼ ∼ do seguinte procedimento descrito da Tabela 3. Já a equação (3.βi |y )dβi ∼ Ξβi ∼ ∫ = Ξβi FTi |βi (t|βi )fβi |y (βi |y )dβi ∼ ∼ ∫ = Ξβi P (Ti ≤ t|βi )fβi |y (βi |y )dβi ∼ ∼ ∫ = Ξβi P (βi Df ≤ t|βi ) fβi |y (βi |y )dβi ∼ ∼ (3.

6. .51 3. .3 FTi |Y (t|y ) para um Perfil Futuro Incluído na Verossimilhança ∼ ∼ Partindo da suposição do modelo (3. λu 2 σε ) 2 σε 1 ) |y |y ∼ avalie βi |y em Ti = Df βi ∼ Ti |βi (Ti |βi1 ) ∼1 ∼ βi |y . 2 σε u ) =⇒ |y ∼ ∼ . assume-se a amostra a posteriori de β |y como a amostra ∼∼ a posteriori de βn+1 |y . . .5: ∼ ∼ [Número de Ti |βi ’s ≤ t] ˆ FTn+1 |Y (t|y ) = ∼ nu ∼ (3. e como não é possível gerar uma amostra dos efeitos aleatórios a posteriori do perfil de degradação futuro. .6. .2 FTi |Y (t|y ) para um Perfil Futuro ∼ ∼ A distribuição preditiva a posteriori para uma unidade futura será dada pela equação 3. A amostra para estimação de FTi |Y (t|y ) fica como se segue na Tabela 3. A dife∼ rença deste procedimento para o apresentado em Robinson e Crowder (2000) é que aqui obtem-se diretamente amostras das distribuições a posteriori dos tempos de falha dos perfis.47) 3. (β ∼u ∼ δ δ1 . . .6.48) 3.45) é obtida con∼ ∼ forme se segue: [Número de Ti |βi ’s ≤ t] ˆ FTi |Y (t|y ) = ∼ u ∼ (3. δu λ λ1 . FTi |Y (t|y ) Proposta ∼ ∼ Tabela 3. .4: Amostra distribuição preditiva a posteriori via Proposta (β (β . (Ti |βiu ) A estimativa de FTi |Y (t|y ) como aproximação da integral em (3. . da mesma forma que em Robinson e Crowder (2000).48.4) de que yi1 = 0 para todas as unidades sob .

. .2 desde que seja assumido que o efeitos aleatório βn+1 ∼ W eibull(δ. Sob estas suposições. .λ). . As especificações da distribuição a priori dos efeitos aleatórios e demais parâmetros se dão exatamente da mesma forma que na Seção 3. Seja βn+1 independente de (β1 . e seja βn+1 ∼ o efeito aleatório associado à nova unidade. (Ti |β1u ) . Especificação do Modelo de Degradação Sob Abordagem Bayesiana 52 Tabela 3.2.Y . . . 2 σε 1 ) ∼ ∼∼ .βn+1 . dados ∼ ∼ ∼ θ e 2 σε é: . Suponha que a nova unidade terá o mesmo comportamento dos perfis de degradação que são observados para as n unidades sob teste. segue que a distribuição conjunta de (Yn+1.50). (β1u βn βn1 .Capítulo 3. . . Assim. . .βn ). . . (Ti |βnu ) em Ti = Df βi ∼1 θ . torna-se possível incorporar uma unidade futura na função de verossimilhança partindo da equação (3. ··· ∼u θ ··· teste. Seja Yn+1 o vetor de degradação a ser observado na nova unidade. .5: Amostra . . ..preditiva do perfil futuro a posteriori via Proposta ··· ··· .. 2 σε (β1 (β11 . .1 .49) até chegar na sua forma final em (3.β ). 2 σε u ) β |y =⇒ |y ∼ . pode-se estender esta e as demais suposições daquele modelo para uma unidade futura. (Ti |βn1 ) . βnu ∼ θ ) |y |y ∼ avalie βi |y ∼ Ti |βi (Ti |β11 ) ··· . .

Y |βn+1 .β |θ .σε (yn+1 |βn+1 . σε ) = fY ∗ . σε ) 2 2 ∼ ∼∼ ∼ ∼∼ ∼ ∼ ∼ ∼ ∼ ∼ 2 = fYn+1 .β |θ .βn+1 .53 3. σε ) 2 ∼ ∼ ∼ ∼ fβn+1 |θ (βn+1 |θ )fβ |θ (β |θ ) ∼ ∼ ∼∼ ∼∼ = 2 2 yn+1 |βn+1 . FTi |Y (t|y ) Proposta ∼ ∼ 2 2 fYn+1 .β .y |βn+1 . σε βi |θ (βi |θ ) 2 ∼ ∼ i=1      I em que . σε )fβn+1 |θ (βn+1 |θ ) ∼ ∼ n ∏ 2 )f fyi |βi .σε (yn+1 .Y .σε (y ∗ .βn+1 .β .y .σε (yn+1 .σε (yi |βi .β ∗ |θ .β ∗ |θ .6.

49) .1 2 I= yn+1. e βi |θ ’s são iid para todas as unidades. Especificação do Modelo de Degradação Sob Abordagem Bayesiana 54 ) } tn+1.1 2 1 1 exp − 2 yn+1.1 2 1 1 = ··· exp − 2 y1.1 − 2 2πσε 2σε β1 { ) } ( )1/2 ( tn+1.1 2 1 1 exp − 2 yn+1.1 − 2 2πσε 2σε βn+1 { ) } )1/2 ( mi n ∏( ∏ tij 2 1 1 fβn+1 |θ (βn+1 |θ ) fβi |θ (βi |θ ) exp − 2 yij − 2 ∼ ∼ ∼ ∼ 2πσε 2σε βi ( 1 2 2πσε )1/2 1 exp − 2 2σε ( i=1 j=2 { mas yi1 = 0. σε fβi |θ (βi |θ ) ∼ ∼ ∼ ∼ βi i=1 j=1 { } )1/2 ( ) ( tn+1.1 2 1 1 ··· exp − 2 yn+1.1 − βn+1 ( ) n ∏ 1 t 2 fβn+1 |θ (βn+1 |θ ) Nmi t . então: ∼ )(n+1)/2 1 = fβn+1 |θ (βn+1 |θ ) 2 ∼ ∼ 2πσε { ) } )1/2 ( mi n ∏( ∏ tij 2 1 1 fβi |θ (βi |θ ) exp − 2 yij − 2 ∼ ∼ 2πσε 2σε βi i=1 j=2 ( (3. σ fβi |θ (βi |θ ) ∼ ∼ ∼ ∼ βi i ε i=1 { )1/2 ( ) } ( tn+1. ti1 = 0.Capítulo 3.1 − = 2 2πσε 2σε βn+1 ( ) mi n ∏∏ 1 2 fβn+1 |θ (βn+1 |θ ) N tij .1 − = 2 2πσε 2σε βn+1 { ) } )1/2 ( mi n ∏( ∏ tij 2 1 1 fβn+1 |θ (βn+1 |θ ) fβi |θ (βi |θ ) exp − 2 yij − 2 ∼ ∼ ∼ ∼ 2πσε 2σε βi i=1 j=1 { ( )1/2 ( ) } t1.

7 Inconsistência Teórica em Hamada (2005) Nas Seções anteriores do Capítulo 3 foram apresentadas duas metodologias correntes na literatura. 3. esta suposição não parece ser válida tanto para a distribuição dos efeitos aleatórios . Através dela também é possível fazer previsões de degradação para um perfil futuro.39).1 para βn+1 . Esta mesma abordagem pode ser aplicada ao método apresentado por Robinson e Crowder (2000).55 3. A desvantagem dessa proposta é que as estimativas para o perfil futuro ficam atreladas à distribuição condicional completa apresentada na equação (3. sendo atualizada apenas pelas estimativas dos hiperparâmetros a posteriori.7. porém com a vantagem de possibilitar predições de medidas de degradação para um perfil futuro. Assim. o resultado dessa proposta será sempre similar ao de Hamada (2005). Entretanto. σε ) = 2 ∼ ∼ n+1 ∫ ∏ i=1 Ξ ∼ ∼ β ∼ j=1 { ( ) } mi ∏ ( 1 )1/2 tij 2 1 exp − 2 yij − fβi |θ (βi |θ )dβ 2 ∼ ∼ ∼ 2πσε 2σε βi (3.39) e (3.50) Para obter a estimativa de FTi |Y (t|y ) para o perfil futuro basta aplicar o procedi∼ ∼ mento apresentado na Seção 3. e uma proposta para obtenção da distribuição preditiva a posteriori dos tempos de falha em modelos de degradação. Tal suposição fica evidenciada pelas equações (3.6. Inconsistência Teórica em Hamada (2005) 2 fY ∗ |θ .21) e também não apresenta bons resultados sob condições de má especificação da distribuição dos efeitos aleatórios. A metodologia utilizada por Hamada (2005) supõe que a distribuição dos efeitos aleatórios e dos tempos de falha se mantém a mesma a posteriori.σε (y ∗ |θ .

τ.τ )fτ (τ )dτ ∼ ∼ Ξτ I ∼∼ II (3.λ.y )dλdτ ∼ ∼ Ξτ Ξλ ∼ ∼ ∫ ∫ ∫ ∝ Ξτ Ξλ fY |β . Especificação do Modelo de Degradação Sob Abordagem Bayesiana 56 individuais βi |δ.51) De I na equação (3.Y (β |λ.2.λ quanto para a distribuição conjunta de β|δ. Seja δ = 1. A distribuição a posteriori fβ |λ. Em particular.λ)).τ. o argumento da prova é que se o resultado não vale para um caso particular.τ. ∼∼ Seja o modelo construído na Seção 3.y ) ∝ ∼ ∼ ∼ ∼ fβ .λ) ao seu caso simples tornando βi |λ ∼ exp(λ).y ) é dada por: ∼ ∼ ∼ ∼ ∫ ∫ fβ |λ. O resultado para a distribuição conjunta de β |y será demonstrado a seguir.τ. a distribuição a posteriori para os efeitos aleatórios individuais não possui sequer forma fechada (veja por exemplo a equação (3.τ (y |β .51) tem-se: .τ (y |β .Capítulo 3. Como a distribuição Exponencial é um caso particular da distribuição Weibull. O objetivo é demonstrar que β |λ tem ∼ distribuição diferente de β |λ.y .τ |Y (β |λ.λ ∼ W eibull(δ. de modo que reduzimos a distribuição W eibull(δ. A título de facilitação nos cálculos a distribuição normal ∼ ∼ será utilizada na sua forma parametrizada pela precisão τ .τ.τ )fβ |λ (β |λ)fλ (λ)fτ (τ )dλdτ ∼ ∼ ∼∼ ∼ ∼ ∫ ∼ ∝ Ξλ fβ |λ (β |λ)fλ (λ)dλ ∼ fY |β .λ.Y (β |λ.21) que é a distribuição condicional completa para βi quando βi |δ. então não vale para a família de distribuições Weibull como um todo.

Inconsistência Teórica em Hamada (2005) ∫ fβ |λ (β |λ)fλ (λ)dλ = ∼ ∫ ∏ i Ξλ n Ξλ ∼ = ba 2 2 Γ(a2 ) ba2 a2 −1 2 λ exp {−b2 λ} dλ Γ(a2 ) { } ∫ n ∑ n λ exp −λ βi λa2 −1 exp {−b2 λ} dλ λ exp {−λβi } ∫ { i=1 Ξλ ba 2 = 2 Γ(a2 ) λn+a2 −1 exp −λ núcleo ( n ∑ i=1 )} βi + b2 dλ Ξλ ) ( n ∑ Gamma n+a2 . tem-se: .7. βi +b2 i=1 =1 ba 2 Γ(n + a2 ) = 2 [ ]n+a2 n Γ(a2 ) ∑ βi + b2 i=1 ( ) +∞ ∫ n ∑ Gamma n + a2 . βi + b2 dλ 0 i=1 ]−(n+a2 ) [ n ba2 Γ(n + a2 ) ∑ = 2 βi + b2 Γ(a2 ) i=1 (3.52) De II na equação (3.57 3.51).

53) . ∑ n 1 2 n mi ∑∑( i=1 j=1 yij − tij βi )2   + b3  dτ  0  mi ( = 1 2π ) i=1  2    mi   ba 3 3  Γ  i=1  2 + a3 − 1 Γ(a3 )    n mi ( 1 ∑∑ 2 yij − i=1 j=1 tij βi )2 − i=1  + b3  n ∑  mi 2  +a3 −1 (3.τ (y |β . Especificação do Modelo de Degradação Sob Abordagem Bayesiana 58 ∫ Ξτ { ( ) } a3 ∫ ∏∏( ) n mi tij 2 τ 1/2 τ b3 fY |β .Capítulo 3.τ )fτ (τ )dτ = exp − yij − τ a3 −1 exp{b3 τ }dτ ∼ ∼ 2π 2 βi Γ(a3 ) ∼∼ Ξτ i=1 j=1  n ∑    ∫ = Ξτ  i=1  2 mi τ  n ∑  ) n mi ( tij 2  a3 −1 1 ∑∑ exp −τ  yij − τ exp{b3 τ }dτ   2 βi  i=1 j=1       ( 1 2π 1 2π ) i=1  2  n ∑ mi ba 3 3 Γ(a3 ) ba 3 3 Γ(a3 )  ( = ∫ ) i=1  2 n ∑ mi     i=1  2 mi  +a3 −1 τ Ξτ  ) n mi (  tij 2 1 ∑∑ yij − exp −τ 2  + b3  dτ   2 βi  i=1 j=1  n ∑ mi   núcleo  n ∑  Gamma i=1 2 +a3 −1 . 1 2 i=1 j=1 ) n ∑ ∑ mi ( tij 2  yij − β +b3  i   mi ( = 1 2π ) i=1  2   ∑ n ba 3 3 Γ(a3 ) mi  Γ  i=12 [ 1 2 n mi ∑ ∑( yij − i=1 j=1 + a3 − 1  tij βi )2 + b3 ] i=1  n ∑  mi 2  +a3 −1 ∞ ∫  Gamma  i=1  2  n ∑ ∑ n =1 mi + a3 − 1 .

y não é Exponencial.7. ∼ ∼ e como pressupõe a metodologia de análise sugerida por Hamada (2005).51).59 3.y ) ∝ ∼ ∼ ∼ ∼ ba2 Γ(n + a2 ) 2 Γ(a2 ) ( 1 2π ) i=1  2    ba 3 3 Γ  i=1 Γ(a3 )  2 ∑ n  mi  + a3 − 1  C  [ n ∑ i=1 ]−(n+a2 )  βi + b2  n mi ( 1 ∑∑ 2 yij − i=1 j=1 tij βi )2 − i=1  2 + b3   n ∑ n ∑  mi  +a3 −1  mi [ ∝ n ∑ i=1 − i=1 ]−(n+a2 )  n m (  2 )2 i ∑∑ tij 1  yij − βi + b2 + b3  2 βi i=1 j=1  +a3 −1 (3. Inconsistência Teórica em Hamada (2005) Substituindo-se as equações (3.Y (β |λ. como era desejado demonstrar.54) Nota-se pela equação (3.53) em I e II na equação (3. logo não é Weibull.τ. No Capítulo 4 os efeitos da metodologia utilizada por Hamada (2005) serão estudados em bancos de dados simulados.τ. segue que:  n ∑  mi fβ |λ.54) que a distribuição conjunta dos efeitos aleatórios a posteriori β |λ. .52) e (3.τ.

em situações mas quais a distribuição dos efeitos aleatórios é má especificada e naquelas em que é corretamente especificada.2 apresenta as distribuições a priori. a serem utilizadas tanto no Capítulo 4 quanto no Capítulo 5.Tempos de Falha Conhecidos O objetivo deste Capítulo é comparar a abordagem proposta neste texto com a de Hamada (2005) e Robinson e Crowder (2000). A Seção 4. a bancos de dados simulados.Capítulo 4 Dados Simulados . de maneira que a inconsistência teórica em Hamada (2005) fica empiricamente evidente. A Seção 4. cada uma delas.1 apresenta o procedimento de geração dos dados de degradação simulados.3 realiza a comparação da abordagem proposta neste texto com a de Hamada (2005) e Robinson e Crowder (2000) para uma situação de má especificação na qual os tempos de falha são conhecidamente advindos de uma distribuição bimodal. A Seção 4.4 realiza a comparação da abordagem proposta neste texto com a de Hamada (2005) e Robinson e Crowder (2000) para uma situação de má e correta especi- . Essa comparação será feita aplicando-se. dos parâmetros. A Seção 4.

4 e 4. aquela abordagem aproxima satisfatoriamente a distribuição dos tempos de falha quando a distribuição dos efeitos aleatórios é bem especificada. 4. Passos da geração dos dados de degradação: 1. em que n é o número de tempos de falha gerados.1.3. A Seção 4. Gere uma amostra de tantos tempos de falha quanto desejado a partir de uma distribuição de probabilidade conhecida. 2.1 Geração dos Perfis Simulados Para ilustrar e estudar o efeito da modelagem proposta por Hamada (2005) serão gerados três bancos de dados para os quais se conhece previamente a distribuição dos tempos de falha. Estes casos serão tratados nas Seções 4. . Lognormal. A Seção 4. Aqui.n. será apresentado o procedimento genérico assumindo-se o modelo de degradação com perfil de degradação linear apresentado na equação (3. na qual os tempos de falha são conhecidamente advindos de uma distribuição Lognormal. Defina um limiar de degradação Df 3. 4. . No primeiro deles os tempos de falha são uma mistura de duas distribuições Normais. Utilize a equação βi = Ti /Df para encontrar a amostra de efeitos aleatórios βi . Denote por ti os tempos de falha gerados de modo que i = 1.5 realiza a comparação da abordagem proposta neste texto com a de Hamada (2005) e Robinson e Crowder (2000) para uma situação de má e correta especificação dos efeitos aleatórios.5.6 apresenta as conclusões sobre o Capítulo 4. na qual os tempos de falha são conhecidamente advindos de uma distribuição Weibull. . respectivamente.61 4. Geração dos Perfis Simulados ficação dos efeitos aleatórios. no segundo a distribuição é Weibull e no terceiro.4). . Em ambas Seções verifica-se que apesar da inconsistência teórica em Hamada (2005).

mi . . Dados Simulados . A análise dos dados para todos os casos foi efetuada utilizando-se os softwares WinBUGS 1. 6. 4. com um período de aquecimento (burn-in) de 1000.2 Distribuições a priori Assumidas para os Parâmetros do Modelo de Degradação As distribuições a priori assumidas para os parâmetros do modelo de degradação utilizado nos Capítulos 4 e 5 são apresentados nesta Seção. .Tempos de Falha Conhecidos 62 que gerarão cada perfil.4). assim como minimizar a autocorrelação das mesmas. 2005). Defina os tempos tj nos quais serão simuladas as medidas de degradação yij . Os erros associados a cada yij são gerados de εij ∼ N ormal(0.001. . em que mi denota o número de medidas de degradação para um perfil específico.4) do modelo de 2 degradação. foram realizadas 10. 5. Realize a análise dos dados de degradação utilizando os métodos e modelagem apresentados no Capítulo 3.. sendo que j = 1.9 (pacote R2WinBUGS) (R Development Core Team. 2000) e R 2.000 para cada parâmetro . .4 (Spiegelhalter et al. Gere as medidas de degradação yij utilizando a equação (3. A fim de garantir a convergência da cadeia para a distribuição a posteriori das estimativas dos parâmetros. pois serão repetidamente utilizadas ao longo de ambos os Capítulos. o que resultou em uma amostra a posteriori final de tamanho u = 10.σε ). 7. e saltos de 1000 para a amostragem. 4.Capítulo 4.000 iterações da simulação MCMC. Defina o desvio padrão σε do erro associado ao modelo de degradação εij na equação (3.

1 Efeito Aleatório Weibull São estabelecidas as seguintes distribuições a priori para os parâmetros do modelo (equação (4.2. δ.Assumindo βi ∼ W eibull (Caso gerado . Distribuições a priori Assumidas para os Parâmetros do Modelo de Degradação 4 2 (β .T ∼ Bimodal) 4.63. σε |y ).1)): .1: Convergência e autocorrelação das cadeias da distribuição a posteriori para alguns parâmetros . Figura 4. A cadeia formada pela distribuição condicional de todos os parâmetros ∼ ∼ do modelo convergiram para a distribuição a posteriori e apresentaram decaimento rápido dos autocorrelogramas (veja um exemplo na Figura 4. para todos as análises realizadas.λ.2.1).

Capítulo 4.b2 ∼ Gamma(a2 .1) As distribuições a priori apresentadas em (4. vêem sendo amplamente utilizadas na literatura (inclusive em Hamada (2005)).b) coloca um pouco mais de massa de probabilidade para valores pequenos da variável aleatória quando ai e bi (i = 1. No caso em questão δ e λ são hiperparâmetros de uma distribuição W eibull(δ. que por sua vez coloca massa de probabilidade aproximadamente igual para os valores da variável aleatória que descreve (βi ’s) quando δ e λ tendem a zero. b3 ) = GammaInvertida(0. Dessa forma. Outra razão forte é que a distribuição Gamma(a. por exemplo a distribuição Gamma(10−2 .λ). b1 ) = Gamma(0.2)): . 0. é construída uma distribuição pouco informativa para os βi ’s no sentido de que todos os efeitos aleatórios são aproximadamente igualmente prováveis de ocorrer.λ) ∼ W eibull(δ.2 Efeito Aleatório Lognormal São estabelecidas as seguintes distribuições a priori para os parâmetros do modelo (equação (4. 4. O estabelecimento das distribuições a priori de δ e λ é justificável pois.01.01) 2 σε |a3 .2.Tempos de Falha Conhecidos 64 βi |θ = βi |(δ.2) tendem a zero. b2 ) = Gamma(0.01) (4.10−2 ).01.01. 0.b3 ∼ GammaInvertida(a3 .λ) ∼ δ|a1 .01) λ|a2 .1) são pouco informativas representando nosso pouco conhecimento sobre os parâmetros. Dados Simulados .b1 ∼ Gamma(a1 . ainda que distribuia bastante a massa de probabilidade para outros valores. 0.

3). com (mi = 17) medidas de degradação em cada perfil. Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal .σ2 (t|µT 1 . σT 1 = 30.b5 ∼ GammaInvertida(a5 . µT 2 = 7000 e σT 2 = 30.σT 2 ) T1 T2 (4.2) são não informativas no sentido de total desconhecimento sobre os parâmetros.Df = 10.σT 2 ) conforme a equação (4.σ2 (t|µT 2 .σT 1 ) + 0. No final. foram gerados dez (10) perfis de degradação advindos de cada uma das duas distribuições.2. b3 ) = GammaInvertida(0.σT 1 ) e T1 ∼ N ormal(µT 2 . 4.65 4.01) 2 σε |a3 .3) em que µT 1 = 3000.σL ) ∼ µL |a4 .5fT |µT 1 .5fT |µT 2 . 100) 4 4 2 σL |a5 .01) (4.σL ) ∼ Lognormal(µL . se seguido o passo 3 da geração de dados na .Mistura de Duas Normais 2 2 βi |θ = βi |(µL . σε = 0.01. b2 ) = N (0. sendo yi1 = 0 para todos os perfis (ou unidades). A distribuição dos efeitos aleatórios. Os perfis gerados podem ser observados na Figura 4.3 Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal .2063. A distribuição bimodal é na verdade a mistura de duas distribuições 2 2 normais T1 ∼ N ormal(µT 1 .Mistura de Duas Normais Foram gerados vinte (n = 20) perfis de degradação. b5 ) = GammaInvertida(0.2) As distribuições a priori apresentadas em (4.b2 ∼ N (a4 . 0.b3 ∼ GammaInvertida(a3 . 0.01.3. 2 2 fT (t) = 0. com tempos de falha advindos de uma distribuição de probabilidade bimodal conhecida.

0005 0. Efeitos aleatórios − T ~ Bimodal 0. também é bimodal como pode ser visualizado na Figura 4.1) e Lognormal .3.3.2: Perfis de degradação .1.3: Densidade de probabilidade dos efeitos aleatórios Gerados .0015 200 400 600 800 1000 Valor observado para o efeito aleatório Figura 4.0010 0.0020 Probabilidade 0.Capítulo 4. Dados Simulados .0000 0 0.T ∼ Bimodal Para este banco de dados.T ∼ Bimodal Seção 4. as três abordagens de análise serão utilizadas sob máespecificação da distribuição dos efeitos aleatórios: Weibull (Seção 4.Tempos de Falha Conhecidos 66 Perfis de Degradação − Simulado 14 12 Df=10 10 Degradação 0 0 2 4 6 8 1000 2000 Tempo 3000 4000 Figura 4.

Se utilizado o modelo de degradação com a suposição de que os efeitos aleatórios são distribuídos segundo uma distribuição Weibull (modelo da Seção 3. ∼ As estimativas para os efeitos aleatórios dos perfis sob teste foram efetuadas com sucesso como pode ser exemplificado na Figura 4.3.25 302.10 0. Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal .4.T ∼ Bimodal) Os três métodos de estimação da distribuição preditiva a posteriori para uma unidade futura (perfil futuro) como apresentado na Seção 3 foram aplicadas e obteve-se .Mistura de Duas Normais (Seção 4.05 500 0.3.15 0.00 295 0 0.Assumindo βi ∼ W eibull (Caso gerado .67 4.3.2).2 e lembrando que Ti |θ∗ ∼ ∼ W eibull ⇔ βi |θ ∼ W eibull). O valor real é indicado pela linha preta vertical.1 Análises Supondo Efeito Aleatório Weibull Suponha que a distribuição dos tempos de falha não seja conhecida.20 300 305 β|~ y 310 Figura 4. 4.4: Densidade a posteriori : efeito aleatório do perfil 7 . β7 2000 302.25 β7 1500 Freqüência ~ y fβ Y(β | ~) 1000 295 300 305 β|~ y 310 0.

6 0.5.4 FT FT(t)Gerado F ~(t ~) y T Y ~ θ θ (t ~)Real Prop. Dados Simulados .Tempos de Falha Conhecidos 68 o gráfico na Figura 4.Unidade 0.T ∼ Bimodal) Na Figura 4.2 2000 4000 6000 Tempo 8000 10000 12000 (c) Proposta Figura 4.0 1.8 FT FT(t)Gerado F ~(t ~) y T Y ~ θ θ (t ~)Real N.0 0 0.5 por FT |θ (T | ( θ))Real entenda a verdadeira distribuição de T (aquela ∼ ∼ da equação (4.6 0.UnidadeRC 0.8 1.3)).0 Sabe−se T~Bimodal 0.2 0.Capítulo 4. Por FT (T )Gerado entenda a distribuição acumulada empírica T .4 θ (t ~)Real Hamada 0.0 0. Sabe−se T~Bimodal 1.N.5: Distribuição preditiva a posteriori dos tempos de falha para um perfil futuro assumindo βi ∼ W eibull (Caso gerado .4 FT FT(t)Gerado F ~(t ~) y T Y ~ θ 0.6 0.8 Probabilidade Acumulada Probabilidade Acumulada 0.0 0 2000 4000 6000 Tempo 8000 10000 12000 0.2 2000 4000 6000 Tempo 8000 10000 12000 (a) Hamada (2005) (b) Robinson e Crowder (2000) Sabe−se T~Bimodal Probabilidade Acumulada 0.0 0 0.

independentemente da distribuição dos efeitos aleatórios ter sido mal especificada. FT |Y (t|y )N. O valor real é indicado pela linha preta vertical. Se utilizado o modelo de degradação com a suposição de que os efeitos aleatórios são distribuídos segundo uma distribuição Lognormal (modelo da Seção 3.7. Fica claro que o método utilizado em Hamada (2005) não consegue captar a bimodalidade da distribuição real e empírica dos tempos de falha. estimam muito aproximadamente a distribuição real e empírica dos tempos de falha.2).6) e Robinson e Crowder (2000) (Seção 3.2). A surpresa fica por conta da Proposta deste texto e do método apresentado em Robinson e Crowder (2000).6. .3).7). Entenda FT |Y (t|y )Hamada .3. 4. uma vez que.5) respectivamente.U nidade . ∼ ∼ FT |Y (t|y )P rop. Proposta (Seção 3.U nidadeRC como a distribuição preditiva a posteriori ∼ ∼ ∼ ∼ dos tempos de falha de uma unidade futura (perfil futuro) obtidas via Hamada (2005) (Seção 3.2 Análises Supondo Efeito Aleatório Lognormal Suponha que a distribuição dos tempos de falha não seja conhecida. isto ocorre porque a distribuição dos efeitos aleatórios e dos tempos de falha muda a posteriori (fato verificado analiticamente na Seção 3. Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal . Os métodos de estimação da distribuição preditiva a posteriori para uma unidade futura (perfil futuro) como apresentado na Seção 3 foram aplicadas e obteve-se o gráfico na Figura 4.69 4.N. As estimativas para os efeitos aleatórios dos perfis sob teste foram efetuadas com sucesso como pode ser exemplificado na Figura 4. ∼ São estabelecidas as mesmas distribuições a priori apresentadas na equação(4.Mistura de Duas Normais dos vinte (20) tempos de falha gerados da equação (4.3.4).3 e lembrando que Ti |θ∗ ∼ ∼ Lognormal ⇔ βi |θ ∼ Lognormal da Seção 2.

Assumindo βi ∼ Lognormal (Caso gerado .6: Densidade a posteriori : efeito aleatório do perfil 7 .4 Caso 2: Distribuição do Tempo até a Falha T ∼ Weibull Foram gerados quinze (n = 15) perfis de degradação.00 295 0 0.7 fica claro que o método utilizado em Hamada (2005) não consegue captar a bimodalidade da distribuição real e empírica dos tempos de falha.25 302. Novamente como na seção anterior.15 0.25 β7 2000 1500 Freqüência ~ y fβ Y(β | ~) 1000 295 300 305 β|~ y 310 0.T ∼ Bimodal) Na Figura 4. independentemente da distribuição dos efeitos aleatórios ter sido mal especificada. estimam muito aproximadamente a distribuição real e empírica dos tempos de falha.05 500 0.7). com (mi = 17) medidas de .Tempos de Falha Conhecidos 70 β7 302.10 0.20 300 β|~ y 305 310 Figura 4. Dados Simulados . a Proposta deste texto e o método apresentado em Robinson e Crowder (2000).Capítulo 4. 4. isto ocorre porque a distribuição dos efeitos aleatórios e dos tempos de falha muda a posteriori (fato assim como verificado analiticamente na Seção 3.

4 FT FT(t)Gerado F ~(t ~) y T Y ~ θ 0. σε = 0.Df = 10.6 0.0 0 0.8 Probabilidade Acumulada Probabilidade Acumulada 0.6 0.2 0.6 0.2 5000 Tempo 10000 15000 (a) Hamada (2005) (b) Robinson e Crowder (2000) Sabe−se T~Bimodal Probabilidade Acumulada 0.8 FT FT(t)Gerado F ~(t ~) y T Y ~ θ θ (t ~)Real N.4.7: Distribuição preditiva a posteriori dos tempos de falha para um perfil futuro assumindo βi ∼ Lognormal (Caso gerado .Unidade 0.0 0 0.UnidadeRC 0.2063.T ∼ Bimodal) degradação em cada perfil.4 FT FT(t)Gerado F ~(t ~) y T Y ~ θ θ (t ~)Real Prop. 1/5487.0 Sabe−se T~Bimodal 0.0 0 5000 Tempo 10000 15000 0. ∼ .0 1.63225. Caso 2: Distribuição do Tempo até a Falha T ∼ Weibull Sabe−se T~Bimodal 1.2 5000 Tempo 10000 15000 (c) Proposta Figura 4.N.4 θ (t ~)Real Hamada 0.λ∗ ) = W eibull(6. com tempos de falha advindos de uma distribuição de probabilidade Weibull conhecida T ∼ W eibull(θ ∗ ) = W eibull(δ ∗ .71 4.61).8 1. sendo yi1 = 0 para todos os perfis (ou unidades).0 0.

Os métodos de estimação da distribuição preditiva a posteriori para uma unidade futura (perfil futuro) como apresentado na Seção 3 foram aplicadas e obteve-se o gráfico na Figura 4. . Perfis de Degradação − Simulado 12 Df=10 10 Degradação 0 0 2 4 6 8 1000 2000 Tempo 3000 4000 Figura 4. O valor real é indicado pela linha preta vertical.8: Perfis de degradação . e sob má especificação na Seção 4.10.4. As estimativas para os efeitos aleatórios dos perfis sob teste foram efetuadas com sucesso como pode ser exemplificado na Figura 4. Na Seção 4.2.9. Dados Simulados .T ∼ W eibull Para este banco de dados gerado as três abordagens apresentadas neste texto serão utilizadas.4.Capítulo 4.4.1.8.1 Análises Supondo Efeito Aleatório Weibull As distribuições a priori para os efeitos aleatórios são as mesmas apresentadas na equação(4. 4.1).Tempos de Falha Conhecidos 72 Os perfis gerados podem ser observados na Figura 4. com a especificação da distribuição a priori correta.

4. estimam muito aproximadamente a distribuição empírica dos tempos de falha.91 0. Um fato interessante é que.15 305 310 315 β|~ y β|~ y Figura 4. Caso 2: Distribuição do Tempo até a Falha T ∼ Weibull β7 2000 307. logo as curvas estimadas das distribuições preditivas a posteriori se encontram mais próximas da distribuição empírica dos dados gerados. como o método de Hamada (2005) aproxima bem a distribuição dos tempos de falha. e não é suficientemente grande para aproximar a distribuição real. Isto ocorre porque a amostra gerada está sujeita ao erro Monte Carlo.7).V er . o fato de que a distribuição dos efeitos aleatórios e dos tempos de falha muda a posteriori (fato verificado analiticamente na Seção 3. Note que a distribuição acumulada real encontra-se mais a direita das demais curvas.6.73 4.N.10 0. Ou seja.91 1500 Freqüência ~ y fβ Y(β | ~) 1000 300 305 310 315 0.T ∼ W eibull) Na Figura 4. é possível utilizar a Proposta para um perfil futuro incluído na verossimilhança da Seção 3.05 500 0.00 300 0 0.3 denotada por FT |Y (t|y )P rop.10 fica claro que o método utilizado em Hamada (2005) consegue captar a distribuição empírica dos tempos de falha.9: Densidade a posteriori : efeito aleatório do perfil 7 .Assumindo βi ∼ W eibull (Caso gerado .U. não penaliza drasticamente a estimação de FT |Y (t|y ). Pela ∼ ∼ . ∼ ∼ A Proposta deste texto e do método apresentado em Robinson e Crowder (2000).20 β7 307.

11 é possível notar que FT |Y (t|y )P rop.8 1. seria razoável utilizar a abordagem da Seção 3.0 1.U nidade praticamente se sobrepõe a ∼ ∼ FT |Y (t|y )Hamada .6 0.2 0.4 ~ FT ~(t θ )Real θ FT(t)Gerado F ~(t ~) y T Y Prop.UnidadeRC 0. Dados Simulados .0 Sabe−se T~Weibull 0.6.0 2000 3000 4000 5000 Tempo 6000 7000 8000 0.8 Probabilidade Acumulada Probabilidade Acumulada 0.0 2000 0.8 ~ FT ~(t θ )Real θ FT(t)Gerado F ~(t ~) y T Y Hamada N. Dessa maneira.10: Distribuição preditiva a posteriori dos tempos de falha para um perfil futuro assumindo βi ∼ W eibull (Caso gerado .6 0.Tempos de Falha Conhecidos 74 Sabe−se T~Weibull 1.0 0.6 0.Unidade 0.N.2 3000 4000 5000 Tempo 6000 7000 8000 (a) Hamada (2005) (b) Robinson e Crowder (2000) Sabe−se T~Weibull Probabilidade Acumulada 0.Capítulo 4.2 3000 4000 5000 Tempo 6000 7000 8000 (c) Proposta Figura 4.N.3 ∼ ∼ para realizar inclusive predições de valores de degradação para uma unidade futura (tal .4 FT(t)Gerado F ~(t ~) y T Y 0.T ∼ W eibull) Figura 4.0 2000 0.4 ~ FT ~(t θ )Real θ 0.

Caso 2: Distribuição do Tempo até a Falha T ∼ Weibull abordagem será efetuada quando das situações práticas com dados reais). As estimativas para os efeitos aleatórios dos perfis sob teste foram efetuadas com sucesso como pode ser exemplificado na Figura 4.4 FT ~ θ θ (t ~)Real FT(t)Gerado F ~(t ~) y T Y ~ Y Hamada 0.12.8 0.T ∼ W eibull) 4. ~) y Prop.6 0. São estabelecidas as mesmas distribuições a priori apresentadas na equação(4.4.2).75 4.2 Análises Supondo Efeito Aleatório Lognormal A título de curiosidade será efetuada a análise assumindo-se as distribuições a priori para os efeitos aleatórios como Lognormal (dita má especificação como na inferência clássica). Sabe−se T~Weibull 1.N.2 (t ~ FT Y(t FT ~) y Prop.4.0 Probabilidade Acumulada 0. Os métodos de estimação da distribuição preditiva a posteriori para uma unidade futura (perfil futuro) como apresentado na Seção 3 foram aplicadas e obteve-se o gráfico .N. O valor real é indicado pela linha preta vertical.0 2000 3000 4000 5000 Tempo 6000 7000 8000 Figura 4.Ver.Unidade 0.11: Distribuição preditiva a posteriori assumindo βi ∼ W eibull (Caso gerado .U.

Ou seja. ∼ ∼ A Proposta deste texto e do método apresentado em Robinson e Crowder (2000). o fato de que a distribuição dos efeitos aleatórios e dos tempos de falha muda a posteriori (fato verificado analiticamente na Seção 3. .13 fica evidente que o método utilizado em Hamada (2005) não consegue captar a distribuição empírica dos tempos de falha. penaliza a estimação de FT |Y (t|y ). estimam muito aproximadamente a distribuição empírica dos tempos de falha.00 0 0.91 β7 1500 Freqüência ~ y fβ Y(β | ~) 1000 500 305 310 β|~ y 315 0.Capítulo 4.05 0.T ∼ W eibull) na Figura 4.12: Densidade a posteriori : efeito aleatório do perfil 7 . reforça-se que ambos os métodos estão livres da má especificação dos efeitos aleatórios quando assumidas distribuições a priori não informativas para os parâmetros do modelo. Na Figura 4.Assumindo βi ∼ Lognormal (Caso gerado .20 307.Tempos de Falha Conhecidos 76 β7 2000 307.7).91 0.15 305 310 β|~ y 315 Figura 4. Dados Simulados .13.10 0. Ou seja.

4 FT FT(t)Gerado F ~(t ~) y T Y ~ θ θ (t ~)Real Prop.0 1.0 2000 0. Caso 2: Distribuição do Tempo até a Falha T ∼ Weibull Sabe−se T~Weibull 1.2 0.6 0.0 2000 3000 4000 5000 6000 7000 8000 9000 0.N.6 0.13: Distribuição preditiva a posteriori dos tempos de falha para um perfil futuro assumindo βi ∼ Lognormal (Caso gerado .T ∼ W eibull) .4 FT FT(t)Gerado F ~(t ~) y T Y ~ θ 0.8 1.2 3000 4000 5000 6000 7000 8000 9000 Tempo Tempo (a) Hamada (2005) (b) Robinson e Crowder (2000) Sabe−se T~Weibull Probabilidade Acumulada 0.0 0.8 Probabilidade Acumulada Probabilidade Acumulada 0.0 2000 0.77 4.Unidade 0.0 Sabe−se T~Weibull 0.4 θ (t ~)Real Hamada 0.UnidadeRC 0.4.8 FT FT(t)Gerado F ~(t ~) y T Y ~ θ θ (t ~)Real N.2 3000 4000 5000 6000 7000 8000 9000 Tempo (c) Proposta Figura 4.6 0.

14.Tempos de Falha Conhecidos 78 4. . com tempos de falha advindos de uma distribuição 2 de probabilidade Lognormal conhecida T ∼ Lognormal(θ ∗ ) = Lognormal(µ∗ . 1/44. com (mi = 17) medidas de degradação em cada perfil. Perfis de Degradação − Simulado 12 Degradação 0 2 4 6 8 10 Df=10 0 1000 2000 Tempo 3000 4000 Figura 4. as três abordagens apresentadas neste texto serão utilizadas neste banco de dados.5. sendo yi1 = 0 para todos os perfis (ou unidades sob teste).5 Caso 3: Distribuição do Tempo até a Falha T ∼ Lognormal Foram gerados quinze (n = 15) perfis de degradação.5. com a má especificação do efeito aleatório (Seção 4.4.1) e especificação correta (Seção 4. Df = 10.σL ∗ ) = L ∼ Lognormal(5000.2).2063. σε = 0.72).14: Perfis de degradação .Capítulo 4.T ∼ Lognormal Tal qual na Seção 4. Os perfis gerados podem ser observados na Figura 4. Dados Simulados .

5.08 β7 490.18 Freqüência 1000 ~ y fβ Y(β | ~) 500 480 β|~ y 500 0.06 490 β|~ y 510 Figura 4. O valor real é indicado pela linha preta vertical. Caso 3: Distribuição do Tempo até a Falha T ∼ Lognormal 4. As distribuições a priori para os efeitos aleatórios são as mesmas apresentadas na equação (4.15. As estimativas para os efeitos aleatórios dos perfis sob teste foram efetuadas com sucesso como pode ser exemplificado na Figura 4. Na Figura 4.04 0.1).5.00 470 0 0. β7 1500 490.16.T ∼ Lognormal) Os métodos de estimação da distribuição preditiva a posteriori para uma unidade futura (perfil futuro) como apresentado na Seção 3 foram aplicadas e obteve-se o gráfico na Figura 4.02 0.Assumindo βi ∼ W eibull (Caso gerado .16 observa-se que o método utilizado por Hamada (2005) oferece boa .79 4.15: Densidade a posteriori : efeito aleatório do perfil 7 .1 Análises Assumindo Efeito Aleatório Weibull A título de curiosidade será efetuada a análise assumindo-se as distribuições a priori para os efeitos aleatórios como Weibull (dita má especificação como na inferência clássica).18 0.

6 0.UnidadeRC 0.6 0. Ou seja.Capítulo 4.0 2000 0.6 0.0 Sabe−se T~Lognormal 0.2 3000 4000 5000 Tempo 6000 7000 8000 (c) Proposta Figura 4.2 0.7).Unidade 0.4 FT(t)Gerado F ~(t ~) y T Y 0.0 0.4 ~ FT ~(t θ )Real θ FT(t)Gerado F ~(t ~) y T Y Prop. não penalizou de forma grave a estimação .0 2000 0.0 1. Dados Simulados .2 3000 4000 5000 Tempo 6000 7000 8000 (a) Hamada (2005) (b) Robinson e Crowder (2000) Sabe−se T~Lognormal Probabilidade Acumulada 0.16: Distribuição preditiva a posteriori dos tempos de falha para um perfil futuro assumindo βi ∼ W eibull (Caso gerado .4 ~ FT ~(t θ )Real θ 0.N.0 2000 3000 4000 5000 Tempo 6000 7000 8000 0.T ∼ Lognormal) aproximação da distribuição empírica dos tempos de falha.8 ~ FT ~(t θ )Real θ FT(t)Gerado F ~(t ~) y T Y Hamada N. o fato de que a distribuição dos efeitos aleatórios e dos tempos de falha muda a posteriori (fato verificado analiticamente na Seção 3.8 Probabilidade Acumulada Probabilidade Acumulada 0.8 1.Tempos de Falha Conhecidos 80 Sabe−se T~Lognormal 1.

81 4. β7 1500 490.T ∼ Lognormal) . Entretanto. Reforçando mais uma vez a capacidade de ambos métodos estarem livres de má especificação dos efeitos aleatórios quando assumidas distribuições a priori não informativas para os parâmetros do modelo. 4.04 0. O valor real é indicado pela linha preta vertical.17: Densidade a posteriori : efeito aleatório do perfil 7 .5.2).17. As estimativas para os efeitos aleatórios dos perfis sob teste foram efetuadas com sucesso como pode ser exemplificado na Figura 4. logo seria preferível não utilizar os resultados do método de Hamada (2005). estimam muito aproximadamente a distribuição empírica dos tempos de falha. e estes valores são bastante utilizados para determinação de garantia.08 β7 490.18 0.5.02 0.Assumindo βi ∼ Lognormal (Caso gerado . Caso 3: Distribuição do Tempo até a Falha T ∼ Lognormal de FT |Y (t|y ).06 480 500 β|~ y Figura 4.00 0 0. A Proposta deste texto e do método apresentado em Robinson e Crowder (2000).2 Análises Supondo Efeito Aleatório Lognormal São estabelecidas as mesmas distribuições a priori apresentadas na equação(4. FT |Y (t|y ) não foi bem estimada para valores pequenos de ∼ ∼ ∼ ∼ tempo.18 Freqüência 1000 ~ y fβ Y(β | ~) 500 480 490 500 510 β|~ y 0.

0 0.8 FT FT(t)Gerado F ~(t ~) y T Y ~ θ θ (t ~)Real N.6 0. Dados Simulados .0 2000 0.Capítulo 4.2 0.18.Unidade 0.0 2000 0.N.8 Probabilidade Acumulada Probabilidade Acumulada 0.6 0.0 1. Sabe−se T~Lognormal 1.T ∼ Lognormal) .2 3000 4000 5000 Tempo 6000 7000 8000 (a) Hamada (2005) (b) Robinson e Crowder (2000) Sabe−se T~Lognormal Probabilidade Acumulada 0.18: Distribuição preditiva a posteriori dos tempos de falha para um perfil futuro assumindo βi ∼ Lognormal (Caso gerado .UnidadeRC 0.4 θ (t ~)Real Hamada 0.4 FT FT(t)Gerado F ~(t ~) y T Y ~ θ 0.4 FT FT(t)Gerado F ~(t ~) y T Y ~ θ θ (t ~)Real Prop.0 Sabe−se T~Lognormal 0.6 0.0 2000 3000 4000 5000 Tempo 6000 7000 8000 0.Tempos de Falha Conhecidos 82 Os métodos de estimação da distribuição preditiva a posteriori para uma unidade futura (perfil futuro) como apresentado na Seção 3 foram aplicadas e obteve-se o gráfico na Figura 4.2 3000 4000 5000 Tempo 6000 7000 8000 (c) Proposta Figura 4.8 1.

Dessa maneira.N. ∼ ∼ ∼ ∼ seria razoável utilizar a abordagem da Seção 3. O método de Hamada (2005) também aproxima bem a distribuição dos tempos de falha.8 0.Unidade 0.6.83 4. Pela Figura 4.0 Probabilidade Acumulada 0.18 a Proposta deste texto e do método apresentado em Robinson e Crowder (2000).U nidade praticamente se sobrepõe a FT |Y (t|y )Hamada .6. Sabe−se T~Lognormal 1.6.3 denotada por FT |Y (t|y )P rop.Ver. Conclusões Na Figura 4.2 FT(t)Gerado ~ FT Y(t ~)Hamada y ~ FT Y(t ~)Prop.4 FT 0.N.N. é possível utilizar a Proposta para um perfil futuro incluído na verossimilhança da Seção 3.19 nota-se que ∼ ∼ FT |Y (t|y )P rop. y F ~(t ~) y T Y ~ θ θ (t ~)Real Prop.V er .6 Conclusões Neste Capítulo foi apontada.3 para realizar inclusive predições de valores de degradação para uma unidade futura (tal abordagem será efetuada quando das situações práticas com dados reais).U.U.6 0.T ∼ Lognormal) 4. estimam muito aproximadamente a distribuição empírica dos tempos de falha.N. através de bancos de dados simulados. a inconsistência .19: Distribuição preditiva a posteriori assumindo βi ∼ Lognormal (Caso gerado .0 2000 3000 4000 5000 Tempo 6000 7000 8000 Figura 4.

Capítulo 4. Dados Simulados - Tempos de Falha Conhecidos

84

teórica presente em Hamada (2005). A inconsistência diz respeito à afirmação de que a distribuição dos efeitos aleatórios (ou dos tempos de falha, uma vez que ambos estão atrelados pela forma funcional do modelo linear de degradação) se mantém a mesma a posteriori. Foram gerados dados de modo que a distribuição dos tempos de falha reais é bimodal (mistura de duas normais), então através de Robinson e Crowder (2000), da proposta deste texto (métodos que dão liberdade à atualização da distribuição dos efeitos aleatórios), e do conhecimento da distribuição dos dados gerados, mostra-se que os efeitos aleatórios de fato são atualizados no procedimento bayesiano, corroborando-se assim empiricamente a inconsistência presente em Hamada (2005). Através de dados gerados a partir das distribuições Weibull e Lognormal verifica-se que, mesmo apesar da inconsistência teórica, quando o efeito aleatório não é mal especificado, o método empregado em Hamada (2005) fornece uma boa aproximação da distribuição preditiva a posteriori dos tempos de falha para unidades futuras. Fato interessante ainda neste Capítulo é que Robinson e Crowder (2000) e a proposta deste texto sempre aproximaram muito bem a distribuição amostrada a partir da distribuição real quando assumidas distribuições a priori Weibull e Lognormal pouco informativas para a distribuição dos efeitos aleatórios. Outra vantagem da proposta e de Robinson e Crowder (2000) é que formas funcionais mais complexas de degradação não dificultam a utilização dessas duas abordagens. Ou seja, para estes casos dos dados gerados, são completamente livres de má especificação (com forte evidência já que conseguiram captar inclusive bimodalidade). Dessa forma, ambos os métodos podem ser utilizados para validação da metodologia de Hamada (2005) em casos práticos, dado que sempre aproximaram a distribuição gerada dos tempos de falha. A partir daí, pode-se utilizar a proposta deste texto com inclusão de uma nova unidade na verossimilhança, que por sua vez apresenta resultados extremamente parecidos com os de Hamada (2005), para realizar predições de degradação para uma unidade futura.

Capítulo 5

Situações Práticas Revisitadas
5.1 Emissores de Laser

Na Seção 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 inferência clássica. A apresentação dessa mesma base de dados foi realizada na Seção 1.1.2 desse trabalho. Objetiva-se nesta Seção comparar os resultados obtidos em Hamada (2005) com a análise Proposta apresentada na Seção 3.6. O modelo de degradação utilizado será o mesmo apresentado na Seção 3, mais especificamente na Seção 3.2 (uma vez que Hamada (2005) assumiu que os efeitos aleatório Weibull). As análises de perfis sob teste e futuros também se encontram indicadas dentro da Seção 3. Para o modelo (3.4), i = 1, . . . ,n = 15 (perf is) , j = 1, . . . ,mi (medidas) e máx{m1 , . . . ,m15 } = 17. Utilizado o modelo de degradação com a suposição de que os efeitos aleatórios são distribuídos segundo uma distribuição Weibull (modelo da Seção 3.2 e lembrando que Ti | ( θ∗ ) ∼ W eibull ⇔ βi |θ ∼ W eibull), são estabelecidas as distribuições a priori para
∼ ∼

Capítulo 5. Situações Práticas Revisitadas

86

os parâmetros do modelo segundo a Seção 4.2.1. Os métodos de estimação da distribuição preditiva a posteriori para uma unidade futura (perfil futuro), como apresentado na Seção 3, foram aplicadas e obteve-se o gráfico na Figura 5.1.

Assumindo T~Weibull
1.0 Probabilidade Acumulada 0.4 0.6 0.8

0.2

FT FT FT

~ Y ~ Y ~ Y

(t (t (t

~) y Hamada ~) y Prop.N.Unidade ~) y
N.UnidadeRC

0.0 2000

3000

4000

5000 Tempo (horas)

6000

7000

8000

Figura 5.1: Distribuição preditiva a posteriori dos tempos de falha para um laser futuro assumindo βi ∼ W eibull

É possível recordar da Seção 4 que quando o método de Hamada (2005) é uma boa aproximação para a distribuição preditiva posteriori dos tempos de falha, Hamada (2005) é uma suavização das curvas resultantes dos métodos de Robinson e Crowder (2000) e da Proposta (Seção 3.6 deste texto). Da Figura 5.1 nota-se que a aproximação de Hamada (2005) é adequada. Observe que como os métodos de Robinson e Crowder (2000) e da Proposta (Seção 3.6 deste texto) na Seção 4 apresentaram bons resultados em descrever a distribuição dos tempos de falha indepentende de más especificações (afirmativa válidada para o caso Weibull e Lognormal), pode-se utilizá-los dessa maneira. Na Figura 5.2 pode ser vista a distribuição preditiva a posteriori dos tempos de falha

87

5.1. Emissores de Laser

Assumindo T~Weibull
1.0 Probabilidade Acumulada 0.4 0.6 0.8

FT FT

~ Y

y (t ~)Prop.N.U.Ver.

~ Y

(t ~)Prop.N.Unidade y
y (t ~)Prop.Un.Sob.Teste

0.2

FT

~ Y

0.0 2000

4000

6000 Tempo (horas)

8000

10000

Figura 5.2: Distribuição preditiva a posteriori dos tempos de falha para lasers sob teste e laser futuro assumindo βi ∼ W eibull

de unidades sob teste e futura (Proposta da Seção 3.6). Como visto na Seção 4.5.2, a Proposta com a nova unidade na verossimilhança apresenta resultados praticamente idênticos aos de Hamada (2005)(ver Seção 4). Uma vantagem da Proposta em relação ao método aplicado por Hamada (2005) é o conjunto de linhas pontilhadas, em que cada uma representa a distribuição preditiva a posteriori dos tempos de falha de unidades sob teste. Ou seja, é possível estimar quantidades de interesse para cada unidade laser. As estimativas das quantidades de interesse RT |Y (4500|y ) e tp|y (0,1|y ) e parâmetros

do modelos são mostradas na Tabela 5.1. Note que todas as estimativas são similares, indicando que o modelo de Hamada (2005) é adequado e possui resultados muito similares aos propostos neste texto quando a suposição com relação à distribuição dos efeitos aleatórios está correta (veja conclusões do Capítulo 4). Poderia ser determinada também a garantia de um emissor de laser através dos resultados de tp|y (0,1|y ), tempo

para o qual a probabilidade de uma unidade futura falhar é 0,10. Note que as proba-

Capítulo 5. Situações Práticas Revisitadas

88

bilidades estimadas de um laser futuro sobreviver a 4500 (RT |Y (4500|y )) horas de uso

é alta, todas estimativas maiores que 0,70. Tabela 5.1: Distribuição a posteriori das quantidades de interesse e parâmetros (Dados dos Emissores de Laser - Hamada (2005))
Parâmetro δ λ σε RT |Y (4500| y )P rop.N.U nidade ∼ ∼ RT |Y (4500| y )P rop.N.U.V er tp|Y (0,1| y )P rop.N.U nidade tp|Y (0,1| y )P rop.N.U.V er δHamada λHamada σεHamada RT |Y (4500| y )Hamada ∼ ∼ tp|Y (0,1| y )Hamada
∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼

Média 6,4302 7,791E-11 0,2117 0,7300 0,7500 3614 3759,7 5,688 6,628E-11 0,2063 0,7107 3650

Desvio padrão 1,3776 3,982E-09 0,0098 * * * * 0,9496 1,348E-09 0,0098 0,0840 348,6

2,5% 3,9710 2,786E-26 0,1936 * * * * 3,6920 2,587E-20 0,1882 0,5236 2852

Mediana 6,3420 4,021E-18 0,2114 * * * * 5,7650 1,626E-16 0,2059 0,7200 3699

97,5% 9,3150 1,355E-11 0,2321 * * * * 7,1390 8,531E-11 0,2266 0,8477 4206

Ainda, da Tabela 5.2 é possível obter os percentis da distribuição preditiva a posteriori de todas unidades sob teste. O método de Robinson e Crowder (2000) também permitiria realizar essa análise. Planos de manutenção podem ser desenvolvidos para unidades sob teste, pois são obtidas as estimativas de percentis para as mesmas (ver Robinson e Crowder (2000) para maiores detalhes da aplicação). Tabela 5.2: Percentis da distribuição preditiva a posteriori dos tempos de falha para unidades sob teste (Dados dos Emissores de Laser - Hamada (2005))
Ti |Y 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

tp|Y (0,025| y )P roposta
∼ ∼

tp|Y (0,1| y )P roposta
∼ ∼

tp|Y (0,5| y )P roposta
∼ ∼

tp|Y (0,975| y )P roposta
∼ ∼

3652 4103 5489 5832 5311 3558 5978 6232 4962 3262 5153 4923 4685 5677 5957

3671 4129 5533 5881 5353 3578 6034 6290 4999 3279 5194 4960 4719 5727 6010

3709 4177 5622 5980 5434 3614 6137 6403 5069 3309 5271 5030 4782 5819 6113

3768 4253 5763 6136 5560 3671 6297 6583 5182 3357 5389 5139 4880 5966 6278

A Proposta com a nova unidade inclusa na verossimilhança permite ainda executar predições de degradação para uma unidade futura, como pode ser visto na Figura 5.3. Linhas mais escuras e contínuas retratam as bandas de credibilidade de degradação uma unidade futura, linhas tracejadas mais escuras a estimativa pontual da unidade

1 foram apresentados os dados de rodas de trem que inicialmente motivaram este texto.89 5. (uma vez . os resultados serão comparados com a metodologia Proposta na Seção 3. e os círculos as medições observadas de degradação.6. Desgaste das Rodas de Trem futura. (2010) também analisaram as rodas M A11.2. Objetiva-se nesta Seção comparar os resultados obtidos em Freitas et al.6. linhas tracejadas as predições das unidades sob teste. (2010) (obtidos via o método de Hamada (2005)) com a análise Proposta apresentada na Seção 3. Perfis de Degradação − Observados e Estimados 12 Df=10 10 Degradação % 0 0 2 4 6 8 1000 2000 Tempo (horas) 3000 4000 Figura 5. Note que as bandas de credibilidade da unidade futura tendem a englobar a degradação das unidades sob teste. O modelo de degradação utilizado será o mesmo apresentado na Seção 3.2 Desgaste das Rodas de Trem Na Seção 1.1.3: Predições para lasers futuros e sob teste assumindo T ∼ W eibull 5. Freitas et al. uma vez que predições com tantos passos a frente não é uma prática recomendada (e nem sempre apresenta resultados satisfatórios). Esse gráfico é ilustrativo.

Capítulo 5. . Como visto na Seção 4.2. . A distribuição preditiva a posteriori dos tempos de falha via Hamada (2005) acompanha bem as distribuições acumuladas livres de má especificação de Robinson e Crowder (2000) e da Proposta deste texto. .4). tp|Y (0. As estimativas das quantidades de interesse (M T T F |Y ou tempo médio até a falha ∼ da unidade futura a posteriori. (2010) serão denotados por Hamada (2005). .2. .5|y )) e parâme∼ ∼ ∼ ∼ ∼ ∼ tros do modelos são comparadas na Tabela 5. RT |Y (300000|y ). Situações Práticas Revisitadas 90 que Freitas et al. uma vez que os primeiros autores utilizaram a metodologia do segundo.2 e lembrando que Ti |θ∗ ∼ W eibull ⇔ βi |θ ∼ W eibull). As análises de perfis sob teste e futuros também se encontram indicadas dentro da Seção 3. Para o modelo (3.mi (medidas) e máx{m1 . A justificativa para essa escolha se dá da mesma maneira que na Seção 4.1|y ). .n = 14 (perf is) .m14 } = 13. indicando que o modelo de Hamada (2005) é adequado e possui resultados . .Efeito Aleatório Weibull Utilizado o modelo de degradação com a suposição de que os efeitos aleatórios são distribuídos segundo uma distribuição Weibull (modelo da Seção 3. j = 1.5.6).2. são estabelecidas as distribuições a priori para ∼ ∼ os parâmetros do modelo segundo a equação (4. Note que todas as estimativas são similares. As análises foram conduzidas da mesma maneira que nas seções anteriores. e tp|Y (0. (2010) assumiu que os efeitos aleatórios Weibull e Lognormal). 5.3. a Proposta com a nova unidade na verossimilhança apresenta resultados praticamente idênticos aos de Hamada (2005)(ver Seção 4). . .1.1).1 Rodas de Trem . i = 1.5 pode ser vista a distribuição preditiva a posteriori dos tempos de falha de rodas sob teste e futura (Proposta da Seção 3. Na Figura 5. . . . Todos resultados de Freitas et al.

4: Distribuição preditiva a posteriori dos tempos de falha para uma roda futura assumindo βi ∼ W eibull Assumindo T~Weibull 1.0 Probabilidade Acumulada 0.4 0.4 0.91 5.2 FT ~ Y 0.2.8 0.6 0.N.Roda ~) y N.N.0 Probabilidade Acumulada 0.R.8 FT FT ~ Y y (t ~)Prop.0 0 1000 2000 x 10 −3 3000 Km 4000 5000 Figura 5. Desgaste das Rodas de Trem Assumindo T~Weibull 1.Ver.2 FT FT FT ~ Y ~ Y ~ Y (t (t (t ~) y Hamada ~) y Prop.5: Distribuição preditiva a posteriori dos tempos de falha para rodas sob teste e roda futura assumindo βi ∼ W eibull muito parecidos aos propostos neste texto quando a suposição com relação à distribuição dos efeitos aleatórios está correta.R. ~ Y (t ~)Prop.Sob.RodaRC 0.Teste 0.N.0 0 1000 2000 x 10−3 Km 3000 4000 Figura 5.6 0. Poderia ser determinada também a garantia de uma .Roda y y (t ~)Prop.

U.Capítulo 5. Situações Práticas Revisitadas 92 roda através dos resultados de tp|Y (0.1| y )P rop.80 1011.84 1313.49 1026.55 .17 992.27 788.27 713.92 382.U.N.14 1067.U nidade (x103 km) M T T F | ( y)P rop.93 0.U nidade (x103 km) tp|Y (0.Freitas et al.93 0.90.88 1158.85 Mediana 1.41 0.88 800.89 359.12 952.89 957.13 0.74 273.62 985.78 1087.75 2.80 163.10 536.1| y )P roposta ∼ ∼ tp| y (0.15 1024.50 1004.31 707.07 (x103 km) 2228.98 624.36 969.73 0.90 280.02 1133.55 1109.5% 1.22 0.94 1056.1| y )Hamada (x103 km) tp|Y (0.85 * * * * * * * * 1.08 360.N. Note que as probabilidades estimadas de uma roda futura sobreviver a 300000 (RT |Y (300000|y )) quilômetros de uso é alta.81 986.65 1004.11 1473.16 (x103 km) 2391.57 352.14 1347.94 * * * * * * * * 1.88 1033.4 é possível obter os percentis da distribuição preditiva a posteriori de todas unidades sob teste.01 0. Tabela 5.10.94 1133.00 97.98 1911.06 * * * * * * * * 2.79 170.00 0.80 0.19 ∼P roposta tp| y (0.5% 2.01 0.N.41 0.U nidade RT |Y (300000| y )P rop.00 0.05 813.58 793.5| y )Hamada (x103 km) ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ Ainda.13 0.71 540.00 Desvio padrão 0.N.V er (x103 km) tp|Y (0.1| y )P rop.N.5| y )P rop.85 669.05 * * * * * * * * 0.91 987.41 1677.99 1347.00 M T T F | ( y)P rop.975| y )P roposta ∼ ∼ (x103 km) 2196.43 1733.N.1|y ).U.06 172.00 0.78 1118.93 378. da Tabela 5.48 534.10 677.62 1980.12 546. Tabela 5.04 1.95 0. (2010)) Ti |Y 1 2 3 4 5 6 7 8 9 10 11 12 13 14 ∼ MT T F |y (x103 km) 2291.11 800.05 800.60 661.90 1006. todas estimativas ∼ ∼ maiores que 0.84 0.4: Percentis da distribuição preditiva a posteriori dos tempos de falha para unidades sob teste (Dados de Desgaste de Rodas de Trem .93 0. (2010)) Parâmetro δ λ σε Média 1.35 714.01 0.05 118.28 272.42 969.48 1325.U nidade (x103 km) tp|Y (0.04 1.47 276.43 1046.U.00 0.76 669.92 355.06 704.81 0.V er (x103 km) RT |Y (300000| y )P rop.66 1361.22 0.025| y )P roposta ∼ ∼ tp| y (0.N.44 356.23 1910.99 1097.04 1841.37 1001.V er (x103 km) δHamada λHamada σεHamada M T T F | ( y)Hamada (x103 km) RT |Y (300000| y )Hamada tp|Y (0.01 0.44 1382.5| y )P rop.Freitas et al.53 663. Planos de manutenção podem ser desenvolvidos para unidades sob teste.44 356.79 723.52 276.38 1866.65 688.34 1696.3: Distribuição a posteriori das quantidades de interesse e parâmetros (Dados de Desgaste de Rodas de Trem .70 1733.00 0.V er tp|Y (0.50 1046.99 1791.N.01 0.15 (x103 km) 2289.80 540.5| y )P roposta ∼ ∼ tp| y (0. O método de Robinson e Crowder (2000) também permitiria realizar essa análise. tempo para o qual a probabilidade de uma ∼ ∼ unidade futura falhar é 0.77 1.99 1083.95 0.04 353.

ou seja. linhas tracejadas as predições das unidades sob teste e os círculos indicam as medidas de degradação observadas. Linhas mais escuras e contínuas retratam as bandas de credibilidade de degradação uma unidade futura.2.2). não informativas no sentido de pouco conhecimento sobre os parâmetros. como pode ser visto na Figura 5.6: Predições para rodas futuras e sob teste assumindo βi ∼ W eibull 5. Esse gráfico é ilustrativo. Desgaste das Rodas de Trem A Proposta com a nova unidade inclusa na verossimilhança permite ainda executar predições de degradação para uma roda futura. logo não seria adequado utilizar o método . uma vez que predições com tantos passos a frente não é uma prática recomendada. Note que as bandas de credibilidade da unidade futura tendem a englobar a degradação das unidades sob teste.6.93 5.7 nota-se que o método de Hamada (2005) não gera boas estimativas da distribuição dos tempos de falha a posteriori.2.2 Rodas de Trem . Na Figura 5.Efeito Aleatório Lognormal São estabelecidas as mesmas distribuições a priori apresentadas na equação (4. Perfis de Degradação − Observados e Estimados Degradação (mm) 0 20 40 60 80 Df=77mm 0 100 200 300 x 10 −3 400 500 600 Km Figura 5. linhas tracejadas mais escuras a estimativa pontual da unidade futura.

(2010) com os obtidos via Proposta.1.V er = 1154880 Km e M T T F |Y ∼ P rop. para estabelecimento de garantia para novas rodas.Roda ~) y N. Neste caso a situação seria mais recomendável a utilização da Proposta deste texto e de Robinson e Crowder (2000).1|y ). .U.0 0 1000 2000 x 10 −3 3000 Km 4000 5000 Figura 5. Note que todas as estimativas de M T T F |Y ∼ P rop.2.000 Km maiores que M T T F |Y = 1056880 Km.4 0. Assumindo T~Lognormal 1.5.N.2. indicando que o mo- delo de Hamada (2005) não é adequado apesar de possuir resultados parecidos aos propostos na parte inicial da curva de probabilidade acumulada. RT |Y (300000|y ).5|y )) e parâme∼ ∼ ∼ ∼ ∼ ∼ tros do modelo são comparadas na Tabela 5. e tp|Y (0. Situações Práticas Revisitadas 94 proposto de inserção da nova unidade na verossimilhança.2 FT FT FT ~ Y ~ Y ~ Y (t (t (t ~) y Hamada ~) y Prop. conforme a Seção 5.Capítulo 5.7: Distribuição preditiva a posteriori dos tempos de falha para uma roda futura assumindo βi ∼ Lognormal Como os resultados da Seção 5.8 0. ou ainda.1 foram melhores. tp|Y (0.0 Probabilidade Acumulada 0.N.N.U nidade ∼ Hamada = 1147000 Km são quase 100. As estimativas das quantidades de interesse (M T T F |Y ou tempo médio até a falha ∼ da unidade futura a posteriori.6 0.RodaRC 0. optou-se por apenas comparar os resultados de Freitas et al.

10 0.98 1.30 97.93 0.U nidade (x103 km) tp| y (0.14 0.44 0.00 0.N.88 796.86 0.5: Distribuição a posteriori das quantidades de interesse e parâmetros (Dados de Desgaste de Rodas de Trem .U nidade (x103 km) tp| y (0.60 916.28 1264. (2010)) Parâmetro µL σL σε Média 2.81 0.V er tp| y (0.99 1147.U.90 901.95 5.95 405.N. Desgaste das Rodas de Trem Tabela 5.5| y )P rop.39 Mediana 2.64 0.88 1154.46 0.U.N.99 1101.01 163.46 0.5% 2.18 0.00 390.10 Desvio padrão 0.94 1056.88 0.5| y )P rop.44 0.V er (x103 km) tp| y (0.00 913.05 * * * * * * * * 0.95 356.2.10 M T T F | ( y)P rop.1| y )P rop.98 2.99 589.05 94.98 1.65 0.1| y )P rop.14 0.81 0.18 0.85 * * * * * * * * 2.82 220.V er (x103 km) µL Hamada σL Hamada σεHamada M T T F | ( y)Hamada (x103 km) RT |Y (300000| y )Hamada tp| y (0.94 * * * * * * * * 2.U nidade (x103 km) M T T F | ( y)P rop.N.5| y )Hamada (x103 km) ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ ∼ .05 * * * * * * * * 2.00 0.U.06 264.46 0.63 0.46 0.U.00 2.13 0.N.Freitas et al.96 405.65 0.00 987.1| y )Hamada (x103 km) tp| y (0.N.V er (x103 km) RT |Y (300000| y )P rop.U nidade RT |Y (300000| y )P rop.11 1776.62 0.N.39 636.10 0.N.5% 2.

Hamada. Ainda. é apresentada uma metodologia de inserção de uma nova unidade na função de verossimilhança que permite acessar a distribuição a posteriori dos tempos de falha para unidades futuras da mesma forma que em unidades sob teste. No Capítulo 2 foram revisadas algumas metodologias de inferência para modelos de degradação. torna-se possível a obtenção da distribuição preditiva a posteriori dos tempos de falha para unidades futuras e sob teste. foi apresentada a abordagem bayesiana para inferência em modelos de degradação através de duas metodologias correntes na literatura (Robinson e Crowder. e de uma desenvolvida nesta dissertação.Capítulo 6 Conclusão No Capítulo 1 deste texto foram apresentados dados de degradação de rodas de trem para análise via inferência bayesiana. Através da abordagem proposta neste texto. Esta última metodologia é . No Capítulo 3. além de possibilitar predições de medidas de degradação para uma unidade não observada. 2005). 2000. A percepção de inconsistências teóricas no artigo de Hamada (2005) motivou a busca de artigos que propusessem metodologias de abordagem bayesiana alternativas para dados de degradação e fomentou retorno à situação prática dos dados de degradação de emissores de laser.

o método empregado em Hamada (2005) fornece uma boa aproximação da distribuição preditiva a posteriori dos tempos de falha para unidades futuras. Ou seja. para estes casos dos dados gerados. A inconsistência diz respeito à afirmação de que a distribuição dos efeitos aleatórios (ou dos tempos de falha. e do conhecimento da distribuição dos dados gerados.97 limitada pela correta especificação dos efeitos aleatórios assim como o é a metodologia empregada por Hamada (2005). Dessa forma. dado que sempre aproximaram a distribuição gerada dos tempos de falha. apesar da inconsistência teórica. pode-se utilizar a proposta deste texto com inclusão de uma nova unidade na verossimilhança. ambos os métodos podem ser utilizados para validação da metodologia de Hamada (2005) em casos práticos. da proposta deste texto (métodos que dão liberdade à atualização da distribuição dos efeitos aleatórios). mostra-se que os efeitos aleatórios de fato são atualizados no procedimento bayesiano. Através de dados gerados a partir das distribuições Weibull e Lognormal verifica-se que. Neste Capítulo foi também apontada a inconsistência teórica presente em Hamada (2005). . uma vez que ambos estão atrelados pela forma funcional do modelo linear de degradação) se mantém a mesma a posteriori. Outra vantagem da proposta e de Robinson e Crowder (2000) é que formas funcionais mais complexas de degradação não dificultam a utilização dessas duas abordagens. quando o efeito aleatório não é mal especificado. No Capítulo 4 são gerados dados de modo que a distribuição dos tempos de falha reais é bimodal (mistura de duas normais). então através de Robinson e Crowder (2000). são completamente livres de má especificação (com forte evidência já que conseguiram captar inclusive bimodalidade). corroborando-se assim empiricamente a inconsistência presente em Hamada (2005). A partir daí. Foi realizada uma prova analítica contrária a esta suposição. Fato interessante ainda neste Capítulo é que Robinson e Crowder (2000) e a proposta deste texto sempre aproximaram muito bem a distribuição amostrada a partir da distribuição real quando assumidas distribuições a priori Weibull e Lognormal pouco informativas para a distribuição dos efeitos aleatórios.

verificou-se que a abordagem de Hamada (2005) aproximava bem a distribuição dos tempos de falha. Segundo. Outro questionamento que se faz é se essa propriedade das duas abordagens . através de simulações. Quanto aos emissores de laser. No Capítulo 5 foram revisitadas as situações práticas dos emissores de laser e das rodas de trem. Do ponto de vista de manutenção preventiva. para o caso do uso da metodologia utilizada por Hamada (2005). Também foram realizadas predições de degradação para uma unidade não observada. as análises realizadas através de Robinson e Crowder (2000) e das propostas desta dissertação são mais informativas do ponto de vista prático. inclusive predições para ambos se sob condições de correta especificação. Em relação aos dados das rodas de trem. o que inclusive tornou possível realizar predições de degradação para a unidade futura através da proposta desta dissertação. se Robinson e Crowder (2000) e a proposta deste texto conseguem captar de fato toda e qualquer forma de distribuição de tempos de falha em modelos de degradação (as situações mais atípicas). Conclusão 98 que por sua vez apresenta resultados extremamente parecidos com os de Hamada (2005). 6.1 Sugestões para Pesquisas Futuras Para estudos posteriores seria interessante avaliar. preditiva. Primeiramente.Capítulo 6. observou-se que a distribuição Weibull. era a mais adequada em descrever os tempos de falha. e determinação de garantia. pois possibilitam realização de inferência para os perfis individuais e para perfis futuros. e conseqüentemente os efeitos aleatórios. é importante ressaltar-se que o método proposto de inclusão da nova unidade na verossimilhança também pode ser abordado segundo o método de Robinson e Crowder (2000). a quantidade de informação obtida com a análise é muito maior e mais fidedigna à verdadeira distribuição dos tempos de falha. para realizar predições de degradação para uma unidade futura.

Sugestões para Pesquisas Futuras depende do fato de as distribuições a priori dos efeitos aleatórios serem especificadas segundo as distribuições Weibull ou Lognormal.1.99 6. seria interessante avaliar outros tipos de distribuições a priori não informativas. .

E. e Hamada. Experiments with degradation data for improving reliability and for achieving robust reliability. Series B. B. M. Computational Statistics & Data Analysis. Explaining the gibbs sampler. (2008). Examples in which misspecification of random effects distribution reduces efficiency. Quality And Reliability Engineering International. e Smith. A. G. M. C.. (1994). Alonso. P. Using degradation data from an experiment to achieve robust reliability for light emitting diodes.Referências Bibliográficas Agresti. John Wiley & Sons. M. (2000). e Strickland-Ohman. P. Journal of the Royal Statistical Society. (1996). Bernardo. Chiao. e Hamada. 47:639–653. D. and possible remedies. Chiao. C. G. M. e Cox. G. A. (1964). 17:497–504. Bayesian Theory. R. 12:89–94. 17:333–344. Statistical Methods in Medical Research. (1992).. . 26(2):211–252. e Molenberghs. Quality And Reliability Engineering International. The American Statistician. J. (2004). Casella. An analysis of transformations. e George. Box. Caffo. 46(3):167–174. A. E. Evaluating time to cancer recurrence as a surrogate marker for survival from an information theory perspective. F.

J. Colosimo. Annual. d. e Jiang. E. B. M. 30:194 – 219. (2009). Understanding the metropolis-hastings algorithm. H. e Pires. Crk. The American Statistician. Proceedi gs. 85:398–409.. C. e Lopes. Using degradation data do assess reliability: A case study on train wheel degradation. Applied Longitudinal Anaysis. E. Efron. (1990). Bois. Biometrika. D. Texts in Statistical Science. 49(4):327–335. M. 91:1400–1412. Sampling-based approaches to calculating marginal densities. A. K. Journal of the American Statistical Association. (1995). M. V. Gelman. Markov Chain Monte Carlo. A. (2010). Gamerman. E. E. e Ware. e Smith. Freitas. Laird.. (1996). 72(1):45–58. Physiological pharmacokinetic analysis using population modeling and informative prior distributions. Reliability assessment using degradation models: bayesian and classical approaches. (1985). M. e Greenberg. Bootstrap confidence intervals for a class of parametric problems. N. M.101 Referências Bibliográficas Chib. Fitzmaurice. A. quality and reliability engineering international. Pesquisa Operacional. J. pages 155 –161. Doksum.. F. Reliability assessment from degradation data.. 4:195–201. R. Toledo... H. (1991). e Pires. Santos. 25:607– 629. In Reliability and Maintainability Symposium. M. M.. Colosimo. T. (2006). Degradation rate models for failute time and survival data. CWI Quarterly. S. Journal of the American Statistical Association. Freitas. Chapman & Hall.. A. (2000). 2 edition. M. (2004). Gelfand. . A. 2000. F. G.. Quality and Reliability Engineering International.. New York:Wiley.

e Zhang. gibbs distributions. S. In Reliability and Maintainability Symposium. Alonso. D. A likelihood reformulation method in non-normal random effects models. J. Nonlinear mixed effects models for repeated measures data. Liu. M.. Litière. Stochastic relaxation. Pittsburgh. e Geman. (1969). (2002). e Molenberghs. M. IEEE Trans. e Meeker.. Hierarchical generalized linear models (with discussion). (1978). S. E. Using degradation data to assess reliability. Jiang. Saxena. Dynamic modeling of degradation data. Development of standard methods of testing and analyzing fatigue crack growth rate data. S. Annual. (2008). e Bates. Journal of the Royal Statistical Society. Hamada. 27:3105–3124. (1984). Lee. J. Statistics in Medicine. 27:3125–3144. A. e Yu. (2008). . Z. R. Proceedings. (1996). Quality Engineering. e Malcolm. Biometrics. C. Statitics in Medicine. M. 46(3):673–687. D. Westinghouse R & D Center. (1993). K. Springer: New York. Technical report afml-tr-78-40. 17:615–620.Referências Bibliográficas 102 Geman. L. Using degradation measurements to estimate a time-tofailure distribution. . W. Lindstrom. (1990). Series B. J. Technometrics. e Nelder. R.. M. Pattern Analysis and Machine Intelligence. Models of Failure. I. Westinghouse Electric Corporation.. Lu. G. pages 607 –611. Hudak. e Kordonskiy. (2005). 58:619–678. and the bayesian restoration of images. J.. Gertsbackh. PA. 6:721–741. Y. 2002. 35:161–174. The impact of a misspecified randomeffects distribution on the estimation and the performance of inferential procedures in generalized linear mixed models. Bucci. S.

M. 39(4):391–400. Springer-Verlag. IEEE Transactions on. Mixed-Effects Models in S and S-PLUS. New York. E. L. e Colosimo. John Wiley: New York.. e Escobar. Ibrahim. Accelerated Testing: Statistical Models. Pinheiro. Analysis of performance-degradation data from accelerated tests. 1 edition. Reliability. W. (2004). R. R package version 3. Meeker.. Sarkar. Lu. Bates. G. M. Nelson. Statistica Sinica. D. Journal of Computational and Graphical Statistics. W. (2000). P. Using degradation measurements to estimate a time-to-failure distribution. e Strawderman.. (2006). J. Comparison of methods to estimate the time-to-failure distribution in degradation tests.. Nelson. S. Lipsitz... A. Statistical Methods for Reliability Data. Pinheiro... Test Plans and Data Analyses. D. (1995). J. W.. 20:363–373. nlme: Linear and Nonlinear Mixed Effects Models. 6:531–546. V. . J. (1981). Statistics and Computing Series. e the R Core team (2008). e Yang. A. B. Approximations to the log-likelihood function in the nonlinear mixed-effects model.. W. Parzen. e Escobar. L. e Bates. Wiley Series in Probability and Statistics: New York. (1998). DebRoy.. R-30(2):149 –155. Park.. e Bates.1-89. D. K. C. (1997). Technometrics.. 15(1):39–57. R. R. Q. Statistical inference of a time-to-failure distribution derived from linear degradation data.103 Referências Bibliográficas Lu. D. Fitzmaurice. Nelson. J. J. Quality and Reliability Engineering International. Oliveira. Pinheiro. 1(4):12–35. Journal of Computational and Graphical Statistics. J. Meeker. S. (1996). (1990). Use of the probability integral transformation to fit nonlinear mixed-effects models with nonnormal random effects.

M. . Tseng. 27:363–369... R: A language and environment for statistical computing. IEEE Transactions on Reliability. e Chang. (2000). J. (2000). Efficient algorithms for robust estimation in linear mixed-effects models using the multivariate t distribution. Lu. (2007). S. 44(5148439):562 – 566. 100:1145–1167. e Hughes-Oliver. Maximization by parts in likelihood inference (with discussion). Sobczyk. (1999). Su. Universidade Federal de Minas Gerais. Ensaios de degradação: estudo comparativo de métodos de análise de dados. Y. Academic Press: New York.. Austria. Fan...Referências Bibliográficas 104 Pinheiro. Vienna. C. L. K. P. e Best. Toledo. Journal of Computational and Graphical Statistics. Random Fatigue: From Data to Theory. D. M. (2005). Bayesian methods for a growth-curve degradation model with repeated measures. J. 6:357–374. R Foundation for Statistical Computing. Using degradation data from a factorial experiment to improve fluorescent lamp reliability. A random coefficient degradation model with random sample size. M. D. e Wu. e Chiao. Song. Spiegelhalter. L. C. (1992). A. Winbugs version 1. M... e Spencer. C.. Y.. 5:173–183. R Development Core Team (2005). Tang. Robinson. Journal of Quality Technology. C. (1995). e Kalbfleisch. B. G. J. Journal of the American Statistical Association. Hamada. (1995). 10:249–276.. Dissertação de Mestrado. Lifetime Data Anaysis. Thomas.4 user manual. N.. Chen. D. S. Lifetime Data Analysis. e Crowder. J. Liu. Reliability prediction using nondestructive accelerated-degradation data: case study on power supplies. (2001).

91:62–75. Lifetime Data Analysis. Whitmore. J. 9:855–877. 43(1):201–221. A. 16:261267. e Schenkelberg. F. Journal of the Royal Statistical Society. e Shao. Reliability anaysis using the least squares method in nonlinear mixed effects degradation models. M. (1997). Wu. 10. Degradation analysis estimates of the time-to-failure distribution of irradiated fuel elements. 23:541–556. Series C (Applied Statistics). S. E. e Shao. G. Estimation of time-to-failure distribution derived from a degradation model using fuzzy clustering. Racine-Poon. A. Yacout. Bayesian analysis of linear and non-linear population models by using the gibbs sampler. C. (1997). . e Lesaffre. S.. 3:27–45.. (1999). J. Smith. J. Salvatores. F. e Orechwa. (2000)... 113:177–189. Computational Statistics & Data Analysis. (1996). Wakefield. Nuclear Technology. (1994). S. A. Statistica Sinica. Quality and Reliability Engineering International. The effect of misspecifying the random-effects distgribution in linear mixed effects distribution in linear mixed models for longitudinal data. J. G. The bayesian analysis of population pharmacokinetic models.. e Gelfand. Y.105 Referências Bibliográficas Verbeke. M. Wakefield.1023/A:1009664101413. Journal of the American Statistical Association. (1996). E. A. Modelling accelerated degradation data using wiener diffusion with a time scale transformation. Wu.

5*N(3000.5*N(7000.Anexo A ROTINA NO R .30) M1<-3000 #média da primeira amostra da distribuição normal para mistura DP1<-30 #desvio padrão da primeira amostra da distribuição normal para mistura M2<-7000 #média da segunda amostra da distribuição normal para mistura DP2<-30 #desvio padrão da primeira amostra da distribuição normal para mistura Mistura 0.30) e .T BIMODAL# nperfis<-20 #número de perfis de degradação a serem gerados ntotal<-nperfis*17 #número total de observações de degradação # gerando os valores de tempos de falha estimados 0.Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal .Mistura de Duas Normais #SIMULAÇÃO DOS DADOS DE DEGRADAÇÃO .

4000.2063) tempos<-seq(0.main="Efeitos aleatórios .seed(214) #fixando a semente para replicação dos perfis ptfg1<-rnorm(nperfis/2.M2.250) deg<-matrix(0. ylab="Probabilidade".DP2) #gerando os tempos de falha com peso = 0.M1.15000.1) # encontrando os coeficientes da regressão df<-10 #estabelecendo um limiar crítico de degradação coef<-ptfg/df #calculando os efeitos aleatórios associados a cada perfil de degradação coef #apresentando o gráfico que demonstra que os efeitos aleatórios também possuem distribuição bimodal windows() densidadecoef<-density(coef) plot(densidadecoef.xlab="Valor observado para o efeito aleatório") ) # simulando os tempos observados com erro N(0.seed(214) #fixando a semente para replicação dos perfis ptfg2<-rnorm(nperfis/2.5 para a primeira normal set.0.ptfg2) #unindo os tempos de falha gerados densidadeg<-density(ptfg) #cálculo da densidade dos tempos de falha plot(densidadeg) #visualizando a fdp dos tempos de falha gerados horas<-seq(0.17.seed(i+j) .5 para a segunda normal ptfg<-c(ptfg1.DP1) #gerando os tempos de falha com peso = 0.nperfis) for (j in 1:nperfis) for (i in 1:17) set.T Bimodal".107 set.

Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal .data.Desgaste) d<-as.Mistura de Duas Normais 108 deg[i.j]<-tempos[i]/coef[j]+rnorm(1.2063) # organizando os dados em uma matriz d para análise for (j in 1:nperfis) deg[1.frame(d) d # Plotando os perfis de degradação windows() lim=range(d$Tempo. ylab="Degradação") for (i in 1:nperfis) a<-i*17-16 b<-i*17 lines(d$Tempo[1:17].Anexo A.j]<-0 deg Tempo<-rep(tempos.d$Desgaste[a:b]) . ROTINA NO R .xlab="Tempo".d$Desgaste) plot(d$Tempo.d$Desgaste.Tempo.i] k<-k+17 unit Desgaste d<-cbind(Unidade.nperfis) Unidade<-vector() Desgaste<-vector() k<-0 for (i in 1:nperfis) for (j in 1:17) Unidade[j+k]<-i Desgaste[j+k]<-deg[j.0.type="p".0.

file <.tau=0.list( n1=ntotal. hours=d$Tempo.file(package = "R2WinBUGS".show(model. n2=nperfis.# #chamando os pacotes que realizam a comunicação do R com o WinBUGS #packages("R2WinBUGS") library("R2WinBUGS") require(R2WinBUGS) require(BRugs) #carregando o modelo escrito na sintaxe do WinBUGS model. bty="n") title("Perfis de Degradação .system. "lambda".lambda=0.001. AFIRMAREMOS QUE A DISTRIBUIÇÃO DOS EFEITOS ALEATÓRIOS É WEIBULL.txt") file. "model". "Df=10".109 abline(h=df) legend(locator(1)."beta") semente=1000 #fixa a semente da cadeia #obtenção da distribuiçãoo a posteriori dos parâmetros do modelo .Simulado") #SUPONHA NÃO CONHECERMOS A REALIDADE. y=d$Desgaste. "WeibullModel_DISS. units=d$Unidade) ibetas<-rep(500.beta=ibetas) #Determinação dos parâmetros a serem monitorados parameters <.file) #Preparação dos dados para o WinBugs data <.function() list(delta=6.c("delta".1.nperfis) #Atribuindo os valores iniciais aos parâmetros inits <. "sigma".

Mistura de Duas Normais 110 weib. working.lambda.sim$sims. respectivamente delta<-weib. n.matrix[. n.seed=semente.directory ="C:/CAMINHO". n.thin=1. ROTINA NO R .Anexo A.n.directory ="C:/Program Files/WinBUGS14".codaPkg=FALSE. debug = FALSE. #resultado da dissertação # n. debug = FALSE.15000.2] #tempos nos quais será avaliada a função distribuição acumulada preditiva à posteriori dos tempos de falha horas<-seq(0.thin=1000.df) d_F_t_Hamada<-vector() F_Hamada<-vector() for (i in 1:length(t)) d_F_t_Hamada<-1-exp(-(lambda/(df**delta))*t[i]**delta) F_Hamada[i]<-mean(d_F_t_Hamada) F_Hamada #distribuição preditiva a posteriori dos parâmetros de forma e escala.sim) #ANÁLISE HAMADA# #função para calcular a função distribuição acumulada preditiva à posteriori dos tempos de falha com efeito aleatório weibull F_Ham<.burnin=1000.n.chains = 1.delta.function (t.Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal .chains = 1.sim <.file.1] lambda<-weib.burnin=1000.sim$sims. #descomente para um resultado rápido (aviso:autocorrelação) bugs.1) #obtenção da função distribuição acumulada preditiva à posteriori dos tempos de . n.iter = 10001000. parameters. bugs.bugs(data. n.iter = 11000. clearWD = FALSE) #codaPkg=TRUE para obter os valores dos parâmetros print(weib. model. inits.matrix[.codaPkg=FALSE.

". paste(round(coef[i].main=bquote(beta[.3] #amostra da distribuição preditiva a posteriori para os tempos de falha baseia-se na relação que o modelo estabelece entre os parâmetros e os tempos de falha tf_dados<-df*beta #rode esta parte para verificar que o modelo estimou corretamente a distribuição dos efeitos aleatórios gerados for (i in 1:nperfis) windows() par(mfrow=c(1.(i)]). ylab=expression(paste(f[beta/tilde(Y)]. xlab=expression(paste(beta. ".2)).tilde(y))) ) abline(v=coef[i]) legend("topleft".tilde(y).matrix[.lambda.sim$sims. xlab=expression(paste(beta.1:nperfis+3] sigma<-weib.delta.(i)]). bty="n") .matrix[.i].i]).")")). bty="n") plot(density(beta[."(".111 falha F_Hamada<-F_Ham(horas. paste(round(coef[i].df) #PROPOSTA# #armazenando as amostras a posteriori dos efeitos aleatórios e variância do erro para facilitar a manipulação beta<-weib.2)).sim$sims.beta.main=bquote(beta[. ". ylab="Freqüência".2)) hist(beta[.tilde(y)))) abline(v=coef[i]) legend("topleft".

tilde(y)))) abline(v=ptfg[i]) legend("topleft".tilde(y).i].xlab=expression(paste(t. paste(round(ptfg[i].1) #obtenção da função distribuição acumulada preditiva à posteriori dos tempos de falha for (i in 1:nperfis) for (k in 1:ttam) z<-(df-horas[k]/beta[. ylab=expression(paste(f[T/tilde(Y)]. ".i]).2)). paste(round(ptfg[i]. bty="n") plot(density(tf_dados[. ylab="Freqüência".Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal .(i)]).ttam. ROTINA NO R . ". bty="n") #MÉTODO ROBINSON E CROWDER# horas<-seq(0.")")).main=bquote(t[. xlab=expression(paste(t.2)) hist(tf_dados[."(".i])/sigma F<-1-pnorm(z) .Anexo A. ".main=bquote(t[.tilde(y)))) abline(v=ptfg[i]) legend("topleft".Mistura de Duas Normais 112 #rode esta parte para verificar que o modelo estimou corretamente a distribuição dos tempos de falha gerados for (i in 1:nperfis) windows() par(mfrow=c(1.15000.2)).(i)]).t.nperfis) #matriz onde serão armazenados as distribuições acumuladas de tempo de falha para cada unidade F<-vector() #vetor auxiliar para cálculo de F(t|theta.1) #seqüência de valores de horas para cálculo de F(t) ttam<-length(horas) #tamanho da seqüência de horas Ft2<-matrix(0.dados) z<-vector() #vetor que irá receber a padronização para a distribuição Normal(0.

xlab="Tempo".DP1) e N(M2.DP2) #peso de 0.F_Hamada.M2.M1.1).seed(214) #fixando semente para repetir os resultados ptf2<-rnorm(perfis/2.DP1) #peso de 0.type="n".12000).i]) #CONFRONTO DAS ACUMULADAS DE T# perfis<-20000 #número de perfis a serem gerados para aproximar a distribuição real gerando os valores de tempos de falha N(M1.main="Sabe-se T Bimodal") F_real<-ecdf(real) .113 Ft2[k.DP2) M1<-3000 DP1<-30 M2<-7000 DP2<-30 set.ptf2) #amostra suficientemente grande para aproximar a distribuição real #Plotando a função acumulada F(t): REAL E GERADO X HAMADA windows() plot(horas.seed(214) #fixando semente para repetir os resultados ptf1<-rnorm(perfis/2.5 para a amostra ter vindo dessa distribuição set.5 para a amostra ter vindo dessa distribuição real<-c(ptf1.i]<-mean(F) FRC<-vector() aux<-t(Ft2) for (i in 1:ttam) FRC[i]<-mean(aux[1:nperfis. ylab="Probabilidade Acumulada".xlim=c(0. ylim=c(0.

x=5000.x=5000.cex=0.y=7/20. do.points = FALSE.cex=0.type="l".8) F_g<-ecdf(ptfg) lines(F_g. col.lty="dotted".3/20.cex=0. ROTINA NO R .1:nperfis]) .lty="longdash".lwd=3) legend(c(expression(F[T/tilde(Y)](t/tilde(y))[Hamada])).col="black".F_real. bty="n".lwd=1.1).F_Hamada.Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal .lwd=1.col=c("black").xlab="Tempo".col="black".8) F_Proposta<-ecdf(tf_dados[.12000). lty="solid".lty="dotted". do. ylab="Probabilidade Acumulada".lty="solid". bty="n". col.hor=’black’.hor=’black’. bty="n". col. bty="n". lty="dotted".y=0+9.x=5000. col.8) F_g<-ecdf(ptfg) lines(F_g.type="n".lty="solid".col=c("black").8) lines(horas. bty="n".Anexo A.points = FALSE.cex=0. ylim=c(0.lwd=1.y=0+9.lwd=3.cex=0.main="Sabe-se T Bimodal") lines(temp.x=5000.F_real.xlim=c(0. lty="solid".lwd=1.lwd=1. col=c("black")) legend(c(expression(F[T/tilde(theta)](t/tilde(theta))[Real])). verticals= TRUE.lwd=1.lwd=1.vert=’black’) legend(c(expression(F[T](t)[Gerado])). col=c("black")) legend(c(expression(F[T/tilde(theta)](t/tilde(theta))[Real])).col="black". verticals= TRUE.vert=’black’) legend(c(expression(F[T](t)[Gerado])). lty="dotted".x=5000.y=0+8/20.y=0+8/20.F_Hamada.3/20.lty="longdash".8) #Plotando a função acumulada F(t): REAL E GERADO X PROPOSTA windows() plot(horas.Mistura de Duas Normais 114 F_real<-sort(F_real(real)) temp<-sort(real) lines(temp.col="black".lwd=1.

cex=0.main="Sabe-se T Bimodal") lines(temp.lwd=1. do. bty="n".1).N.115 lines(F_Proposta.type="l".x=5000.12000).lty="dashed".y=0+7/20.hor=’black’.lty="dotted".FRC.y=0+8/20. bty="n".8) #SUPONHA NÃO CONHECERMOS A REALIDADE.col="black".3/20.col=c("black"). col.8) lines(horas.lty="solid". lty="dotted".lwd=3.cex=0. col.UnidadeRC])). bty="n".8) #Plotando a função acumulada F(t) REAL E GERADO X ROBINSON E CROWDER windows() plot(horas.lwd=3. col.lwd=1. bty="n".points = FALSE.xlab="Tempo".col="black".lwd=3) legend(c(expression(F[T/tilde(Y)](t/tilde(y))[N. do.y=0+7/20.Unidade])). lty="solid". col=c("black")) legend(c(expression(F[T/tilde(theta)](t/tilde(theta))[Real])).points = FALSE.lty="dashed".y=0+9.vert=’black’) legend(c(expression(F[T/tilde(Y)](t/tilde(y))[Prop. verticals= TRUE.lwd=1.hor=’black’. lty="solid".col=c("black").lwd=1. ylim=c(0.# #chamando os pacotes que realizam a comunicação do R com o WinBUGS packages("R2WinBUGS") library("R2WinBUGS") require(R2WinBUGS) .cex=0. verticals= TRUE.lwd=3.x=5000.x=5000.F_real.xlim=c(0.col="black". col.8) F_g<-ecdf(ptfg) lines(F_g.vert=’black’) legend(c(expression(F[T](t)[Gerado])).type="n". AFIRMAREMOS QUE A DISTRIBUIÇÃO DOS EFEITOS ALEATÓRIOS É LOGNORMAL.lty="solid".cex=0. ylab="Probabilidade Acumulada".x=5000.F_Hamada.

clearWD = FALSE) #codaPkg=TRUE para obter os valores dos parâmetros print(LN.beta=ibetas) #Determinação dos parâmetros a serem monitorados parameters <. #resultado da dissertação # n. #descomente para um resultado rápido (aviso:autocorrelação) bugs. n.burnin=1000. model.c("muL".file(package = "R2WinBUGS".file <.Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal .iter = 11000. "sigma".function() list(muL=6.chains = 1.directory ="C:/Program Files/WinBUGS14"."beta") semente=1000 #fixa a semente da cadeia LN.seed=semente. units=d$Unidade) ibetas<-rep(500. n.1. n.1.chains = 1.thin=1. "LNModel_DISS2. y=d$Desgaste.Mistura de Duas Normais 116 require(BRugs) #carregando o modelo escrito na sintaxe do WinBUGS model. working.sim) #ANÁLISE HAMADA# .n.tauL=0.codaPkg=FALSE.txt") file. ROTINA NO R .n.burnin=1000.codaPkg=FALSE.iter = 10001000. n2=nperfis.file. debug = FALSE. "model". bugs.tau=0.sim <. inits.show(model.list( n1=ntotal.bugs(data. n.nperfis) #Atribuindo os valores iniciais aos parâmetros inits <.system.Anexo A.thin=1000.file) #Preparação dos dados para o WinBugs data <. hours=d$Tempo. parameters. "sigmaL". n. debug = FALSE.directory ="C:/CAMINHO".

sim$sims.sigmaL.df) #PROPOSTA# #armazenando as amostras a posteriori dos efeitos aleatórios para facilitar a manipulação betaL<-LN.muL.1:nperfis+3] sigmaL<-LN.(log(df)+muL).1) #obtenção da função distribuição acumulada preditiva à posteriori dos tempos de falha F_HamadaL<-F_HamL(horas.sim$sims.muL.sim$sims.matrix[.sim$sims.3] #amostra da distribuição preditiva a posteriori para os tempos de falha baseia-se na relação que o modelo estabelece entre os parâmetros e os tempos de falha tf_dadosL<-df*betaL #rode esta parte para verificar que o modelo estimou corretamente a distribuição dos efeitos aleatórios gerados .df) d_F_t_Hamada<-vector() F_Hamada<-vector() for (i in 1:length(t)) d_F_t_Hamada<-plnorm(t[i].sigmaL.matrix[.1] sigmaL<-LN.function (t.matrix[.2] horas<-seq(0.sigmaL) F_Hamada[i]<-mean(d_F_t_Hamada) F_Hamada #tempos nos quais será avaliada a função distribuição acumulada preditiva à posteriori dos tempos de falha muL<-LN.15000.117 #função para calcular a função distribuição acumulada preditiva à posteriori dos tempos de falha com efeito aleatório weibull F_HamL<.matrix[.

paste(round(coef[i].(i)]).tilde(y)))) abline(v=ptfg[i]) legend("topleft".tilde(y))) ) abline(v=coef[i]) legend("topleft".xlab=expression(paste(beta."(".2)).tilde(y). ". ".main=bquote(beta[.main=bquote(beta[.(i)]). paste(round(ptfg[i].(i)]).i]. ". ylab=expression(paste(f[T/tilde(Y)].main=bquote(t[.")")). ylab="Freqüência".tilde(y).2)).")")).Anexo A.i]).i]. paste(round(ptfg[i].main=bquote(t[.(i)]).Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal . ".t.2)) hist(betaL[. ylab=expression(paste(f[beta/tilde(Y)].tilde(y)))) abline(v=ptfg[i]) legend("topleft".2)). ". ROTINA NO R .2)).xlab=expression(paste(t.2)) hist(tf_dadosL[. bty="n") plot(density(tf_dadosL[. xlab=expression(paste(beta. bty="n") plot(density(betaL[. bty="n") .tilde(y)))) abline(v=coef[i]) legend("topleft"."(". bty="n") #rode esta parte para verificar que o modelo estimou corretamente a distribuição dos tempos de falha gerados for (i in 1:nperfis) windows() par(mfrow=c(1. xlab=expression(paste(t.i]). paste(round(coef[i].Mistura de Duas Normais 118 for (i in 1:nperfis) windows() par(mfrow=c(1.beta. ylab="Freqüência". ".

1) #obtenção da função distribuição acumulada preditiva à posteriori dos tempos de falha for (i in 1:nperfis) for (k in 1:ttam) zL<-(df-horas[k]/betaL[.DP1) e N(M2.i])/sigmaL FL<-1-pnorm(zL) Ft2L[k.1) #seqüência de valores de horas para cálculo de F(t) ttam<-length(horas) #tamanho da seqüência de horas Ft2L<-matrix(0.119 #MÉTODO ROBINSON E CROWDER# horas<-seq(0.i]) #CONFRONTO DAS ACUMULADAS DE T# perfis<-20000 #número de perfis a serem gerados para aproximar a distribuição real # gerando os valores de tempos de falha N(M1.nperfis) #matriz onde serão armazenados as distribuições acumuladas de tempo de falha para cada unidade FL<-vector() #vetor auxiliar para cálculo de F(t|theta.DP2) M1<-3000 DP1<-30 M2<-7000 DP2<-30 set.dados) zL<-vector() #vetor que irá receber a padronização para a distribuição Normal(0.i]<-mean(FL) FRCL<-vector() auxL<-t(Ft2L) for (i in 1:ttam) FRCL[i]<-mean(auxL[1:nperfis.seed(214) #fixando semente para repetir os resultados .15000.ttam.

DP2) #peso de 0.F_HamadaL. col=c("black")) legend(c(expression(F[T/tilde(theta)](t/tilde(theta))[Real])).Anexo A.lwd=1.lty="dotted".xlim=c(0.lwd=1. do.lty="longdash". ylim=c(0.x=6000.8) lines(horas. col.lty="solid".15000). verticals= TRUE. bty="n".cex=0.lty="longdash".Mistura de Duas Normais 120 ptf1<-rnorm(perfis/2.type="l".1).lwd=1.5 para a amostra ter vindo dessa distribuição real<-c(ptf1.5 para a amostra ter vindo dessa distribuição set.8) F_g<-ecdf(ptfg) lines(F_g. lty="dotted".col="black".lwd=1. bty="n".x=6000.x=6000. ylab="Probabilidade Acumulada".xlab="Tempo".lwd=3) legend(c(expression(F[T/tilde(Y)](t/tilde(y))[Hamada])).hor=’black’.M1.y=0+8/20.DP1) #peso de 0.Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal .F_HamadaL.y=7/20.points = FALSE. ROTINA NO R .seed(214) #fixando semente para repetir os resultados ptf2<-rnorm(perfis/2.cex=0.col=c("black").type="n".y=0+9.lwd=3.F_real. lty="solid".8) #Plotando a função acumulada F(t): REAL E GERADO X PROPOSTA .cex=0.ptf2) #amostra suficientemente grande para aproximar a distribuição real #Plotando a função acumulada F(t): REAL E GERADO X HAMADA windows() plot(horas.col="black".vert=’black’) legend(c(expression(F[T](t)[Gerado])).M2. col. bty="n".col=c("black").main="Sabe-se T Bimodal") F_real<-ecdf(real) F_real<-sort(F_real(real)) temp<-sort(real) lines(temp.3/20.

F_real.col="black". col.8) F_g<-ecdf(ptfg) lines(F_g.hor=’black’.15000).xlab="Tempo".cex=0.lty="solid". verticals= TRUE.lwd=1. ylim=c(0.F_HamadaL.1:nperfis]) lines(F_PropostaL.lwd=1.Unidade])).x=6000.lwd=1.F_HamadaL.cex=0.col="black". col.main="Sabe-se T Bimodal") F_real<-ecdf(real) F_real<-sort(F_real(real)) temp<-sort(real) lines(temp.lwd=3.121 windows() plot(horas.lwd=3. do.cex=0.3/20.vert=’black’) legend(c(expression(F[T/tilde(Y)](t/tilde(y))[Prop. verticals= TRUE.1). lty="solid".main="Sabe-se T Bimodal") F_real<-ecdf(real) .y=0+7/20. ylab="Probabilidade Acumulada".type="n".points = FALSE. bty="n". col.8) F_PropostaL<-ecdf(tf_dadosL[. col=c("black")) legend(c(expression(F[T/tilde(theta)](t/tilde(theta))[Real])).y=0+8/20.8) #Plotando a função acumulada F(t): REAL E GERADO X ROBINSON E CROWDER windows() plot(horas.type="n". bty="n".lty="dotted". col.xlim=c(0.lwd=1.points = FALSE. lty="solid".x=6000.vert=’black’) legend(c(expression(F[T](t)[Gerado])). ylim=c(0.col="black". lty="dotted".1). ylab="Probabilidade Acumulada".xlim=c(0.y=0+9. do. bty="n".N.lty="solid".xlab="Tempo".15000).x=6000.hor=’black’.

ROTINA NO R .Mistura de Duas Normais 122 F_real<-sort(F_real(real)) temp<-sort(real) lines(temp.y=0+9.UnidadeRC])).y=0+8/20.F_real.Anexo A.cex=0.hor=’black’.lty="solid".8) lines(horas.lwd=1.3/20. col.col="black". lty="solid". bty="n".cex=0. lty="dotted".y=0+7/20.lwd=1. bty="n".lty="dashed".lty="dotted".lwd=1.lwd=3) legend(c(expression(F[T/tilde(Y)](t/tilde(y))[N.points = FALSE.vert=’black’) legend(c(expression(F[T](t)[Gerado])).8) F_g<-ecdf(ptfg) lines(F_g.col=c("black").x=6000.FRCL.type="l". col.cex=0.Caso 1: Distribuição do Tempo até a Falha T ∼ Bimodal .lwd=1.lty="dashed".col=c("black").col="black". col=c("black")) legend(c(expression(F[T/tilde(theta)](t/tilde(theta))[Real])).x=6000. verticals= TRUE.x=6000.lwd=3. do. bty="n".8) .

15000. bty="n") title("Perfis de Degradação .Observados e Estimados") .type="p".d$Desgaste.xlab="Tempo (horas)".Anexo B ROTINA NO R . "Df=10".head=T) horas<-seq(0.txt’.table(’DesgLaser. ylab="Degradação %") abline(h=df) legend(locator(1).d$Desgaste) plot(d$Tempo.Emissores de Laser Para Predições setwd("C:/CAMINHO") nperfis<-15 #número de perfis de degradação ntotal<-nperfis*17 #leitura da base de dados das rodas de trem d<-read.1) d df=10 #estabelecendo um limiar crítico de degradação # Plotando os perfis de degradação windows() lim=range(d$Tempo.

system.NA)) # O WinBUGS realiza predições para observações marcadas como NA #chamando os pacotes que realizam a comunicação do R com o WinBUGS #packages("R2WinBUGS") library("R2WinBUGS") require(R2WinBUGS) require(BRugs) model.file) #Preparação dos dados para o WinBugs data <.Emissores de Laser Para Predições 124 # Rodar apenas este para predição no tempo zero ntotal<-ntotal+1 nperfis<-nperfis+1 d<-rbind(d.lambda=0.tau=0. ROTINA NO R .i*250. "model".function() list(delta=6.1.file(package = "R2WinBUGS".c(nperfis.list( n1=ntotal.nperfis) #Atribuindo os valores iniciais aos parâmetros inits <. y=d$Desgaste.show(model. units=d$Unidade) ibetas<-rep(500.c(nperfis.0.file <.txt”) file.001. "WeibullModelD ISSP .0)) # Rodar esta parte em complemento à anterior para predições vários passos a frente npredict<-17 #Determine a quantidade de passos a frente das predições for (i in 1:npredict) ntotal<-ntotal+1 d<-rbind(d. hours=d$Tempo.beta=ibetas) . n2=nperfis.Anexo B.

975<-vector() #calculando estimativa média e bandas de credibilidade da degradação no perfil futuro for (i in 1:ntotal) y.codaPkg=FALSE. "lambda". n. n.iter = 11000.thin=1.i].chains = 1. n.burnin=1000. model.025[i]<-quantile(ypred[.burnin=1000.sim <.975[i]<-quantile(ypred[.c(.codaPkg=FALSE.i]) y. working.n.directory ="C:/CAMINHO"."beta".025<-vector() y. bugs.sim$sims.025)) y.chains = 1.pred[i]<-mean(ypred[.pred. inclusive para a inserida na verossimilhança (futura) ypred<-head(weib.bugs(data. n. debug = FALSE.125 #Determinação dos parâmetros a serem monitorados parameters <.pred.directory ="C:/Program Files/WinBUGS14".file.n. debug = FALSE.pred.pred.iter = 10001000.c("delta". "sigma". n. clearWD = FALSE) print(weib.pred") semente=1000 weib.pred<-vector() y.sim) #armazenando os resultados preditos para todas as unidades.975)) nperfis<-15 ntotal<-nperfis*17 #insere no gráfico as medidas de degradação preditas para os perfis sob teste for (i in 1:nperfis) .i]. inits.thin=1000.c(. parameters. # n. bugs.(4+nperfis):(4+nperfis+ntotal)]) y."y.seed=semente.matrix[.

y.lty=c("dashed")) #insere no gráfico as medidas de degradação preditas para o perfil futuro lines(d$Tempo[1:17].Anexo B.lwd=4. ROTINA NO R .col="black") #insere a banda superior de credibilidade para as medidas de degradação preditas para o perfil futuro lines(d$Tempo[1:17].975[((nperfis+1)*17-16):((nperfis+1)*17)]. lty=1. lty=c("dashed").pred[a:b].Emissores de Laser Para Predições 126 a<-i*17-16 b<-i*17 lines(d$Tempo[1:17].col="black") #insere a banda inferior de credibilidade para as medidas de degradação preditas para o perfil futuro lines(d$Tempo[1:17]. lty=1.y.lwd=4.y.025[((nperfis+1)*17-16):((nperfis+1)*17)].lwd=4.pred.pred[((nperfis+1)*17-16):((nperfis+1)*17)].col="black") .pred.y.

#verossimilhança for( i in 1 : n1 ) y[i] ∼ dnorm(mu[i].Anexo C MODELO PARA WINBUGS: WEIBULL #Este modelo deve ser colocado na pasta C:/Program Files/R/R-2.1/library/R2WinBUGS/model MODEL.01) lambda ∼ dgamma(0.escala) #hiperprioris delta ∼ dgamma(0.01.01) .0.01.8.lambda) #(forma.0.tau) mu[i]<-hours[i]/(beta[units[i]] ) #prioris for( i in 1 : n2 ) beta[i] ∼ dweib(delta.

Anexo C. MODELO PARA WINBUGS: WEIBULL 128 tau ∼ dgamma(0.01.01) sigma<-1/sqrt(tau) .0.

01) tauL ∼ dgamma(0.01) .Anexo D MODELO PARA WINBUGS: LOGNORMAL #Este modelo deve ser colocado na pasta C:/Program Files/R/R-2. #verossimilhança for( i in 1 : n1 ) y[i] ∼ dnorm(mu[i].escala) #hiperprioris muL ∼ dnorm(0.0.0. tauL) #(locação.1/library/R2WinBUGS/model MODEL.8.tau) mu[i]<-hours[i]/(beta[units[i]] ) #prioris for( i in 1 : n2 ) beta[i] ∼ dlnorm(muL.01.

Anexo D.01) sigma<-1/sqrt(tau) .0. MODELO PARA WINBUGS: LOGNORMAL 130 sigmaL<-1/sqrt(tauL) tau ∼ dgamma(0.01.