Gráficos Probabilísticos Un Grafico Probabilístico es una representación del nivel de ajuste de algunos datos muéstrales a una distribución hipotética, el cual parte de la linealización de algunas de las funciones características de la distribución hipotética en función de los tiempos observados. Por ejemplo: Modelo Exponencial tα = γ − 1 λ Ln(1 − α ) Y = a + bX − Ln(1 − α ) = −γλ + λtα Y = tα X = − Ln(1 − αˆ ) â = γˆ bˆ = λˆ Y = − Ln(1 − αˆ ) ˆ ˆ bˆ = λˆ â = −γλ λˆ = 1 b̂ X = tα γˆ = − aˆ bˆ Ejemplo Los siguientes datos corresponden a una muestra aleatoria de tiempos de falla. Se supone que la distribución es exponencial. Estime los parámetros mediante mínimos cuadrados t Observado 1,98 2,14 2,33 3,16 3,81 4,22 5,08 5,17 5,36 5,53 5,56 5,98 6,12 6,38 6,52 6,53 6,58 7,60 8,12 8,33 8,37 16,30 18,76 Posicion (t) Alpha = F(t) "-LN(1-alpha)" 1 0,04 0,04 2 0,08 0,09 3 0,13 0,13 4 0,17 0,18 5 0,21 0,23 6 0,25 0,29 7 0,29 0,34 8 0,33 0,41 9 0,38 0,47 10 0,42 0,54 11 0,46 0,61 12 0,50 0,69 13 0,54 0,78 14 0,58 0,88 15 0,63 0,98 16 0,67 1,10 17 0,71 1,23 18 0,75 1,39 19 0,79 1,57 20 0,83 1,79 21 0,88 2,08 22 0,92 2,48 23 0,96 3,18 tα = γ − 1 λ Ln(1 − αˆ ) Teoricamente tα = 2.3 + 4.52(− ln(1 − α )) tα Parámetros de la Estimación 2,30 a 2,30 Gamma b 4,52 Lambda 0,22 R2 0,86 Dificultades con el Grafico Probabilístico Existe una dificultad respecto a la forma adecuada de estimar F(t), frente a ello han surgido diferentes propuestas, todas ellas requieren del ordenamiento previo de los datos de falla y la asignación de su respectiva posición i dentro de este ordenamiento. Fˆ (t ) = it n Sugiere la existencia de un limite para los tiempos de fallas “F(t) =1” it n −1 Solución Rápida al Problema anterior it − 0.5 n ( Fˆ (ti ) + Fˆ (ti −1 )) *1/ 2 it − 0.3 n + 0.4 Aproximación de Bernard al Rango Mediano i 1− ∏ j =1 n 0.5 = ∑ MR k (1 − MR ) n − k k =i k Estimador de Kaplan - Meier n n j − rj nj OTRAS FUNCIONES DE PROBABILIDAD Generalmente las funciones de densidad han surgido como resultado del planteamiento de un modelo hipotético sobre la función de riesgo β h(t ) = η t η β −1 β t − γ h(t ) = η η β −1 Este planteamiento fue el propuesto por Weibull (1939). γ ≥0 Denota el tiempo a partir del cual se generaría la primera falla. η >0 Es un parámetro que ajusta la escala de tiempo de observación. β Determina la velocidad de crecimiento y curvatura de la función de riesgo. DISTRIBUCIÓN WEIBULL Es quizás la más utilizada en el campo del análisis de tiempo de fallo, dada su versatilidad y capacidad de ajuste a diferentes funciones de riesgo. Tres Parametros Dos Parametros β f (t ) = η t η F (t ) = 1 − e R(t ) = e t − η β −1 t − η e t − η β β t − γ f (t ) = η η β F (t ) = 1 − e β R(t ) = e E (T ) = ηΓ(1 + β −1 ) tα = η (− ln(1 − α )) 1 β MTTF t −γ − η t −γ − η β −1 e t −γ − η β β E (T ) = γ + ηΓ(1 + β −1 ) tα = γ + η (− ln(1 − α )) 1 β β Ejercicio • Simule 100 números aleatorios de una distribución Weibull de dos parámetros (usted escoge los parámetros). • Demuestre que el tiempo de vida que no es superado por el α % de los dispositivos se puede expresar como: tα = η (− ln(1 − α )) 1 ln( − ln(1−α )) β tα = elnη .e β • Linealice esta expresión y construya un grafico probabilístico que le permita estimar los parámetros la distribución. •Repita el procedimiento para una distribución con 3 parámetros Grafico Probabilístico Weibull 2 Parametros F (t ) = 1 − e t − η β tα = η (− ln(1 − α )) Ln(tα ) = Ln(η ) + 1 Ln(− Ln(1 − α )) β Y = Ln(tα ) X = Ln(− Ln(1 − αˆ )) aˆ = Ln(η ) b̂ = 1 β 1 β Ln(− Ln(1 − α )) = − β Ln(η ) + β Ln(tα ) Y = Ln(− Ln(1 − αˆ )) η = eâ bˆ = βˆ 1 βˆ = b̂ aˆ = −β Ln(η ) X = Ln(tα ) ηˆ = e − aˆ bˆ Grafico Probabilístico Weybull Diferentes esquemas de nomogramas han sido propuestos para estimar de manera aproximada los parámetros de la distribución weybull Porque el parámetro de escala puede ser estimado como η = t0.632 ? Grafico Probabilístico Weibull 3 Parametros F (t ) = 1 − e t −γ − η β tα = γ + η (− ln(1 − α )) Ln(tα − γ ) = Ln(η ) + 1 Ln(− Ln(1 − α )) β Y = Ln(tα ) X = Ln(− Ln(1 − αˆ )) aˆ = Ln(η ) b̂ = 1 β 1 β Ln(− Ln(1 − α )) = − β Ln(η ) + β Ln(tα − γ ) Y = Ln(− Ln(1 − αˆ )) η = eâ bˆ = βˆ 1 βˆ = b̂ aˆ = −β Ln(η ) X = Ln(tα ) ηˆ = e − aˆ bˆ Estimación del Parámetro Posición Propuesta 1. Consiste en ubicar mediante ensayo error, valores arbitrarios de este parámetro dentro de un intervalo próximo al mínimo valor observado en al muestra de tiempos de falla. El criterio de selección seria mediante el mayor ajuste a la línea recta y la eliminación de concavidades en el grafico de probabilidades. Propuesta 2. Se ubican 3 puntos equidistantes sobre la función de distribución acumulativa y se obtienen los respectivos percentiles asociados: F (tα1 ); F (tα 2 ); F (tα3 ) 1 | α 3 − α 2 = α 2 − α1 = (α 3 − α1 ) 2 (t3 − t2 )(t2 − t1 ) γ = t2 − (t3 − t2 ) − (t2 − t1 ) Grafico Probabilistico – Bajo censura Cuando se presenta censura generalmente se afecta la estimación de la función de distribución acumulativa y de confiabilidad, sin embargo la función de riesgo es un poco más robusta F (t ) = 1 − e t − η β = 1− e − H (t ) t ⇒ H (t ) = η LINEALIZANDO Ln( H (t )) = β Ln(t ) − β Ln(η ) β Ejemplo El tiempo en días transcurrido desde que una rata es infectada con la célula cancerigena DMBA, hasta que finalmente esta muere por su causa se presenta a continuación Días Estado Días Estado 143 188 188 190 192 206 209 213 216 M M M M M M M M M 216 220 227 230 234 244 246 265 304 C M M M M C M M M M=Muerte; C=censura Ejemplo Ajuste un modelo probabilístico tipo Weybull o Exponencial y responda las siguientes preguntas. 1. Según sus estimaciones, cual es el tiempo mínimo de supervivencia de una rata infectada con esta célula. 2. Al cabo de cuanto tiempo se esperaría que murieran el 50% de las ratas. 3. Cual es el tiempo de muerte que no supera el 95% de las ratas 4. De una estimación para el tiempo esperado de muerte una vez se ha adquirido la infección. 5. Una rata que ha sobrevivido los primeros 200 días, que probabilidad tiene de sobrevivir 100 días adicionales o más. 6. Cual es tiempo promedio de vida adicional para una rata que ha superado los primeros 180 días de infección. Otras Distribuciones empleadas en Fiabilidad Distribución Gumbel: h(t ) = 1 β Distribución Rayleigh: ( t −γ ) e β h(t ) = α + β t Distribucion Gompertz h(t ) = θ + 1 β ( t −γ ) e β Distribución Tipo Bañera h(t ) = δ t + β t +γ βt h(t ) = α α β −1 e t α β