Análise Bayesiana para a distribuição Exponencial-Logarítmica

Abstract

A Exponencial-Logarítmica (EL(p; )) é uma distribuição para modelos de sobrevivência com taxa de falha decrescente. Esta distribuição pode ser usada para estudar os tempos de vida de organismos, materiais, dispositivos, etc, em ciências biológicas e na engenharia. Neste trabalho foram utilizadas as abordagens Clássica e Bayesiana para inferir sobre os parâmetros do modelo com conjunto de dados completos e censurados. A abordagem Bayesiana requer a seleção de distribuições a priori para os parâmetros do modelo. No caso onde há informação dos dados, foram escolhidas distribuições a priori não-informativas. Por outro lado, quando há poucos dados e/ou são dados censurados, torna-se necessária uma priori informativa obtida a partir das informações de um especialista. Neste trabalho propôs-se uma priori informativa elicitada através de informações de especialistas e derivada da aproximação de Laplace. Portanto, a análise Bayesiana foi realizada considerando os dois tipos de distribuição a priori: informativa e não-informativa. As distribuições a priori não-informativas usadas foram: priori de Jeffreys (Jeffreys (1967)), priori de Referência (Berger and Bernardo (1992)), priori de Máxima Informação dos Dados (Zellner (1977)) e priori derivada da função Cópula (Achcar et al. (2010)). Estas distribuições a priori também foram comparadas com outras distribuições a priori comuns, tais como Beta, Gama e Uniforme. A fim de avaliar o desempenho das distribuições a priori, foi apresentado um estudo comparativo utilizando dados simulados a partir da distribuição EL(p; ) e um conjunto de dados reais introduzido por Lawless (1982). Utilizou-se o algoritmo MCMC para obter uma amostra de valores da posteriori conjunta, a fim de extrair características das distribuições posteriores marginais, tais como médias a posteriori, moda e intervalos de credibilidade

The Exponential-Logarithmic, denoted by EL(p; ), is a lifetime distribution with decreasing failure rate. This distribution can be used to study the lengths of organisms, devices, materials, etc., in the biological and engineering sciences. In this dissertation we use classical and Bayesian approaches to make inferences for the parameters of the model under complete and censored data set. Bayesian approach requires the selection of prior distributions for all parameters of the model. In this case, we will seek to choose a noninformative prior that provides best estimation when there is absence of information or with large data set and uncensored data. On the other hand, when there is few data to use or presence of censored data, an informative prior obtained from the expert’s information is necessary. We propose an informative prior elicited from the expert’s opinion and derived though Laplace’s approximation. Thus, we carry out the Bayesian estimation by considering the two types of prior distributions. Different noninformative prior distributions are used as Jeffreys (Jeffreys (1967)), Reference (Berger and Bernardo (1992)), maximal data information prior (Zellner (1977)) and prior derived from copula function (Achcar et al. (2010)). These priors are also compared with other common priors such as beta, gamma, and uniform distributions. A comparative study to evaluate the performance of the prior distributions through simulated data from the EL(p; ) distribution and a practical data set introduced by Lawless (1982) presented. We also need to appeal to the MCMC algorithm to obtain a sample of values of and from the joint posterior in order to extract characteristics of marginal posterior distributions such as Bayes estimator, mode and credible intervals