Sejam X₁, …, Xₙ uma amostra aleatória de uma população exponencial com parâmetro β. Esta amostra corresponde aos períodos decorridos (em anos) até que ocorra uma falha em n circuitos idênticos, testados e utilizados até falharem.
Função de Densidade da Distribuição Exponencial
Para uma única variável aleatória exponencial, a função de densidade de probabilidade é dada por:
\(f_X(x|\beta) = \frac{1}{\beta} e^{-x/\beta}, \quad x > 0, \beta > 0\)
Onde:
- β é o parâmetro de escala (também igual à média da distribuição)
- x é o tempo até a falha
- A distribuição exponencial modela adequadamente tempos até falha de componentes eletrônicos
Distribuição Conjunta da Amostra
Para uma amostra aleatória de n observações independentes, a distribuição conjunta é o produto das densidades individuais:
\(f_{X_1,\ldots,X_n}(x_1,\ldots,x_n|\beta) = \prod_{i=1}^{n} f_{X_i}(x_i|\beta) = \prod_{i=1}^{n} \frac{1}{\beta} e^{-x_i/\beta}\)
Simplificando a expressão:
\(f_{X_1,\ldots,X_n}(x_1,\ldots,x_n|\beta) = \frac{1}{\beta^n} e^{-\sum_{i=1}^{n} x_i/\beta}\)
Onde \(\sum_{i=1}^{n} x_i\) representa a soma de todos os tempos até falha observados.
Exemplo Prático com Simulação em R
Simulando uma Amostra Exponencial
Vamos simular uma amostra de 10 circuitos com tempo médio até falha de 5 anos (β = 5):
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
# Parâmetros n <- 10 # Tamanho da amostra beta <- 5 # Parâmetro da distribuição (tempo médio até falha) # Simular amostra exponencial set.seed(123) # Para reproducibilidade amostra <- rexp(n, rate = 1/beta) # Visualizar os tempos até falha (em anos) print("Tempos até falha (anos):") print(amostra) # Calcular estatísticas descritivas media_amostral <- mean(amostra) soma_amostral <- sum(amostra) print(paste("Média amostral:", round(media_amostral, 3))) print(paste("Soma dos tempos até falha:", round(soma_amostral, 3))) |
Cálculo da Verossimilhança para Diferentes Valores de β
A função de verossimilhança para a amostra exponencial é proporcional à densidade conjunta:
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 |
# Função para calcular a verossimilhança verossimilhanca <- function(beta, dados) { n <- length(dados) soma <- sum(dados) # Retorna a verossimilhança (proporcional à densidade conjunta) return((1/beta^n) * exp(-soma/beta)) } # Calcular verossimilhanca para diferentes valores de beta beta_valores <- seq(1, 10, by = 0.1) verossimilhancas <- sapply(beta_valores, verossimilhanca, dados = amostra) # Encontrar o valor de beta que maximiza a verossimilhança beta_max <- beta_valores[which.max(verossimilhancas)] print(paste("Estimativa de máxima verossimilhança para β:", round(beta_max, 3))) # Visualizar a função de verossimilhança plot(beta_valores, verossimilhancas, type = "l", xlab = "β (anos)", ylab = "Verossimilhança", main = "Função de Verossimilhança para a Amostra Exponencial") abline(v = beta_max, col = "red", lty = 2) abline(v = media_amostral, col = "blue", lty = 2) legend("topright", legend = c("Máxima verossimilhança", "Média amostral"), col = c("red", "blue"), lty = 2) |
Note que para a distribuição exponencial, o estimador de máxima verossimilhança de β é igual à média amostral, o que será confirmado no gráfico.
Interpretação dos Resultados
Os resultados da simulação e análise mostram que:
- A distribuição conjunta da amostra exponencial captura a probabilidade de observar todos os tempos até falha simultaneamente
- A função de verossimilhança \(L(\beta) = \frac{1}{\beta^n} e^{-\sum x_i/\beta}\) media quão “provável” é o parâmetro β dado os dados observados
- O estimador de máxima verossimilhança para β é a média amostral: \(\hat{\beta} = \frac{1}{n}\sum_{i=1}^{n} X_i\)
Importante: A distribuição exponencial possui a propriedade de “falta de memória”, o que significa que a probabilidade de falha num intervalo futuro não depende de quanto tempo o componente já funcionou. Esta propriedade a torna adequada para modelar tempos até falha de componentes eletrônicos.
Aplicação Prática: Estimativa de Confiabilidade
Com o parâmetro β estimado, podemos calcular medidas de confiabilidade importantes:
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 |
# Função de confiabilidade: P(X > t) confiabilidade <- function(t, beta) { return(exp(-t/beta)) } # Função de taxa de falha (constante para a exponencial) taxa_falha <- function(beta) { return(1/beta) } # Usando a estimativa de beta t <- 2 # Tempo de interesse (anos) conf <- confiabilidade(t, beta_max) taxa <- taxa_falha(beta_max) print(paste("Confiabilidade em", t, "anos:", round(conf, 3))) print(paste("Taxa de falha estimada:", round(taxa, 3), "falhas/ano")) # Gerar gráfico da função de confiabilidade tempos <- seq(0, 15, by = 0.1) confiabilidades <- confiabilidade(tempos, beta_max) plot(tempos, confiabilidades, type = "l", xlab = "Tempo (anos)", ylab = "Confiabilidade R(t)", main = "Função de Confiabilidade do Circuito") abline(v = t, col = "red", lty = 2) abline(h = conf, col = "red", lty = 2) |
Conclusão
A distribuição conjunta de uma amostra exponencial, dada por \(f_{X_1,\ldots,X_n}(x_1,\ldots,x_n|\beta) = \frac{1}{\beta^n} e^{-\sum_{i=1}^{n} x_i/\beta}\), é fundamental para inferência estatística sobre o parâmetro β. Através do método de máxima verossimilhança, podemos estimar o tempo médio até falha e consequentemente calcular medidas de confiabilidade importantes para o gerenciamento de componentes eletrônicos.
Referências
- Casella, G., & Berger, R. L. (2002). Statistical Inference.
- Meeker, W. Q., & Escobar, L. A. (1998). Statistical Methods for Reliability Data.
- R Core Team (2023). R: A Language and Environment for Statistical Computing.