Professional Documents
Culture Documents
YVeGT HF8
YVeGT HF8
Kamil ALAKUŞ
31
Prof.Dr. Kamil ALAKUŞ
Shapiro, 1967). Aynı zamanda Weibull dağılımı erken ölümlülük, rastgele başarısızlıklar,
yıpranma ve serbest hata periyodu gibi başarısızlık niteliklerinin çeşitliliğini modellemede
kullanılır.
Log-Normal dağılım; çok küçük hataların çarpımlarından kaynaklanan değerlerin bulunduğu
işlemler için model olarak ortaya çıkar. Merkezi limit teoremi kullanılarak genel koşullar
altında, n bağımsız pozitif değerler alan rastgele değişkeninin çarpımına ait dağılımın Log-
Normal dağılıma yaklaştığı gösterilebilir (Hahn ve Shapiro 1967). Log-normal dağılımın çok
geniş bir kullanım alanı olmakla birlikte, gözlenen değerin önceki değerin rastgele oranı olduğu
işlemlerde kullanılır. Bu dağılım mühendislik, ilaç, ekonomi ve diğer alanlarda çeşitli
uygulamalarda sıklıkla kullanılmaktadır (Lawless, 2003).
Bu çalışmanın amacı, sağkalım ve/veya güvenilirlik analizi çalışmalarında uygulama imkânı
bulan önemli sürekli olasılık dağılımlarından parametre tahmini yapmaktır.
Çalışmanın ikinci bölümünde sağkalım analizinde kullanılan parametrik dağılımların olasılık
yoğunluk fonksiyonu, hazard fonksiyonu ve sağkalım ( ya da güvenilirlik) fonksiyonu gibi
bilgiler verilecek olup, üçüncü bölümde bu olasılık dağılımlarının hem sansürlü hem de
sansürsüz örneklemler için parametre tahmini tartışılacaktır. Parametrelerin tahmin edicilerini
bulmada En Çok Olabilirlik Metodu (EÇOK) kullanılmıştır.
Çalışmanın sayısal uygulama bölümünde, yine hem sansürlü hem de sansürsüz örneklemler için
simülasyon yaklaşımı ile söz konusu dağılımlardan sayı üreticileri yazılarak sayı üretilmiş ve
parametrelerin tahmini araştırılmıştır. Çalışmada S-Plus istatistik paket programı, Sürüm 6.1
kullanılmış olup, burada çalışılan tüm dağılımlar simülasyon verileri üzerinden
örneklendirilmiştir. Beşinci bölüm olan gerçek veri uygulamaları bölümünde ise; söz konusu
dağılımlarda farklı alanlarda çalışılan projelerin örneklemleri değerlendirilmiş olup, en uygun
dağılımı belirlemek için AIC ölçütü tercih edilmiştir. Aynı zamanda parametrelerin tahminleri
yanında parametreler için 100(1 − 𝛼)% güven aralıkları da tartışılmış ve tahmin edilmiştir.
V.2 Önemli Parametrik Dağılımlar
Sağkalım analizinde yapılan çalışmanın türüne bağlı olarak farklı yollar izlenmektedir. İlk önce
dağılım varsayımlarının uygunluklarının tespiti yapıldıysa parametrik analiz yöntemleri
kullanılır. Hipotezler oluşturulur ve uygun testlerle birlikte test edilir. Parametrik modellerin
kullanılabilmesi için geçerli varsayımlar sağlanmadığı durumlarda, parametrik olmayan
dağılımları kullanma yoluna gidilir. Bu bölümde sağkalım analizinde kullanılan parametrik
dağılımların olasılık yoğunluk fonksiyonu, hazard fonksiyonu ve sağkalım ( ya da güvenilirlik)
fonksiyonu tanımlanıp, her bir dağılıma ait fonksiyonlar verilecektir.
32
Prof.Dr. Kamil ALAKUŞ
T tesadüfi değişkeninin olasılık yoğunluk fonksiyonu, kısa zamanda (∆𝑡 ) bir bireyin başarısız
olma olasılığının limitidir. Bu fonksiyon;
𝑃{𝑡≤𝑇<(𝑡+∆𝑡)}
𝑓 (𝑡) = lim ,𝑡 >0 (5.1)
∆𝑡→0 ∆𝑡
33
Prof.Dr. Kamil ALAKUŞ
Üstel Dağılım
0.12
0.10
0.08
f(t)
0.06
0.04
0.02
0.0
0 10 20 30
t
ile verilir. Fonksiyonda 𝛼: şekil, 𝛽: yer parametresidir. 𝛼 = 1 olursa üstel dağılıma dönüşür. 𝛼
= 2 olursa Rayleigh dağılımı ve 𝛼 = 4 ve daha büyük olduğunda dağılım normal dağılıma
1
yaklaşır. Weibull dağılımının ortalama ve varyansı sırasıyla; 𝐸 (𝑇) = Γ (1 + 𝛼 ) 𝛽 ve 𝑉 (𝑇) =
2 1
𝛽 2 [Γ (1 + 𝛼 ) − Γ 2 (1 + 𝛼 )] eşitlikleri ile ifade edilir. Her farklı 𝛼 ve 𝛽 değerleri için farklı
34
Prof.Dr. Kamil ALAKUŞ
Weibull Dağılımı
0.12
0.10
Alfa=1.0
Alfa=1.5
0.08
Alfa=2.0
Alfa=3.0
f(t)
0.06
0.04
0.02
0.0
0 10 20 30
t
Grafik V.2: 𝜷 = 𝟖 iken Çeşitli 𝜶 Değerleri İçin Weibull Olasılık Yoğunluk Fonksiyonu Grafiği.
Dört farklı biçimde yazılabilen iki parametreli Gamma dağılımının bu çalışmada verilecek
olasılık yoğunluk fonksiyonu,
𝟏 𝒕 𝜶−𝟏
( ) 𝒆−𝒕/𝜷 , 𝒕 > 𝟎
𝒇(𝒕) = {𝚪(𝜶)𝜷 𝜷 (5.10)
𝟎, 𝒅. 𝒉.
ile verilir. Dağılımın parametreleri 𝛼 ve 𝛽 olup Γ(𝛼) gamma fonksiyonudur. Dağılım adını bu
fonksiyondan almaktadır. Her farklı 𝛼 ve 𝛽 değerleri için farklı olasılık yoğunluk fonksiyonu
şekilleri elde edilmektedir. Örneğin; 𝛽 = 8 ve 𝛼 = 1, 𝛼 = 2 ve 𝛼 = 3, değerleri için böylesi bir
grafik, Grafik V.3’de verildiği gibidir.
35
Prof.Dr. Kamil ALAKUŞ
Gama Dağılımı
0.12
0.10
Alfa=1.0
Alfa=2.0
0.08
Alfa=3.0
f(t)
0.06
0.04
0.02
0.0
0 20 40 60 80
t
Grafik V.3: 𝜷 = 𝟖 iken Çeşitli 𝜶 Değerleri İçin Gama Olasılık Yoğunluk Fonksiyonu Grafiği.
Gama fonksiyonu ise
∞
Γ(𝛼 ) = ∫0 𝑥 𝛼−1 𝑒 −𝑥 𝑑𝑥 (5.11)
integrali ile ifade edilir. Pozitif tamsayı 𝛼 için, bu fonksiyonun değeri, Γ(𝛼) = (𝛼 − 1)!
İntegralinin çözümü ile görülebilir. Diğer reel 𝛼 değerleri için hemen hemen bütün paket
programlarında bu fonksiyonun değeri hesaplanabilmektedir.
Gamma dağılımından 𝛼 ve 𝛽 nın bazı değerleri için özel dağılımlar elde edilir. Eğer; 𝛼 = 1 ise
𝑟
üstel dağılım, 𝛼 = 2 ve 𝛽 = 2 ise r-serbestlik dereceli ki-kare dağılımı türetilir.
Gamma dağılımının ortalama ve varyansı sırası ile 𝐸(𝑋) = 𝛼𝛽 ve 𝑉(𝑋) = 𝛼𝛽2 ile verilir.
Gamma dağılımının sağkalım ve hazard foksiyonlarının değerlendirilmesinde
tamamlanmamış gama fonksiyonu olduğundan açık ve net bir eşitliği elde edilemez. Bu nedenle
gama dağılımına ait bu fonksiyonlar burada verilmemiştir. Ancak belli alfa değerleri için
fonksiyonların değeri kolayca hesaplanabilmektedir.
V.2.4 Log-Normal Dağılım
Bu dağılım, bir değişkenin logaritmik değerlerinin normal dağılması anlamına gelir. Weibull
ve Gamma dağılımına alternatif bir dağılım olup sağkalım ve güvenilirlik çalışmalarında
36
Prof.Dr. Kamil ALAKUŞ
uygulama alanı bulabilen önemli dağılımlardan biridir. İki parametreli log-normal dağılımın
olasılık
yoğunluk fonksiyonu,
1 ln 𝑡−𝜇 2
1 − [( ) ]
𝑓 (𝑡) = {√2𝜋 𝜎 𝑡 𝑒 ,𝑡 > 0
2 𝜎
(5.12)
0, 𝑑. ℎ.
sağkalım (güvenilirlik) fonksiyonu ise;
ln 𝑡−𝜇
𝑆 (𝑡 ) = 1 − Φ ( ), 𝑡 > 0 (5.13)
𝜎
hazard fonksiyonu,
ℎ(𝑡) = 𝑓(𝑡)𝑆−1(t) (5.14)
ile verilir. Ne yazık ki Eşitlik (5.14) ile verilen hazard fonksiyonun net bir formülasyonu
yazılamamaktadır.
𝜎2 2
Ortalama ve varyansı sırasıyla, 𝐸(T) =𝑒 𝜇+ 2 ve 𝑉(T) = (𝑒 𝜎 − 1)𝑒𝜎2+2𝜇 ile verilir. Farklı
parametre değerleri için değişik olasılık yoğunluk grafikleri gösterebilir. Örneğin; 𝜇 = ln (8)
ve 𝜎 = ln (2), 𝜎 = ln (2,5) ve 𝜎 = ln (3), değerleri için böylesi bir grafik, Grafik V.4’de
verildiği gibidir.
Log-Normal Dağılım
0.08
Sigma=2.0
0.06
Sigma=2.5
Sigma=3.0
f(t)
0.04
0.02
0.0
0 20 40 60 80 100
t
Grafik V.4: 𝜷 = 𝐥𝐧(𝟓) iken Çeşitli 𝝈 Değerleri İçin Log-Normal Olasılık Yoğunluk Fonksiyonu
Grafiği.
37
Prof.Dr. Kamil ALAKUŞ
hazard fonksiyonu,
𝛼 𝑡 𝛼−1
ℎ (𝑡 ) = 𝛽 ( 𝛽 ) [1 + 𝛽𝑡 𝛼 ]−1 , 𝑡 > 0 (5.17)
ile verilir. Eğer 𝛼 ≤ 1 ise hazard fonksiyonu monoton olarak azalır, 𝛼 > 1 ise hazard fonksiyonu
monoton olarak artar (Alakus, 1997). Ortalama ve varyansı orijine göre momentler yardımı ile
bulunabilir. Böylece 𝑘 < 𝛼 olmak üzere log-lojistik dağılımın orijine göre momentleri,
𝑘 𝑘 𝑘𝜋
𝐸 (𝑇 𝑘 ) = 𝛽 𝑘 𝐵 (1 − 𝛼 , 1 + 𝛼 ) = 𝑘𝜋 , 𝑘 = 1,2, ⋯. Burada 𝐵(. , .) beta fonksiyonudur.
𝛼 𝑆𝑖𝑛(
𝛼
Böylece; ortalama
𝜋𝛽 𝛽2 2 𝜋
ve varyansı sırası ile 𝐸 (𝑇) = 𝛼 𝑆𝑖𝑛(𝜋 , 𝛼 > 1 ve 𝑉 (𝑇) = ( 2𝜋 − 𝜋 ) , 𝛼 > 2 ile
𝛼
𝛼 𝑆𝑖𝑛( ) 𝛼𝑆𝑖𝑛 2 ( )
𝛼 𝛼
verilir.
Her farklı 𝛼 ve 𝛽 değerleri için farklı olasılık yoğunluk fonksiyonu şekilleri elde edilmektedir.
Örneğin; 𝛽 = 8 ve 𝛼 = 2, 𝛼 = 2.5 ve 𝛼 = 3, değerleri için böylesi bir şekil, Grafik V.5’de
verildiği gibidir.
38
Prof.Dr. Kamil ALAKUŞ
Log-Lojistik Dağılım
0.04
0.03
Alfa=2.0
Alfa=2.5
Alfa=3.0
f(t)
0.02
0.01
0.0
0 20 40 60 80
t
Şekil 1.5 β=8 iken Çeşitli α Değerleri İçin Log-Lojistik Olasılık Yoğunluk Fonksiyonu Grafiği.
ile verilir.
hazard fonksiyonu,
𝛼 𝛽𝛼
ℎ(𝑡) = ( 𝑡 ) [𝑡 𝛼 −𝛽𝛼 ], 𝑡 > 0 (5.17)
𝛼𝛽 𝛼𝛽2
Ortalama ve varyansı sırası ile 𝐸 (𝑇) = (𝛼−1) , 𝛼 > 1 ve 𝑉 (𝑇) = (𝛼−1)2(𝛼−2) ,𝛼 > 2 ‘dir.
Pareto Dağılımı
0.3
Alfa=2.0
Alfa=2.5
0.2
f(t)
Alfa=3.0
0.1
0.0
0 20 40 60 80
t
Grafik V.6 𝛽 = 8 iken Çeşitli 𝛼 Değerleri İçin Pareto Olasılık Yoğunluk Fonksiyonu Grafiği.
40