UMA ANÁLISE DA CLASSE G-POISSON
VITOR EMANUEL DE LYRA SANTOS NAVARRETE
Orientador: Prof. Dr. Gauss MoutinhoCordeiro
Áreade Con entração: Probabilidade
UMA ANÁLISE DA CLASSE G-POISSON
VITOR EMANUEL DE LYRA SANTOS NAVARRETE
Orientador: Prof. Dr. Gauss MoutinhoCordeiro
Áreade Con entração: Probabilidade
Dissertaçãosubmetida omo requerimentopar ial para obtenção dograu
de Mestre em Estatísti a pelaUniversidade Federal de Pernambu o
Catalogação na fonte
Bibliotecária Monick Raquel Silvestre da Silva, CRB4-1217
Santos Navarrete, Vitor Emanuel de Lyra
Um novo método para compor distribuições: uma
análise da classe G-Poisson / Vitor Emanuel de Lyra Santos
Navarrete. - Recife: O Autor, 2013.
xiv, 63 f.: il., fig., tab.
Orientador: Gauss Moutinho Cordeiro.
Dissertação (mestrado) - Universidade Federal de
Pernambuco. CCEN. Estatística, 2013.
Inclui bibliografia.
1. Probabilidades. 2. Distribuição de probabilidades I.
Cordeiro, Gauss Moutinho (orientador). II. Título.
Agradeço, ini ialmente, àtodaminha família,mãe,irmãs,avós,tiosetias, primose
primas, que são a base dessa fundação que hamamos de vida. As ligaçõesgenéti as são
uma herança proveniente daengenhosidade damãe natureza e estarão onos o por toda
nossa vida.
Agradeço aos diversos professores que passaram por minha vida e a reditaram, ou
não, em mim. Ao professor Gauss, por toda a pa iên ia durante a orientação deste
trabalho. Atodososprofessoresdoprogramadepós-graduaçãodaUFPE,quepermitiram
a onstrução deste trabalho. Ao professor Juvên io, pelos muitos anos de pa iên ia e
onselhos. Ao professor João Maurí io pela energia. Aos professores da graduação em
AtuáriadaUFC, Iana,Alane, Sérgio,Ana eAlanaque tantome aturaram. E aos tantos
outros professores, do ensino fundamental e médio, dos ursos de língua e de músi a. A
todos estes, o meu eterno agrade imento.
Agradeçotambém aos fun ionáriosquefazemosistemade ensinoandarnos trilhos.
Sem o Emilson,a Valériae o Jimmyeu não teria hegado até aqui.
Mas, também agradeço aos amigos,pois,se a famíliaé a base que onstroio nosso
lar,para oqualsemprepodemosretornar, osamigossão omuroque er aeprotege, que
nos a ompanhaportodaajornada. Noaproximadomeioquarto desé uloquevivi,andei
por vários lugares e, em ada um deles, oletei ao menos um amigo que se tornou um
tijoloem talmuro.
Agradeçoatodoe adaumdestestijolos. AoCleytonqueéoprimeirodequaltenho
lembrança. Ao Daniel pelas noites em laro, quando isso ainda era proibido. A Jayme,
Neto,PedroSilaseThi ianopelastardespreguiçosas. ADanilo,Danieleorestodogrupo
pelasaventuras. AossonhadoresdoCEFET queaindamantémseusideais. AGrei epela
onança e a Nathália pela falta de juízo. A Sérgio e Fábio pela gozação. Ao pessoal
das guildas, Deby, Paloma, André, Guilherme e todoo resto, pois asvezes trabalhar em
grupoé mais divertido. À Natália por ser a pessoa mais pa iente que onheço. A Maira
e Robério, já que alguém tem que pagar a onta. Ao Eunílso pela onança indubitável.
Ao Mário que me ouviu. À Marila , já que ninguém pre isa fazer sentido. À Maristela
de tentativas de ar ri o. A Talles e Mel, pois pis ina é sempre bom. À Roberta que
não temos nosso próprio ra io ínio?
- DonCorleone.
Re entemente, diversos autores têm investigado novas distribuições de
sobrevivên- ia devido à sua exibilidade para ajustar dados. Muitas dessas novas ditribuições são
obtidas através da omposição de uma distribuição ontínua om uma dis reta. Neste
trabalhoum novo métodopara ompor distribuiçõeséproposto: a lasse G-Poisson.
Di-versaspropriedadesdessadistribuiçãogeralsãoestudadas. AdistribuiçãoLomax-Poisson,
perten ente atal lasse,também éinvestigada.
Palavras- have: Análisedesobrevivên ia;Composição;DistribuiçãoPoisson;Estimadores
Nowadaysmanyauthorsinvestigatenewsurvivaldistributionsgiven theirexibility
to model data. Many of those new distribution are obtained through the omposition
of a ontinuous and a dis rete distribution. In this thesis a new method to ompose
distributionsisproposed: theG-Poisson lass. Manypropertiesofthisgeneraldistribution
are studied. Also, the Lomax-Poisson distribution, ontained in the proposed lass, is
investigated.
Keywords: Composition; Maximum likelihood estimators; Poisson distribution; Survival
1.1 Densidade da distribuição Weibull expone ializada para
α = 2, β = 2
ealgunsvaloresde
a
. . . 31.2 Taxa de falha dadistribuição Weibull expone ializadapara alguns valores
doparâmetros. . . 3
1.3 Densidadedadistribuiçãoexponen ialexpone ializadapara
β = 2
ealgunsvalores de
a
. . . 41.4 Taxa de falha da distribuição exponen ial expone ializada para
β = 2
ealgunsvaloresde
a
. . . 41.5 Densidade dadistribuição exponen ial geométri a para alguns valores dos
parâmetros. . . 7
1.6 Taxa de falha da distribuição exponen ial geométri a para alguns valores
dos parâmetros. . . 7
1.7 Densidadedadistribuiçãoexponen ialPoisson para
β = 2
ealgunsvaloresde
θ
. . . 81.8 Taxa de falha da distribuição exponen ial Poisson para
β = 2
e algunsvalores de
θ
. . . 81.9 Densidade da distribuição exponen ial logarítmi a para
β = 2
e algunsvalores de
q
. . . 101.10 Taxa de falhadadistribuição exponen ial logarítmi apara
β = 2
e alguns1.11 Densidade dadistribuição Weibull geométri a para
α = 2, β = 2
e algunsvalores de
p
. . . 121.12 Taxa de falha da distribuição Weibull geométri a para alguns valores do
parâmetros. . . 12
1.13 Densidade da distribuição Weibull Poisson para alguns valores dos
parâ-metros.. . . 13
1.14 Taxa de falha dadistribuição Weibull Poisson para algunsvalores dos
pa-râmtros. . . 13
1.15 Densidadeda distribuiçãoWeibull logarítmi apara alguns valores dos
pa-râmetros. . . 15
1.16 Taxa de falha dadistribuição Weibull logarítmi apara alguns valores dos
parâmetros. . . 15
2.1 Densidadeda distribuiçãoMOEE para
β = 2
e alguns valores deλ
. . . 192.2 Taxa de falhada distribuição MOEE para
β = 2
e algunsvalores deλ
. . . 192.3 Densidadeda distribuiçãoMOEW para
α = 2
,β = 2
ealguns valores deλ
. 202.4 Taxa de falhada distribuição MOEWpara alguns valores dos parâmetros. 20
2.5 Densidadeda distribuiçãoMOEL para alguns valores dos parâmetros. . . . 22
2.6 Taxa de falhada distribuição MOELpara alguns valores dos parâmetros. . 22
3.1 Densidadeda exponen ial-Poisson para algunsvalores dos parâmetros. . . 34
3.2 Densidadeda Weibull-Poissonpara alguns valores dos parâmetros. . . 34
3.3 Densidadeda gama-Poisson para alguns valores dos parâmetros. . . 35
3.4 Densidadeda normal-Poisson padrãopara alguns valores de
θ
. . . 353.5 Afunçãoderis odaexponen ial-Poissonparaalgunsvaloresde
θ
omλ = 1
. 383.6 Histogramados sinistros edensidades ajustadas. . . 48
3.7 Histogramadotempode sobrevivên ia edensidades ajustadas. . . 49
4.1 Densidadeda distribuiçãoLP para alguns valores dos parâmetros. . . 51
4.2 Taxa de falhada distribuição LPpara alguns valores dos parâmetros. . . . 51
3.1 EMVs dosparâmetrosdos modelos easestimativasdos erros-padrõespara
o primeiro onjuntode dados bem omo as estatísti as AIC e BIC
orres-pondentes. . . 47
3.2 EMVs dosparâmetrosdos modelos easestimativasdos erros-padrõespara
o segundo onjunto de dados bem omo as estatísti as AIC e BIC
orres-pondentes. . . 48
4.1 EMVs dos parâmetrosdos modeloseasestimativasdoserros-padrõesbem
Lista de Figuras ix Lista de Tabelas xi 1 Introdução 1 1.1 Composições. . . 5 1.1.1 Exponen ial G . . . 6 1.1.2 Weibull G . . . 11
1.1.3 Outrosmétodos de omposição . . . 16
2 A lasse Marshall-Olkin estendida G 17 2.1 A lasse Marshall-Olkin . . . 17
2.2 A distribuiçãoMarshall-Olkinestendida Lomax . . . 21
2.3 Algumaspropriedades . . . 23
2.3.1 Expansão para adistribuição . . . 23
2.3.2 Momentos eGeratriz de Momentos . . . 24
2.3.3 Entropia . . . 26
2.3.4 Desvios Médios . . . 28
2.3.5 Momentos Probabilisti amentePonderados . . . 29
2.3.6 Estatísti as de Ordem . . . 30
3.1 A lasse G-Poisson . . . 32
3.2 Alguns asos espe iais . . . 33
3.2.1 Exponen ial-Poisson . . . 33
3.2.2 Weibull-Poisson . . . 33
3.2.3 Gama-Poisson . . . 36
3.2.4 Normal-Poisson . . . 36
3.3 AlgumasPropriedades . . . 36
3.3.1 Expansão para adistribuição G-Poisson . . . 36
3.3.2 Função taxade falha . . . 37
3.3.3 Moda . . . 38
3.3.4 Simulação . . . 39
3.3.5 Momentos . . . 39
3.3.6 Função geratrizde momentos . . . 41
3.3.7 Entropia . . . 42
3.3.8 Desvios Médios . . . 43
3.3.9 Momentos Probabilisti amentePonderados . . . 43
3.3.10 Estatísti as de ordem . . . 44 3.4 Estimação . . . 45 3.5 Apli ação . . . 47 4 A distribuição Lomax-Poisson 50 4.1 A distribuiçãoLomax-Poisson . . . 50 4.2 Propriedades . . . 52
4.2.1 Expansão para adistribuição LP . . . 52
4.2.2 Momentos eGeratriz de Momentos . . . 53
4.2.3 Entropias . . . 53
4.2.4 Desvios Médios . . . 54
4.2.5 Momentos Probabilisti amentePonderados . . . 54
4.2.6 Estatísti as de Ordem . . . 55
4.3 Estimadores de MáximaVerossimilhança . . . 56
Introdução
A análisede sobrevivên ia éaáreadaestatísti aqueestudaaquantidadede tempo
trans orridoatéaefetivaçãode umeventodeinteresse. Taleventopodeser tantoamorte
omo a ura de um pa iente ouo tempo até um equipamentonovo falhar. Dessa forma,
a análise de sobrevivên ia tem apli ação em diversas áreas omo medi ina, engenharia,
atuáriae biologia,entre outras.
As distribuições exponen ial, Weibull e gama são omumente empregadas em
es-tudos de sobrevivên ia devido às suas interessantes propriedades. Essas distribuições,
ontudo, apresentam restrições, omo formas limitadasdas suas funçõesde ris o, devido
aoreduzido númerode parâmetros.
A evoluçãoda omputação,entretanto,possibilitaquedistribuiçõesmais omplexas
sejamajustadasaos dados. Assim,diversospesquisadorestêminvestigadonovasmaneiras
de adi ionarparâmetrosàsdistribuiçõesjá onhe idas,tornando asdistribuiçõesgeradas
mais exíveis.
MudholkareSrivastava(1993),porexemplo, propuseramadistribuiçãoWeibull
ex-ponen ializada. As distribuições exponen ializadassão onstruidas da seguinte maneira:
seja
Y
o tempo de falha de uma omponente, interpretado omo uma variável aleatóriaom função distribuição
G(.)
. Considerando-se, então, um sistema oma
omponentesem paralelo,emque talsistemafalhasetodasas
a
omponentes falharemeostemposdepor
X =
max{Y
1
, Y
2
, . . . , Y
a
}
e sua função distribuição porH
a
(x) = G(x)
a
,
(1.1)em que
H
a
(x)
é hamada de G-exponen ializada, por vezes também referida por G-generalizada. Sua densidade é representada porh
a
(x) = a G(x)
a−1
g(x).
(1.2)A função distribuição denida por (1.1) e a densidade denida por (1.2) podem ser
es-tendidas para qualquer
a
real positivo. A quantidadea G(x)
a−1
atua omo um fator de
orreção nadistribuição original, também, denominada de baseline. É fá il veri ar que
para
a = 1
,H
a
(x)
éequivalente abaselineG(x)
, i.e.,H
1
(x) = G(x)
.A função distribuiçãoe afunção densidade dadistribuição Weibull(Weibull,1951)
são iguais a
G(x) = 1 − exp[−(x/β)
α
]
eg(x) =
α x
α−1
β
α
exp[−(x/β)
α
], x > 0,
(1.3)emque
α > 0
eβ > 0
sãoosparâmetrosdeformaees ala,respe tivamente. AdistribuiçãoWeibullexponen ializada(WE), então, possui distribuiçãoe densidade dadas por
H
a
(x) = {1 − exp[−(x/β)
α
]}
a
eh
a
(x) =
a α x
α−1
β
α
exp[−(x/β)
α
]{1 − exp[−(x/β)
α
]}
a−1
.
A função taxa de falha ou função de ris o é denida omo
r(x) = f (x)/F (x)
,em que
F (x) = 1 − F (x)
é a função de sobrevivên ia. Para a distribuição Weibullexponen ializada,a função de ris o édada por
r(x) =
a α x
α−1
exp[−(x/β)
α
]{1 − exp[−(x/β)
α
]}
a−1
β
α
{1 − {1 − exp[−(x/β)
α
]}
a
}
.
As Figuras 1.1 e 1.2 mostram a densidade e a taxa de falha da distribuição
Wei-bull exponen ializada para alguns valores dos parâmetros. Na Figura1.2, nota-se que a
distribuição Weibull exponen ializada possui função taxa de falha unimodale em forma
de U, enquanto a taxa de falha da distribuição Weibull apenas assume forma res ente,
de res ente e onstante.
GuptaeKundu(1999)investigaramadistribuiçãoexponen ialexponen ializada. A
distribuição exponen ialpossui função distribuiçãoe função densidade iguais a
G(x) = 1 − exp(−x/β)
eG(x) =
1
0
2
4
6
8
10
0.0
0.2
0.4
0.6
0.8
1.0
x
f(x)
α
=2,
β
=2, a=1
α
=2,
β
=2, a=2
α
=2,
β
=2, a=10
α
=2,
β
=2, a=0.1
α
=2,
β
=2, a=0.5
Figura1.1: DensidadedadistribuiçãoWeibullexpone ializadapara
α = 2, β = 2
ealgunsvalores de
a
.0
2
4
6
8
10
0
5
10
15
x
r(x)
α
=2,
β
=2, a=1
α
=5,
β
=2, a=5
α
=2,
β
=0.5, a=0.1
α
=0.5,
β
=2, a=0.5
α
=0.5,
β
=0.01, a=1000
Figura1.2: Taxa de falhadadistribuiçãoWeibullexpone ializada para algunsvalores do
0
2
4
6
8
10
0.0
0.2
0.4
0.6
0.8
1.0
x
f(x)
β
=2, a=1
β
=2, a=2
β
=2, a=10
β
=2, a=0.1
β
=2, a=0.5
Figura 1.3: Densidade da distribuição exponen ial expone ializada para
β = 2
e algunsvalores de
a
.0
2
4
6
8
10
0.0
0.5
1.0
1.5
2.0
x
r(x)
β
=2, a=1
β
=2, a=2
β
=2, a=10
β
=2, a=0.1
β
=2, a=0.5
Figura1.4: Taxadefalhadadistribuiçãoexponen ialexpone ializadapara
β = 2
ealgunsrespe tivamente, em que
β > 0
é o parâmetro de es ala. A distribuição Weibull, paraα = 1
,éequivalenteadistribuiçãoexponen ial. Adistribuiçãoedensidadedaexponen ialexponen ializada são
H
a
(x) = {1 − exp(−x/β)}
a
eh
a
(x) =
a
β
exp(−x/β){1 − exp(−x/β)}
a−1
,
respe tivamente. Da mesmaforma, para
α = 1
, a distribuição Weibull exponen ializadaé equivalente a distribuiçãoexponen ial exponen ializada.
A função taxade falhapara adistribuição exponen ial exponen ializadaé
r(x) =
a exp(−x/β)[1 − exp(−x/β)]
a−1
β{1 − [1 − exp(−x/β)]
a
}
.
As Figuras 1.3 e 1.4 mostram a densidade e a taxa de falha da distribuição
expo-nen ial exponen ializada para
β = 2
e alguns valores dea
. Na Figura 1.4, nota-se queesta distribuição tem função taxa de falha om forma res ente e de res ente, enquanto
a taxade falhadadistribuição exponen ial ésempre onstante.
1.1 Composições
Além da lasse G-exponen ializada,outro métodopopularpara in luir novos
parâ-metrosemdistribuições onhe idasenvolvea omposiçãodedistribuições. Nestetrabalho
será onsideradoapenasa omposiçãodedistribuições ontínuas omdistribuições
dis re-tas. Seja
F (x|Z = z)
afunçãodistribuição ondi ionaldeX
dadoqueavariávelaleatóriadis reta
Z
teve omo valorobservadoz
. Então, a distribuiçãoin ondi ional deX
,F (x)
,é dada por
F (x) =
∞
X
z=0
F (x|Z = z)P (Z = z).
Considerando-se um sistema que possui um número aleatório de omponentes,
Z
,e que o tempo de falha de ada omponente,
W
, é independente deZ
e identi amentedistribuido, omfunção distribuição
G(.)
. Dessa forma, aso osistemapare de fun ionarassim que oprimeiro omponente falhar(sistema em série), tem-se
X =
min{W
1
, W
2
, . . . , W
Z
}
eF (x|Z = z) = G(x)
z
.
em paralelo),tem-se
X =
max{W
1
, W
2
, . . . , W
Z
}
eF (x|Z = z) = G(x)
z
.
(1.6)
Tambémépossíveldenir
F (x|Z = z)
dediversasoutrasformas. Contudo,omodelo(1.5)éomais omumenteutilizadopara onstruir distribuições ompostas. Naspróximas
seçõesserão abordadas distribuições ontruídasusando essa metodologia.
1.1.1 Exponen ial G
A distribuiçãogeométri a tem função de probabilidadedada por
P (Z = z) = (1 − p)p
z−1
, p ∈ (0, 1), z = 1, 2, . . .
(1.7)Dessaforma, AdamidiseLoukas(1998),usando(1.5)para ompor(1.4) om (1.7),
intro-duziramadistribuiçãoexponen ialgeométri aquepossuifunção distribuiçãoedensidade
dadas por
F (x) =
1 − exp(−x/β)
1 − p exp(−x/β)
ef (x) =
(1 − p) exp(−x/β)
β[1 − p exp(−x/β)]
2
,
respe tivamente. Para
p = 0
adistribuiçãoexponen ialgeométri asereduzàdistribuiçãoexponen ial.
A função taxade ris o,para a distribuição exponen ialgeométri a, é dadapor
r(x) = {β[1 − p exp(−x/β)]}
−
1
.
As Figuras 1.5 e 1.6 mostram a densidade e a taxa de falha da distribuição
expo-nen ial geométri a para alguns valores dos parâmetros. Na Figura 1.6, nota-se que a
distribuição exponen ial geométri a possui função taxa de falha om forma de res ente,
enquanto a taxade falhadadistribuição exponen ial ésempre onstante.
A distribuiçãoPoisson, trun ada em zero, tem função de probabilidade dada por
P (Z = z) = θ
z
[z!(
eθ
− 1)]
−
1
, θ > 0, z = 1, 2, . . .
(1.8)Ku³ (2007), utilizando (1.5), om
G(x)
dado por (1.4) eZ
por (1.8), investigou adistribuição exponen ialPoisson. A distribuição e densidade dela são iguais a
F (x) =
eθ exp(−x/β)
−
eθ
1 −
eθ
ef (x) =
θ
e−
θ−x/β+θ exp(−x/β)
β(1 −
e−
θ
)
,
0
2
4
6
8
10
0.0
0.2
0.4
0.6
0.8
1.0
x
f(x)
β
=5, p=0
β
=4, p=0.2
β
=3, p=0.4
β
=2, p=0.6
β
=1, p=0.8
Figura 1.5: Densidade da distribuição exponen ial geométri a para alguns valores dos
parâmetros.
0
2
4
6
8
10
0.0
0.5
1.0
1.5
2.0
x
r(x)
β
=5, p=0
β
=4, p=0.2
β
=3, p=0.4
β
=2, p=0.6
β
=1, p=0.8
Figura1.6: Taxade falhadadistribuição exponen ialgeométri apara algunsvalores dos
0.0
0.5
1.0
1.5
2.0
2.5
3.0
0
1
2
3
4
5
x
f(x)
β
=2,
θ
−>0
β
=2,
θ
=1
β
=2,
θ
=5
β
=2,
θ
=10
β
=2,
θ
=20
Figura1.7: Densidadedadistribuiçãoexponen ialPoisson para
β = 2
ealgunsvaloresdeθ
.0
2
4
6
8
10
0
1
2
3
4
5
x
r(x)
β
=2,
θ
−>0
β
=2,
θ
=1
β
=2,
θ
=5
β
=2,
θ
=10
β
=2,
θ
=20
Figura1.8: Taxade falhadadistribuiçãoexponen ialPoissonpara
β = 2
ealgunsvaloresrespe tivamente. Quando
θ → 0
, a distribuição exponen ial Poisson onverge para adistribuição exponen ial.
A função taxade ris o,para a distribuição exponen ialPoisson, édada por
r(x) =
θ(1 −
eθ
)
e−
θ−x/β+θ exp(−x/β)
β(1 −
e−
θ
)(1 −
eθ exp(−x/β)
)
.
AsFiguras1.7e1.8mostramadensidadeeataxade falhadadistribuição
exponen- ial Poisson para
β = 2
e alguns valores deθ
. Na Figura1.8, nota-se que a distribuiçãoexponen ialPoissonpossuifunção taxa de falha om formade res ente, enquantoa taxa
de falha dadistribuição exponen ialé sempre onstante.
A distribuiçãologarítmi atem função de probabilidade dada por
P (Z = z) =
(1 − q)
z
−z log(q)
, q ∈ (0, 1), z = 1, 2, . . .
(1.9)Partindodomodelo(1.5), TahmasbieRezaei(2008) onstruiramadistribuição
exponen- iallogarítmi a,emque
G(x)
édadopor(1.4)eP (Z = z)
por(1.9). Afunçãodistribuiçãoe função densidade dadistribuição exponen iallogarítmi asão dadas por
F (x) = 1 −
log[1 − (1 − q)
e−
x/β
]
log(q)
ef (x) =
(1 − q)
e−
x/β
−β log(q)[1 − (1 − q)
e−
x/β
]
,
respe tivamente. A distribuição exponen ial logarítmi ase aproxima dadistribuição
ex-ponen ial om parâmetrode es ala
β
quandoq → 1
.A função taxade ris o orrespondente édada por
r(x) =
−(1 − q)
e−
x/β
β[1 − (1 − q)
e−
x/β
] log[1 − (1 − q)
e−
x/β
]
.
As Figuras 1.9 e 1.10 mostram a densidade e a taxa de falha da distribuição
ex-ponen ial logarítmi apara
β = 2
e alguns valores deq
. Na Figura 1.10, nota-se que adistribuição exponen ial logarítmi apossui função taxa de falha om formade res ente,
enquanto a taxade falhadadistribuição exponen ial ésempre onstante.
Adi ionalmente, Chahkandi e Ganjali(2009) propuseram a lasse exponen ialsérie
de potên ias, que generaliza as distribuições apresentadas nesta seção, além de possuir
diversos outros submodelos. Diz-se que uma distribuição dis reta perten e à lasse série
de potên ias, trun ada em zero, se sua densidade for es rita daseguinte forma
P (Z = z) =
c
z
φ
z
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
0.0
0.2
0.4
0.6
0.8
1.0
x
f(x)
β
=2, q−>1
β
=2, q=0.2
β
=2, q=0.4
β
=2, q=0.6
β
=2, q=0.8
Figura1.9: Densidadedadistribuiçãoexponen iallogarítmi apara
β = 2
ealgunsvaloresde
q
.0
2
4
6
8
10
0.0
0.2
0.4
0.6
0.8
1.0
1.2
x
r(x)
β
=2, q−>1
β
=2, q=0.2
β
=2, q=0.4
β
=2, q=0.6
β
=2, q=0.8
Figura 1.10: Taxa de falha da distribuição exponen ial logarítmi a para
β = 2
e algunsem que
c
z
≥ 0
depende apenas dez
,C(φ) =
P
∞
z=1
c
z
φ
z
eφ ∈ (0, s)
, oms
es olhido deformaque
C(φ)
sejasempre nito.As distribuiçõesgeométri a, Poisson trun ada em zero, logarítmi ae outras, omo
a binomialtrun ada em zero ea binomialnegativatrun ada em zero, são asos espe iais
de (1.10). Dessaforma, seguindo (1.5), a distribuiçãoedensidade da famíliaexponen ial
série de potên ias, respe tivamente, são dadaspor
F (x) = 1 −
C(φ
e−
x/β
)
C(φ)
ef (x) =
φ
e−
x/β
βC(φ)
∂
∂u
[C(u)]
u=φ
e−x/β
,
e tem omo asos espe iais as distribuiçõesexponen ial geométri a, exponen ial Poisson
e exponen iallogarítmi a.
1.1.2 Weibull G
Barreto-Souza etal. (2011)estudaram adistribuição Weibull geométri a. Partindo
domodelo (1.5), om
P (Z = z)
dado por(1.7), obtém-se adistribuição ea densidade daWeibullgeométri a omo
F (x) =
1 − exp[−(x/β)
α
]
1 − p exp[−(x/β)
α
]
ef (x) =
α(1 − p)x
α−1
exp[−(x/β)
α
]
β
α
{1 − p exp[−(x/β)
α
]}
2
,
respe tivamente. Para
p = 0
, a distribuição Weibull geométri a se reduz à distribuiçãoWeibull e, para
α = 1
, tem-se que a Weibull geométri a é equivalente à exponen ialgeométri a. Adi ionalmente, Barreto-Souza et al. (2011) notaram que, mesmo para
valores de
p < 0
, adensidade daWeibull geométri a ontinua sendo uma densidade.A função taxade ris o,para a distribuição Weibull geométri a, édada por
r(x) =
α x
α−1
β
α
{1 − p exp[−(x/β)
α
]}
.
AsFiguras1.11e1.12mostramadensidadeeataxadefalhadadistribuiçãoWeibull
geométri aparaalgunsvaloresdosparâmetros. NaFigura1.12,nota-sequeadistribuição
Weibullgeométri apossuifunçãotaxadefalha omforma res ente-de res ente- res e nte,
enquanto a taxade falhadadistribuição Weibullé sempre monótona.
Lu e Shi (2012) investigaram a distribuição Weibull Poisson. Utilizando o modelo
(1.5)ees olhendo omovariáveldis retaadistribuiçãoPoisson om parâmetro
θ
,obtém-se adistribuição e adensidade da Weibull Poisson
F (x) =
eθ exp[−(x/β)
α
]
−
eθ
1 −
eθ
ef (x) =
θ α x
α−1
e−
θ−(x/β)
α
+θ exp[−(x/β)
α
]
β
α
(1 −
e−
θ
)
,
0
2
4
6
8
10
0.0
0.2
0.4
0.6
0.8
1.0
x
f(x)
α
=2,
β
=2, p=0
α
=2,
β
=2, p=0.3
α
=2,
β
=2, p=0.5
α
=2,
β
=2, p=0.9
α
=2,
β
=2, p= −2
Figura 1.11: Densidade da distribuição Weibull geométri a para
α = 2, β = 2
e algunsvalores de
p
.0
2
4
6
8
10
0.0
0.5
1.0
1.5
2.0
x
r(x)
α
=2,
β
=2, p=0
α
=2,
β
=2, p=0.5
α
=2,
β
=2, p=0.9
α
=0.9,
β
=2, p=0.9
α
=2,
β
=2, p= −2
Figura 1.12: Taxa de falha da distribuição Weibull geométri a para alguns valores do
0
2
4
6
8
0.0
0.2
0.4
0.6
0.8
1.0
1.2
x
f(x)
α
=2,
β
=2,
θ
−>0
α
=2,
β
=5,
θ
=1
α
=2,
β
=2,
θ
=5
α
=2,
β
=2,
θ
=10
α
=5,
β
=2,
θ
=0.5
Figura1.13: Densidade da distribuiçãoWeibull Poisson para alguns valoresdos
parâme-tros.
0
2
4
6
8
10
0
1
2
3
4
5
x
r(x)
α
=2,
β
=2,
θ
−>0
α
=2,
β
=5,
θ
=1
α
=2,
β
=2,
θ
=5
α
=2,
β
=2,
θ
=10
α
=5,
β
=2,
θ
=0.5
Figura 1.14: Taxa de falha da distribuição Weibull Poisson para alguns valores dos
respe tivamente. Quando
θ → 0
, a distribuição Weibull Poisson onverge para adistri-buição Weibull e, aso
α = 1
, a distribuição Weibull Poisson éequivalente à distribuiçãoexponen ial Poisson.
A função taxade ris o,para a distribuição Weibull Poisson,é dada por
r(x) =
θ α x
α−1
e−
(x/β)
α
+θ exp[−(x/β)
α
]
β
α
(
eθ exp[−(x/β)
α
]
− 1)
.
AsFiguras1.13e1.14mostramadensidadeeataxadefalhadadistribuiçãoWeibull
Poisson para alguns valores dos parâmetros. Na Figura 1.14, nota-se que a distribuição
Weibull Poisson possui função taxa de falha om forma res ente-de res ente- res e nte,
enquanto a taxade falhadadistribuição Weibullé sempre monótona.
Ciumara e Preda (2009) introduziram a distribuição Weibull logarítmi a, uja
dis-tribuiçãoe densidade são
F (x) = 1 −
log[1 − (1 − q)
e−
(x/β)
α
]
log(q)
ef (x) =
α(1 − q)x
α−1
e−
(x/β)
α
−β
α
log(q)[1 − (1 − q)
e−
(x/β)
α
]
,
respe tivamente. Estadistribuiçãoéobtidaaose ompor(1.3) om(1.9)atravésde(1.5).
Quando
q → 1
, adistribuiçãoWeibull logarítmi aseaproximadadistribuição Weibull e,para
α = 0
,ela éidênti a à distribuição exponen iallogarítmi a.A função taxade falhaé dadapor
r(x) =
−α(1 − q)x
α−1
e−
(x/β)
α
β
α
[1 − (1 − q)
e−
(x/β)
α
] log[1 − (1 − q)
e−
(x/β)
α
]
AsFiguras1.15e1.16mostramadensidadeeataxadefalhadadistribuiçãoWeibull
logarítmi apara alguns valores dos parâmetros. Na Figura 1.16 nota-se que a
distribui-ção Weibull logarítmi a possui função taxa de falha om forma
res ente-de res ente- res ente, enquanto ataxa de falha dadistribuição Weibull é sempremonótona.
Morais e Barreto-Souza (2011) deniram a lasse Weibull série de potên ias, uja
distribuição edensidade são representadas por
F (x) = 1 −
C(φ
e−
(x/β)
α
)
C(φ)
ef (x) =
φ α x
α−1
e−
(x/β)
α
β
α
C(φ)
∂
∂u
[C(u)]
u=φ
e−(x/β )
α
,
respe tivamente, om
C(.)
dadopor(1.10). AsdistribuiçõesWeibull geométri a,Weibull0
2
4
6
8
10
0.0
0.2
0.4
0.6
0.8
1.0
x
f(x)
α
=2,
β
=2, q−>1
α
=2,
β
=2, q=0.2
α
=5,
β
=2, q=0.4
α
=2,
β
=5, q=0.6
α
=5,
β
=5, q=0.8
Figura1.15: DensidadedadistribuiçãoWeibull logarítmi apara algunsvaloresdos
parâ-metros.
0
2
4
6
8
10
0
1
2
3
4
5
x
r(x)
α
=2,
β
=2, q−>1
α
=2,
β
=2, q=0.01
α
=5,
β
=2, q=0.4
α
=2,
β
=5, q=0.6
α
=5,
β
=5, q=0.8
Figura 1.16: Taxa de falha da distribuição Weibull logarítmi a para alguns valores dos
Além das omposições abordadas anteriormente, diversos autores investigaram
ou-tras distribuições ompostas. Barreto-Souza e Bakou hb (2011), por exemplo,
estuda-ram a distribuição exponen ialPoisson-Lindley. Esta distribuição éobtida ao se ompor
uma distrubição exponen ial om a distribuição Poisson-Lindley, na qual
P (Z = z) =
[γ
2
(2 + γ + z)][(1 + 3γ + γ
2
)(1 + γ)
z
]
−
1
, γ > 0, z = 1, 2, . . .
,utilizando ométodo(1.5
). Adistribuição exponen ialPoisson-Lindley possui função taxa de falha de res ente.
Adistribuiçãoexponen ialexponen ializadafoiinvestigadaemsuaversão omposta
om a distribuição Poisson por Risti¢ e Nadarajah (2010) e, quando omposta om a
distribuição binomial, por Bakou h et al. (2012). Perten ente a lasse Weibull série
de potên ias, a distribuição Weibull binomialnegativa foi estudada por Rodriques et al.
(2011).
Nos próximos apítulosdesta dissertação, serão abordadosoutros métodos de
om-posição. No Capítulo2, a lasse de distribuiçõesproposta por Marshall e Olkin(1997)é
investigada e diversas propriedadesda distribuição Marshall-Olkin estendida Lomax são
deduzidas pela primeiravez. No Capítulo 3, uma nova lasse de distribuições que
gene-raliza ostrabalhos de Ku³ (2007)e Lu eShi(2012), além de possuir omo asos espe iais
diversos outros modelos, é estudada. No Capítulo 4, a distribuição Lomax-Poisson é
es-tudada utilizando a teoria desenvolvida no Capítulo3. No Capítulo5, são estabele idas
A lasse Marshall-Olkin estendida G
Neste apítulo revisa-se a lasse de distribuições proposta por Marshall e Olkin
(1997) e algumas de suas propriedades. Diversas propriedades matemáti as inéditas da
distribuição Marshall-Olkin Lomax, ini ialmente abordada por Ghitany et al. (2007),
também são apresentadas.
2.1 A lasse Marshall-Olkin
O trabalho de Marshall e Olkin (1997) props um novo método para adi ionar
um parâmetro de forma a uma variável aleatória onhe ida. Seja
G(x)
uma função desobrevivên ia qualquer. A nova distribuição terá sobrevivên ia dadapor
F (x) =
λG(x)
1 − λ G(x)
=
λG(x)
G(x) − λG(x)
, 0 < λ < ∞,
(2.1)em que
λ = 1 − λ
eG(x) = 1 − G(x)
é afunção de distribuição dabaseline. Paraλ = 1
,tem-se que
F (x) = G(x)
.É possívelmotivar(2.1) daseguinteforma:
0 < λ < 1
: Usando o modelo (1.5), omZ ∼
Geométri a(λ)
, em queP (Z = z)
édado por(1.7), então
X
terá distribuiçãodada por (2.1); e
λ > 1
: Usandoomodelo(1.6), omZ ∼
Geométri a(λ
−
1
)
,emqueP (Z = z)
édadoG fazreferên ia àdistribuição original,é
f (x) =
λ g(x)
[1 − λ G(x)]
2
.
(2.2)Sua função de ris o é dada por
r(x) =
r
G
(x)
1 − λ G(x)
,
(2.3)em que
r
G
(x) = g(x)/G(x)
é a função de ris o da baseline. Partindo de (2.3), MarshalleOlkin(1997) mostraram que
r
G
(x) ≤ r(x) ≤ r
G
(x)/λ, 0 < λ ≤ 1,
er
G
(x)/λ ≤ r(x) ≤ r
G
(x), λ ≥ 1.
A distribuição Marshall-Olkin estendida exponen ial (MOEE), obtida de (2.1) e
(1.4), tem distribuição edensidade dadas por
F (x) = 1 −
1
ex/β
− λ
ef (x) =
λ
ex/β
β(
ex/β
− λ)
2
,
respe tivamente. A sua função taxade falhaé
r(x) =
ex/β
β(
ex/β
− λ)
.
As Figuras2.1 e 2.2 mostram adensidade ea taxa de falha dadistribuição MOEE
para
β = 2
ealgunsvaloresdeλ
. NaFigura2.2,nota-sequeessa distribuiçãotemfunçãotaxadefalha omforma res enteoude res ente,enquantoataxadefalhadadistribuição
exponen ial ésempre onstante.
A distribuiçãoMarshall-Olkinestendida Weibull (MOEW), obtida de (2.1) e(1.3),
tem distribuição edensidade dadaspor
F (x) = 1 −
λ
e−
(x/β)
α
1 − λ
e−
(x/β)
α
ef (x) =
λα x
α−1
e−
(x/β)
α
β
α
[1 − λ
e−
(x/β)
α
]
2
.
Sua função taxade falhaé
r(x) =
α x
α−1
β
α
[1 − λ
e−
(x/β)
α
]
.
As Figuras2.3 e2.4 mostramadensidade e ataxade falhadadistribuição MOEW
para alguns valores dos parâmetros. Na Figura 2.4, nota-se que essa distribuição tem
função taxa de falhaem forma res ente-de res ente- res e nte , enquanto a taxade falha
0
2
4
6
8
10
0.0
0.2
0.4
0.6
0.8
1.0
x
f(x)
β
=2,
λ
=1
β
=2,
λ
=0.2
β
=2,
λ
=0.8
β
=2,
λ
= 2
β
=2,
λ
= 10
Figura 2.1: Densidadeda distribuiçãoMOEE para
β = 2
e algunsvalores deλ
.0
2
4
6
8
10
0.0
0.2
0.4
0.6
0.8
1.0
x
r(x)
β
=2,
λ
=1
β
=2,
λ
=0.2
β
=2,
λ
=0.8
β
=2,
λ
= 2
β
=2,
λ
= 10
0
1
2
3
4
5
6
0.0
0.2
0.4
0.6
0.8
x
f(x)
α
=2,
β
=2,
λ
=1
α
=2,
β
=2,
λ
=0.2
α
=2,
β
=2,
λ
=0.8
α
=2,
β
=2,
λ
= 2
α
=2,
β
=2,
λ
= 10
Figura2.3: Densidade da distribuiçãoMOEW para
α = 2
,β = 2
e alguns valores deλ
.0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
0
2
4
6
8
x
r(x)
α
=2,
β
=2,
λ
=1
α
=5,
β
=2,
λ
=5
α
=2,
β
=0.5,
λ
=0.1
α
=0.5,
β
=2,
λ
=0.5
α
=0.9,
β
=0.3,
λ
= 5
AdistribuiçãoLomax (Lomax,1954),porvezes,também,referida omodistribuição
Pareto Tipo II, tem função de distribuição edensidade, respe tivamente, dadas por
G(x) = 1 − (1 + x/β)
−
α
e
g(x) = αβ
−
1
(1 + x/β)
−
(α+1)
, x > 0,
(2.4)emque
α > 0
eβ > 0
sãoosparâmetrosdeformaedees ala,respe tivamente. Ghitanyetal. (2007) investigarama distribuição Marshall-Olkinestendida Lomax(MOEL), obtida
de (2.1) e (2.4). Elatem função distribuição dada por
F (x) = 1 −
λ
(1 + x/β)
α
− λ
(2.5) e função densidadef (x) =
λ α (1 + x/β)
α−1
β[(1 + x/β)
α
− λ]
2
.
(2.6)A Figura2.5 apresenta a densidade dadistribuição MOELpara alguns valores dos
parâ-metros.
Ghitany et al. (2007) demonstraramque, para
λ + α(2 − λ) < 0
, a equação (2.6)éunimodal, om modaigual a
Moda
= β
"
λ α
1 + α
1/α
− 1
#
,
em que
α = 1 − α
. Paraλ + α(2 − λ) ≥ 0
,(2.6) é de res ente.A função taxade falhaé dadapor
r(x) =
α
β[(1 + x/β) − λ (1 + x/β)
1−α
]
.
(2.7)Ghitanyetal. (2007)demonstraramqueaequação(2.7)éunimodalpara
λ+α (1−λ) < 0
,aso ontrário, ela é des res ente. A Figura 2.6 apresenta a função taxa de falha da
distribuição MOELpara alguns valores dos parâmetros.
A função quantíli a édada por
Q
F
(q) = F
−
1
(q) = β
"
1 +
q λ
1 − q
1/α
− 1
#
, 0 ≤ q ≤ 1.
(2.8)A equação (2.8) pode ser utilizada fa ilmente para gerar números aleatórios da
0
1
2
3
4
5
6
0.0
0.5
1.0
1.5
x
f(x)
α
=2,
β
=2,
λ
=1
α
=2,
β
=2,
λ
=2
α
=4,
β
=4,
λ
=3
α
=4,
β
=0.5,
λ
=8
α
=4,
β
=0.5,
λ
=20
Figura 2.5: Densidadeda distribuiçãoMOEL para alguns valores dos parâmetros.
0
1
2
3
4
5
6
0.0
0.5
1.0
1.5
2.0
2.5
3.0
x
r(x)
α
=2,
β
=2,
λ
=1
α
=2,
β
=2,
λ
=2
α
=4,
β
=4,
λ
=3
α
=4,
β
=0.5,
λ
=8
α
=4,
β
=0.5,
λ
=20
A medianaé obtidada equação (2.8) fazendo
q = 1/2
:Mediana
= M = β[(1 + λ)
1/α
− 1].
2.3 Algumas propriedades
As propriedades apresentadas naSeção 2.2 foramini ialmenteobtidasporGhitany
et al. (2007). Os autores também derivaram outras propriedades omo os momentos
ordinários e adistribuição dos extremos amostrais, por exemplo.
As propriedades obtidas nesta seção para a distribuição MOEL são inéditas na
literatura. Adi ionalmenteummétodoalternativoparaobtençãodosmomentosordinários
é apresentado.
2.3.1 Expansão para a distribuição
Considere a identidade
(1 − z)
−
ρ
=
∞
X
k=0
Γ(ρ + k)
Γ(ρ) k!
z
k
, |z| < 1,
em queΓ(a) =
R
∞
t=0
e−
t
t
a−1
dt
é a função gama. Dessa forma, para
λ < 1
, apli ando aidentidadeem (2.2),obtém-se
f (x) = λ g(x)
∞
X
k=0
Γ(k + 2)
Γ(2)k!
λ
k
G(x)
k
.
Umavez que
Γ(a) = (a − 1)!
, paraa
inteiro, a densidade pode, então, ser res rita omof (x) =
∞
X
k=0
(k + 1) λ λ
k
g(x)G(x)
k
.
Dado o fato que, se
g(x)
eG(x)
são a densidade e a função sobrevivên ia de umaLomax
(α, β)
, entãog(x)G(x)
k
= (k + 1)
−
1
g
(k+1)α,β
(x),
(2.9)emque
g
(k+1)α,β
(x)
éadensidadedaLomax omparâmetrodeforma(k +1)α
eparâmetro de es alaβ
. Assim, é possível rees rever (2.6) omof (x) =
∞
X
k=0
v
k
(λ) =
λ λ
k
,
para0 < λ < 1,
e[λ(k + 1)]
−
1
∞
X
j=k
(−1)
k
(j + 1)
j
k
(1 − λ
−
1
)
j
,
paraλ > 1.
A obtenção de
v
k
(λ)
paraλ > 1
é similar a apresentada. É ne essário apenas notar que a densidade dada por(2.2) pode ser rees rita omof (x) =
λ
−
1
g(x)
[1 − (1 − λ
−
1
)G(x)]
2
.
Para apli ar oresultado (2.9) é ne essário usar dofato que
G(x) = 1 − G(x)
e utilizar aexpansão binomial.
É fá il veri ar que
P
∞
k=0
v
k
(λ) = 1
. Dessa forma, a equação (2.10) revela que adensidade dadistribuiçãoMOELpode ser expressa omo uma ombinaçãolinear innita
de distribuições Lomax. Assim, diversas propriedades da distribuição gerada podem ser
obtidasdiretamentedas mesmaspropriedadesdadistribuiçãoLomax. Essas propriedades
podem ser en ontradas em Lemontee Cordeiro (2011), porexemplo.
2.3.2 Momentos e Geratriz de Momentos
O
p
-ésimo momentoordináriode uma variávelaleatóriaX
é dado porµ
′
p
=
E(X
p
) =
Z
R
x
p
f (x)dx.
(2.11)Tais momentos são importantes, pois são utilizados para obter medidas de tendên ia,
variabilidade e forma. No restante deste apítulo, onsidera-se que
Y ∼
Lomax(α, β)
. Op
-ésimo momentoordináriodeY
é dado porE
(Y
p
) =
β Γ(α − p) Γ(p + 1)
Γ(α)
, p < α.
(2.12)Utilizando a expansão (2.10), pode-se al ular os momentos ordinários da distribuição
gerada por
µ
′
p
=
E(X
p
) = β Γ(p + 1)
∞
X
k=0
v
k
(λ) Γ[α(k + 1) − p]
Γ[α(k + 1)]
, p < α.
(2.13)m
p
(X; z) =
Z
z
−∞
x
p
f (x)dx.
(2.14) Substitutindo(2.10) em (2.14) tem-sem
p
(X; z) =
∞
X
k=0
v
k
m
p
(Y
(k+1)α,β
; z),
(2.15)emque
m
p
(Y
(k+1)α,β
; z)
éomomentoin ompletodeY
(k+1)α,β
∼
Lomax((k +1)α, β)
. Pode-se utilizaro MAPLE para al ularosmomentos in ompletos dadistribuição Lomax omom
p
(Y
(k+1)α,β
; z) = P
p
(z) + Q
p
(z)
(2.16) omP
p
(z) =
Γ(p + 1)π csc[π(k + 1)α − πp]
Γ[(k + 1)α + 1]Γ[p − (k + 1)α + 1]
,
Q
p
(z) =
(βz)
p−(k+1)α
2
F
1
[(k + 1)α + 1, (k + 1)α − p; (k + 1)α − p + 1;
−
βz
1
]
p − (k + 1)α
em que s é a osse ante e
2
F
1
(a, b; c; z)
éa função hipergeométri adenida por2
F
1
(a, b; c; z) =
∞
X
j=0
(a)
j
(b)
j
(c)
j
z
j
j!
.
Aqui,
(q)
j
éo símbolode Po hhammer denido por(q)
j
=
1,
paraj = 0
eq(q − 1) × . . . × (q + j − 1),
paraj = 1, 2, . . .
Para
p = 1
, Lemonte e Cordeiro (2011) provaram que seY ∼
Lomax(α, β)
, entãoseu primeiro momentoin ompleto éigual a
m
1
(Y ; q) =
α
β
∞
X
j=0
(−1)
j
q
j+2
(j + 2)β
j
Γ(α + j + 1)
Γ(α + 1)j!
.
(2.17)Usando (2.15), obtém-se oprimeiro momentoin ompleto dadistribuição MOEL
m
1
(X; z) =
∞
X
k,j=0
(k + 1)(−1)
j
α z
j+2
v
k
(λ)Γ[(k + 1)α + j + 1]
(j + 2)β
j+1
Γ[(k + 1)α + 1] j!
.
(2.18)O
p
-ésimo momentofatorialde res ente deX
éµ
′
(p)
=
E[X
(p)
] =
E[X(X − 1) × . . . × (X − p + 1)] =
p
X
j=0
s(p, j) µ
′
j
,
(2.19) em ques(p, j) = (j!)
−
1
[∂
j
x
(p)
/∂x
j
]
x=0
é o número de Stirling do primeiro tipo. Dessa maneira,op
-ésimomomentofatorialde res ente danovadistribuição éµ
′
(p)
=
p
X
j=0
s(p, j) β Γ(j + 1)
∞
X
k=0
v
k
(λ) Γ[α(k + 1) − j]
Γ[α(k + 1)]
, p < α.
Adi ionalmente, osmomentos entrais eos umulantes podem ser al ulados omo
µ
p
=
p
X
j=0
p
j
(−1)
p−j
µ
′
p−j
1
µ
′
j
(2.20) eκ
p
= µ
′
p
−
p−1
X
j=1
p − 1
j − 1
κ
j
µ
′
p−j
.
(2.21)Lemonte e Cordeiro (2011) al ularam a função geratriz de momentos (fgm) da
distribuição Lomax,
M(t; α, β)
,da seguinte forma:M(t; α, β) =
E(
etY
) =
e−
βt
+ α
−
1
1
F
1
(1; 1 − α; −βt), t < 0,
(2.22)em que
1
F
1
(a; b; c)
é afunção hipergeométri a onuente, denida por1
F
1
(a; b; c) =
Γ(b)
Γ(a)
∞
X
j=0
Γ(a + j)
Γ(b + j)
c
j
j!
.
Assim, a fgm daMOELpode ser es rita omo
M(t) =
e−
βt
+ α
−
1
∞
X
k=0
v
k
(λ)
1
F
1
(1; 1 − α(k + 1)); −βt)
k + 1
, t < 0.
(2.23) 2.3.3 Entropia Entropia de ShannonA entropiadeShannon éumamedidarela ionada omaquantidadedein erteza de
uma variávelaleatória. Ela é dadapor
ϑ
S
(f ) = − log(λ) −
E{log[g(X)]} + 2
E{log[1 − λ G(X)]}.
Para a MOEL, tem-se
E
{log[g(X)]} =
Z
∞
0
log[g(x)] f (x)dx
=
∞
X
k=0
(k + 1)v
x
(λ)
Z
∞
0
log[g(x)] g(x) G(x)
k
dx.
FazendoG(x) = u
,obtém-se E{log[g(X)]} =
∞
X
k=0
(k + 1)v
x
(λ)
Z
1
0
log{g[Q
G
(1 − u)]}u
k
du,
em que
Q
G
(.)
éa função quantíli ada Lomax. Assim, tem-seE
{log[g(X)]} =
∞
X
k=0
(k + 1)v
x
(λ)
Z
1
0
log[αβ
−
1
u
α+1
α
] u
k
du
= log
α
β
−
α + 1
α
∞
X
k=0
(k + 1)
−
1
v
k
(λ).
A segunda esperança pode ser ál ulada daseguintemaneira:
E
{log[1 − λ G(X)]} =
E(
−
∞
X
j=1
[λ G(X)]
j
j
)
= −
∞
X
j=1
λ
j
j
Z
∞
0
G(x)
j
∞
X
k=0
v
k
(λ)g
(k+1)α,β
(x)dx
= −
∞
X
j=1
λ
j
j
∞
X
k=0
(k + 1)v
k
(λ)
(k + j + 1)
Z
∞
0
(k + j + 1)g(x) G(x)
j+k
d
x
.
A última integralé a densidade de uma Lomax
((k + j + 1)α, β)
. Logo,E
{log[1 − λ G(X)]} = −
∞
X
j=1
λ
j
j
∞
X
k=0
(k + 1)v
k
(λ)
(k + j + 1)
.
A entropia de Rényi édada por
ϑ
R
(f ; c) =
1
1 − c
log
Z
∞
0
f
c
(x)dx
, c > 0, c 6= 1.
(2.25)Se
g(x)
eG(x)
são a densidade e afunção sobrevivên ia de umaLomax(α, β)
,tem-seg(x)
c
G(x)
k
=
α
c
β
c−1
[(k + c)α + c − 1]
g
(k+c)α+c−1,β
(x).
(2.26) Pode-se es reverf (x)
c
=
∞
X
k=0
w
k
(λ) g
α(k+c)+c−1,β
(x),
em quew
k
(λ) =
λ
c
λ
k
Γ(2c + k)
Γ(2c) k!
α
c
β
c−1
[α(k + c) + c − 1]
,
para0 < λ < 1,
e(−1)
k
λ
c
∞
X
j=k
Γ(2c + j)
Γ(2c) j!
j
k
(1 − λ
−
1
)
j
α
c
β
c−1
[α(k + c) + c − 1]
,
paraλ > 1.
Uma vez que
f (x)
c
é uma ombinação linear de densidades da distribuição Lomax, a
entropia de Rényi pode, então, ser es rita omo
ϑ
R
(f ; c) =
1
1 − c
log
"
∞
X
k=0
w
k
(λ)
#
.
(2.27) 2.3.4 Desvios MédiosOsdesviosdamédiaedamedianasãoumaboamaneirademedirdispersãoemuma
população. Eles são expressos omo
δ
1
(X) =
Z
∞
0
|x − µ
′
1
| f(x) dx
eδ
2
(X) =
Z
∞
0
|x − M| f(x) dx,
respe tivamente. Tem-se
δ
1
(X) = 2[µ
′
1
F (µ
′
1
) − m
1
(X; µ
′
1
)]
(2.28) eδ
2
(X) = µ
′
1
− 2m
1
(X; M),
(2.29)em que
F (.)
é a função distribuição deX
em
1
(X; z)
é o primeiromomento in ompleto dado por (2.18).Adi ionalmente, pode-se utilizara equação (2.18) para obter as urvas de Lorenze
Bonferroni, índi es úteis para medirdesigualdade de renda. Eles são expressos omo
L(π) =
m
1
(X; q)
µ
′
1
(2.30) eB(π) =
m
1
(X; q)
π µ
′
1
,
(2.31)em que
π
é uma probabilidadedada eq = Q
F
(π) = β[(1 + (π λ)/(1 − π))
1/α
− 1]
.
2.3.5 Momentos Probabilisti amente Ponderados
Os momentos probabilisti amenteponderados (MPPs) são denidos por
M(p, r, s) =
E{X
p
[F (X)]
r
[1 − F (X)]
s
}.
Usando o teoremabinomialgeralizado, pode-sees rever
M(p, r, s) =
∞
X
j=0
(−1)
j
s
j
Z
∞
0
x
p
F (x)
r+j
f (x) dx.
Após algumaálgebra obtém-se
f (x) F (x)
a
=
∞
X
m=0
ω
m
(λ) g
(a+m+1)α,β
(x),
(2.32) em queω
m
(λ) =
λ
a+1
λ
m
Γ(a + 2 + m)
(a + m + 1)Γ(a + 2)m!
,
para0 < λ < 1,
e(−1)
m
λ
−
1
(a + m + 1)Γ(a + 2)
∞
X
k=m
k
m
(1 − λ
−
1
)
k
Γ(a + 2 + k)
k!
,
paraλ > 1.
Dessa forma, osMPPs dadistribuição MOEL são expressos por
M(p, r, s) =
∞
X
j,m=0
(−1)
j s
j
β ω
m
(λ) Γ[(r + j + m + 1)α − p] Γ(p + 1)
Γ[(r + j + m + 1)α]
,
(2.33) parap < α
.As estatísti as de ordem têm um importante papel naestatísti a teóri a e práti a.
Considere
X
1
, X
2
, . . . , X
n
omoumaamostraaleatóriadeumadistribuiçãoMOEL.Então, a densidade deX
i:n
, ai
-ésima estatísti a de ordem,é expressa porf
i:n
(x) =
f (x)
B(n − i + 1, i)
i−1
X
j=0
(−1)
j
i − 1
j
F (x)
n+j−i
.
Utilizandoo resultado (2.32) tem-se
f
i:n
(x) =
i−1
X
j=0
(−1)
j
i−1
j
B(n − i + 1, i)
∞
X
m=0
ω
m
(λ) g
(m+n+j−i+1)α,β
(x).
(2.34)A equação(2.34) mostraqueafunção densidade das estatísti asde ordem de uma
amos-tra da distribuição MOEL pode ser expressa omo uma ombinação linear innita de
densidades da Lomax. Assim, é possível utilizar (2.34) para obter diversas propriedades
das estatíti as de ordem de uma amostra da distribuição MOEL baseadas nas mesmas
propriedadesda distribuição Lomax.
2.4 Estimadores de Máxima Verossimilhança
Suponhaque
x
1
, x
2
, . . . , x
n
éumaamostraaleatóriarealizadadadistribuiçãoMOEL. Então, a log-verossimilhança,ℓ = ℓ(α, β, λ; x)
, pode ser expressa omoℓ = n log
λα
β
+ (α − 1)
n
X
i=1
log
1 +
x
i
β
− 2
n
X
i=1
log
1 +
x
i
β
α
− λ
.
(2.35)Ao se maximizar(2.35) em relação a
α
,β
eλ
utilizando uma rotina numéri a de algumsoftware, porexemplo,arotinaoptim dosoftware R, obtém-seasestimativasde máxima
verossimilhança(EMVs)
α
b
,β
b
ebλ
.As primeiras derivadas de
ℓ(α, β, λ; x)
em relaçãoaα
,β
eλ
são∂ℓ
∂α
=
n
α
+
n
X
i=1
log
1 +
x
i
β
− 2
n
X
i=1
1 +
x
i
β
α
− λ
−
1
1 +
x
i
β
α
× log
1 +
x
i
β
,
∂ℓ
∂β
= −
n
β
+
n
X
i=1
x
i
β
2
(
2α
1 +
x
i
β
α−1
1 +
x
i
β
α
− λ
−
1
+ α
1 +
x
i
β
−
1
)
,
∂ℓ
∂λ
=
n
λ
− 2
n
X
i=1
1 +
x
i
β
α
− λ
−
1
.
Tamém é possível obter as EMVs ao se solu ionar as equações não lineares
∂ℓ/∂α = 0
,∂ℓ/∂β = 0
e∂ℓ/∂λ = 0
simultaneamente.Uma abordagem mais abrangente daestimação de máxima verossimilhançapara a
distribuição MOEL, omo a apli ação em aso de ensura na amostra, por exemplo, é
A lasse G-Poisson
Neste apítulo propõe-se um novo método para ompor distribuições e algumas
de suas propriedades são apresentadas. A lasse estudada possui omo asos espe iais
as distribuições estudadas por Ku³ (2007) e Lu e Shi (2012), além de diversos outros
modelos.
A lasse aqui estudada é orrespondente à lasse exp-
G
, proposta porBarreto-Souza eSimas (2013). Notrabalho itado, os autoresdesenvolvem diversas propriedades
matemáti as da lasse, além de proporem os modelos exp-Weibull e exp-Beta. Neste
trabalho,diversasnovaspropriedadessãoobtidas,bem omonovosmodelos,perten entes
a lasse,são propostos.
3.1 A lasse G-Poisson
Considere
G(x)
omo a funçãodistribuição de qualquer distribuição baselineontí-nua. Dessa forma, a função distribuição da lasse G-Poisson é expressa por
F (x) =
eθG(x)
− 1
e
θ
− 1
, θ ∈ R, θ 6= 0.
(3.1)A função densidade orrespondente a (3.1) é
f (x) =
θe
θG(x)
e
θ
− 1
g(x).
(3.2)
θ > 0
: Usando o modelo (1.6), omZ ∼
Poisson(θ)
, em queP (Z = z)
é dado por(1.8), então
X
terá distribuição dadapor(3.1); e
θ < 0
: Usando omodelo (1.5), omZ ∼
Poisson(|θ|)
, em queP (Z = z)
é dadopor(1.8), então
X
terá distribuição dadapor(3.1).A distribuição baseline éum aso espe ial de (3.2), umavez que para
θ → 0
tem-seque
F (x)
, dado por (3.1), onverge paraG(x)
.3.2 Alguns asos espe iais
Nesta seção apresentam-se algunsmodelosespe iais dadistribuiçãoG-Poisson. São
apresentados os modelos exponen ial-Poisson e Weibull-Poisson, anteriormente
onside-rados em Barreto-Souza e Simas (2013), bem omo os novos modelos gama-Poisson e
normal-Poisson. A função densidade(3.2) émaisfá ilde ser trabalhada quandoafunção
distribuição
G(x)
e afunção densidadeg(x)
têm expressões analíti assimples.3.2.1 Exponen ial-Poisson
A distribuição exponen ial tem distribuição e densidade dadas por (1.4). A
densi-dade dadistribuição exponen ial-Poisson é
f (x; θ) =
θ
eθ(1−
e−x/β
)−x/β
β(
eθ
− 1)
.
(3.3)A Figura3.1apresenta adensidadedaexponen ial-Poisson para algunsvaloresdos
parâ-metros.
3.2.2 Weibull-Poisson
A distribuição Weibull tem distribuição e densidade dadas por (1.3). A densidade
daWeibull-Poisson é
f (x; θ) =
θαx
α−1
exp[θ(1 −
e−
(x/β)
α
) − (x/β)
α
]
β
α
(
eθ
− 1)
.
(3.4)Para
α = 1
, a distribuição Weibull-Poisson se reduz à distribuição exponen ial-Poisson.A Figura 3.2 apresenta a densidade da distribuição Weibull-Poisson para alguns valores