problem procjene parametara u weibullovom modeludarija/papers/teza.pdf · 2011-03-22 · osnovne...
TRANSCRIPT
Sveuciliste u Zagrebu
Prirodoslovno - matematicki fakultet
Matematicki odjel
mr. sc. Darija Markovic
Problem procjene parametara u Weibullovommodelu
Disertacija
Voditelj: prof. dr. sc. Dragan Jukic
Suvoditelj: prof. dr. sc.Miljenko Marusic
Zagreb, 2009.
Sadrzaj
1 Uvod 1
2 Weibullovi modeli 4
2.1 Weibullov 3-parametarski model . . . . . . . . . . . . . . . . . . . . . . 4
2.2 Osnovni pojmovi teorije pouzdanosti . . . . . . . . . . . . . . . . . . . 6
2.3 Klasifikacija Weibullovih modela . . . . . . . . . . . . . . . . . . . . . . 12
3 Klasicne metode za procjenu parametara u Weibullovom modelu 16
3.1 Graficke metode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.1.1 Weibullov crtez vjerojatnosti . . . . . . . . . . . . . . . . . . . . 17
3.1.2 Crtez rizika . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Analiticke metode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.1 Metoda momenata . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.2 Metoda maksimalne vjerodostojnosti . . . . . . . . . . . . . . . 32
4 Problem najmanjih kvadrata 38
4.1 Opca formulacija problema najmanjih kvadrata s generalizacijom u p−normi 38
4.2 Problem najmanjih kvadrata u regresijskoj analizi . . . . . . . . . . . . 40
4.2.1 Problem najmanjih obicnih kvadrata . . . . . . . . . . . . . . . 40
4.2.2 Problem najmanjih potpunih kvadrata . . . . . . . . . . . . . . 44
i
4.2.3 Metoda najmanjih obicnih kvadrata za transformirani Weibullov
model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.3 Nelinearni problem najmanjih kvadrata za 3-parametarski Weibullov
model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.3.1 OLS i TLS problem za funkciju distribucije vjerojatnosti . . . . 55
4.3.2 OLS i TLS problem za funkciju gustoce vjerojatnosti . . . . . . 56
5 Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 59
5.1 Egzistencija OLS procjenitelja za Weibullovu 3-parametarsku distribuciju 59
5.2 Egzistencija TLS procjenitelja za Weibullovu 3-parametarsku distribuciju 71
5.3 Egzistencija OLS procjenitelja za Weibullovu 3-parametarsku gustocu . 86
5.4 Egzistencija TLS procjenitelja za Weibullovu 3-parametarsku gustocu . 95
Literatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
Sazetak . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
Zivotopis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
ii
Poglavlje 1
Uvod
U primijenjenim istrazivanjima matematicki modeli obicno sadrze nepoznate parame-
tre koje treba procijeniti na osnovi eksperimentalnih ili empirijskih podataka (wi, ti, yi),
i = 1, . . . , n, gdje su ti vrijednosti nezavisne varijable (opcenito vektor), yi odgovarajuce
vrijednosti zavisne varijable, a wi > 0 je tezina i−tog podatka. Taj problem u litera-
turi je poznat pod nazivom Problem procjene parametara (engl. Parameter Estimation
Problem). U literaturi postoji vise metoda za procjenu parametara u modelu opisanom
diferencijalnim jednadzbama, kao sto su npr.metoda konacnih razlika (engl. Finite Di-
fferences Method), metoda integracije podataka (engl. Integration of Data), metoda
izgladivanja podataka (engl. Smooth the Data Method), itd. Pri tome treba razliko-
vati slucaj kada se rjesenje sustava diferencijalnih jednadzbi moze prikazati pomocu
elementarnih funkcija od slucaja kada to nije moguce. U slucaju kada je poznata
funkcija-model, metode za procjenu parametara najcesce se baziraju na upotrebi lp
norme (1 ≤ p < ∞), tako da se minimizira p-norma odgovarajuceg vektora reziduala.
Ako je p = 2, radi se o metodi najmanjih kvadrata (LS metoda, od engl. Least Squares
Method). Osim LS metode (l2 norme) cesto se koriste l1 i l∞ norma. Kod LS metode
treba razlikovati dva pristupa: metodu najmanjih obicnih kvadrata (OLS metoda, od
engl.Ordinary Least Squares) i metodu najmanjih potpunih kvadrata (TLS metoda,
od engl. Total Least Squares). Ukratko, ako su pogreske u nezavisnim varijablama
zanemarive, a pogreske u mjerenju zavisne varijable nezavisne i normalno distribuirane
slucajne varijable s ocekivanjem 0 (nula), onda se nepoznati parametri najcesce procje-
njuju u smislu metode najmanjih obicnih kvadrata (OLS metode) tako da se na skupu
dopustivih parametara minimizira funkcional koji predstavlja tezinsku suma kvadrata
odstupanja izmjerenih od modelom predvidenih vrijednosti. Statisticki gledano, OLS
funkcional predstavlja tezinsku sumu kvadrata pogresaka sadrzanih u zavisnoj vari-
jabli. Tocka u kojoj funkcional postize minimum zove se LS procjenitelj. Za optimalnu
vrijednost vektora nepoznatih parametara uzima se LS procjenitelj, ako on postoji.
1
Uvod 2
Ako je odgovarajuci minimizirajuci funkcional linearan u svim svojim parametrima,
radi se o dobro izucenom linearnom OLS problemu koji uvijek ima rjesenje i za koji
postoje dobro razvijene numericke metode. Za rjesavanje nelinearnih OLS problema
razvijene su posebne numericke metode. Medutim, prije same minimizacije postavljaju
se teska pitanja vezana uz egzistenciju i jedinstvenost LS procjenitelja te nesto laksi
problem odredivanja dobre pocetne aproksimacije. U najopcenitijem slucaju pogreske
se mogu javiti u mjerenjima svih varijabli (i zavisnih i nezavisnih). U takvoj situaciji
razumno je vektor nepoznatih parametara potraziti u smislu metode najmanjih pot-
punih kvadrata (TLS metode). Kod TLS metode vektor nepoznatih parametara trazi
se minimizacijom funkcionala koji predstavlja tezinsku sumu kvadrata svih pogresaka.
Geometrijski gledano, ovaj funkcional predstavlja tezinsku sumu kvadrata udaljenosti
tocaka (ti, yi) do neke tocke na grafu funkcije modela. U statistickoj literaturi TLS
metoda je na engleskom jeziku poznata pod nazivima Errors in Variables Regression
i Orthogonal Distance Regression. U numerickoj analizi TLS pristup prvi su izucavali
G.H.Golub i C. F.Van Loan [24]. U literaturi je dobro izucen jedino linearni TLS pro-
blem. U odnosu na OLS problem, kod nelinearnog TLS problema javljaju se puno tezi
problemi vezani za egzistenciju, jedinstvenost i efikasno nalazenja TLS procjenitelja.
Glavni razlog za to je sto TLS funkcional ima puno vise nezavisnih varijabli nego li
odgovarajuci OLS funkcional. Naime, svaki podatak ,,donosi” jednu novu varijablu,
a kako je broj podataka obicno velik, radi se o problemu minimizacije funkcionala s
puno nezavisnih varijabli. Upravo zbog tog razloga razvijene su specijalne numericke
metode za nalazenje TLS procjenitelja (P.T. Boggs, R.H. Byrd, R.B. Schnabel [9], H.
Schwetlick, V. Tiller [83], D. Jukic, R. Scitovski, H. Spath, [45]).
Glavni problem koji se razmatra u ovom radu je problem egzistencije optimalnih
parametara za 3-parametarski Weibullov model. U drugom poglavlju opisan je 3-
parametarski Weibullov model, te su navedene neke od njegovih generalizacija. Takoder,
istaknute su neke od brojnih primjena ovog modela. Ukratko su navedeni osnovni prob-
lemi empirijskog modeliranja. Navedeni su ilustrativni primjeri koji ce se koristiti u
ostatku rada.
U trecem poglavlju razmatraju se neke klasicne metode za procjenu nepoznatih
parametara u 2-parametarskom i 3-parametarskom Weibullovom modelu. Opisane su
dvije graficke metode: Weibullov crtez vjerojatnosti i crtez rizika. Dodatno su navedeni
neki procjenitelji za vrijednost empirijske funkcije distribucije. Od analitickih metoda u
radu su opisane metoda momenata i metoda maksimalne vjerodostojnosti, koje se stan-
dardno koriste za procjenu nepoznatih parametara u statistickim modelima. Navedeni
su problemi koji se javljaju pri procjeni parametara u ovim statistickim metodama.
U cetvrtom poglavlju opisan je problem najmanjih kvadrata s posebnim naglaskom
Uvod 3
na OLS i TLS pristup u regresijskoj analizi. Osim toga u ovom poglavlju detaljnije je
razradena OLS metoda za transformiranu Weibullovu distribuciju.
U petom poglavlju nalazi se glavni doprinos ove disertacije, a to su teoremi o egzis-
tenciji optimalnih parametara, kako u smislu najmanjih obicnih kvadrata tako i u
smislu najmanjih potpunih kvadrata za 3-parametarski Weibullov model. Pri tome
se od podataka zahtjeva da ispunjavaju samo vrlo prirodne uvjete, kao sto su pozi-
tivnost, rast i ogranicenost zavisne varijable. Takoder dokazana je egzistencija opti-
malnih parametara za Weibullovu 3-parametarsku gustocu u smislu najmanjih obicnih
i najmanjih potpunih kvadrata. Svi ti teoremi o egzistenciji optimalnih parametara
generalizirani su i u p normi (1 ≤ p < ∞). Neki od tih rezultata vec su objavljeni,
prihvaceni za objavljivanje ili se nalaze na recenziji (D. Markovic, D. Jukic i M. Bensic
[57], D. Jukic i D. Markovic [36] i D.Markovic i D. Jukic [56]).
Poglavlje 2
Weibullovi modeli
Weibullov model (distribucija) jedan je od najcesce koristenih statistickih modela u
teoriji pouzdanosti i teoriji zivotnog vijeka (vidi npr. [4, 5, 12, 32, 48, 60, 64]). Model je
nazvan po svedskom fizicaru Waloddi Weibullu (1887.-1979.) koji ga prvi puta spominje
u radu [94]. Prije Weibulla slican model koristili su Rosin i Rammler u radu [79] za
opisivanje distribucije velicine cestica, te se isti model cesto naziva Rosin–Rammlerova
distribucija. Najraniji poznati rad u kojem se javlja Weibullova distribucija je rad
Fishera i Tippeta [20] iz 1928. u kojem je distribucija dobivena kao granicna distribucija
malih ekstrema u uzorku. U literaturi iz podrucja farmakologije Weibullova distribucija
se pojavljuje pod nazivom Rosin-Rammler-Sperling-Bennet-Weibullova distribucija ili
kratko RRSBW distribucija, iako se ponekad izostavlja Weibullovo ime.
2.1 Weibullov 3-parametarski model
U ovoj disertaciji najveca paznja je posvecena problemu procjene parametara u 3-
parametarskom Weibullovu modelu (distribuciji). Taj model je zadan izrazom
F (t; α, β, η) =
{1− e−( t−α
η )β
, t > α0, t ≤ α
(2.1)
gdje su α ≥ 0 parametar polozaja (engl. the location parameter), η > 0 parametar
skaliranja (engl. the scale parameter) i β > 0 parametar oblika (engl. the shape param-
eter) (vidi npr. [1, 18, 60, 95]). Na funkciju F mozemo gledati kao na kumulativnu
funkciju distribucije vjerojatnosti (CDF; kratica od engl. cumulative distribution fun-
ction). Odgovarajuca funkcija gustoce vjerojatnosti (PDF; kratica od engl. probability
4
Weibullovi modeli 5
density function) glasi:
f(t; α, β, η) =
{βη
(t−αη
)β−1
e−( t−αη )
β
t > α
0, t ≤ α.(2.2)
Za α = 0, dobiva se 2-parametarska Weibullova distribucija koja se cesto u literaturi
naziva standardnim Weibullovim modelom.
Tipican izgled Weibullove 3-parametarske distribucije prikazan je na slici 2.1.
t
F (t; α, β, η)
6
-
1
α
Slika 2.1. Graf 3-parametarske Weibullove distribucije
Za nenegativnu slucajnu varijablu T kazemo da je 3-parametarska Weibullova slu-
cajna varijabla i pisemo T ∼ W (α, β, η) ako su njezina kumulativna funkcija distribu-
cije vjerojatnosti i funkcija gustoce vjerojatnosti zadane s (2.1) i (2.2).
Weibullova 3-parametarska distribucija je vrlo fleksibilna. Dobrim izborom para-
metara oblika β mogu se dobiti razliciti oblici funkcije gustoce vjerojatnosti (slika 2.2).
Na taj je nacin moguce dobiti aproksimacije drugih distribucija. Za vrijednost parame-
tra 0 < β ≤ 1 funkcija gustoce je padajuca. U slucaju β = 1, Weibullova distribu-
cija se svodi na 2-parametarsku eksponencijalnu distribuciju, a za β = 0.5 ona dobro
aproksimira gamma distribuciju. Ako je β > 1, funkcija gustoce je zvonolika i uni-
modalna s maksimumom u tocki α + η(1 − 1/β)1/β. Kada je β = 2 i α = 0 ona je
jednaka Rayleigh-evoj distribuciji. Za β = 2.5 aproksimira lognormalu distribuciju.
Dobra aproksimacija normalne distribucije dobiva se za β = 3.4. Upravo fleksibi-
lnost Weibullove 3-parametarske distribucije je jedan od glavnih razloga njene siroke
upotrebe u statistickim istrazivanjima, a narocito u teoriji pouzdanosti i teoriji zivotnog
vijeka. Weibullova distribucija ima siroku primjenu i u elektrotehnici ([21, 59]), biologiji
Weibullovi modeli 6
([33, 88]), kemiji ([61, 71]), medicini ([82, 98]), meteorologiji ([54, 91]), sumarstvu
([27, 28]) i inzenjerskim istrazivanjima ([1, 48, 60, 64]). Osim toga, u mnogim primije-
njenim istrazivanjima Weibullovi modeli se koriste i kao trend krivulje ([3, 80, 84]).
t
f(t; α, β, η) 6
-
β=0.5
�
β=1
?
β=2.5�
β=2�
β=3.4�
β=9
�
Slika 2.2: Graf Weibullove 3-parametarske funkcije gustoce za razlicite vrijednostiparametra oblika β
U primijenjenim istrazivanjima nepoznate parametre α, β i η 3-parametarskog Wei-
bullova modela treba procijeniti na osnovi uzorka t1, . . . , tn koji se sastoji od n opazanja
slucajne varijable T ∼ W (α, β, η). U tu svrhu razvijene su mnoge statisticke metode.
U ovoj disertaciji naglasak ce biti na metodi najmanjih kvadrata.
2.2 Osnovni pojmovi teorije pouzdanosti
U svrhu boljeg razumijevanja mogucnosti primjene Weibullova modela korisno je navesti
osnovne stvari iz teorije pouzdanosti. Najjednostavnije receno pouzdanost nekog su-
stava je vjerojatnost da ce taj sustav uspjesno, bez otkaza, obaviti zadacu koja mu
je namijenjena. Preciznije, neka je T slucajna varijabla koja oznacava vrijeme pojave
otkaza, s funkcijom gustoce vjerojatnosti f i odgovarajucom kumulativnom funkcijom
distribucije vjerojatnosti F . U teoriji pouzdanosti funkcija F se zove funkcija distribucije
Weibullovi modeli 7
otkaza (engl. failure distribution ili life distribution). Dakle, u teoriji pouzdanosti
F (t) = P (T ≤ t)
predstavlja vjerojatnost da ce sustav otkazati do trenutka t.
Funkcija pouzdanosti (engl. reliability function ili survivor function) R(t) definira se
kao vjerojatnost bezotkaznog rada do vremenskog trenutka t, odnosno vjerojatnost da
ce odredeni element ili uredaj nadzivjeti trenutak t. Dakle,
R(t) = 1− F (t) = P (T > t).
Za funkciju pouzdanosti koriste se i nazivi funkcija prezivljavanja i funkcija opstanka.
Uocimo da za Weibullovu 3-parametarsku distribuciju funkcija pouzdanosti glasi:
R(t; α, β, η) = 1− F (t; α, β, η) = e−( t−αη )
β
, t > α.
t
R(t;α, β, η) 6
-
1
α
Slika 2.3. Graf Weibullove funkcija pouzdanosti za α = 1, β = 2 i η = 1.2
Funkcija hazarda (engl. hazard function ili instantaneous failure rate) h(t) definira
se formulom
h(t) = lim∆t→0
P (t < T ≤ t + ∆t|T > t)
∆t,
gdje P (t < T ≤ t + ∆t|T > t) oznacava uvjetnu vjerojatnost, tj. vjerojatnost da
slucajna varijabla T poprimi vrijednost iz intervala (t, t + ∆t] ako je njezina vrijednost
veca od t. Kako je
P (t < T ≤ t + ∆t|T > t) =P (t < T ≤ t + ∆t)
P (T > t)=
F (t + ∆t)− F (t)
R(t),
Weibullovi modeli 8
dobiva se
h(t) =f(t)
R(t)=
f(t)
1− F (t).
Za funkciju hazarda koriste se i nazivi funkcija rizika i funkcija intenziteta otkaza.
Prema tome, h(t) mozemo interpretirati kao vjerojatnosti otkaza u sljedecoj jedinici
vremena ukoliko je sistem dozivio trenutak t. Za Weibullovu distribuciju funkcija rizika
dana je izrazom:
h(t; α, β, η) =f(t; α, β, η)
1− F (t; α, β, η)=
β
η
(t− α
η
)β−1
, t > α.
Funkcija rizika Weibullove 3-parametarske distribucije je monotono rastuca za β > 1,
padajuca za 0 < β < 1 i konstantna za β = 1 (slika 2.4).
β1 = 0.5 β2 = 1 β3 = 1.5
6
-
6
-
6
-
Slika 2.4: Funkcija rizika Weibullove 3-parametarske distribucije za α = 1, η = 1.2 ineke vrijednosti parametra β
Primjedba 2.1 Za mnoge distribucije funkcija rizika ima oblik ,,kade”, kao na slici 2.5.
Na pocetku faze pocetnih kvarova (engl. infant mortality region) intenzitet kvarova je
vrlo velik, ali s vremenom brzo opada. U fazi rada (engl. constant failure rate region)
intenzitet kvarova je gotovo konstantan. U posljednjoj trecoj tzv. fazi istrosenosti (engl.
wear-out region) na pocetku intenzitet kvarova je vrlo mali, ali s vremenom pocinje brzo
rasti. Razni Weibullovi modeli nabrojani u tocki 2.3 koriste se za modeliranje krivulja
,,kade”. Vise o tome moze se pronaci u [47].
Weibullovi modeli 9
Faza pocetnih kvarova Faza rada Faza istrosenosti
t
h(t)
t1 t2
6
-
Slika 2.5. Krivulja ,,kade”
Kumulativna funkcija rizika (engl. cumulative hazard rate) H(t) definirana je izrazom
H(t) =
∫ t
0
h(x)dx.
Lako je provjeriti da za Weibullovu 3-parametarsku distribuciju kumulativna funkcija
rizika glasi
H(t; α, β, η) =
(t− α
η
)β
.
Srednje vrijeme otkaza TSR definira se kao matematicko ocekivanje slucajne vari-
jable T :
TSR = E[T ] =
∫ ∞
0
tf(t)dt.
Sada cemo navesti nekoliko ilustrativnih primjera na koje cemo se nadalje cesto
pozivati. Na tim primjerima u poglavlju 3 ilustrirat cemo primjenu raznih metoda za
procjenu parametara.
Primjer 2.1 U tablici 2.1 navedeni su stvarni podatci preuzeti iz [60], koji predstavlja-
ju otkazivanje jednog dijela fotokopirnog stroja, valjka za ciscenje tonera (engl. clea-
ning web). Stupac ,,Brojac” predstavlja broj kopija napravljenih do trenutka zamijene
Weibullovi modeli 10
valjka, a stupac ,,Dani” predstavlja odgovarajuci broj dana (mjerenih od trenutka kada
se fotokopirni stroj poceo koristiti).
Tablica 2.1. Otkazi valjka za ciscenje
Brojac Dani Brojac Dani60 152 29 900 362 1356
132 079 128 933 785 1412365 075 397 938 100 1448427 056 563 994 597 1514501 550 722 1 045 893 1583597 739 916 1 068 124 1609675 841 1016 1 077 537 1640716 636 1111
Neka ti predstavlja i−to vrijeme otkaza. Razlike dviju uzastopnih vrijednosti iz
stupca ,,Dani” daju uocena vremena otkaza ti. Ta vremena zajedno s odgovarajucom
uredenom statistikom prikazan su u tablici 2.2:
Tablica 2.2. Vrijeme otkaza ti i uredena statistika t(i) u odnosu na broj dana
i 1 2 3 4 5 6 7 8 9 10 11 12 13 14ti 99 269 166 159 194 100 95 245 56 36 66 69 26 31t(i) 26 31 36 56 66 69 95 99 100 159 166 194 245 269
Vrijeme otkaza takoder mozemo promatrati ovisno o broju napravljenih kopija. U
tom slucaju imamo sljedeci skup podataka:
Weibullovi modeli 11
Tablica 2.3. Vrijeme otkaza ti i uredena statistika t(i) u odnosu na broj kopija
i 1 2 3 4 5 6 7ti 71 927 232 996 61 981 74 494 96 189 78 102 40 795t(i) 4 315 9 413 22 231 33 423 40 795 51 296 56 497
i 8 9 10 11 12 13 14ti 183 726 33 423 4 315 56 497 51 296 22 231 9 413t(i) 61 981 71 927 74 494 78 102 96 189 183 726 232 996
U inzenjerskim modeliranjima cesto se pretpostavlja da je vrijeme otkaza T Weibu-
llova 3-parametarska slucajna varijabla s kumulativnom funkcije distribucije vjerojat-
nosti (2.1).
Sljedeca propozicija daje nam vrlo jednostavan nacin generiranja 3-parametarske
Weibullove distribucije.
Propozicija 2.1 Neka su zadani realni brojevi α ≥ 0 i β, η > 0. Ako je U uniformno
(jednoliko) distribuirana slucajna varijabla nad intervalom (0, 1), onda je
T = α + η(− ln U)1β ∼ W (α, β, η).
Dokaz. Zaista,
P (T ≤ t) = P (α + η(− ln U)1β ≤ t) = P
(− ln U ≤
(t− α
η
)β)
= P(U ≥ e−( t−α
η)β
)= 1− e−( t−α
η)β
.
¥
Primjer 2.2 Sljedeci Mathematica program generira slucajne vrijednosti 3-parametar-
ske Weibullove varijable s parametrima α = 15, β = 2.5 i η = 30.
Needs["Statistics‘ContinuousDistributions‘"];
udist = UniformDistribution[0, 1];
alfa = 15;
eta = 30;
beta = 2.5;
data = Sort[alfa + eta*(-Log[RandomArray[udist, 20]])^(1/beta)]
Weibullovi modeli 12
Podaci navedeni u tablici 2.4 dobiveni su koristenjem gore navedenog programa.
Tablica 2.4. Generirane vrijednosti Weibullove varijable
22.9098 39.737124.3443 41.835224.8049 45.008929.4160 45.859429.7389 46.251832.8856 46.461035.8976 53.265936.6185 56.026736.7394 66.515236.7917 73.5136
2.3 Klasifikacija Weibullovih modela
Iako Weibull nije bio prvi koji je upotrijebio model (2.1), sam model vjerovatno ne
bi postigao toliku popularnost bez njegovog zalaganja. U radu [95] on navodi sedam
studija kod kojih su koristeni 2-parametarski i 3-parametarski Weibullov model, a u
radu [96] napravio je iscrpan popis referenci u kojima su se do 1977. godine koristila ta
dva modela. Taj popis sadrzi 1019 radova, od cega je 38 napisao sam Weibull, kao i
klasifikaciju radova po podrucjima primjene. Iscrpan popis referenci koje sadrze i novije
primjena tih modela (kao sto su modeliranje cvrstoce materija, velicine Antarktickog
ledenjaka, napuknuca u betonu, ucestalost poplava i potresa, distribuciju brzine vjetra,
velicinu kapljica i slicno) moze se pronaci u [60] i [77]. Popularnost ta dva modela
dovela je do njihovih raznih modifikacija i generalizacija, koje se s obzirom na vezu
sa standardnim Weibullovim modelom mogu podijeliti u 7 razlicitih grupa (vidi npr.
[60]). Navedimo ukratko te grupe modela kao i neke specijalne modele unutar njih:
• Modeli tipa I: Ovi modeli se dobivaju transformacijom standardne Weibullove
slucajne varijable T . Ta transformacija moze biti linearna i nelinearna.
Lako je provjeriti da se linearnom transformacijom Z = T + α dobiva 3-parame-
tarski Weibullov model. Nadalje, nelinearnom tranformacijom
Z =η2
T
Weibullovi modeli 13
kao rezultat se dobiva inverzni Weibullov model (engl. inverse (or reverse) Weibull
model) cija funkcija distribucije glasi:
G(t; β, η) = e−( ηt )
β
, t > 0.
Odgovararajuca 3-parametarska generalizacija
G(t; α, β, η) = e−( ηt−α)
β
, t > α
dobiva se transformacijom
Z = α +η2
T − α.
Napomenimo da je problem egzistencije optimalnih parametara za 3-parametarsku
inverznu Weibullovu distribuciju razmatran u radu Markovic i Jukic [55].
• Modeli tipa II su razne generalizacije modela tipa I. Ovoj grupi pripadaju ekspo-
nencirana Weibullova distribucija (engl. exponentiated Weibull distribution)
G(t; α, β, η, ν) =
[1− e−( t−α
η )β]ν
, t > α, α ≥ 0; β, η, ν > 0,
4 - parametarski Weibullov model
G(t; a, b, β, λ) = 1− e−λ( t−ab−t )
β
, 0 ≤ a ≤ t ≤ b < ∞, λ, β > 0
i 5 - parametarski Weibullov model
G(t; a, b, β1, β2, λ) = 1− e−λ(
(t−a)β1
(b−t)β2 , 0 ≤ a ≤ t ≤ b < ∞, λ, β1, β2 > 0.
• Modeli tipa III: modeli jedne varijable izvedeni iz jedne ili vise distribucija od
kojih je jedna standardna Weibullova distribucija.
• Modeli tipa IV: modeli kod kojih su parametri promjenjive varijable.
Weibullovi modeli 14
• Modeli tipa V: diskretni modeli, odnosno modeli kod kojih slucajna varijabla
prima samo nenegativne cjelobrojne vrijednosti.
• Modeli tipa VI: modele s vise varijabli.
• Modeli tipa VII: stohasticki modeli.
Weibullovi modeli cesto se koriste u svrhu empirijskog modeliranja. Za razliku od
teorijskog modeliranja, u ovom slucaju nije poznata teorija koja je povezana s pro-
blemom koji se modelira. Ova vrsta modela naziva se modeli ovisni o podacima ili
,,black-box” modeli. Efektivno empirijsko modeliranje zahtjeva: dobro poznavanje
metodologije za izgradnju modela, dobro poznavanje svojstva razlicitih modela, alate
i tehnike za procjenu koliko je odredeni model pogodan za modeliranje danog skupa
podataka. Sam proces empirijskog modeliranja ukljucuje sljedece korake: prikupljanje
podataka, analiza podataka odabir modela, procjenu parametara i utvrdivanje pogo-
dnosti (vrednovanje) modela. Napomenimo da izbor modela nije uvijek jasan i cesto
se svodi na metodu pokusaja i promasaja. Za procjenu pogodnosti odredenog tipa
modela (odnosi se za modele tipa I-III) ponekad se koristi Weibullov crtez vjero-
jatnostni (engl. Weibull probability plot). Vise o crtezu vjerojatnosti bit ce rijeci u
sljedecem poglavlju, gdje ce biti opisane i neke druge metode za procjenu parametara
u 3-parametarskom Weibullovom modelu.
Kako smo napomenuli, Weibullovi modeli koriste se za modeliranje podataka o
zivotnom vijeku (engl. life data) koji su specificni iz razloga sto je potrebno poznavanje
,,starosti” dijelova. Postoje dvije vrste ovakvih podataka:
1. standardni podaci o vijeku, kod kojih je poznata tocna starost dijelova koji su
otkazali i onih koji nisu otkazali, i
2. grupirani (intervalni) podaci o vijeku, kod kojih je tocna starost nepoznata, te
su podaci grupirani u vremenske intervale
Pod starosti mozemo podrazumijevati vrijeme rada nekog uredaja, broj njegovih star-
tova i zaustavljanja, prijedenu kilometrazu, vrijeme pod visokim opterecenjem ili vi-
sokom temperaturom i mnoge druge parametre. Prigodni parametar starosti obicno
je jednoznacno odreden samim modelom, no ponekad sam model ili nedovoljno poz-
navanje istog daje nekoliko mogucih izbora parametra. Ukoliko se kao model koristi
standardni Weibullov model, tada je najbolji izbor parametra starosti moguce odrediti
koristeci Weibullov crtez vjerojatnosti.
Weibullovi modeli 15
Primjer 2.3 Promatramo li problem modeliranja ,,starenja” kompresora klima uredaja,
najbolji parametri bi vjerovatno bili ili ukupno vrijeme koje je klima uredaj bio u funkciji
ili tocan broj paljenja i gasenja uredaja. Medutim, ukoliko podatake koje zelimo modeli-
rati dobijemo od servisera klima uredaja, dostupni ce nam biti jedino podaci o vremenu
koje je proslo izmedu dva servisiranja, te cemo ih bez obzira sto oni nisu ,,najbolji”
parametri starenja iskoristiti za modeliranje.
Primjer 2.4 Kod problema modeliranja otkaza lopatica turbine elektrane, kao parame-
tri starenja mogu se koristiti ukupno vrijeme rada turbine, vrijeme pod utjecajem vi-
soke temperature ili broj toplo–hladnih ciklusa. U ovom slucaju, iskustva inzenjera koji
odrzavaju turbine mogla bi pomoci pri izboru izmedu potencijalnih parametara starenja.
Kako i sami podaci u sebi mogu nositi velike pogreske (posebno u slucaju grupiranih
podataka), samo utvrdivanje pogodnosti modela treba odrediti da li su odstupanja
nastala zbog loseg izbora modela ili su uzrokovana greskama u samim podacima.
Poglavlje 3
Klasicne metode za procjenuparametara u Weibullovom modelu
Metoda maksimalne vjerodostojnosti (krace ML) smatra se najboljom opcom statistic-
kom metodom za nalazenje dobrih procjenitelja nepoznatih parametara. Procjenitelji
dobiveni ovom metodom imaju dobra i lako odredljiva asimptotska svojstva, te su stoga
posebno dobri za procjenjivanje na osnovi velikih uzoraka. Nazalost ML-procjenitelj
ne mora uvijek postojati, a nije ni jedinstven. Dokaz egzistencije i jedinstvenosti
ML-procjenitelja za 2-parametarski Weibullov model moze se naci u radovima [10]
i [73]. U ovoj radnji teziste je na problemu procjene parametara u 3-parametatrskom
Weibullovom modelu. Kao sto se moze pokazati, kod 3-parametarskog Weibullova
modela standardni ML-procjenitelj ne postoji (vidi npr. [43] i [48]). U postojecoj li-
teraturi puno paznje posveceno je tom problemu nepostojanja ML-procjenitelja (vidi
npr. [11, 48, 60, 64, 86]).
U ovom poglavlju predstavit cemo samo nekoliko metoda koje se u primijenjenim
istrazivanjima standardno koriste za procjenu parametara u Weibullovom 2-parametar-
skom i 3-parametarskom modelu. Te metode se najcesce dijele u dvije grupe: graficke
i analiticke. Zbog svoje jednostavnosti i brzine graficke metode su popularne u inze-
njerskim istrazivanjima. Nasuprot njima, analiticke metode su matematicki egzaktnije
i pomocu njih se u pravilu dobiva kvalitetniji procjenitelj nepoznatih parametara, ali
nazalost, u slucaju malog uzorka podataka dobivena procjena obicno nije zadovoljava-
juca (vidi npr. [48, 60, 64]). Upravo zbog toga u posljednje vrijeme metoda najmanjih
kvadrata postaje sve popularnija numericka metoda za procjenu parametara.
16
Klasicne metode za procjenu parametara u Weibullovom modelu 17
3.1 Graficke metode
Predstavit cemo dvije graficke metode: Weibullov crtez vjerojatnostni i crtez rizika.
Obje metode primjenjuju se za procjenu parametara u standardnom (2-parametarskom)
Weibullovom modelu. Uz male modifikacije te se metode mogu primijeniti i za procjenu
parametara u 3-parametarskom Weibullovom modelu.
3.1.1 Weibullov crtez vjerojatnosti
Weibullov crtez vjerojatnosti (WPP; kratica od engl. Weibull probability plot) je prva
metoda koja je povijesno koristena za procjenu parametara Weibullovog modela, a i
danas se koriste modernizirane varijante ove metode. Detaljno je opisana u radu [94].
Metoda se temelji na takozvanoj Weibullovoj transformaciji.
WPP metoda za 2-parametarski Weibullov model. Zapisemo li standardnu
Weibullovu distribuciju
F (t; β, η) = 1− e−( tη )
β
, t ≥ 0
u obliku
e−( tη )
β
= 1− F (t; β, η),
a zatim logaritmiramo, dobivamo
−(
t
η
)β
= ln [1− F (t; β, η)] .
Nakon mnozenja gornjeg izraza s −1 i ponovnog logaritmiranja imamo
β · ln t
η= ln [− ln [1− F (t; β, η)]] ,
odnosno
ln [− ln [1− F (t; β, η)]] = β ln t− β ln η.
Klasicne metode za procjenu parametara u Weibullovom modelu 18
Ukoliko uvedemo oznake
y := ln [− ln [1− F (t; β, η)]] ,
x := ln t,
a := β,
b := −β ln η
posljednju jednakost mozemo zapisati u lineariziranom obliku
y = ax + b (3.1)
koji je kljucan za razumijevanje Weibullovog crteza vjerojatnosti.
Neka su
t1, t2, . . . , tn
opazanja nenegativne Weibullove slucajne varijable T . WPP postupak je sljedeci:
1. Posloziti podatke u rastucem poretku
t(1) ≤ t(2) ≤ · · · ≤ t(n).
Tako poredane podatke zovemo uredena statistika;
2. Izracunati vrijednosti empirijske funkcije distribucije F (t(i)), i = 1, . . . , n;
3. Izracunati yi = ln[− ln[1− F (t(i))]
], i = 1, . . . , n;
4. Izracunati xi = ln t(i), i = 1, . . . , n;
5. Nacrtati tocke Ti = (xi, yi) u koordinatnom sustavu;
6. Nekom metodom odrediti pravac y = βx + b koji najbolje aproksimira zadane
podatke;
7. Za procjenu parametra oblika β uzeti koeficijent smjera β tog pravca;
8. Procjena parametra skaliranja η dana je s η = exp (−b/β).
U drugom koraku potrebno je izracunati vrijednosti empirijske funkcije distribucije.
U tu svrhu najcesce su koriste procjene sljedeceg oblika (vidi [1, 48, 60, 64, 100])
F (t(i)) =i− c
n + 1− 2c, 0 ≤ c < 1, (3.2)
Klasicne metode za procjenu parametara u Weibullovom modelu 19
odakle specijalno dobivamo:
- procjenitelj prosjecnog ranga (engl. mean rank estimator) za c = 0
F (t(i)) =i
n + 1,
- procjenitelj medijan ranga (engl. median rank estimator) za c = 0.5
F (t(i)) =i− 0.5
n,
- procjenitelj Benardovog medijan ranga (eng. Benard’s median rank estimator)
za c = 0.3
F (t(i)) =i− 0.3
n + 0.4.
U sestom koraku nekom metodom potrebno je odrediti pravac koji najbolje aprok-
simira dobivene podatke. Ponekad se predlaze da se taj pravac odredi jednostavnim
crtanjem pravca koji je vizualno najblizi podacima, te nakon toga procijeni njegov
koeficijent smjera β i odsjecak b na osi ordinata, no najcesce se u tu svrhu koristi
metoda najmanjih kvadrata koja je opisana u tocki 4.2.3.
WPP metoda za 3-parametarski Weibullov model. Uz male modifikacije WPP
metoda za standardni Weibullov model moze se koristiti i za procjenu parametara
Weibulove 3-parametarske distribucije, koja zbog dodatnog parametra α ima vecu flek-
sibilnost. U knjizi [1] navedena su cetiri kriterija koja trebaju biti zadovoljena prije
upotrebe 3-parametarskog Weibullovog modela u primijenjenim istrazivanjima:
1. Weibullov crtez treba pokazivati zakrivljenost;
2. Treba postojati fizikalno objasnjenje zbog cega slucajna varijabla T (npr. vrijeme
otkaza) ne moze primiti vrijednost manju od α. Ponekad se zbog toga parametar
α naziva i parametrom garancije;
3. Treba imati veci uzorak podataka na raspolaganju (barem 21). Ukoliko je od
prije poznato da je treci parametar α potreban, tada je i manji uzorak podataka
(8-10 podataka) prihvatljiv;
Klasicne metode za procjenu parametara u Weibullovom modelu 20
4. Koeficijent korelacije trebao bi se znacajno povecati u odnosu na 2-parametarski
model.
Konkavne ,,slike podataka” se javljaju puno cesce od konveksnih. Konveksnost
sugerira negativnu vrijednost parametra α sto je teze fizikalno argumentirati. U tom
slucaju mozemo na primjer smatrati da su neki dijelovi otkazali prije instalacije.
U [18] se napominje da velika vrijednost parametra oblika (β > 6) takoder ukazuje
da je parametar polozaja α razlicit od nule.
Za 3-parametarsku Weibullovu distribuciju odgovarajuca Weibullova transformacija
glasi
ln [− ln [1− F (t; α, β, η)]] = β ln(t− α)− β ln η.
Uocimo da je uvodenjem novog parametra α izgubljena linearna veza. Kako bi se
rijesio ovaj problem, prvo se na neki nacin procijeni parametar polozaja α, te se nakon
toga podaci ti prvo transformiraju u nove podatke τi := ti − α, a zatim se parametar
oblika β i parametar skaliranja η procjenjuju na prije opisan nacin WPP metodom za
2-parametarski Weibullov model.
Najjednostavniji nacin procjene parametra α je dan s α = t(1). U radu [60] obraz-
lozeno je zasto je α = t(1) − 1n
bolji procjenitelj.
Primjedba 3.1 U inzenjerskim primjenama neki autori sugeriraju da se izbor parame-
tra α napravi na sljedeci heuristicki nacin: Proizvoljno odrediti procjenu α1 (u slucaju
konkavnih podataka pocetni izbor treba biti pozitivan broj, a u slucaju konveksnih negati-
van), a zatim nacrtati podatke τi := ti−α. Ukoliko novi podaci ne pokazuju zakrivljenost
prihvatiti odabrani parametar kao dobru procjenu, u suprotnom u ovisnosti o novoj slici
ponovno pokusati pogoditi dobru procjenu parametra polozaja. U slucaju ako je slika
iz konveksne postala konkavna procjenjeni parametar trebamo povecati, a ako je slika
iz konkavne postala konveksna parametar trebamo smanjiti. Ukoliko je slika zadrzala
konveksni oblik, parametar smanjujemo, a ako je zadrzala konkavni oblik parametar
povecavamo.
U radovima [51, 66, 77] predlaze se da se u slucaju konkavnih podataka za vrijednost
parametra polozaja α uzme
α = t(2) −(t(3) − t(2))(t(2) − t(1))
(t(3) − t(2))− (t(2) − t(1)), (3.3)
Klasicne metode za procjenu parametara u Weibullovom modelu 21
a u slucaju konveksnih podataka vrijednost
α =(t(3) − t(2))(t(2) − t(1))
(t(3) − t(2))− (t(2) − t(1))− t(2). (3.4)
Za procjenu parametra oblika α standardno se koristi i metoda crtez vjerojatnosti
crteza koeficijenata korelacije (engl. Probability Plot Correlation Coefficient Plot). Za
niz vrijednosti parametra polozaja izracuna se koeficijent korelacije crteza vjerojatnosti
pridruzenog toj vrijednosti koeficijenta polozaja, te se tako dobiveni podaci prikazu
graficki. Vrijednost parametra α kojoj je pridruzen maksimalni koeficijent korelacije
uzima se za optimalnu aproksimaciju parametra lokacije α. Vrijednost koeficijenta
korelacije mozemo aproksimirati pomocu izraza
ρ =
∑ni=1(xi − x)(yi − y)√∑n
i=1(xi − x)2 ·∑ni=1(yi − y)2
Vise o Weibullovu crtezu vjerojatnosti moze se pronaci u [1, 48, 60, 64, 70].
Primjer 3.1 Ilustrirajmo WPP metodu na podacima ti iz primjera 2.1. Nakon odabira
empirijske funkcije distribucije F , u koordinatnom sustavu treba nacrtati transformi-
rane podatke (xi, yi), i = 1, . . . , n, gdje je
xi = ln t(i), yi = ln[− ln
[1− F (t(i))
]],
Za podatke iz tablice 2.2 i za empirijsku funkciju distribucije racunatu metodom pro-
sjecnog ranga ti su podaci prikazani na slici 3.1.
Za ove podatke sada je potrebno odrediti pravac koji ih najbolje aproksimira. U
tu svrhu, za ove podatke kao i za one iz tablice 2.3 mi cemo koristiti metodu najma-
njih kvadrata koja je opisana u tocki 4.2.3. Koristenjem razlicitih empirijskih funkcija
distribucije dobiveni su sljedeci procjenitelji parametara β i η, koje prikazujemo u
tablici 3.1. Pri tome SS oznacava sumu kvadrata svih rezidula.
Klasicne metode za procjenu parametara u Weibullovom modelu 22
3.5 4.0 4.5 5.0 5.5
-2.5
-2.0
-1.5
-1.0
-0.5
0.5
1.0
x
y 6
-
Slika 3.1. Transformirani podaci iz tablice 2.2
Empirijska distribucijaProsjecni rang Medijan rang Benardov rang
β = 1.36284 β = 1.58497 β = 1.48146Podaci iz tablice 2.2 η = 131.097 η = 128.183 η = 129.357
SS = 0.0242357 SS = 0.0379534 SS = 0.0308529
β = 0.966233 β = 1.1445 β = 1.06025Podaci iz tablice 2.3 η = 81961.2 η = 78691.8 η = 80049.2
SS = 0.0507265 SS = 0.0457589 SS = 0.048644
Tablica 3.1: Procjenjeni parametri za standardni Weibullov model na osnovu otkazacistaca valjka s obzirom na broj dana i broj kopija
Primjetimo da je u slucaju aproksimacije s obzirom na broj dana (podaci iz tab-
lice 2.2) najbolja aproksimacija (SS je najmanji) dobivena koristenjem procjenitelja
prosjecnog ranga, dok je kod aproksimacije s obzirom na broj kopija (podaci iz tablice 2.3)
najbolja aproksimacija postignuta koristenjem procjenitelja medijan ranga empirijske
funkcije distribucije. Na slici 3.2 prikazani su originalni podaci iz tablice 2.2 i graf
2-parametarske Weibullove distribucije t 7→ F (t; β, η) ciji su parametri dobiveni koris-
Klasicne metode za procjenu parametara u Weibullovom modelu 23
tenjem procjenitelja prosjecnog ranga.
50 100 150 200 250 300
0.2
0.4
0.6
0.8
t
F (t; β, η) 6
-
Slika 3.2: Originalni podaci i 2-parametarska aproksimacija s obzirom na broj dana iprosjecni rang
Ukoliko podatke zelimo aproksimirati 3-parametarskim Weibullovim modelom po-
trebno je prvo procijeniti vrijednost parametra polozaja α. U tu svrhu koristit cemo
formulu (3.3) (alternativni pristup) i metodu temeljenu na koeficijentima korelacije.
U slucaju druge metode procjenjena vrijednost koeficijenta korelacije u ovom primjeru
izracunata je za vrijednosti parametara αi =t(1)100
(i − 1), i = 1, . . . , 100. Dobiveni
procjenitelji parametara prikazani su u tablici 3.2.
Na slici 3.3 prikazani su originalni podaci iz tablice 2.2 i graf 3-parametarske
Weibullove distribucije t 7→ F (t; α, β, η), gdje je α izracunat prema (3.3), a parametri
β i η su dobiveni koristenjem procjenitelja prosjecnog ranga za empirijsku funkciju
distribucije.
Klasicne metode za procjenu parametara u Weibullovom modelu 24
Empirijska distribucijaProsjecni rang Medijan rang Benardov rangα = 24.75 α = 25.1667 α = 24.75
Podaci iz tablice 2.2 β = 0.684935 β = 0.764788 β = 0.752056(alternativni pristup) η = 100.972 η = 95.4095 η = 97.6209
SS = 0.0397861 SS = 0.0403428 SS = 0.0363251α = 18.72 α = 22.62 α = 21.06
Podaci iz tablice 2.2 β = 0.950657 β = 0.9561 β = 0.955168(koeficijenti korelacije) η = 106.931 η = 97.5073 η = 101.434
SS = 0.016313 SS = 0.0219809 SS = 0.019184α = 2940.76 α = 3326.2 α = 2940.76
Podaci iz tablice 2.3 β = 0.763538 β = 0.859474 β = 0.841251(alternativni pristup) η = 80757.7 η = 76547.7 η = 78178.0
SS = 0.0786588 SS = 0.0796322 SS = 0.0748265α = 0 α = 0 α = 0
Podaci iz tablice 2.3 β = 0.966233 β = 1.1445 β = 1.06025(koeficijenti korelacije) η = 81961.2 η = 78691.8 η = 80049.2
SS = 0.0534441 SS = 0.0457589 SS = 0.048644
Tablica 3.2: Procjenjeni parametri za 3-parametarski Weibullov model na osnovuotkaza cistaca valjka s obzirom na broj dana i broj kopija
50 100 150 200 250 300
0.2
0.4
0.6
0.8
t
F (t; α, β, η) 6
-
Slika 3.3: Originalni podaci i 3-parametarska aproksimacija s obzirom na broj dana iprosjecni rang
Klasicne metode za procjenu parametara u Weibullovom modelu 25
3.1.2 Crtez rizika
Kumulativna funkcija rizika H(t) standardnog Weibullovog modela dana je izrazom
H(t) =
(t
η
)β
,
i ona je nelinearna funkcija od t. Logaritmiranjem se dobiva
ln[H(t)] = β ln t− β ln η,
odakle se vidi da se pomocu supstitucija y = ln[H(t)] i x = ln t dobiva linearna zavisnost
y = βx− β ln η.
Procjena parametara provodi se na slican nacin kao kod Weibullovog crteza vjerojat-
nosti. Postupak se sastoji od sljedecih koraka:
1. Posloziti podatke u rastucem poretku:
t(1) ≤ t(2) ≤ · · · ≤ t(n);
2. Za svaki od tako poslozenih podataka t(i) treba odrediti obrnuti rang koji se
definira kao
ki := n− i + 1,
gdje je s i oznacen rang podatka t(i);
3. Za svaki podatak t(i) izracunati vrijednost rizika kao 100ki
;
4. Za svaki podatak t(i) izracunati kumulativni rizik zbrajanjem svih prethodnih
vrijednosti rizika, tj. po formuli
H(t(i)) =i∑
j=1
100
kj
;
5. Izracunati xi = ln t(i), i = 1, . . . , n;
6. U kordinatnom sustavu nacrtati tocke (xi, yi), gdje je yi = ln H(t(i));
Klasicne metode za procjenu parametara u Weibullovom modelu 26
7. Nekom metodom odrediti pravac y = βx + b koji najbolje aproksimira zadane
podatke. U praksi to se najcesce radi metodom najmanjih kvadrata;
8. Za procjenu parametra oblika β uzeti koeficijent smjera β tog pravca;
9. Za procjena parametra skaliranja η uzeti vrijednost η = exp (−b/β).
Metoda se moze koristiti i za procjenu parametara u 3-parametarskom Weibullovom
modelu, s time da se kao i kod Weibullovog crteza prvo treba odrediti procjena α
koeficijenta polozaja, i tada provesti gore opisani postupak za nove podatke τi = ti− α,
i = 1, . . . , n. Vise o crtezu rizika moze se vidjeti u [18, 48, 60, 64].
Primjer 3.2 Za podatke zadane u tablicama 2.2 i 2.3 koristeci crtez rizika procijenit
cemo nepoznate parametre za standardni i 3-parametarski Weibullov model. Procjenje-
ne vrijednosti parametara navedene su u tablici 3.3.
Podaci iz tablice 2.2 Podaci iz tablice 2.3
β = 1.4042 β = 0.993844Standardni Weibullov model η = 4.6636 η = 736.032
SS = 3628.42 SS = 5449.89α = 24.75 α = 2940.76
3-parametarski Weibullov model β = 0.702012 β = 0.783732(alternativni pristup) η = 0.128175 η = 205.29
SS = 18580.1 SS = 13008.0α = 17.16 α = 0
3-parametarski Weibullov model β = 1.02307 β = 0.993844(koeficijenti korelacije) η = 1.12039 η = 736.032
SS = 6093.72 SS = 5449.89
Tablica 3.3: Procjenjeni parametri za standardni i 3-parametarski Weibullov model naosnovu otkaza cistaca valjka s obzirom na broj dana i broj kopija
Na slici 3.4 prikazani su originalni podaci iz tablice 2.2 i graf funkcije t 7→ H(t; β, η).
Klasicne metode za procjenu parametara u Weibullovom modelu 27
50 100 150 200 250 300
50
100
150
200
250
300
350
t
H(t; β, η) 6
-
Slika 3.4. podaci iz tablice 2.2 i graf funkcije t 7→ H(t; β, η)
3.2 Analiticke metode
Opisat cemo dvije statisticke metode koje se standardno koriste za problem procjene
parametara u statistickim modelima: metodu momenata i metodu maksimalne vjero-
dostojnosti. Iako se statisticke metode cesto koriste kod rjesavanja problema procjene
parametara, rezultati dobiveni koristenjem ovih metoda nisu pouzdani u slucaju malog
uzorka podataka, te se ne preporucuju za koristenje u takvim situacijama.
3.2.1 Metoda momenata
Metoda momenata jedna je od cesto koristenih i najvjerojatnije najstarija statisticka
metoda za procjenu parametara nekog modela. Sam koncept statistickih momenata
uveo je K. Pearson (1857.-1936.). Metoda momenata se temelji na pretpostavci da
su vrijednosti statistickih momenata izracunatih na danom uzorku t1, . . . , tn bliske
vrijednostima teorijskih momenata vjerojatnosne distribucije koja je pretpostavljena
u teorijskom modelu (vidi npr. [48, 64, 68]). Ta pretpostavka omogucava formiranje
sustava jednadzbi u kojima je na jednoj strani doticni teorijski moment, a na drugoj
strani vrijednost odgovarajuceg uzorackog momenta. Nedostatak metode momenata
u odnosu na neke druge metode (npr. ML metodu ili metodu najmanjih kvadrata) je
to sto se ona moze primjeniti samo na necenzurirane podatke i sto uzorak mora biti
Klasicne metode za procjenu parametara u Weibullovom modelu 28
dovoljno velik.
Metoda momenata za standardnu Weibullovu slucajnu varijablu T . Za
slucajnu varijablu T ∼ W (β, η) ishodisni (pomocni) moment k-tog reda glasi (vidi
npr. [60, 77]):
Mk := E[T k] = ηkΓ
(1 +
k
β
), (3.5)
gdje je Γ tzv. gama funkcija definirana formulom
Γ(u) =
∫ ∞
0
tu−1e−tdt.
Osnovna svojstva te funkcije su:
(i) Γ(1) = 1, Γ(u) = (u − 1)Γ(u − 1) za u > 1, odakle slijedi Γ(n) = (n − 1)! za
prirodan broj n;
(ii) Za svaki prirodan broj n je Γ
(n +
1
2
)=
1 · 3 · 5 · 7 · · · (2n− 1)
2n
√π.
Specijalno, za k = 1 iz (3.5) dobivamo da je matematicko ocekivanje standardne
Weibulllove slucajne varijable T zadano s
µ = E(T ) = ηΓ
(1 +
1
β
). (3.6)
Nadalje, centralni (glavni) moment k-tog reda standardne Weibulllove slucajne va-
rijable T glasi:
µk = ηk
k∑i=0
(−1)i
(k
i
)Γ
(1 +
k − i
β
) [Γ
(1 +
1
β
)]i
. (3.7)
Specijalno, varijanca σ2 i treci centralni moment µ3 su zadani formulama:
Klasicne metode za procjenu parametara u Weibullovom modelu 29
σ2 = η2
[Γ
(1 +
2
β
)−
[Γ
(1 +
1
β
)]2 ](3.8)
µ3 = η3
{Γ
(1 +
3
β
)− 3Γ
(1 +
1
β
)Γ
(1 +
2
β
)+ 2
[Γ
(1 +
1
β
)]3}
. (3.9)
Buduci standardni Weibullov model ima dva parametra, procjenitelji parametara
modela mogu biti odredeni koristeci ocekivanje uzorka t i varijancu uzorka s2. Oni su
zadani sljedecim formulama
t =n∑
i=1
tin
(3.10)
i
s2 =n∑
i=1
(ti − t)2
n− 1. (3.11)
Kako bi se dobila nepristranost procjenitelja varijance uzorka, u nazivnik od (3.11)
stavlja se n− 1, a ne n.
Koristeci (3.6) i (3.8), procjenu β parametra oblika β dobivamo kao rjesenje jed-
nadzbe
s2
t2=
Γ(1 + 2
β)
Γ2(1 + 1
β)− 1, (3.12)
a za procjenu parametra skaliranja η uzima se
η =t
Γ(1 + 1
β). (3.13)
Zbog prisustva slozene Γ funkcije jednadzbu (3.12) treba rijesiti nekom numerickom
metodom.
Klasicne metode za procjenu parametara u Weibullovom modelu 30
Metoda momenata za 3-parametarsku Weibullovu slucajnu varijablu T . U
ovom slucaju matematicko ocekivanje slucajne varijable T ∼ W (α, β, η) je dano for-
mulom
µ = E(T ) = α + ηΓ
(1 +
1
β
), (3.14)
a varijanca i centralni momenti zadani su istim formulama (3.8) i (3.9) kao i kod
standardnog modela.
Nepoznate parametre α, β i η dobivaju se rjesavanjem sljedeceg sustava jednadzbi
koji se dobiva izjednacavanjem uzorackih momenata s odgovarajucom teorijskim mo-
mentima:
t = α + ηΓ
(1 +
1
β
)
s2 = η2
[Γ
(1 +
2
β
)−
[Γ
(1 +
1
β
)]2 ]
µ3 = η3
{Γ
(1 +
3
β
)− 3Γ
(1 +
1
β
)Γ
(1 +
2
β
)+ 2
[Γ
(1 +
1
β
)]3}
,
gdje je µ3 centralni moment uzorka definiran formulom:
µ3 =n∑
i=1
(ti − t)3
n.
Ovaj sustav izuzetno je zahtjevan za rjesavanje, a osim toga ne daje dobre rezultate u
slucaju malog uzorka. Neke modifikacije metode momenata mogu se pronaci u [60].
Primjer 3.3 Primjenom metode momenata za standardni Weibullov model i podatke
iz tablica 2.2 i 2.3 dobivaju se sljedece vrijednosti za nepoznate parametre:
Klasicne metode za procjenu parametara u Weibullovom modelu 31
Podaci iz tablice 2.2 Podaci iz tablice 2.3
β = 1.47857 β = 1.13819η = 127.24 η = 76125.6
Tablica 3.4: Procjenjeni parametri metodom momenata za standardni Weibullov modelna osnovu otkaza cistaca valjka s obzirom na broj dana i broj kopija
Prilikom procjene parametara za 3-parametarski Weibullov model metodom mome-
nata u oba slucaja se za parametar polozaja α dobije negativan broj, te ove rezultate
ne navodimo. Razlog negativnosti procjenjenog parametra je velicina uzorka. Poznato
je da vecina statistickih metoda u slucaju malog uzorka daje lose procjene parametara,
te se iz tog razloga preporucuje upotreba drugih metoda kao sto je na primjer metoda
najmanjih kvadrata.
Promotrimo i sljedeci primjer.
Primjer 3.4 U tablici 3.5 prikazane su vrijednosti procjenjenih parametara dobivene
primjenom metodom momenata na generirane podatke navedene u primjeru 2.2:
Standardni model β = 3.37273, η = 45.9139
3-parametarski model α = 16.9743, β = 1.86718, η = 27.3194
Tablica 3.5: Procjenjeni parametri metodom momenata za standardni i 3-parametarskiWeibullov model na osnovu generiranih podataka
Na sljedecoj slici prikazani su originalni podaci (ti, F (ti; 15, 2.5, 30)) i aproksimacije
odgovarajucom Weibullovom distribucijom ciji su parametri procijenjeni metodom mo-
menata.
Klasicne metode za procjenu parametara u Weibullovom modelu 32
20 40 60 80
0.2
0.4
0.6
0.8
1.0
t
F (t; β, η) 6
-20 40 60 80
0.2
0.4
0.6
0.8
1.0
t
F (t; α, β, η) 6
-
Slika 3.5: Originalni podaci i aproksimacija standardnom i 3-parametarskomWeibullovom distribucijom
3.2.2 Metoda maksimalne vjerodostojnosti
Metoda maksimalne vjerodostojnosti ili metoda najvece vjerojatnosti (ML-metoda;
kratica od engl. Maximum Likekihood Method) jedna je od najpopularnijih statistickih
metoda iz razloga sto se moze primjeniti na vecinu teorijskih distribucija, te na razne
uzorke cenzuriranih podataka (vidi npr. [64, 68]). Osim toga, uz odredene uvjete,
ova metoda ima dobra statisticka svojstva kao sto su invarijantnost, konzistentnost i
asimptotska nepristranost. Otkrice ML-metode pripisuje se R.A. Fisheru (1890.-1962.),
premda se korijeni te metode mogu naci jos puno ranije u radovima J. H. Lamberta
(1728.-1777.), D. Bernoullija (1708.-1782.) i J. L. Lagrangea (1736.-1813.). Fisher je
uveo ovu metodu kao alternativu za metodu momenata i metodu najmanjih kvadrata.
Vise o povijesnom razvoju ML-metode moze se nacu u [19].
Neka su t1, . . . , tn nezavisna opazanja slucajne kontinuirane varijable T > 0 s funkci-
jom gustoce p(t; θ). Bez smanjenja opcenitosti mozemo pretpostaviti da je
0 < t1 < t2 < . . . < tn.
To je stoga sto vjerojatnost da kontinuirana slucajna varijabla dvaput primi istu vri-
jednost iznosi nula. Odgovarajuca funkcija vjerodostojnosti definira se kao
L(θ) =n∏
i=1
p(ti; θ). (3.15)
Procjenitelj maksimalne vjerodostojnosti (ili krace ML-procjenitelj) je parametar θ koji
maksimizira (3.15) na skupu svih mogucih vrijednosti vektora parametara θ. Buduci
da je logaritamska funkcija strogo rastuca, problem maksimizacije funkcije L(θ) ekvi-
valentan je problemu maksimizacije funkcije ln L(θ).
Klasicne metode za procjenu parametara u Weibullovom modelu 33
Za standardni Weibullov model funkcija vjerodostojnosti zadana je s
L2(β, η) =n∏
i=1
(βtβ−1
i
ηβ
)e−( ti
η )β
,
a njezin prirodni logaritam glasi
LL2(β, η) := ln L2(β, η) = n ln β − nβ ln η + (β − 1)n∑
i=1
ln ti − 1
ηβ
n∑i=1
tβi . (3.16)
Parcijalnim deriviranjem (3.16) po β i η, i izjednacavanjem s 0 dobivamo:
∂LL2
∂β=
n
β− n ln η +
n∑i=1
ln ti +ln η
ηβ
n∑i=1
tβi −1
ηβ
n∑i=1
tβi ln ti = 0, (3.17)
∂LL2
∂η= −nβ
η+
β
ηβ+1
n∑i=1
tβi = 0. (3.18)
Supstitucijom (3.18) u (3.17) i sredivanjem izraza, jednadzba koju treba zadovoljavati
ML-procjenitelj β glasi
n
β+
n∑i=1
ln ti − n∑n
i=1 tβi ln ti∑ni=1 tβi
= 0. (3.19)
Uvrstavanjem tog rjesenja u (3.18) lako se dobiva ML-procjenitelj η za parametar
η
η =
(∑ni=1 tβin
) 1
β
. (3.20)
Klasicne metode za procjenu parametara u Weibullovom modelu 34
Jednadzbu (3.19) najcesce rjesavamo nekom od standardnih numerickih metoda,
no neki autori [2, 18] spominju i graficko rjesavanje.
Iako grafickim metodama opcenito nije moguce postici veliku tocnost rjesenja, ova
je metoda inspirirala jednostavan dokaz jedinstvenosti i egzistencije procjenitelja mak-
simalne vjerodostojnosti za standardni Weibullov model (vidi [2]). Kako bi to pokazali
zapisimo izraz (3.19) u sljedecem obliku
1
β=
∑ni=1 tβi ln ti∑n
i=1 tβi− 1
n
n∑i=1
ln ti. (3.21)
Kako je lijeva strana izraza (3.21) strogo padajuca funkcija od β i kako vrijedi
limβ→∞ 1β
= 0, za dokaz jedinstvenosti i egzistencije rjesenja bilo bi dovoljno pokazati
da je desna strana izraza rastuca funkcija od β s konacnim pozitivnim limesom u
beskonacnosti. Naime tada ce se graf funkcije s lijeve strane od (3.21) sjeci samo u
jednoj tocki s grafom funkcije s desne strane od (3.21). Kako bi to pokazali, oznacimo
s H(β; t) izraz na desnoj strani i promotrimo njegovu derivaciju po β:
∂H(β; t)
∂β=
H∗(β; t)(∑ni=1 tβi
)2 , (3.22)
gdje je
H∗(β; t) =n∑
i=1
tβi
n∑i=1
tβi (ln ti)2 −
(n∑
i=1
tβi ln ti
)2
(3.23)
Kako bi pokazali da je H(β; t) rastuca dovoljno je vidjeti da je H∗(β; t) ≥ 0. Zaista,
uvrstavajuci ai = tβ2i i bi = t
β2i ln ti u Cauchy-Schwarzovu nejednakost
n∑i=1
a2i
n∑i=1
b2i ≥
(n∑
i=1
aibi
)2
,
slijedi da je H∗(β; t) ≥ 0. Preostaje pokazati da je limβ→∞ H(β; t) konacan i pozitivan.
Klasicne metode za procjenu parametara u Weibullovom modelu 35
Zaista,
limβ→∞
H(β; t) = limβ→∞
(∑ni=1 tβi ln ti∑n
i=1 tβi− 1
n
n∑i=1
ln ti
)= ln t(n) − 1
n
n∑i=1
ln ti
=1
n
n−1∑i=1
ln
(t(n)
t(i)
)> 0.
Time je dokazana egzistencija i jedinstvenost ML-procjenitelja (β, η).
Za 3-parametarski Weibullov model funkcija vjerodostojnosti zadana je s
L3(α, β, η) =n∏
i=1
f(ti; α, β, η) =βn
ηβn
[n∏
i=1
(ti − α)β−1
]e− 1
ηβ
∑ni=1(ti−α)β
. (3.24)
Za razliku od standardnog Weibullovog modela gdje procjenitelj maksimalne vjero-
dostojnosti uvijek postoji i jedinstven je, za 3-parametarski Weibullov model lako se
dokaze sljedeca propozicija:
Propozicija 3.1 Za bilo koja opazanja
0 < t1 < t2 < . . . < tn
3-parametarske Weibullove slucajne varijable T standardni ML-procjenitelj ne postoji.
Dokaz. Fiksirajmo β ∈ (0, 1) i η ∈ (0,∞). Tada
f(t1; α, β, η) =β
η
(t1 − α
η
)β−1
e−( t1−αη )
β
→∞
kada α → t1 slijeva, dok
f(ti; α, β, η) =β
η
(ti − α
η
)β−1
e−( ti−α
η )β
→ β
η
(ti − t1
η
)β−1
e−( ti−t1η )
β
> 0
Klasicne metode za procjenu parametara u Weibullovom modelu 36
za svaki i = 2, . . . , n. Zbog toga je
limα→t−1
L3(α, β, η) = ∞,
sto nam govori da standardni ML- procjenitelj ne postoji. ¥Ova cinjenica motivira proucavanje drugih metoda za procjenu nepoznatih parame-
tara 3-parametarskog Weibullova modela. Metoda percentila, metoda profilne vjero-
dostojnosti, Bayesianova metoda ili hibridne metode neke su od statistickih metoda
koje se takoder koriste za procjenu parametara modela (vidi npr. [60, 67]). Medutim,
vecina statistickih metoda daju relativno lose procjene u slucaju malog uzorka. Jedna
od popularnih i cesto koristenih metoda za rjesavanje problema procjene parametara je
metoda najmanjih kvadrata. U nastavku rada posebna paznja bit ce posvecena upravo
ovoj metodi.
Primjedba 3.2 Unatoc nepostojanju standardnog ML-procjenitelja za 3-parametarsku
Weibullovu slucajnu varijablu, u statistickoj literaturi se razmatra problem procjene
parametara preko sustava jednadzbi koji se dobije izjednacavanjem parcijalnih derivacija
od (3.24) s nulom:
ηβ − 1
n
n∑i=1
(ti − α)β = 0, (3.25)
∑ni=1(ti − α)β ln(ti − α)∑n
i=1(ti − α)β− 1
β− 1
n
n∑i=1
ln(ti − α) = 0, (3.26)
(β − 1)n∑
i=1
(ti − α)−1 − βη−β
n∑i=1
(ti − α)β−1 = 0 (3.27)
i rjesavanjem uz uvjet da je α ≤ t1. Ove jednadzbe nazivaju se jednadzbe vjerodosto-
jnosti.
Pitanje egzistencije rjesenja gore navedenog sustava privuklo je veliku paznju, buduci
sustav moze imati vise od jednog rjesenja ili niti jedno (vidi npr. [60, 67, 99]), ili do-
biveno rjesenje predstavlja tocku lokalnog maksimuma ili lokalnog minimuma s obzirom
na α (vidi npr. [26]). Zbog toga se u literaturi razmatraju i razvijaju razne modifikacije
ML-metode za 3-parametarski Weibullov model [26, 60, 67].
Klasicne metode za procjenu parametara u Weibullovom modelu 37
Primjer 3.5 Koristeci ML-metodu za standardni Weibullov model procijenit cemo
nepoznate parametre za podatke zadane u tablicama 2.2 i 2.3. Dobivene vrijednosti
prikazane su u sljedecoj tablici:
Podaci iz tablice 2.2 Podaci iz tablice 2.3
β = 1.57486 β = 1.20534η = 128.785 η = 77428.4
Tablica 3.6: Procjenjeni parametri ML-metodom za standardni Weibullov model naosnovu otkaza cistaca valjka s obzirom na broj dana i broj kopija
Prilikom rjesavanja jednadzbe (3.19) numerickim metodama, potrebno je odrediti
dobru pocetnu aproksimaciju. U tu svrhu koristene su vrijednosti parametara dobivene
metodom momenata.
Kao i kod metode momenata, u sljedecem primjeru cemo razmotriti podatke nave-
dene u primjeru 2.2.
Primjer 3.6 ML-metodu za standardni Weibullov model i podatke iz primjera 2.2 daje
procjene β = 3.29088 i η = 45.947. Na sljedecoj slici prikazani su originalni podaci i
odgovarajuca standardna Weibullova distribucija t 7→ F (t; β, η).
20 40 60 80
0.2
0.4
0.6
0.8
1.0
t
F (t; β, η) 6
-
Slika 3.6. Originalni podaci i standardna Weibullova distribucija t 7→ F (t; β, η)
Poglavlje 4
Problem najmanjih kvadrata
Glavni problem koji se razmatra u ovom radu je problem egzistencije optimalnih
parametara u smislu najmanjih kvadrata za Weibullov 2-parametarski i 3-parametarski
model. U regresijskoj analizi kod metode najmanjih kvadrata treba razlikovati dva
pristupa: metodu najmanjih obicnih kvadrata i metodu najmanjih potpunih kvadrata.
Novi doprinosi ove disertacije sadrzani su u teoremima i korolarima koji govore o egzis-
tenciji optimalnih parametara Weibullova modela u smislu metode najmanjih obicnih
kvadrata i metode najmanjih potpunih kvadrata. Ti rezultati nalaze se u poglavlju 5.
Osim toga, za sve te nove rezultate navedene su i odgovarajuce generalizacije u p-normi
(1 ≤ p < ∞).
U ovom poglavlju prvo cemo objasniti opcu formulaciju problema najmanjih kva-
drata, kao i njegovu odgovarajucu generalizaciju u p-normi (1 ≤ p < ∞). Zatim
cemo objasniti na koji se nacin problemi najmanjih kvadrata javljaju u regresijskoj
analizi. Nakon toga razmatrat cemo linearni problem najmanjih obicnih kvadrata za
transformirani Weibullov model. Poglavlje cemo zavrsiti s formulacijama problema
najmanjih obicnih i problema najmanjih potpunih kvadrata za Weibullov model.
4.1 Opca formulacija problema najmanjih kvadrata
s generalizacijom u p−normi
U svojoj najopcenitijoj formulaciji problem najmanjih kvadrata (LS problem; kratica
od engl. Least Squares Problem) definira se kao problem minimizacije sume kvadrata
nekih n realnih funkcija
Ri : P → Rn, i = 1, . . . , n
38
Problem najmanjih kvadrata 39
definiranih na skupu P ⊆ Rm. Te funkcije Ri zovu se reziduali. Preciznije, neka je θ
vektor varijabli reziduala Ri, a
F (θ) :=n∑
i=1
R2i (θ).
Tada LS problem glasi:
Da li postoji tocka θ? ∈ P takva da je F (θ?) = infθ∈P
F (θ)?
Ako postoji tocka θ? ∈ P takva da je F (θ?) = infθ∈P F (θ), zovemo je najbolji LS
procjenitelj.
Uocimo da F (θ) predstavlja kvadrat l2 norme vektora reziduala, tj. da je F (θ) =
‖(R1(θ), . . . , Rn(θ))‖2. Umjesto minimizacije u l2 normi, nepoznati parameteri se mogu
potraziti minimizacijom u bilo kojoj drugoj lp normi (1 ≤ p < ∞), tako da se na skupu
P minimizira funkcional
Fp(θ) =n∑
i=1
|Ri(θ)|p.
Drugim rijecima, kod minimizacije u lp normi treba pronaci tocku θ? ∈ P za koju ce
vrijediti da je
Fp(θ?) = inf
θ∈PFp(θ).
Ako takva tocka θ? ∈ P postoji, zvat cemo je najbolji lp procjenitelj.
Kod svakog problema minimizacije u lp normi postavljaju se sljedeca pitanja: Da
li najbolji lp procjenitelj postoji? Je li najbolji lp procjenitelj jedinstven? Kojim
numerickim metodama treba traziti najbolji lp procjenitelj? Vise o tim problemima
bit ce rijeci u sljedecim tockama.
Sada cemo objasniti kako se u regresijskoj analizi odgovarajucim odabirom rezi-
duala dolazi do problema najmanjih obicnih kvadrata i problema najmanjih potpunih
kvadrata. U ovoj radnji teziste je na egzistenciji najboljeg procjenitelja za Weibullov
model u smislu metode najmanjih obicnih kvadrata i metode najmanjih potpunih
kvadrata, o cemu ce vise rijeci biti u poglavlju 5.
Problem najmanjih kvadrata 40
4.2 Problem najmanjih kvadrata u regresijskoj ana-
lizi
Neka je zadana realna model-funkcija
t 7→ f(t; θ), θ ∈ P , P ⊆ Rm,
gdje je θ vektor nepoznatih parametara. Nepoznate parametre treba procijeniti na
osnovi eksperimentalno ili empirijski dobivenih podataka
(wi, ti, yi), i = 1, . . . , n,
gdje su t1 < t2 < . . . < tn apscise, a y1, . . . , yn odgovarajuce ordinate podataka. Broj
wi > 0 je tezina i-tog podatka. Obicno je n À m, tj. obicno je broj podataka puno
veci od broja nepoznatih parametara.
4.2.1 Problem najmanjih obicnih kvadrata
Kod metode najmanjih obicnih kvadrata (OLS metoda; kratica od engl. Ordinary Least
Squares) vektor optimalnih parametara θ? ∈ P treba odrediti tako da graf funkcije
t 7→ f(t; θ?)
prolazi sto blize pored svih tocaka (ti, yi), i = 1, . . . , n, i to u smislu da tezinska suma
kvadrata svih reziduala Ri(θ) = f(ti; θ)− yi bude minimalna, tj. da vrijedi
S2(θ?) = inf
θ∈PS2(θ),
gdje je
S2(θ) =n∑
i=1
wi[f(ti; θ)− yi]2. (4.1)
Ako postoji tocka θ? ∈ P takva da je S2(θ?) = infθ∈P S2(θ), zovemo je najbolji OLS-
procjenitelj ili najbolji l2 procjenitelj (vidi npr. [8, 15, 23, 49, 80, 84]).
Geometrijski gledano, funkcional S2 predstavlja tezinsku sumu kvadrata odstupanja
izmjerenih vrijednosti yi od modelom predvidenih vrijednosti f(ti; θ) (slika 4.1.a).
Problem najmanjih kvadrata 41
a) OLS pristup b) TLS pristup
(ti, yi)
εi
b
b
b
t
y 6
-
(ti, F (ti; α, β, η))
(ti, yi)
εi di
δi b
b
b
t
y 6
-
(ti+δi, F (ti+δi; α, β, η))
Slika 4.1. OLS i TLS pristup u procjeni parametara
Princip OLS metode ima lijepu statisticku interpretaciju. Ako pretpostavimo da
samo izmjerene vrijednosti yi zavisne varijable sadrze nepoznate aditivne pogreske εi,
onda je
yi = f(ti; θ) + εi, i = 1, . . . , n,
odakle zakljucujemo da minimizacija funkcionala (4.1) predstavlja minimizaciju tezinske
sume kvadrata svih pogresaka.
Kako odabrati tezine wi kod minimizirajuceg funkcionala (4.1)? Iz definicione for-
mule (4.1) lako je uociti da ce graf trazene funkcije t 7→ f(t; θ?) na neki nacin prolaziti
blize onim tockama kojima su pridruzene vece tezine. Stoga je najjednostavnije ne
preferirati ni jedan podatak te uzeti da je wi = 1, i = 1, . . . , n.
Sada cemo objasniti zasto se u slucaju kada su aditivne pogreske εi normalano
distribuirane s ocekivanjem 0 i varijancom σ2i u statistickoj literaturi preporucava tezine
uzeti na sljedeci nacin
wi :=1
σ2i
, i = 1, . . . , n.
Uz navedene pretpostavke odgovarajuca funkcija vjerodostojnosti glasi
L(θ; y,σ) =n∏
i=1
1√2πσ2
i
e− ε2i
2σ2i =
n∏i=1
1√2πσ2
i
e− [f(ti;θ)−yi]
2
2σ2i .
Problem najmanjih kvadrata 42
Zelimo li vektor nepoznatih parametara odrediti metodom maksimalne vjerodostoj-
nosti, onda treba maksimizirati funkcional L(θ; y,σ). Taj problem maksimizacije ek-
vivalentan je problemu maksimizacije njegova logaritma
ln L(θ; y,σ) = −n∑
i=1
1
2σ2i
[f(ti; θ)− yi]2 − 1
2
n∑i=1
ln(2πσ2i ).
Buduci se maksimizira po vektoru parametara θ, izraz ln L(θ; y,σ) bit ce maksimalan
kada je suma
n∑i=1
1
2σ2i
[f(ti; θ)− yi]2
minimalna. Dakle, ako su aditivne pogreske εi normalno distribuirane s ocekivanjem
0 i varijancom σ2i , onda je problem procjene parametara metodom maksimalne vjero-
dostojnosti ekvivalentan tezinskom OLS problemu pri cemu za tezinu i−tog podatka
treba uzeti wi = 1/σ2i . Ovaj rezultat je dobro poznat u statistickoj literaturi (vidi npr.
[65]).
Ako je model-funkcija linearna u parametrima, odnosno ima oblik
f(t; θ) = θ1φ1(t) + · · ·+ θmφm(t), θ = (θ1, . . . , θm)T ,
pri cemu su φ1, . . . , φm poznate realne funkcije, funkcional S2 moze se zapisati u obliku
S2(θ) = ‖Xθ − y‖22
gdje su
X :=
φ1(t1) φ2(t1) · · · φm(t1)φ1(t2) φ2(t2) · · · φm(t2)
......
......
φ1(tn) φ2(tn) · · · φm(tn)
te y := (y1, . . . , yn)T .
U ovom slucaju radi se o linearnom OLS problemu koji je dobro izucen u literaturi.
Primjedba 4.1 Umjsto OLS metodom (l2 norma), vektor nepoznatih parametara θ
moze se potraziti u bilo kojoj drugoj lp normi, 1 ≤ p < ∞, tako da se na prostoru
Problem najmanjih kvadrata 43
parametara P minimizira funkcional
Sp(θ) =n∑
i=1
wi|f(ti; θ)− yi|p. (4.2)
Ovakav pristup u procjeni parametara naziva se obicni lp pristup (vidi npr. [15, 25, 58,
72]). Ako postoji tocka θ? ∈ P takva da je Sp(θ?) = infθ∈P Sp(θ), nazivamo je najbolji
obicni lp procjenitelj.
Kod problema minimizacije u p−normi javlja se vise problema, od kojih su sljedeci
najvazniji: (a) problem egzistencije rjesenja, (b) problem jedinstvenosti rjesenja i (c)
problem efikasnog nalazenja rjesenja nekom numerickom metodom. Ako je model-
funkcija linearna u parametrima, problem egzistencije parametara za slucaj p = 2 je u
potpunosti razrjesen na opcoj razini ([8, 89, 90]). Za 1 ≤ p < ∞ u linearnom slucaju
takoder u literaturi postoje neki rezultati [58, 75]. Ako je model-funkcija nelinearna
u parametrima, pitanje egzistencije najboljeg obicnog lp procjenitelja izrazito je tesko
te se ne moze razmatrati na opcenitoj razini. Za neke specijalne matematicke modele
ovo pitanje je posebno razmatrano. Primjerice u radu [43] dani su dovoljni uvjeti za
egzistenciju najboljeg lp procjenitelja (1 ≤ p < ∞) za 3-parametarski Weibullov model.
U radu [29] dani su dovoljni uvjeti koji garantiraju egzistenciju najboljeg procjenitelja
u smislu najmanjih kvadrata za Michaelis-Mentenovu model-funkciju f(x; a, b) = axb+x
,
a, b > 0, dok je u [81] analiziran problem egzistencije najboljeg lp procjenitelja za isti
model. Nadalje, u radovima [16, 34, 40] promatra se problem egzistencije najboljeg
OLS procjenitelja za 3-parametarski eksponencijalni model f(x; a, b, c) = a + becx, a ∈R, b, c 6= 0. Nuzni i dovoljni uvjeti koji garantiraju egzistenciju optimalnih parametara
logisticke model-funkcije f(x; A, β, γ) = A1+eβ−γx , (A, β, γ) ∈ R3, A, γ > 0 izvedeni su
u radu [42]. U radovima [35] i [38] analizirani su problemi egzistencije parametara za
Gomperzovu model-funkciju f(x; a, b, c) = ea−be−cx, b, c > 0, a ∈ R, odnosno Hubbertov
model f(x; α, β, γ) = αeβ−γx
(1+eβ−γx)2, α, γ > 0, β ∈ R.
Buduci funkcional Sp(θ) (1 ≤ p < ∞) opcenito nije derivabilan, za njegovu je mini-
mizaciju potrebno koristiti specijalne metode za visedimenzionalnu minimizaciju koje
su opisane u [14, 46, 63, 65, 74]. Za minimizaciju funkcionala S2 u nelinearnom slucaju
standardno se koristi Gauss–Newtonova metoda s regularnim korakom, te Levenberg-
Marquardtova metoda ([17, 23, 65]).
Problem najmanjih kvadrata 44
4.2.2 Problem najmanjih potpunih kvadrata
OLS metoda temelji se na pretpostavci da samo mjerenja yi zavisne varijable sadrzi
nepoznatu aditivnu pogresku. Ova pretpostavka cesto je nerealna u praksi. Pogreske
uzorka, pogreske modela, ljudske pogreske, te pogreske mjernih instrumenata mogu
dovesti do toga da i mjerenja nezavisne varijable sadrze aditivne pogreske. Uz takvu
pretpostavku dolazimo do modela
yi = f(ti + δi; θ) + εi, i = 1, . . . , n,
gdje su δi i εi nepoznate aditivne pogreske. U ovom slucaju razumno je vektor nepoz-
natih parametara θ ∈ P procijeniti minimizacijom tezinske sume kvadrata svih pogre-
saka, tj. minimizacijom funkcionala
T2(θ, δ) =n∑
i=1
wi[f(ti + δi; θ)− yi]2 +
n∑i=1
wiδ2i ,
na skupu P ×∆ ⊆ Rm × Rn, gdje je
∆ ={δ = (δ1, . . . , δn) ∈ Rn : ti + δi ∈ Df , i = 1, . . . , n
}.
Ovaj pristup u literaturi je poznat poznat nazivom metoda najmanjih potpunih kvadrata
(TLS metoda; kratica od engl. Total Least Squares) (vidi npr. [8, 24, 30]). Za tocku
θ? ∈ P kazemo da je najbolji TLS procjenitelj, ako postoji δ? ∈ ∆ takav da je
T2(θ?, δ?) = inf
(θ,δ)∈P×∆T2(θ, δ).
U statistickoj literaturi TLS metoda poznata je pod nazivima errors in variables re-
gression i orthogonal distance regression ([9, 22]). U numerickoj analizi TLS pristup
prvi su promatrali G.H.Golub i C. F.Van Loan u radu [24] iz 1980.
Geometrijski gledano, minimizacija funkcionala T2 predstavlja minimizaciju tezinske
sume kvadrata udaljenosti podataka do grafa funkcije t 7→ f(t; θ) (vidi sliku 4.1.b). Ra-
zlika izmedu OLS i TLS pristupa prikazana je na slici 4.1.
Opcenitije, ponekad se umjesto funkcionala T2 minimizira funkcional
G2(θ, δ) =n∑
i=1
wi [f(ti + δi; θ)− yi]2 +
n∑i=1
piδ2i ,
gdje su wi, pi neke unaprijed zadane tezine.
Problem najmanjih kvadrata 45
Primjedba 4.2 Sa statistickog stajalista, minimizacija funkcionala G2 ima vise smisla.
Naime, uz pretpostavke da su pogreske εi normalno distribuirane s ocekivanjem 0 i vari-
jancom 1/w2i , a pogreske δi normalno distribuirane s ocekivanjem 0 i varijancom 1/p2
i ,
slicno kao kod OLS problema, moze se pokazati da je problem minimizacija funkcionala
G2 ekvivalentna problemu pronalazenju parametara metodom maksimalne vjerodosto-
jnosti. Pri tome se procjenitelj maksimalne vjerodostojnosti podudara s TLS procje-
niteljem.
Umjesto TLS metodom koja koristi l2 normu, vektor nepoznatih parametara θ
moze se potraziti u bilo kojoj drugoj lp normi, 1 ≤ p < ∞, tako da se na skupu P ×∆
minimizira funkcional
Gp(θ, δ) =n∑
i=1
wi
∣∣f(ti + δi; θ)− yi
∣∣p +n∑
i=1
pi|δi|p, (4.3)
gdje su wi, pi neke unaprijed zadane tezine. Ovakav pristup nazivamo potpuni lp pristup
procjene parametara (vidi npr. [78, 87, 93]). Ako pri tome postoji tocka θ? ∈ P takva
da je
Gp(θ?, δ?) = inf
(θ,δ)∈P×∆Gp(θ, δ),
nazivamo je najbolji potpuni lp procjenitelj.
Slicno kao i u slucaju obicnog pristupa i ovdje se postavlja pitanje egzistencije naj-
boljeg potpunog lp procjenitelja. U linearnom slucaju za p = 2 uvjeti koji garantiraju
egzistenciju najboljeg potpunog l2 procjenitelja (tj. TLS procjenitelja) mogu se naci u
[8] i [30]. U svim ostalim slucajevima problem egzistencije je vrlo slozen te ga je nuzno
razmatrati za svaku model funkciju posebno. Problemi procjene parametara za neke
model-funkcije analizirani su u radovima [37, 39, 41, 44, 45].
S numerickog stajalista minimizacija funkcionala (4.3) predstavlja vrlo zahtjevan
problem. Broj varijabli po kojima treba minimizirati funkcional ovisi o broju tocaka
podataka, kojih u primjenama obicno ima velik broj, znatno vise od broja parametara.
U linearnom slucaju za p = 2 odgovarajuce numericke metode za rjesavanje TLS prob-
lema opisane su u [30]. U nelinearnom slucaju za p = 2 razvijene su specijalne metode
koje se mogu naci u [9] i [83].
Problem najmanjih kvadrata 46
4.2.3 Metoda najmanjih obicnih kvadrata za transformiraniWeibullov model
Iako su i standardni i 3-parametarski Weibullov model nelinearni u parametrima, prim-
jenom ranije opisanih transformacija standardni Weibullov model mozemo linearizirati,
i u tom slucaju imamo eksplicitne formule za najbolji OLS procjenitelj. Pri tome treba
voditi racuna da linearizirani problem uvijek ima rjesenje, dok odgovarajuci polazni
nelinearni problem ne mora imati rjesenje. Osim toga, ako oba problema (linearizirani
i polazni) imaju rjesenja, ta rjesenja su opcenito razlicita.
Prisjetimo se, nakon dvostrukog logaritmiranja Weibullovog standardnog modela
dobivamo
ln [− ln [1− F (t; β, η)]] = β ln t− β ln η.
Uvodenjem oznaka
y := ln [− ln [1− F (t; β, η)]] , x := ln t, a := β, b := −β ln η
imamo
y = ax + b,
odnosno na ovaj nacin postignuta je linearna zavisnost izmedu transformirane nezavisne
varijable x i transformirane zavisne varijable y. Sada nepoznate parametre mozemo
procijeniti OLS metodom. Pri tome za podatke treba uzeti (xi, yi), i = 1, . . . , n, gdje
su
xi = ln ti, yi = ln[− ln
[1− F (ti)
]],
a F (ti) je vrijednost empirijske funkcije distribucije. Prvo cemo razmotriti takozvanu
regresiju od y u odnosu na x, a zatim regresiju od x u odnosu na y.
Regresija od y u odnosu na x. Kod ove regresije (vidi npr. [51, 68]) nepoznate
parametre treba odrediti minimizacijom funkcionala
Sxy2 (a, b) =
n∑i=1
wi [yi − (axi + b)]2 ,
gdje su wi > 0 zadane tezine. Napomenimo da je kod procjene parametara Weibullovim
crtezom vjerojatnosti uobicajeno uzeti wi = 1, i = 1, . . . , n.
Problem najmanjih kvadrata 47
Dobro je poznato da odgovarajuci najbolji OLS procjenitelj glasi:
a =
∑ni=1 wi(xi − x)(yi − y)∑n
i=1 wi(xi − x)2
b = y − ax,
gdje je
x :=
∑ni=1 wixi∑ni=1 wi
, y :=
∑ni=1 wiyi∑ni=1 wi
.
Sada pomocu polaznih supstitucija a = β i b = −β ln η dobivamo
β =
∑ni=1 wi(xi − x)(yi − y)∑n
i=1 wi(xi − x)2
η = exp
(−
(y
β− x
)),
Za tezine podataka, ukoliko one nisu unaprijed zadane, uobicajeno je uzeti re-
ciprocnu vrijednost varijance, wi = 1/σ2i . No, buduci su vrijednosti nezavisne varijable
procjenjene, varijanca je nepoznata. Iz tog razloga, potrebno je odrediti aproksimaciju
tezina. U radu [6], predlozena je sljedeca formula za izracun tezina
wi =[(1− F (ti)) ln(1− F (ti))
]2
. (4.4)
Slicna procjena dobivena je u radu [31] i ona glasi
wi =
[(1− F (ti)) ln(1− F (ti))
]2
∑nj=1
[(1− F (tj)) ln(1− F (tj))
]2 .
Buduci je∑n
j=1[(1− F (tj)) ln(1− F (tj))]2 konstantno, ove dvije procjene tezina daju
jednake rezultate pri procjeni parametara. Tezine je moguce procijeniti i bez racunanja
Problem najmanjih kvadrata 48
vrijednosti empirijske funkcije distribucije, kao sto je predlozeno u radu [52]. Formula
za tezine zadana je s
wi =
[∑ij=1
1n−i+j
]2
∑ij=1
1(n−i+j)2
. (4.5)
Osim navedenih, postoje i drugi nacini procjene tezina, o cemu se vise moze procitati
u [70].
Regresija od x u odnosu na y. Kod regresije od y u odnosu na x minimizira se
tezinska suma kvadrata ,,vertikalnih udaljenosti” podataka do grafa model-funkcije.
Nepoznate parametre moguce je odrediti i tako da se minimizira tezinska suma kva-
drata ,,horizontalnih udaljenosti” podataka do grafa model-funkcije. Tada bi umjesto
funkcionala Sxy2 promatrali funkcional Syx
2 , (vidi npr. [51, 68])
Syx2 (a0, b0) =
n∑i=1
[xi − (a0yi + b0)]2 ,
gdje je a0 = 1β
i b0 = ln η. Minimizacija funkcionala Syx2 za procjenitelje daje:
β0 =
∑ni=1 wi(yi − y)2
∑ni=1 wi(xi − x)(yi − y)
η0 = exp
(x− y
β
).
Vise o svojstvima ovih procjenitelja moze se procitati u [100].
Primjer 4.1 U primjeru 3.1 nepoznati parametri su procjenjeni koristenjem regresije
od y u odnosu na x uz vrijednosti tezina wi = 1, i = 1, . . . , 14. Sada cemo koristeci
istu regresiju navesti tezinske OLS procjenitelje uz izbor tezina (4.4) i (4.5). S WSS
oznacili smo tezinsku sumu kvadrata reziduala.
Problem najmanjih kvadrata 49
Empirijska distribucijaProsjecni rang Medijan rang Benardov rangβ = 1.2077 β = 1.29989 β = 1.26269
Podaci iz tablice 2.2 η = 130.502 η = 127.579 η = 128.721(tezine (4.4)) SS = 0.0198168 SS = 0.0258365 SS = 0.0230643
WSS = 0.00172158 WSS = 0.00194404 WSS = 0.0018547β = 1.25447 β = 1.41439 β = 1.3422
Podaci iz tablice 2.2 η = 130.875 η = 127.838 η = 129.0694(tezine (4.5)) SS = 0.0193776 SS = 0.0253614 SS = 0.0225131
WSS = 0.12709 WSS = 0.169152 WSS = 0.148644β = 1.1012 β = 1.28658 β = 1.20446
Podaci iz tablice 2.3 η = 78061.3 η = 75213.2 η = 76360.9(tezine (4.4)) SS = 0.039311 SS = 0.0343032 SS = 0.0367609
WSS = 0.0036589 WSS = 0.00310754 WSS = 0.00336991β = 1.02145 β = 1.16771 β = 1.10067
Podaci iz tablice 2.3 η = 78901.9 η = 76580.1 η = 77519.2(tezine (4.5)) SS = 0.0446949 SS = 0.0424317 SS = 0.0438763
WSS = 0.325669 WSS = 0.322422 WSS = 0.327264
Tablica 4.1: Regresijom od y u odnosu na x procjenjeni parametri za standardniWeibullov model na osnovu otkaza cistaca valjka s obzirom na broj dana i broj kopija
Primjetimo da je najbolja aproksimacija (SS je najmanji) dobivena koristenjem
procjenitelja prosjecnog ranga uz odabir tezina (4.5). Na slici 4.2 prikazani su origi-
nalni podaci iz tablice 2.2 i graf 2-parametarske Weibullove distribucije t 7→ F (t; β, η)
ciji su parametri dobiveni koristenjem procjenitelja prosjecnog ranga i i tezina (4.5).
50 100 150 200 250 300
0.2
0.4
0.6
0.8
t
F (t; β, η) 6
-
Slika 4.2: Podaci iz tablice 2.2 i aproksimacija 2-parametarskim Weibullovim modeloms obzirom na broj dana, prosjecni rang i tezine (4.5)
Problem najmanjih kvadrata 50
Primjer 4.2 U ovom primjeru nepoznate parametre standardnog Weibullova modela
procjenjujemo pomocu podataka iz primjera 2.2. Koristit cemo regresiju od y u odnosu
na x uz izbor tezina wi = 1, i = 1, . . . , 20, i tezina zadanih s izrazima (4.4) i (4.5).
Podaci za OLS procjenu u ovom primjeru dani su s (wi, ti, yi), gdje su yi izracunati
koristenjem procjenitelja empirijske funkcije distribucije (procjenitelj prosjecnog ranga,
procjenitelj medijan ranga i Benardov procjenitelj) i vrijednostima 3-parametarske Wei-
bullove distribucije F (t; 15, 2.5, 30) u tim podacima.
wi = 1 tezine (4.4) tezine (4.5)
F (t; 15, 2.5, 30) β = 4.24573 β = 3.9938 β = 3.94805η = 45.9452 η = 45.1813 η = 45.7346SS = 0.0147315 SS = 0.0040705 SS = 0.00677854
WSS = 0.000097686 WSS = 0.0531589
Prosjecni rang β = 3.31835 β = 3.0662 β = 2.95649η = 45.982 η = 44.8302 η = 45.4277SS = 0.0496898 SS = 0.0363783 SS = 0.0420738
WSS = 0.00255174 WSS = 0.365197
Medijan rang β = 3.74463 β = 3.34034 β = 3.24233η = 45.6445 η = 44.3566 η = 45.0864SS = 0.0585072 SS = 0.0360287 SS = 0.0422204
WSS = 0.00236381 WSS = 0.368346
Benardov rang β = 3.54831 β = 3.22429 β = 3.11503η = 45.7831 η = 44.5465 η = 45.2261SS = 0.0539617 SS = 0.0361259 SS = 0.0422992
WSS = 0.00243424 WSS = 0.36755
Tablica 4.2: Procjenjeni parametri za standardni Weibullov model na osnovu generi-ranih podataka
Najbolja procjena dobivena je koristenjem vrijednosti 3-parametarske distribucije
F (t; 15, 2.5, 30) i tezina (4.4). No, kako u primjenama ne mozemo ocekivati poznavanje
stvarne distribucije, ova nam procjena vise sluzi za provjeru same metode, nego u svrhu
modeliranja. Zbog te cinjenice, gledamo i najbolju procjenu dobivenu koristenjem em-
pirijskih vrijednosti funkcije distribucije, koja je u ovom primjeru postignuta koristenjem
medijan ranga i tezina (4.4). Na slici 4.3.a prikazani su podaci (ti, F (ti; 15, 2.5, 30)),
gdje su ti podaci iz tablice 2.4, i graf 2-parametarske Weibullove distribucije t 7→F (t; β, η) ciji su parametri dobiveni koristenjem stvarnih podatka i tezina (4.4), dok
su na slici 4.3.b prikazani podaci (ti, F (ti)) i graf 2-parametarske Weibullove distribu-
cije t 7→ F (t; β, η), gdje je F (ti) vrijednost empirijske funkcije distribucije izracunata
Problem najmanjih kvadrata 51
koristenjem procjenitelja medijan ranga, ciji su parametri dobiveni koristenjem proc-
jenitelja medijan ranga i tezina (4.4).
a) podaci (ti, F (ti; 15, 2.5, 30)) b) podaci (ti, F (ti))
10 20 30 40 50 60 70
0.2
0.4
0.6
0.8
1.0
t
F (t; β, η) 6
-10 20 30 40 50 60 70
0.2
0.4
0.6
0.8
1.0
t
F (t; β, η) 6
-
Slika 4.3: Podaci i aproksimacije 2-parametarskim modelom s obzirom stvarne podatkes tezinama (4.4) i s obzirom na medijan rang i tezine (4.4)
Analognim transformacijama 3-parametarski model prelazi u
ln [− ln [1− F (t; α, β, η)]] = β ln(t− α)− β ln η.
Zbog novog parametra α transformirana funkcija nije direktno svedena na linearnu.
Kako bi se rijesio ovaj problem, prvo se na neki nacin procijeni parametar polozaja α
(kao sto je opisano u tocki 3.1.1), te se uz supstitucije
y := ln [− ln [1− F (t; α, β, η)]] , x = ln(t− α), a := β, b = −β ln η
dobiva linearizirani oblik
y = ax + b.
Nepoznati parametri a i b odreduju se metodom najmanjih kvadrata, pri cemu su
odgovarajuci podaci (xi, yi), i = 1, . . . , n, gdje je
xi = ln(ti − α), a yi = ln[− ln
[1− F (ti)
]].
Tada se procjena parametara oblika i skaliranja provodi na prije opisan nacin.
Primjer 4.3 U primjeru 3.1 nepoznati parametri su procjenjeni koristenjem OLS me-
tode (i to regresiju od y u odnosu na x) uz vrijednosti tezina wi = 1, i = 1, . . . , 14.
Sada cemo navesti tezinske OLS procjenitelje dobivene regresijom od y u odnosu na x,
i to uz izbor tezina (4.4) i (4.5). Za yi uzet cemo vrijednosti empirijskih distribucija u
tockama ti iz tablice 2.2.
Problem najmanjih kvadrata 52
Empirijska distribucijaProsjecni rang Medijan rang Benardov rangα = 24.75 α = 25.1667 α = 24.75β = 0.790379 β = 0.872917 β = 0.847207
alternativni pristup η = 102.271 η = 99.1788 η = 100.606(tezine (4.4)) SS = 0.0246591 SS = 0.0251124 SS = 0.02402
WSS = 0.00179531 WSS = 0.0017787 WSS = 0.00175436α = 24.75 α = 25.1667 α = 24.75β = 0.771078 β = 0.848825 β = 0.82953
alternativni pristup η = 98.2764 η = 93.6794 η = 96.0193(tezine (4.5)) SS = 0.0276856 SS = 0.0295914 SS = 0.027125
WSS = 0.163943 WSS = 0.183417 WSS = 0.166384α = 18.72 α = 22.62 α = 21.06β = 0.933131 β = 0.940009 β = 0.938241
koeficijenti korelacije η = 109.052 η = 101.98 η = 104.742(tezine (4.4)) SS = 0.0161999 SS = 0.0208776 SS = 0.0186946
WSS = 0.00151787 WSS = 0.00168901 WSS = 0.0016212α = 18.72 α = 22.62 α = 21.06β = 0.951161 β = 0.970312 β = 0.962921
koeficijenti korelacije η = 107.232 η = 98.1233 η = 77519.2(tezine (4.5)) SS = 0.0162112 SS = 0.021174 SS = 0.018806
WSS = 0.109945 WSS = 0.141085 WSS = 0.126209
Tablica 4.3: Procjenjeni parametri za 3-parametarski Weibullov model na osnovuotkaza cistaca valjka s obzirom na broj dana
Na slici 4.4 prikazani su originalni podaci iz tablice 2.2 i graf 3-parametarske
Weibullove distribucije t 7→ F (t; α, β, η), gdje je α procjenjen metodom crteza koefi-
cijenata korelacije, a parametri β i η su dobiveni koristenjem procjenitelja prosjecnog
ranga za empirijsku funkciju distribucije.
Primjer 4.4 U ovom primjeru procjenjujemo nepoznate parametre za 3-parametarski
Weibullov model. Podaci ti, i = 1, . . . , 20, su iz primjera 2.2. Koristit cemo OLS
metodu regresije od y u odnosu na x, uz izbor tezina wi = 1, i = 1, . . . , 20, i tezina
zadanih s izrazima (4.4) i (4.5). Pri tome cemo uz uobicajene procjenitelje empiri-
jske distribucije koristiti i stvarne vrijednosti 3-parametarsku Weibullove distribuciju
F (t; 15, 2.5, 30) u tockama ti iz tablice 2.4.
Kao i u primjeru 4.2, najbolja procjena dobivena je koristenjem stvarnih vrijednosti
distribucije, pri cmu je parametar polozaja procjenjem metodom crteza koeficijenata
korelacije i uz tezine (4.4). Zbog prije navedenih razloga, gledamo i najbolju proc-
jenu koristenjem empirijske funkcije distribucije, koja je u ovom primjeru postignuta
Problem najmanjih kvadrata 53
50 100 150 200 250 300
0.2
0.4
0.6
0.8
t
F (t; α, β, η) 6
-
Slika 4.4: Podaci iz tablice 2.2 i aproksimacija 3-parametarskim modelom s obziromna prosjecni rang i tezine (4.4)
koristenjem procjenitelja prosjecnog ranga i tezina (4.4), uz procjenu parametra polozaja
metodom crteza koeficijenata korelacije. Na slici 4.5 prikazani su originalni podaci
iz tablice 2.4 i grafovi gore navedenih 3-parametarskih Weibullovih distribucija t 7→F (t; α, β, η).
10 20 30 40 50 60 70
0.2
0.4
0.6
0.8
1.0
t
F (t; α, β, η) 6
-10 20 30 40 50 60 70
0.2
0.4
0.6
0.8
t
F (t; α, β, η) 6
-
Slika 4.5: Podaci iz tablice 2.4 i aproksimacije 3-parametarskim modelom s obziromstvarnu distribuciju i procjenitelja prosjecnog ranga i tezina (4.4), uz procjenu parame-tra polozaja metodom crteza koeficijenata korelacije
Problem najmanjih kvadrata 54
wi = 1 tezine (4.4) tezine (4.5)α = 15.7509 α = 15.7509 α = 15.7509
F (t; 15, 2.5, 30) β = 2.39916 β = 2.4207 β = 2.4182alternativni η = 29.1812 η = 29.2379 η = 29.1888pristup SS = 0.000139381 SS = 0.0000317255 SS = 0.0000576556
WSS = 8.83961× 10−7 WSS = 0.000478069α = 14.8914 α = 14.8914 α = 14.8914
F (t; 15, 2.5, 30) β = 2.51438 β = 2.5114 β = 2.51168koeficijenti η = 30.1183 η = 30.1103 η = 30.117korelacije SS = 2.60384× 10−6 SS = 6.08237× 10−7 SS = 1.08615× 10−6
WSS = 6.08237× 10−7 WSS = 8.96734× 10−6
α = 22.344 α = 22.344 α = 22.344Prosjecni rang β = 0.948979 β = 1.20417 β = 1.12126alternativni η = 22.3163 η = 21.7628 η = 21.3713pristup SS = 0.0872079 SS = 0.0411507 SS = 0.0533164
WSS = 0.0030144 WSS = 0.418555α = 18.5569 α = 18.5569 α = 18.5569
Prosjecni rang β = 1.57701 β = 1.63194 β = 1.58384koeficijenti η = 26.0379 η = 25.6766 η = 25.7676korelacije SS = 0.0267873 SS = 0.024785 SS = 0.0263062
WSS = 0.00210317 WSS = 0.240478α = 22.3902 α = 22.3902 α = 22.3902
Medijan rang β = 1.07719 β = 1.33446 β = 1.22926alternativni η = 21.4927 η = 21.3349 η = 20.8793pristup SS = 0.0749843 SS = 0.03605 SS = 0.0498954
WSS = 0.00265091 WSS = 0.399429α = 20.3897 α = 20.3897 α = 20.3897
Medijan rang β = 1.52036 β = 1.58684 β = 1.54026koeficijenti η = 23.4843 η = 23.3875 η = 23.3104korelacije SS = 0.0292786 SS = 0.0264917 SS = 0.0286163
WSS = 0.00214665 WSS = 0.248938α = 22.344 α = 22.344 α = 22.344
Benardov rang β = 1.02585 β = 1.28454 β = 1.18671alternativni η = 21.8533 η = 21.5293 η = 21.1153pristup SS = 0.0794065 SS = 0.0377116 SS = 0.0508948
WSS = 0.00276914 WSS = 0.405045α = 19.4733 α = 19.4733 α = 19.4733
Benardov rang β = 1.56929 β = 1.62624 β = 1.57823koeficijenti η = 24.7356 η = 24.4894 η = 24.5179korelacije SS = 0.0272848 SS = 0.0253055 SS = 0.0269868
WSS = 0.00210224 WSS = 0.241565
Tablica 4.4: Procjenjeni parametri za 3-parametarski Weibullov model na osnovu ge-neriranih podataka
Problem najmanjih kvadrata 55
4.3 Nelinearni problem najmanjih kvadrata za 3-
parametarski Weibullov model
Sada cemo formulirati nelinearne OLS i TLS probleme za Weibullovu 3-parametarsku
funkciju distribucije vjerojatnosti, kao i za funkciju gustoce vjerojatnosti.
4.3.1 OLS i TLS problem za funkciju distribucije vjerojatnosti
Nepoznate parametre Weibullove 3-parametarske funkcije distribucije treba procijeniti
na osnovi podataka (ti, yi), i = 1, . . . , n, gdje su ti opazene vrijednosti Weibulove
slucajne varijable T ∼ W (α, β, η), a yi odgovarajuce vrijednosti empirijske funkcije
distribucije. Kako je T > 0, te kako je vjerojatnost da kontinuirana slucajna varijabla
dvaput primi istu vrijednost jednaka nuli, prirodno je pretpostaviti da je
0 < t1 < t2 < . . . < tn. (4.6)
Nadalje, kako brojevi yi predstavljaju vrijednosti empirijske funkcije distribucije, pri-
rodna je i sljedeca pretpostavka
0 < y1 < y2 < . . . < yn. (4.7)
OLS problem. Neka su zadane tezine wi > 0, i = 1, . . . , n. Nepoznate parametre
α, β i η Weibullove 3-parametarske funkcije distribucije F (t; α, β, η) treba procijeniti
minimizacijom nelinearnog funkcionala:
S(α, β, η) =n∑
i=1
wi [F (ti; α, β, η)− yi]2
=n∑
i=1ti<α
wiy2i +
n∑i=1ti≥α
wi
[1− e−( ti−α
η )β
−yi
]2
na skupu
P :={(α, β, η) ∈ R3 : α ≥ 0; β, η > 0
}.
Dakle, OLS problem za Weibullovu 3-parametarsku distribuciju glasi:
Postoji li tocka (α?, β?, η?) ∈ P takva da je
S(α?, β?, η?) = inf(α,β,η)∈P
S(α, β, η)?
Problem najmanjih kvadrata 56
Prije minimizacije postavlja se pitanje egzistencije najboljeg OLS procjenitelja.
TLS problem. Neka su zadane tezine wi, pi > 0, i = 1, . . . , n. Nepoznate parametre
α, β i η Weibullove 3-parametarske funkcije distribucije F (t; α, β, η) treba procijeniti
minimizacijom tezinske sume kvadrata svih pogresaka, tj. minimizacijom nelinearnog
funkcionala
T (α, β, η, δ) =n∑
i=1
wi [F (ti + δi; α, β, η)− yi]2 +
n∑i=1
piδ2i .
na skupu P × Rn, gdje je
P ={(α, β, η) ∈ R3 : α ≥ 0; β, η > 0
}.
Kao i kod OLS pristupa, i ovdje se prije minimizacije postavlja pitanje egzistencije
najboljeg TLS procjenitelja. Drugim rijecima, treba znati odgovor na sljedece pitanje:
Postoji li tocka (α?, β?, η?, δ?) ∈ P × Rn takva da je
T (α?, β?, η?, δ?) = inf(α,β,η,δ)∈P×Rn
T (α, β, η, δ)?
U sljedecem poglavlju pokazano je da ce uz navedene prirodne uvjete (4.6) i (4.7)
na podatke najbolji OLS i najbolji TLS procjenitelj za 3-parametarsku Weibullovu
distribuciju postojati. U dokazu tih tvrdnji koristit cemo rezultate iz radova [43] i [36].
4.3.2 OLS i TLS problem za funkciju gustoce vjerojatnosti
Neka su zadana opazanja
0 < t1 < t2 < . . . < tn
3-parametarske Weibullove slucajne varijable. Nadalje, neka je f neka neparametarska
procjena funkcije gustoce konstruirana pomocu tog uzorka. U literaturi postoji vise
nacina za neparametarsku procjenu funkcije gustoce vjerojatnosti, od kojih se najcesce
koriste metoda histograma, procjenitelj jezgre (engl. kernel estimator), procjenitelj
najblizih susjeda (engl. nearest neighbor estimator) i procjenitelj ortogonalnih nizova
(engl. orthogonal series estimator) (vidi npr. [85, 92]).
Nepoznate parametre Weibullove 3-parametarske gustoce treba procijeniti na osnovi
podataka
(ti, yi), i = 1, . . . , n,
Problem najmanjih kvadrata 57
gdje je yi := f(ti). Uocimo da je yi > 0, i = 1, . . . , n.
OLS problem. Neka su zadane tezine wi > 0, i = 1, . . . , n. Nepoznate parametre α,
β i η Weibullove 3-parametarske gustoce f(t; α, β, η) treba procijeniti minimizacijom
nelinearnog funkcionala:
S(α, β, η) =n∑
i=1
wi [f(ti; α, β, η)− yi]2
=n∑
i=1ti<α
wiy2i +
n∑i=1ti≥α
wi
[β
η
(ti − α
η
)β−1
e−( ti−α
η )β
−yi
]2
na skupu
P :={(α, β, η) ∈ R3 : α ≥ 0; β, η > 0
}.
Drugim rijecima, OLS problem za Weibullovu 3-parametarsku funkciju gustoce
glasi:
Postoji li tocka (α?, β?, η?) ∈ P takva da je
S(α?, β?, η?) = inf(α,β,η)∈P
S(α, β, η)?
TLS problem. Neka su zadane tezine wi, pi > 0, i = 1, . . . , n. Nepoznate parametre
α, β i η Weibullove 3-parametarske gustoce f(t; α, β, η) treba procijeniti minimizacijom
nelinearnog funkcionala
T (α, β, η, δ) =n∑
i=1
wi [f(ti + δi; α, β, η)− yi]2 +
n∑i=1
piδ2i .
na skupu P × Rn, gdje je
P ={(α, β, η) ∈ R3 : α ≥ 0; β, η > 0
}.
Dakle, odgovarajuci TLS problem glasi:
Postoji li tocka (α?, β?, η?, δ?) ∈ P × Rn takva da je
T (α?, β?, η?, δ?) = inf(α,β,η,δ)∈P×Rn
T (α, β, η, δ)?
Problem najmanjih kvadrata 58
Kod oba pristupa (OLS i TLS), prije minimizacije odgovarajuceg funkcionala pos-
tavlja se pitanje egzistencije najboljeg procjenitelja. U sljedecem poglavlju bit ce
pokazano da uz navedene pretpostavke postoje oba procjenitelja (OLS i TLS). U dokazu
tih tvrdnji koristit cemo rezultate iz radova [55] i [56].
Poglavlje 5
Teoremi o egzistenciji optimalnihparametara u Weibullovom modelu
Glavni rezultati disertacije nalaze se u ovom poglavlju u kome su navedeni teoremi
o egzistenciji OLS i TLS procjenitelja za Weibulovu 3-parametarsku distribuciju i
Weibulovu 3-parametarsku gustocu. Osim toga, navedene su i odgovarajuce gene-
ralizacije u p normi. Pri tome od podataka se zahtijeva da ispunjavaju samo prirodne
uvjete (vidi tocku 4.3).
5.1 Egzistencija OLS procjenitelja za Weibullovu 3-
parametarsku distribuciju
Ponovimo ukratko OLS problem za 3-parametarsku Weibullovu distribuciju koji je
formuliran u tocki 4.3. Neka su zadani podaci (wi, ti, yi), i = 1, . . . , n, gdje su
0 < t1 < t2 < . . . < tn (5.1)
vrijednosti nezavisne varijable (opazene vrijednosti Weibullove slucajne varijable T ∼W (α, β, η)),
0 < y1 < y2 < . . . < yn < 1 (5.2)
odgovarajuce vrijednosti empirijske funkcije distribucije, a wi > 0 tezine.
Nepoznate parametre α, β i η Weibullove 3-parametarske distribucije F (t; α, β, η)
59
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 60
treba procijeniti minimizacijom nelinearnog funkcionala:
S(α, β, η) =n∑
i=1
wi [F (ti; α, β, η)− yi]2
=n∑
i=1ti<α
wiy2i +
n∑i=1ti≥α
wi
[1− e−( ti−α
η )β
−yi
]2
na skupu P :={(α, β, η) ∈ R3 : α ≥ 0; β, η > 0
}. Ako postoji tocka (α?, β?, η?) ∈ P
takva da je S(α?, β?, η?) = inf(α,β,η)∈P S(α, β, η), zovemo je OLS procjenitelj.
U teoremu 5.1 dokazat cemo da je za egzistenciju OLS procjenitelja dovoljno da po-
daci zadovoljavaju samo prirodne pretpostavke (5.1) i (5.2). Za dokaz teorema potrebna
nam je sljedeca lema.
Lema 5.1 Pretpostavimo da su dani podaci (wi, ti, yi), i = 1, . . . , n, n > 3, takvi da je
0 < t1 < t2 < . . . < tn, 0 < y1 < y2 < . . . < yn < 1
i wi > 0, i = 1, . . . , n. Nadalje, za bilo koji realni broj θ ≥ 0 neka je
yθ :=
∑ti>θ
wiyi
∑ti>θ
wi
i
Σθ :=∑
ti<θ
wiy2i +
∑
ti>θ
wi(yi − yθ)2.
Tada vrijedi:
(i) Ako je θ = tn−1, onda postoji tocka u P u kojoj funkcional S postize vrijednost
jednaku Σtn−1 =∑n−2
i=1 wiy2i .
(ii) Ako je θ 6= tn−1, onda postoji tocka u P u kojoj funkcional S postize vrijednost
manju od Σθ.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 61
Oznaka sumacije∑ti>θ
(ili∑ti<θ
) koristi se kao skraceni zapis sljedeceg: Suma svih po-
dataka s indeksom i ≤ n za koje je ti > θ (ili ti < θ). Ako takav podatak ti ne postoji,
suma je prazna; i po definiciji je jednaka nula.
Dokaz. Na pocetku pretpostavimo da je 0 < θ ≤ tn−1. Neka je k ∈ {1, . . . , n}takav da je
θ ∈ (tk−1, tk], (5.3)
gdje je t0 = 0 po definiciji. Uvedimo oznake
ytk :=
∑ti>tk
wiyi
∑ti>tk
wi
i l := min{i : yi ≥ ytk}.
Buduci je niz {yi}ni=1 strogo rastuci i yn < 1, lako je pokazati da je yk < ytk < 1 i k < l.
Sada s τl oznacimo
τl :=
{tl, ako je yl = ytk
tl−1+tl2
, ako je yl > ytk .
Primjetimo da je tk < τl, buduci je k < l.
Sada cemo konstruirati familiju Weibullovih distribucija ciji ce graf sadrzavati tocke
(tk, yk) i (τl, ytk) i koja ce u tockama t1, . . . , tk−1 imati vrijednost nula. U tu svrhu, prvo
definirajmo funkciju K : (0,∞) → (0,∞) formulom
K(β) :=
(ln(1−yk)ln(1−ytk
)
)1/β
1−(
ln(1−yk)ln(1−ytk
)
)1/β.
Kako je tk > 0 i
limβ→0
K(β) = 0, (5.4)
postoji dovoljno mali β0 > 0 takav da je
tk −K(β)(τl − tk) > tk−1 ≥ 0, β ∈ (0, β0), .
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 62
Zato je
(α(β), β, η(β)) :=
(tk −K(β)(τl − tk), β,
τl − tk + K(β)(τl − tk)(ln
(1
1−ytk
))1/β
)∈ P
za sve β ∈ (0, β0). Sada cemo svakom realnom broju β ∈ (0, β0) pridruziti Weibullovu
distribuciju
F (t; α(β), β, η(β)) =
{1− e
− ln
(1
1−ytk
)(t−tk+K(β)(τl−tk)
τl−tk+K(β)(τl−tk)
)β
, t > tk −K(β)(τl − tk)0, t ≤ tk −K(β)(τl − tk).
Nije tesko pokazati da vrijedi
F (tk; α(β), β, η(β)) = yk,
F (τl; α(β), β, η(β)) = ytk , (5.5)
F (ti; α(β), β, η(β)) = 0, i = 1, . . . , k − 1
i
limβ→0
F (t; α(β), β, η(β)) = ytk , t > tk. (5.6)
(i) Ako je θ = tn−1, onda k = n− 1, ytk = yn, l = n i τl = tn. Zato iz (5.5) slijedi
S(α(β), β, η(β)) =n∑
i=1
wi [F (ti; α(β), β, η(β))− yi]2 =
n−2∑i=1
wiy2i = Σtn−1
za sve β ∈ (0, β0), odnosno vrijedi tvrdnja (i).
Sada cemo dokazati tvrdnju (ii). Ako je θ ∈ (0, tn−2], onda zbog pretpostavke (5.3)
imamo
Σθ =∑
ti<θ
wiy2i +
∑
ti>θ
wi(yi − yθ)2 ≥
k−1∑i=1
wiy2i +
n∑
i=k+1
wi(yi − yθ)2
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 63
gdje jednakost vrijedi samo ako je θ = tk. Iz toga i cinjnice da kvadratna funkcija
x 7→p∑
i=1
wi(xi−x)2 postize svoj minimump∑
i=1
wi(xi−x)2 u tocki x =∑p
i=1 wixi/∑p
i=1 wi,
imamo
Σθ ≥k−1∑i=1
wiy2i +
n∑
i=k+1
wi(yi − ytk)2. (5.7)
Funkcija t 7→ F (t; α(β), β, η(β)), β ∈ (0, β0), je strogo rastuca na intervalu (tk −K(β)(τl− tk),∞). Zbog toga, (5.4) i (5.6) mozemo pretpostaviti da je β0 > 0 dovoljno
mali, tako da za sve β ∈ (0, β0) vrijedi
yi < F (ti; α(β), β, η(β)) < ytk , ako je tk < ti < τl
yi = F (ti; α(β), β, η(β)) = ytk , ako je ti = τl (5.8)
ytk < F (ti; α(β), β, η(β)) < yi, ako je τl < ti ≤ tm.
Kako je k ≤ n − 2, postoje barem dva indeksa i za koje je ti > tk. Nadalje, zbog
strogog rasta niza {yi}ni=1, jednakost yi = ytk moze vrijediti za najvise jedan indeks i.
Dakle, za svaki β ∈ (0, β0), iz (5.8) slijedi da je
∑ti>tk
wi [F (ti; α(β), β, η(β))− yi]2 <
n∑
i=k+1
wi(yi − ytk)2.
Za svaki takav β imamo
S(α(β), β, η(β)) =n∑
i=1
wi [F (ti; α(β), β, η(β))− yi]2
=∑ti<tk
wi [F (ti; α(β), β, η(β))− yi]2 +
∑ti>tk
wi [F (ti; α(β), β, η(β))− yi]2
<
k−1∑i=1
wiy2i +
n∑
i=k+1
wi(yi − ytk)2. (5.9)
Iz (5.7) i (5.9) slijedi S(α(β), β, η(β)) < Σθ. Ako je θ = 0, onda Σ0 > Σt1/2.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 64
Ako je θ ∈ (tn−2, tn−1) ∪ (tn−1,∞), onda je Σθ >∑n−2
i=1 wiy2i = Σtn−1 . Kao sto je
pokazano u dokazu tvrdnje (i), postoji tocka u P u kojoj funkcional S postize vrijednost
Σtn−1 . S ovim je dokazana tvrdnja (ii). ¥Sada cemo koristeci Lemu 5.1 dokazati da uz prirodne pretpostavke na podatke
(5.1) i (5.2) OLS procjenitelj za Weibullovu 3-parametarsku distribuciju postoji.
Teorem 5.1 Neka su (wi, ti, yi), i = 1, . . . , n, n > 3, podaci takvi da je
0 < t1 < t2 < . . . < tn, 0 < y1 < y2 < . . . < yn < 1
i wi > 0, i = 1, . . . , n. Tada OLS procjenitelj za Weibullovu 3-parametarsku distribuciju
postoji.
Dokaz. Buduci je funkcional S nenegativan, postoji
S? := inf(α,β,η)∈P
S(α, β, η).
Treba pokazati da postoji tocka (α?, β?, η?) ∈ P takva da je S(α?, β?, η?) = S?.
Prvo uocimo da prema tvrdnji (i) Leme 5.1 postoji tocka (α0, β0, η0) ∈ P takva da
je S(α0, β0, η0) =∑n−2
i=1 wiy2i . Zato je S? ≤ ∑n−2
i=1 wiy2i . Ako je S? =
∑n−2i=1 wiy
2i , onda
je za (α?, β?, η?) dovoljno uzeti (α0, β0, η0), s cime je tvrdnja teorema u ovom slucaju
dokazana. Dakle, nadalje mozemo pretpostaviti da je
S? <
n−2∑i=1
wiy2i . (5.10)
Neka je (αk, βk, ηk) niz iz P , takav da je
S? = limk→∞
S(αk, βk, ηk) = limk→∞
n∑i=1
wi [F (ti; αk, βk, ηk)− yi]2
= limk→∞
[ ∑ti<αk
wiy2i +
∑ti≥αk
wi
(1− e
−(
ti−αkηk
)βk
− yi
)2]
. (5.11)
Bez smanjenja opcenitosti, u daljnjem razmatranju mozemo pretpostaviti da su ni-
zovi (αk), (βk) i (ηk) monotoni. Ovo je moguce zbog toga sto niz (αk, βk, ηk) ima podniz
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 65
(αlk , βlk , ηlk), takav da su svi njegovi koordinatni nizovi (αlk), (βlk) i (ηlk) monotoni; i
zbog toga sto je limk→∞ S(αlk , βlk , ηlk) = limk→∞ S(αk, βk, ηk) = S?.
Kako svaki monoton niz realnih brojeva konvergira u prosirenom skupu realnih
brojeva R, uvedimo oznake
α? := limk→∞
αk, β? := limk→∞
βk, η? := limk→∞
ηk.
Primjetimo da je 0 ≤ α?, β?, η? ≤ ∞, buduci je (αk, βk, ηk) ∈ P za svaki k ∈ N.
Za zavrsetak dokaza dovoljno je pokazati da je (α?, β?, η?) ∈ P , odnosno da je
0 ≤ α? < ∞ i β?, η? ∈ (0,∞). Neprekidnost funkcionala S onda povlaci da je S? =
limk→∞ S(αk, βk, ηk) = S(α?, β?, η?).
Ostaje pokazati da je (α?, β?, η?) ∈ P . Dokaz se provodi u pet koraka. U koraku
1 bit ce pokazano da je α? ≤ tn−2. U koraku 2 pokazat cemo da je η? 6= ∞. Dokaz
tvrdnje da je η? 6= 0 bit ce napravljen u koraku 3. U koraku 4 dokazat cemo da je
β? 6= ∞. Na kraju, u koraku 5 bit ce pokazano da je β? 6= 0.
Korak 1. Ako je α? > tn−2, onda iz (5.11) slijedi S? ≥ ∑n−2i=1 wiy
2i , sto je u kon-
tradikciji s pretpostavkom (5.10). Dakle, dokazali smo da je α? ≤ tn−2.
Ukoliko je potrebno, uzimajuci odgovarajuci podniz od (αk, βk, ηk) mozemo pret-
postaviti da ako je ti < α?, da je onda ti < αk za svaki k ∈ N. Slicno, ako je ti > α?,
mozemo pretpostaviti da je ti > αk za svaki k ∈ N. Uzimajuci to u obzir, lako je
pokazati da iz (5.11) slijedi
S? ≥∑ti<α?
wiy2i + lim
k→∞
[ ∑ti>α?
wi
(1− e
−(
ti−αkηk
)βk
− yi
)2]
. (5.12)
Korak 2. Sada pokazimo da je η? 6= ∞. Dokaz se provodi kontradikcijom. Pret-
postavimo suprotno, odnosno da je η? = ∞. Mogu su javiti samo sljedeca dva slucaja:
(i) η? = ∞ i β? > 0 ili (ii) η? = ∞ i β? = 0. Sada cemo pokazati da funkcional S ne
moze postici svoj infimum niti u jednom od ova dva slucaja, cime ce biti dokazano da
je η? 6= ∞.
Slucaj (i): η? = ∞ i β? > 0. Buduci je α? ≤ tn−2 < tn, u ovom slucaju bi imali
limk→∞
F (ti; αk, βk, ηk) = limk→∞
(1− e
−(
ti−αkηk
)βk)
= 0, ti > α?
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 66
pa bi zato iz (5.11) slijedilo
S? = limk→∞
S(αk, βk, ηk) =n∑
i=1
wiy2i >
n−2∑i=1
wiy2i
sto je u kontradikciji s pretpostavkom (5.10).
Slucaj (ii): η? = ∞ i β? = 0. Kako ηk → ∞, za svaki dovoljno velik k ∈ N
je 0 <(
1ηk
)βk
< 1, odnosno niz(
1ηk
)βk
je ogranicen. Mozemo pretpostaviti da je
konvergentan. Neka(
1ηk
)βk → L ∈ [0, 1]. Buduci da u ovom slucaju imamo
limk→∞
F (ti; αk, βk, ηk) = limk→∞
(1− e
−(
1ηk
)βk(ti−αk)βk
)= 1− e−L, ti > α?
te kako kvadratna funkcija x 7→ ∑ti>α?
wi(x−yi)2 postize svoj minimum
∑ti>α?
wi(yα?−yi)2
u tocki yα? =∑
ti>α?
wiyi/∑
ti>α?
wi, koristeci (5.12) dobivamo
S? ≥∑ti<α?
wiy2i +
∑ti>α?
wi
(1− e−L − yi
)2
≥∑ti<α?
wiy2i +
∑ti>α?
wi(yα? − yi)2 = Σα? .
Kako je α? ≤ tn−2 < tn−1, prema Lemi 5.1(ii) postoji tocka u P u kojoj funkcional S
postize vrijednost manju od Σα? . To znaci da u ovom slucaju funkcional S ne moze
postici svoj infimum.
Korak 3. Sada cemo pokazati da je η? 6= 0. Dokaz provodimo kontradikcijom.
Pretpostavimo da je η? = 0. Tada bez smanjenja opcenitosti mozemo pretpostaviti da
je 1/ηk > 1 za sve k ∈ N. Kako je (1/ηk)βk ≥ 1, moze se javiti samo jedan od sljedeca
dva slucaja: (i) η? = 0 i (1/ηk)βk →∞ ili (2) η? = 0 i (1/ηk)
βk → L ∈ [1,∞). Pokazimo
da funkcional S ne moze postici svoj infimum niti u jednom od ova dva slucaja, cime
ce biti dokazano da je η? 6= 0.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 67
Slucaj (i): η? = 0 i (1/ηk)βk →∞. U ovom slucaju imamo
limk→∞
(ti − αk
ηk
)βk
= ∞, ti > α?
i zato je
limk→∞
F (ti; αk, βk, ηk) = limk→∞
(1− e
−(
t−αkηk
)βk)
= 1, ti > α?.
Zaista, ako je ti > α? i β? = 0, onda je
limk→∞
(ti − αk
ηk
)βk
= limk→∞
(1
ηk
)βk
(ti − αk)βk = ∞ · 1 = ∞.
Ako je ti > α? i β? > 0, onda je ocito
limk→∞
(ti − αk
ηk
)βk
= ∞.
Slucaj (ii): η? = 0 i (1/ηk)βk → L ∈ [1,∞). U ovom slucaju niz (βk) mora
konvergirati ka 0, buduci ηk → 0 po pretpostavci. Zato je
limk→∞
F (ti; αk, βk, ηk) = limk→∞
(1− e
−(
1ηk
)βk(ti−αk)βk
)= 1− e−L, ti > α?.
Uz objasnjenja slicna onima u slucaju (ii) koraka 2, u oba slucaja dobiva se
S? ≥∑ti<α?
wiy2i +
∑ti>α?
wi(yα? − yi)2 = Σα? .
Kako smo vec pokazali da postoji tocka u P u kojoj funkcional S postize vrijednost
manju od Σα? , to znaci da u ovom slucaju (η? = 0) funkcional S ne moze postici svoj
infimum.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 68
Do sada smo pokazli da je 0 ≤ α? ≤ tn−2 i 0 < η? < ∞. Koristeci se time, u
slijedeca dva koraka pokazat cemo da je 0 < β? < ∞.
Korak 4. Pokazimo β? 6= ∞. Pretpostavimo suprotno, odnosno da je β? = ∞.
Tada je
limk→∞
F (t; αk, βk, ηk) = limk→∞
(1− e
−(
t−αkηk
)βk)
=
{0, ako je α? ≤ t < α? + η?
1, ako je t > α? + η?
pa iz (5.12) slijedi
S? ≥ limk→∞
[ ∑ti<α?
wiy2i +
∑α?<ti<α?+η?
wi
(1− e
−(
ti−αkηk
)βk
− yi
)2
+∑
ti>α?+η?
wi
(1− e
−(
ti−αkηk
)βk
− yi
)2]
=∑
ti<α?+η?
wiy2i +
∑ti>α?+η?
wi(1− yi)2.
Argumentirajuci slicno kao u slucaju (ii) Koraka 2 moze se pokazati da je
S? ≥∑
ti<α?+η?
wiy2i +
∑ti>α?+η?
wi(yi − yα?+η?)2 = Σα?+η? ,
gdje je
yα?+η? =∑
ti>α?+η?
wiyi/∑
ti>α?+η?
wi.
Zbog pretpostavke (5.10) je α? + η? 6= tn−1. Zato prema Lemi 5.1(ii) postoji tocka u
P u kojoj funkcional S postize vrijednost manju od Σα?+η? , sto znaci da niti u ovom
slucaju (β? = ∞) funkcional S ne moze postici svoj infimum. Dakle, ovim je dokazano
da je β? < ∞.
Korak 5. Ostaje pookazati da je β? 6= 0. Ako je βk → 0, onda bi koristeci (5.12)
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 69
dobili
S? ≥ limk→∞
[ ∑ti<α?
wiy2i +
∑α?<ti
wi
(1− e
−(
ti−αkηk
)βk
− yi
)2]
=∑ti<α?
wiy2i +
∑ti>α?
wi(1− e−1 − yi)2
≥∑ti<α?
wiy2i +
∑ti>α?
wi(yi − yα?)2 = Σα? .
Prema Lemi 5.1(ii) u ovom slucaju funkcional S ne moze postici svoj infmum. Time
je pokazano da je β? > 0, odnosno dokazana je tvrdnja teorema. ¥
Primjedba 5.1 Neka je za 1 ≤ p < ∞ i
Sp(α, β, η) =n∑
i=1
wi
∣∣F (ti; α, β, η)− yi
∣∣p.
Postupajuci slicno kao u dokazu Leme 5.1 i Teorema 5.1 moze se lako pokazati da
postoji tocka (α?p, β
?p , η
?p) ∈ P takva da je Sp(α
?p, β
?p , η
?p) = inf
(α,β,η)∈PSp(α, β, η).
Primjer 5.1 U primjeru 3.1 nepoznati parametri su procjenjeni koristenjem OLS me-
tode za linearizirani problem (i to regresiju od y u odnosu na x) uz vrijednosti tezina
wi = 1, i = 1, . . . , 14. Sada cemo navesti OLS procjenitelje dobivene minimizacijom
funkcionala S uz tezina wi = 1, i = 1, . . . , 14. Numericke metode za minimizaciju
nelinearnog funkcionala zahtjevaju pocetnu aproksimaciju (α0, β0, η0) ∈ P, koja treba
biti sto je moguce bolja. Moguci odabir pocetne aproksimacije je procjena dobivena
rjesavanjem lineariziranog problema, koju smo mi koristili u primjerima.
Na slici 5.1 prikazani su originalni podaci iz tablice 2.2 i graf 3-parametarske
Weibullove distribucije t 7→ F (t; α, β, η), gdje su parametri α, β i η dobiveni koristenjem
procjenitelja prosjecnog ranga za empirijsku funkciju distribucije.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 70
Empirijska distribucijaProsjecni rang Medijan rang Benardov rangα = 15.2343 α = 17.8873 α = 16.7602β = 1.01333 β = 1.06864 β = 1.04618η = 112.975 η = 106.844 η = 109.367SS = 0.0154301 SS = 0.0186005 SS = 0.0171906
Tablica 5.1: OLS procjenitelji za 3-parametarsku Weibullovu distribuciju na osnovuotkaza cistaca valjka s obzirom na broj dana
50 100 150 200 250 300
0.2
0.4
0.6
0.8
1
t
F (t; α, β, η) 6
-
Slika 5.1: Podaci iz tablice 2.2 i aproksimacija 3-parametarskim modelom s obziromna prosjecni rang
Primjer 5.2 U ovom primjeru procjenjujemo nepoznate parametre 3-parametarskog
Weibullovog modela pomocu podataka ti, i = 1, . . . , 20, iz primjera 2.2. OLS proc-
jenitelj odredit cemo minimizacijom funkcionala S. Uz uobicajene procjenitelje em-
pirijske distribucije koristiti cemo i vrijednosti F (ti; 15, 2.5, 30) + εi, gdje su ti podaci
iz tablice 2.4, a εi, i = 1, . . . , 20, normalno distribuirane pogreske s ocekivanjem 0 i
varijancom σ = 0.005.
Najbolja procjena dobivena je koristenjem stvarnih vrijednosti distribucije ,,pokva-
renih” s normalno distribuiranim greskama. Zbog prije navedenih razloga, gledamo i
najbolju procjenu koristenjem empirijske funkcije distribucije, koja je u ovom primjeru
postignuta koristenjem procjenitelja medijan ranga. Na slici 5.2 prikazani su originalni
podaci iz tablice 2.4 i grafovi gore navedenih 3-parametarskih Weibullovih distribucija
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 71
t 7→ F (t; α, β, η).
Empirijska distribucijaF (ti; 15, 2.5, 30) + εi Prosjecni rang Medijan rang Benardov rangα = 14.9297 α = 16.4056 α = 17.0016 α = 16.725β = 2.50796 β = 1.89653 β = 2.00433 β = 1.96334η = 30.0761 η = 27.8079 η = 26.8297 η = 27.2571SS = 0.000263462 SS = 0.0233055 SS = 0.023058 SS = 0.0231023
Tablica 5.2: OLS procjenitelji za 3-parametarski Weibullov model na osnovu generira-nih podataka
a) podaci (ti, F (ti; 15, 2.5, 30) + εi) b) podaci (ti, F (ti))
20 40 60 80
0.2
0.4
0.6
0.8
1
t
F (t; α, β, η) 6
-20 40 60 80
0.2
0.4
0.6
0.8
1
t
F (t; α, β, η) 6
-
Slika 5.2: Podaci iz tablice 2.4 i aproksimacije 3-parametarskim modelom s obziromstvarnu distribuciju i procjenitelja medijan ranga
5.2 Egzistencija TLS procjenitelja za Weibullovu 3-
parametarsku distribuciju
Kao i kod OLS pristupa, za egzistenciju TLS procjenitelja dovoljno je zahtijevati da
podaci (ti, yi), i = 1, . . . , n, ispunjavaju samo sljedeca dva prirodna uvjeta:
0 < t1 < t2 < . . . < tn
i
0 < y1 < y2 < . . . < yn < 1.
TLS procjenitelje cemo traziti minimizacijom sljedeca dva funkcionala:
T (α, β, η, δ) =n∑
i=1
wi
{[F (ti + δi; α, β, η)− yi]
2 + δ2i
},
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 72
gdje su wi > 0 tezine i
G(α, β, η, δ) =n∑
i=1
wi [F (ti + δi; α, β, η)− yi]2 +
n∑i=1
piδ2i ,
gdje su wi, pi > 0 tezine Prisjetimo se, minimiziramo li primjerice funkcional T , tocka
(α?, β?, η?) je TLS procjenitelj ako postoji δ? ∈ Rn takav da je
T (α?, β?, η?, δ?) = inf(α,β,η,δ)∈P×Rn
T (α, β, η, δ).
Prvo cemo minimizirati funkcional T . Prije dokaza teorema o egzistenciji TLS
procjenitelja potreban nam je jedan pomocni rezultat. U svrhu preciznog formuliranja
tog rezultata i radi pojednostavljivanja racuna u daljnjim razmatranjima, uvodimo
sljedece oznake: Za bilo koja dva realna broja θ ≥ 0 i A > 0, neka Aθ, Bθ,A i Cθ,A
predstavljaju dijelove ravnine (vidi sliku Sl. 5.3) definirane na sljedeci nacin:
Aθ :={(t, y) ∈ R2 : 0 < t < θ, 0 < y < θ − t
},
Bθ,A :={(t, y) ∈ R2 : 0 < t < θ, y ≥ θ − t
}⋃ {
(t, y) ∈ R2 : t > θ, A− y ≥ t− θ}, (5.13)
Cθ,A :={(t, y) ∈ R2 : t > θ, y < A, t− θ > A− y
},⋃ {
(t, y) ∈ R2 : t > θ, y ≥ A}.
Primjetimo da su skupovi Aθ, Bθ,A i Cθ,A u parovima disjunktni.
Lema 5.2 Pretpostavimo da su dani podaci (wi, ti, yi), i = 1, . . . , n, n > 3, takvi da je
0 < t1 < t2 < . . . < tn, 0 < y1 < y2 < . . . < yn < 1 i wi > 0, i = 1, . . . , n. Za bilo koja
dva realna broja θ ≥ 0 i A ≥ 0, neka je
Σθ,A :=∑
(ti,yi)∈Aθ
wiy2i +
∑
(ti,yi)∈Bθ,A
wi(ti − θ)2 +∑
(ti,yi)∈Cθ,A
wi(A− yi)2,
gdje su Aθ, Bθ,A i Cθ,A podrucja u ravnini definirana s (5.13).
Tada postoji tocka u P ×Rn u kojoj funkcional T postize vrijednost manju od Σθ,A.
Oznaka sumacije∑
(ti,yi)∈Aθ
predstavlja sljedece: Suma po svim indeksima i ≤ n
za koje je (ti, yi) ∈ Aθ. Ako takve tocke (ti, yi) ne postoje, suma je prazna; i po
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 73
-
6
0 θ θ + A t
y
A
(ti1 , yi1)r
(ti2 , yi2)r
(ti3 , yi3)
r
(ti4 , yi4)
r
(ti5 , yi5)r
Aθ
Bθ,A
Cθ,A
Slika 5.3. (ti1 , yi1) ∈ Aθ, (ti2 , yi2), (ti3 , yi3) ∈ Bθ,A, (ti4 , yi4), (ti5 , yi5) ∈ Cθ,A
uobicajenom dogovoru, definiramo da je jednaka nula. Sumacije∑
(ti,yi)∈Bθ,A
i∑
(ti,yi)∈Cθ,A
definiraju se na analogan nacin.
Dokaz. Po definiciji od Σθ,A lako je pokazati da je Σ0,A > Σt1,A za svaki A ≥ 0 i
da je Σθ,A ≥ Σθ,yn > Σtn−1,yn za sve θ > tn−1, A ≥ 0. Radi toga, dovoljno je razmatrati
slucaj gdje je θ ∈ [t1, tn−1]. Neka je D := {(t1, y1), . . . , (tn, yn)}.Pretpostavimo da je θ ∈ [t1, tn−1]. Neka je k ∈ {1, . . . , n− 1} takav da
θ ∈ (tk−1, tk],
gdje je t0 = 0 po definiciji. Sada definirajmo
ξ0 :=
{yk, ako je θ = tk
12(yk−1 + yk), ako je θ 6= tk.
Nadalje, neka je tocka (τ1, ξ1) definirana na sljedeci nacin:
• Ako je Cθ,A∩D = ∅, neka je (τ1, ξ1) bilo koja tocka za koju je θ < τ1 i yn < ξ1 < 1.
• Ako je Cθ,A ∩ D 6= ∅, oznacimo s
ξ1 :=
∑(ti,yi)∈Cθ,A
wiyi
∑(ti,yi)∈Cθ,A
wi
i l := min{i : (ti, yi) ∈ Cθ,A ∩ D i yi ≥ ξ1}
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 74
i zatim definirajmo
τ1 :=
{tl, ako je yl = ξ1
tl−1+tl2
, ako je yl > ξ1
Buduci su nizovi {ti}ni=1 i {yi}n
i=1 strogo rastuci, lako je pokazati da ako je (ti, yi) ∈Aθ ∪ Bθ,A i (tj, yj) ∈ Cθ,A, onda je yi < yj. Ovo povlaci da je θ < τ1 i ξ0 < ξ1.
Sada cemo konstruirati familiju Weibullovih 3-parametarskih distribucija ciji ce graf
sadrzavati tocke (θ, ξ0) i (τ1, ξ1). U tu svrhu, prvo definiramo funkciju K : (0,∞) →(0,∞) formulom
K(β) :=
(ln(1−ξ0)ln(1−ξ1)
)1/β
1−(
ln(1−ξ0)ln(1−ξ1)
)1/β. (5.14)
Funkcija K je strogo rastuca na R, limβ→0 K(β) = 0 i limβ→∞ K(β) = ∞. Kako je
τ1 > θ > 0, postoji B > 0 takva da je θ − K(B)(τ1 − θ) = 0, pa je onda za sve
β ∈ (0, B), θ −K(β)(τ1 − θ) > 0. Primjetimo da je
(α(β), β, η(β)) :=
(θ −K(β)(τ1 − θ), β,
τ1 − θ + K(β)(τ1 − θ)(ln
(1
1−ξ1
))1/β
)∈ P (5.15)
za sve β ∈ (0, B). Sada svakom realnom broju β ∈ (0, B) pridruzimo Weibullovu
distribuciju
F (t; α(β), β, η(β)) =
{1− e
− ln(
11−ξ1
)(t−θ+K(β)(τ1−θ)
τ1−θ+K(β)(τ1−θ)
)β
, t > θ −K(β)(τ1 − θ)0, t ≤ θ −K(β)(τ1 − θ).
(5.16)
Nije tesko pokazati da vrijedi
F (θ; α(β), β, η(β)) = ξ0, F (τ1; α(β), β, η(β)) = ξ1 (5.17)
i
limβ→0
F (t; α(β), β, η(β)) = ξ1, t > θ. (5.18)
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 75
Primjetimo da se mogu pojaviti samo sljedeca dva slucaja:
(i) Bθ,A ∩ D 6= ∅ ili |Cθ,A ∩ D| ≥ 2, ili (ii) Bθ,A ∩ D = ∅ i |Cθ,A ∩ D| ≤ 1.
Slucaj (i): Bθ,A ∩ D 6= ∅ ili |Cθ,A ∩ D| ≥ 2. Neka je β0 proizvoljna, ali fiksna tocka
iz (0, B) takva da je
θ −K(β)(τ1 − θ) > tk−1 ≥ 0.
Buduci je θ > tk−1 ≥ 0 i limβ→0 K(β) = 0, takav β0 postoji. Tada za sve β ∈ (0, β0)
imamo
F (ti; α(β), β, η(β)) = 0, ti < θ. (5.19)
Nadalje, definirajmo funkcije δi : (0, β0) → R, i = 1, . . . , n, formulama
δi(β) =
{η(β)
(ln
(1
1−yi
))1/β
+ α(β)− ti, ako je(ti, yi) ∈ Bθ,A
0, ako je (ti, yi) ∈ Aθ ∪ Cθ,A.
Lako je provjeriti da je
F (ti + δi(β); α(β), β, η(β)) = yi, (ti, yi) ∈ Bθ,A. (5.20)
Funkcija t 7→ F (t; α(β), β, η(β)), β ∈ (0, β0), je strogo rastuca na otvorenom intervalu
(θ −K(β)(τ1 − θ),∞). Zbog te cinjenice i (5.18), mozemo pretpostaviti da je β0 > 0
dovoljno malen, tako da za sve β ∈ (0, β0) vrijedi
yi < F (ti; α(β), β, η(β)) < ξ1, ako je (ti, yi) ∈ Cθ,A i ti < τ1
yi = F (ti; α(β), β, η(β)) = ξ1, ako je (ti, yi) ∈ Cθ,A i ti = τ1 (5.21)
ξ1 < F (ti; α(β), β, η(β)) < yi, ako je (ti, yi) ∈ Cθ,A i ti > τ1.
Sada cemo pokazati da dodatno mozemo pretpostaviti da je β0 > 0 dovoljno mal,
tako da za sve β ∈ (0, β0) vrijedi
ti < ti + δi(β) < θ, ako je (ti, yi) ∈ Bθ,A i ti < θ
θ < ti + δi(β) < ti, ako je (ti, yi) ∈ Bθ,A i ti > θ. (5.22)
U tu svrhu, prvo zapisimo δi(β) na slijedeci nacin
δi(β) =(τ1 − θ)
(ln(1−yi)ln(1−ξ1)
)1/β
1−(
ln(1−ξ0)ln(1−ξ1)
)1/β
[1−
(ln(1− ξ0)
ln(1− yi)
)1/β ]+ θ − ti.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 76
Kako je 0 < ξ0 < ξ1 < 1, vrijedi ln(1−ξ1) < ln(1−ξ0) < 0, iz cega slijedi da je nazivnik
koji se pojavljuje u gornjem izrazu veci od nule. Ako je ti > θ, onda je 0 < ξ0 < yi < 1,
pa je gornji izraz u uglatoj zagradi takoder veci od nule. Ovaj izraz ce biti manji od
nule ako je ti < θ buduci je 0 < yi < ξ0 < 1. Na ovaj nacin smo pokazali da ukoliko je
ti < θ, onda je ti + δi(β) < θ, a ako je ti > θ, onda je ti + δi(β) > θ. Kako bi pokazali
nejednakost (5.22), zapisimo δi(β) kao
δi(β) =(τ1 − θ)
1−(
ln(1−ξ0)ln(1−ξ1)
)1/β
[(ln(1− yi)
ln(1− ξ1)
)1/β
−(
ln(1− ξ0)
ln(1− ξ1)
)1/β]+ θ − ti.
Kako je 0 < yi < ξ1 < 1 i 0 < ξ0 < ξ1 < 1, oba izraza u uglatim zagradama teze ka
nuli kada β → 0, i zbog toga limβ→0(δi(β) + ti) = θ za sve (ti, yi) ∈ Bθ,A. Iz ovoga
zakljucujemo kako mozemo pretpostaviti da je β0 > 0 dovoljno mali tako da je za sve
β ∈ (0, β0), ti < ti + δi(β) ako je ti < θ, i dodatno da je ti + δi(β) < ti ako je ti > θ.
Buduci je Bθ,A ∩ D 6= ∅ ili |Cθ,A ∩ D| ≥ 2, iz (5.19), (5.20), (5.21) i (5.22) za svaki
β ∈ (0, β0) imamo
T (α(β), β, η(β), δ(β))
=∑
(ti,yi)∈Aθ
wi [F (ti; α(β), β, η(β))− yi]2
+∑
(ti,yi)∈Bθ,A
wiδ2i (β) +
∑
(ti,yi)∈Cθ,A
wi [F (ti; α(β), β, η(β))− yi]2
<∑
(ti,yi)∈Aθ
wiy2i +
∑
(ti,yi)∈Bθ,A
wi(ti − θ)2 +∑
(ti,yi)∈Cθ,A
wi(yi − ξ1)2
≤∑
(ti,yi)∈Aθ
wiy2i +
∑
(ti,yi)∈Bθ,A
wi(ti − θ)2 +∑
(ti,yi)∈Cθ,A
wi(yi − A)2
= Σθ,A.
Posljednja nejednakost slijedi izravno iz dobro poznate cinejenice da kvadratna funkcija
x 7→ ∑(ti,yi)∈Cθ,A
wi(yi − x)2 postize svoj minimum∑
(ti,yi)∈Cθ,Awi(yi − ξ1)
2 u tocki
ξ1 =∑
(ti,yi)∈Cθ,Awiyi/
∑(ti,yi)∈Cθ,A
wi.
Slucaj (ii): Bθ,A ∩ D = ∅ i |Cθ,A ∩ D| ≤ 1. Prvo primjetimo da u ovom slucaju
mora vrijediti da je θ = tn−1. Naime, inace bi bilo θ < tn−1, pa bi zbog pretpostavke
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 77
Bθ,A ∩ D = ∅, imali (tn−1, yn−1), (tn, yn) ∈ Cθ,A, sto je u kontradikciji s pretpostavkom
|Cθ,A ∩ D| ≤ 1. Nadalje, kako je θ = tn−1 i Btn−1,A ∩ D = ∅, u ovom slucaju je
(t1, y1), . . . , (tn−2, yn−2) ∈ Atn−1 , (tn, yn) ∈ Ctn−1,A i ξ1 = yn.
Dakle Σtn−1,A =∑n−2
i=1 wiy2i .
Kako bi zavrsili dokaz ostaje pokazati da postoji tocka u P ×Rn u kojoj funkcional
T postize vrijednost manju od∑n−2
i=1 wiy2i . U tu svrhu, pretpostavimo da je θ = tn−1 i
A = yn. Sada cemo za θ i A izabrane na ovaj nacin, razmatrati familiju Weibullovih
distribucija definiranih s (5.16). Kako je θ = tn−1 i Ctn−1,yn ∩D = (tn, yn), vrijedi da je
k = n− 1, ξ0 = yn−1, l = n i (τ1, ξ1) = (tn, yn). Tada (5.16) postaje
F (t;α(β), β, η(β)) =
{1− e
− ln( 11−yn
)(
t−tn−1+K(β)(tn−tn−1)
tn−tn−1+K(β)(tn−tn−1)
)β
, t > tn−1−K(β)(tn− tn−1)0, t ≤ tn−1−K(β)(tn− tn−1).
Neka je β1 tocka iz (0, B) takva da je tn−1−K(β1)(tn− tn−1) = tn−2. Tada, buduci
je K strogo rastuca funkcija, za svaki β ∈ (β1, B) imamo da je tn−1−K(β)(tn− tn−1) <
tn−2. Dakle
F (tn−2; α(β), β, η(β)) = 1− e− ln( 1
1−yn)(
tn−2−tn−1+K(β)(tn−tn−1)
tn−tn−1+K(β)(tn−tn−1)
)β
, β ∈ (β1, B),
iz cega slijedi da F (tn−2; α(β), β, η(β)) → 0 kada β → β1 zdesna. Tada po definiciji
limesa postoji tocka β ∈ (β1, B) takva da je
0 < F (tn−2; α(β), β, η(β)) < yn−2. (5.23)
Bez smanjenja opcenitosti mozemo pretpostaviti da je β dovoljno blizu β1, tako da je
0 ≤ tn−3 < tn−1 −K(β)(tn − tn−1) < tn−2. Tada je
F(ti; α(β), β, η(β)
)= 0, i = 1, . . . , n− 3. (5.24)
Kao sto je prije pokazano (vidi (5.17)), dodatno vrijedi
F(tn−1; α(β), β, η(β)
)= yn−1 i F
(tn; α(β), β, η(β)
)= yn. (5.25)
Iz (5.23), (5.24) i (5.25) slijedi da je T (α(β), β, η(β),0) <∑n−1
i=1 wiy2i . Ovim je
dokaz leme zavrsen. ¥Sada mozemo dokazati teorem o egzistenciji TLS procjenitelja.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 78
Teorem 5.2 Neka su (wi, ti, yi), i = 1, . . . , n, n > 3, podaci takvi da je 0 < t1 < t2 <
. . . < tn, 0 < y1 < y2 < . . . < yn < 1 i wi > 0, i = 1, . . . , n. Tada postoji tocka
(α?, β?, η?, δ?) ∈ P × Rn takva da je
T (α?, β?, η?, δ?) = inf(α,β,η,δ)∈P×Rn
T (α, β, η, δ)
Dokaz. Buduci je funkcional T nenegativan, postoji
T ? := inf(α,β,η,δ)∈P×Rn
T (α, β, η, δ).
Treba pokazati da postoji tocka (α?, β?, η?, δ?) ∈ P×Rn takva da je T (α?, β?, η?, δ?) =
T ?.
Neka je (αk, βk, ηk, δk) niz u P × Rn, takav da je
T ? = limk→∞
T (αk, βk, ηk, δk) = lim
k→∞
n∑i=1
wi
{ [F (ti + δk
i ; αk, βk, ηk)− yi
]2+(δk
i )2}. (5.26)
Bez smanjenja opcenitosti, u daljnjem razmatranju mozemo pretpostaviti da su
nizovi (αk), (βk), (ηk), (δk1), . . . , (δ
kn) monotoni. Uocimo da je ovo moguce zbog toga
sto niz (αk, βk, ηk, δk1 , . . . , δ
kn) ima podniz (αlk , βlk , ηlk , δ
lk1 , . . . , δlk
n ), takav da su svi nje-
govi koordinatni nizovi (αlk), (βlk), (ηlk), (δlk1 ), . . . , (δlk
n ) monotoni; i zbog toga sto je
limk→∞ T (αlk , βlk , ηlk , δlk) = limk→∞ T (αk, βk, ηk, δ
k) = T ?.
Kako svaki monoton niz realnih brojeva konvergira u prosirenom skupu realnih
brojeva R, uvedimo oznake
α? := limk→∞
αk, β? := limk→∞
βk, η? := limk→∞
ηk, δ? := limk→∞
δk = (δ?1, . . . , δ
?n).
Primjetimo da je 0 ≤ α?, β?, η? ≤ ∞, buduci je (αk, βk, ηk) ∈ P . Takoder primjetimo
da je δ?i ∈ R za svaki i = 1, . . . , n. Doista, ako je |δ?
i | = ∞ za neki i, onda bi iz (5.26)
slijedilo da je T ? = ∞, sto nije moguce.
Kako bi dovrsili dokaz dovoljno je pokazati da je (α?, β?, η?) ∈ P , odnosno da
je 0 ≤ α? < ∞ i β?, η? ∈ (0,∞). Neprekidnost funkcionala T tada povlaci da je
T ? = limk→∞ T (αk, βk, ηk, δk) = T (α?, β?, η?, δ?).
Ostaje pokazati da je (α?, β?, η?) ∈ P . Dokaz se provodi u pet koraka. U koraku 1
pokazat cemo da je α? 6= ∞. U koraku 2 bit ce pokazano da je η? 6= ∞. Dokaz tvrdnje
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 79
η? 6= 0 bit ce napravljen u koraku 3. U koraku 4 pokazujemo da je β? 6= ∞. Na kraju,
u koraku 5 pokazujemo da je β? 6= 0.
Korak 1. Ako je α? = ∞, onda je F (ti + δki ; αk, βk, ηk) = 0 za svaki dovoljno veliki
k ∈ N, pa iz (5.26) slijedi T ? ≥ ∑ni=1 wiy
2i . Buduci je
∑ni=1 wiy
2i > Σtn−1,yn i kako
prema Lemi 5.2 postoji tocka iz P ×Rn u kojoj funkcional T postize vrijednost manju
od Σtn−1,yn , to znaci da u ovom slucaju (α? = ∞) funkcional T ne moze postici svoj
infimum. S time smo pokazali da je α? 6= ∞.
Korak 2. Pokazimo da je η? 6= ∞. Tvrdnju cemo pokazati kontradikcijom. Pret-
postavimo suprotno, odnosno da je η? = ∞. Mogu se pojaviti samo sljedeca dva
slucaja: (i) η? = ∞ i β? = 0 ili (ii) η? = ∞ i β? > 0. Sada cemo pokazati da funkcional
T ne moze postici svoj infimum niti u jednom od ova dva slucaja, s cime cemo dokazati
da je η? 6= ∞.
Slucaj (i): η? = ∞ i β? = 0. Kako ηk → ∞, za svaki dovoljno veliki k ∈ N je
0 < (1/ηk)βk < 1. To znaci da je niz (1/ηk)
βk omeden. Mozemo pretpostaviti da je
konvergentan. Neka je (1/ηk)βk → L ∈ [0, 1]. Buduci je
limk→∞
(t− αk
ηk
)βk
= limk→∞
(1
ηk
)βk
(t− αk)βk = L, t > α?,
u ovom slucaju imamo
limk→∞
F (t; αk, βk, ηk) =
{0, ako je t < α?
A, ako je t > α? (5.27)
gdje je A := 1− e−L.
Lako je pokazati da vrijedi
T (αk, βk, ηk, δk) =
n∑i=1
wi
{ [F (ti + δk
i ; αk, βk, ηk, δk)− yi
]2+ (δk
i )2}
≥∑
(ti,yi)∈Aα?∪Bα?,A∪Cα?,A
wi
{ [F (ti + δk
i ; αk, βk, ηk, δk)− yi
]2+ (δk
i )2}
.
Kako je T ? = limk→∞ T (αk, βk, ηk, δk), dobivamo
T ? ≥ limk→∞
∑
(ti,yi)∈Aα?∪Bα?,A∪Cα?,A
wi
{ [F (ti + δk
i ; αk, βk, ηk, δk)− yi
]2+ (δk
i )2}
, (5.28)
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 80
gdje su Aα? , Bα?,A i Cα?,A podrucja u ravnini definirana s (5.13).
Buduci prema Lemi 5.2 postoji tocka iz P×Rn u kojoj funkcional T postize vrijed-
nost manju od Σα?,A, za dokazivanje tvrdnje da u ovom slucaju funkcional T ne moze
postici svoj infimum dovoljno je pokazati da je desna strana u izrazu (5.28) veca od
Σα?,A. Da bi to pokazali, dovoljno je dokazati sljedece nejednakosti:
limk→∞
{[F (ti + δk
i ; αk, βk, ηk, δk)− yi]
2 + (δki )2
} ≥ y2i , ako je (ti, yi) ∈ Aα? (5.29)
limk→∞
{[F (ti + δk
i ; αk, βk, ηk, δk)−yi]
2+(δki )2
} ≥ (α?− ti)2, ako je (ti, yi) ∈ Bα?,A (5.30)
limk→∞
{[F (ti + δk
i ; αk, βk, ηk, δk)−yi]
2+(δki )2
} ≥ (A−yi)2, ako je (ti, yi) ∈ Cα?,A. (5.31)
Pretpostavimo da je (ti, yi) ∈ Aα? . Tada je ti < α? i 0 < yi < α? − ti. Ako je
ti + δ?i ≥ α?, onda je δ?2
i ≥ (α? − ti)2 > y2
i . Nadalje, ako je ti + δ?i < α?, onda je
limk→∞ F (ti + δki ; αk, βk, ηk) = 0 i zato je limk→∞[F (ti + δk
i ; αk, βk, ηk) − yi]2 = y2
i . U
oba slucaja (ti + δ?i ≥ α? i ti + δ?
i < α?) dobivamo trazenu nejednakost (5.29).
Sada cemo pokazati (5.30). Pretpostavimo da je (ti, yi) ∈ Bα?,A. Po definiciji
podrucja Bα?,A, moze se pojaviti samo jedan od sljedeca dva slucaja: (i) 0 < α?−ti ≤ yi
ili (ii) 0 < ti − α? ≤ A − yi. Slucaj (i): Ako je ti + δ?i ≥ α?, onda je δ?2
i ≥ (α? − ti)2.
Ovo daje trazenu nejednakost (5.30). Nadalje, ako je ti + δ?i < α?, onda je ocito
limk→∞ F (ti + δki ; αk, βk, ηk) = 0 i posljedicno limk→∞[F (ti + δk
i ; αk, βk, ηk) − yi]2 =
y2i ≥ (α? − ti)
2, sto ponovno daje trazenu nejednakost (5.30). Slucaj (ii): Ako je
ti + δ?i ≤ α?, onda je −δ?
i ≥ ti − α? > 0, iz cega slijedi (5.30). Ako je ti + δ?i > α?,
onda je koristeci (5.27) lako pokazati da je limk→∞ F (ti + δki ; αk, βk, ηk) = A. Dakle
limk→∞[F (ti + δki ; αk, βk, ηk)− yi]
2 = (A− yi)2 ≥ (α? − ti)
2, odakle slijedi (5.30).
Kako bi pokazali (5.31), pretpostavimo da je (ti, yi) ∈ Cα?,A. Po definiciji podrucja
Cα?,A, mogu se pojaviti samo sljedeca dva slucaja: (i) ti − α? > A − yi > 0 ili (ii)
ti > α? i yi ≥ A. Slucaj (i): Ako je ti + δ?i ≤ α?, onda je −δ?
i ≥ ti − α? > A− yi > 0,
odakle vidimo da u (5.31) vrijedi stroga nejednakost. Ako je ti + δ?i > α?, koristeci
(5.27) lako je pokazati da je limk→∞ F (ti + δki ; αk, βk, ηk) = A pa zbog dobivamo da je
limk→∞[F (ti + δki ; αk, βk, ηk)− yi]
2 = (A− yi)2, iz cega slijedi (5.31). Slucaj (ii): Ako je
ti +δ?i < α? onda je limk→∞[F (ti +δk
i ; αk, βk, ηk)−yi]2 = y2
i ≥ (A−yi)2, odnosno ako je
ti + δ?i > α? onda je limk→∞[F (ti + δk
i ; αk, βk, ηk)− yi]2 = (A− yi)
2. Ostaje promotriti
slucaj kada je ti +δ?i = α?. Buduci je funkcija t 7→ F (t; αk, βk, ηk) monotono rastuca , u
ovom slucaju imamo 0 ≤ F (ti + δki ; αk, βk, ηk) < F (ti; αk, βk, ηk) kada god je k dovoljno
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 81
velik. Pustajuci k →∞ i koristeci (5.27), dobivamo 0 ≤ limk→∞ F (ti +δki ; αk, βk, ηk) ≤
A. Dakle, buduci je A ≤ yi, slijedi da je limk→∞[F (ti + δki ; αk, βk, ηk)−yi]
2 ≥ (A−yi)2.
Iz (5.28), (5.29), (5.30) i (5.31) slijedi da je T ? ≥ Σα?,A. Prema Lemi 5.2, postoji
tocka iz P × Rn u kojoj funkcional T postize vrijednost manju od Σα?,A. To znaci da
u ovom slucaju funkcional T ne moze postici svoj infimum.
Slucaj (ii): η? = ∞ i β? > 0. U ovom slucaju bi imali
limk→∞
(t− αk
ηk
)βk
= ∞, t ≥ α?
i zbog toga limk→∞ F (t; αk, βk, ηk) = 0.
Argumentirajuci slicno kao u slucaju (i), moze se pokazati da je T ? ≥ Σα?,0.
Ponovno, prema Lemi 5.2, zakljucujemo da u ovom slucaju funkcional T ne moze
postici svoj infimum. Time smo pokazali smo da je η? 6= ∞.
Korak 3. Sada cemo pokazati da je η? 6= 0. Dokaz tvrdnje provodimo kontradik-
cijom. Pretpostavimo da je η? = 0. Tada, bez smanjenja opcenitosti mozemo pret-
postavimit da je 1/ηk > 1 za sve k ∈ N. Kako je u ovom slucaju (1/ηk)βk ≥ 1, moze se
pojaviti samo jedan od sljedeca dva slucaja: (i) η? = 0 i (1/ηk)βk →∞ ili (ii) η? = 0 i
(1/ηk)βk → L ∈ [1,∞). Pokazimo da funkcional T ne moze postici svoj infimum niti u
jednom od ova dva slucaja, s cime cemo dokazati da je η? 6= 0.
Slucaj (i): η? = 0 i (1/ηk)βk →∞. U ovom slucaju imamo
limk→∞
(t− αk
ηk
)βk
= ∞, t > α?
i zbog toga je
limk→∞
F (t; αk, βk, ηk) =
{0, ako je t < α?
1, ako je t > α?.
Zaista, ako je t > α? i β? = 0, onda je
limk→∞
(t− αk
ηk
)βk
= limk→∞
(1
ηk
)βk
(t− αk)βk = ∞ · 1 = ∞.
Ako je t > α? i β? > 0, onda je ocito limk→∞(
t−αk
ηk
)βk
= ∞.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 82
Slucaj (ii): η? = 0 i (1/ηk)βk → L ∈ [1,∞). U ovom slucaju niz (βk) mora
konvergirati ka 0, buduci po pretpostavci ηk → 0. Zbog toga je
limk→∞
F (t; αk, βk, ηk) =
{0, ako je t < α?
1− e−L, ako je t > α?.
Argumentirajuci slicno kao u slucaju (i) koraka 2, u oba slucaja se moze pokazati
da u ovom slucaju (η? = 0) funkcional T ne moze postici svoj infimum.
Do sada smo pokazali da je 0 ≤ α? < ∞ i 0 < η? < ∞. Koristeci se time, u slijedeca
dva koraka cemo dokazati da je 0 < β? < ∞.
Korak 4. Pokazimo da je β? 6= ∞. Kako bi to dokazali, pretpostavimo suprotno,
odnosno da je β? = ∞. Tada je
limk→∞
(t− αk
ηk
)βk
=
{0, ako je α? ≤ t < α? + η?
∞, ako je t > α? + η?
i zbog toga
limk→∞
F (t; αk, βk, ηk) =
{0, ako je t < α? + η?
1, ako je t > α? + η?.
Argumentirajuci slicno kao u slucaju (i) koraka 2, moze se pokazati da je T ? ≥ Σα?+η?,1.
Po Lemi 5.2, postoji tocka iz P u kojoj funkcional T postize vrijednost manju od
Σα?+η?,1. Zbog toga, u ovom slucaju (β? = ∞) funkcional T ne moze postici svoj
infimum. S ovim smo pokazali da je β? < ∞.
Korak 5. Ostaje pokazati da je β? 6= 0. Ako βk → 0, onda je
limk→∞
(t− αk
ηk
)βk
= 1, t > α?
i zbog toga je
limk→∞
F (t; αk, βk, ηk) =
{0, ako je t < α?
1− e−1, ako je t > α?.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 83
Argumentirajuci slicno kao u slucaju (i) koraka 2, moze se pokazati da je T ? ≥Σα?,1−e−1 . Prema Lemi 5.2, u ovom slucaju funkcional T ne moze postici svoj infi-
mum. Dakle, β? > 0 i s time je kompletiran dokaz tvrdnje teorema. ¥
Primjedba 5.2 Neka je 1 ≤ p < ∞ i
Tp(α, β, η, δ) =n∑
i=1
wi
{∣∣F (ti + δi; α, β, η)− yi
∣∣p + |δi|p}.
Postupajuci slicno kao u dokazu Leme 5.2 i Teorema 5.2, lako se moze pokazati da
postoji tocka (α?p, β
?p , η
?p, δ
?p) ∈ P × Rn takva da je
Tp(α?p, β
?p , η
?p, δ
?p) = inf
(α,β,η,δ)∈P×RnTp(α, β, η, δ).
Za dokaz teorema o egzistenciji TLS procjenitelja koji se dobiva minimizacijom
funkconala G treba nam sljedeca lema:
Lema 5.3 Pretpostavimo da su dani podaci (ti, yi), i = 1, . . . , n, n > 3, takvi da je
0 < t1 < t2 < . . . < tn i 0 < y1 < y2 < . . . < yn < 1. Neka su wi, pi > 0, i = 1, . . . , n,
zadane tezine. Za bilo koja dva realna broja θ ≥ 0 i A ≥ 0, neka je
Aθ :={(ti, yi) : 0 < ti < θ, 0 <
√wiyi <
√pi(θ − ti)
},
Bθ,A :={(ti, yi) : 0 < ti < θ,
√wiyi ≥ √
pi(θ − ti)}
⋃ {(ti, yi) : ti > θ,
√wi(A− yi) ≥ √
pi(ti − θ)},
Cθ,A :={(ti, yi) : ti > θ, yi < A,
√pi(ti − θ) >
√wi(A− yi)
},⋃ {
(ti, yi) : ti > θ, yi ≥ A}
i
Σθ,A :=∑
(ti,yi)∈Aθ
wiy2i +
∑
(ti,yi)∈Bθ,A
pi(ti − θ)2 +∑
(ti,yi)∈Cθ,A
wi(A− yi)2,
Tada postoji tocka iz P × Rn u kojoj funkcional G postize vrijednost manju od Σθ,A.
Dokaz ove leme slican je dokazu Leme 5.2, te je zbog toga ispusten. Dovoljno je
zamijeniti funkcional F funkcionalom G i zamijeniti Aθ ∩D, Bθ,A∩D i Bθ,A∩D redom
sa Aθ, Bθ,A i Cθ,A. Svi preostali dijelovi dokaza su isti.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 84
Teorem 5.3 Pretpostavimo da su dani podaci (ti, yi), i = 1, . . . , n, n > 3, takvi da je
0 < t1 < t2 < . . . < tn i 0 < y1 < y2 < . . . < yn < 1. Nadalje, neka su wi, pi > 0,
i = 1, . . . , n, tezine. Tada postoji tocka iz (α?, β?, η?, δ?) ∈ P × Rn takva da je
G(α?, β?, η?, δ?) = inf(α,β,η,δ)∈P×Rn
G(α, β, η, δ).
Dokaz Teorema 5.3 je identican dokazu Teorema 5.2; samo se umjesto Leme 5.2
koristi Lema 5.3. Sada cemo navesti njegovu generalizaciju u p normi.
Primjedba 5.3 Neka je 1 ≤ p < ∞ i
Gp(α, β, η, δ) =n∑
i=1
wi
∣∣F (ti + δi; α, β, η)− yi
∣∣p +n∑
i=1
pi|δi|p.
Argumentirajuci slicno kao u dokazu Leme 5.3 i Teorema 5.3, moze se lako pokazati
da postoji tocka (α?p, β
?p , η
?p, δ
?p) ∈ P × Rn takva da je
Gp(α?p, β
?p , η
?p, δ
?p) = inf
(α,β,η,δ)∈P×RnGp(α, β, η, δ).
Primjer 5.3 U primjeru 5.1 nepoznati parametri su procjenjeni koristenjem OLS me-
tode za nelinearni problem. U tablici 5.3 navedeni su TLS procjenitelji dobiveni min-
imizacijom funkcionala T , uz tezine wi = 1. Pocetna aproksimacija (α0, β0, η0) ∈ Podabrana je kao u primjeru 5.1.
Empirijska distribucijaProsjecni rang Medijan rang Benardov rangα = 15.2349 α = 17.8874 α = 16.7604β = 1.01332 β = 1.06864 β = 1.04618η = 112.974 η = 106.844 η = 109.367SS = 0.0154298 SS = 0.0186 SS = 0.0171902
Tablica 5.3: TLS procjenitelji za 3-parametarski Weibullov model na osnovu otkazacistaca valjka s obzirom na broj dana
Na slici 5.4 prikazani su originalni podaci iz tablice 2.2 i graf 3-parametarske
Weibullove distribucije t 7→ F (t; α, β, η), gdje su parametri α, β i η dobiveni koristenjem
procjenitelja prosjecnog ranga za empirijsku funkciju distribucije.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 85
50 100 150 200 250 300
0.2
0.4
0.6
0.8
1
t
F (t; α, β, η) 6
-
Slika 5.4: Podaci iz tablice 2.2 i aproksimacija 3-parametarskim modelom s obziromna prosjecni rang
Primjer 5.4 U ovom primjeru procjenjujemo nepoznate parametre za 3-parametarski
Weibullov model za podatke ti, i = 1, . . . , 20, iz primjera 2.2. Uz uobicajene procjen-
itelje empirijske distribucije koristiti cemo i vrijednosti F (ti; 15, 2.5, 30) + εi, gdje su ti
podaci iz tablice 2.4, a εi, i = 1, . . . , 20 normalno distribuirane pogreske s ocekivanjem
0 i varijancom σ = 0.005. U sljedecoj tablici navedeni su TLS procjenitelji dobiveni
minimizacijom funkcionala T uz tezine wi = 1, i = 1, . . . , 20.
Empirijska distribucijaF (ti; 15, 2.5, 30) + εi Prosjecni rang Medijan rang Benardov rangα = 14.9296 α = 16.407 α = 17.0027 α = 16.7263β = 2.50797 β = 1.8964 β = 2.00422 β = 1.96321η = 30.0762 η = 27.8065 η = 26.8285 η = 27.2558SS = 0.00026329 SS = 0.0232915 SS = 0.0230417 SS = 0.023087
Tablica 5.4: TLS procjenitelji za 3-parametarski Weibullov model na osnovu generira-nih podataka
Najbolja procjena dobivena je koristenjem stvarnih vrijednosti distribucije ,,pokva-
renih” s normalno distribuiranim greskama. Zbog prije navedenih razloga, gledamo i
najbolju procjenu koristenjem empirijske funkcije distribucije, koja je u ovom primjeru
postignuta koristenjem procjenitelja medijan ranga. Na slici 5.5 prikazani su originalni
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 86
podaci iz tablice 2.4 i grafovi gore navedenih 3-parametarskih Weibullovih distribucija
t 7→ F (t; α, β, η).
a) podaci (ti, F (ti; 15, 2.5, 30) + εi) b) podaci (ti, F (ti))
20 40 60 80
0.2
0.4
0.6
0.8
1
t
F (t; α, β, η) 6
-20 40 60 80
0.2
0.4
0.6
0.8
1
t
F (t; α, β, η) 6
-
Slika 5.5: Podaci iz tablice 2.4 i aproksimacije 3-parametarskim modelom s obziromstvarnu distribuciju i procjenitelja medijan ranga
5.3 Egzistencija OLS procjenitelja za Weibullovu 3-
parametarsku gustocu
Neka su zadana opazanja
0 < t1 < t2 < . . . < tn
3-parametarske Weibullove slucajne varijable. Nadalje, neka je f neka neparametarska
procjena funkcije gustoce konstruirana pomocu tog uzorka. Nepoznate parametre
Weibullove 3-parametarske gustoce treba procijeniti na osnovi podataka
(ti, yi), i = 1, . . . , n,
gdje je yi := f(ti), i to tako da se na skupu P :={(α, β, η) ∈ R3 : α ≥ 0; β, η > 0
}
minimizira funkcional
S(α, β, η) =n∑
i=1
wi [f(ti; α, β, η)− yi]2
=n∑
i=1ti<α
wiy2i +
n∑i=1ti≥α
wi
[β
η
(ti − α
η
)β−1
e−( ti−α
η )β
−yi
]2
.
Ako postoji tocka (α?, β?, η?) ∈ P takva da je S(α?, β?, η?) = inf(α,β,η)∈P S(α, β, η),
zovemo je OLS procjenitelj.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 87
Za dokaz teorema 5.4 u kome je data egzistencija OLS procjenitelja potrebna nam
je sljedeca lema.
Lema 5.4 Pretpostavimo da su dani podaci (wi, ti, yi), i = 1, . . . , n, n > 3, takvi da je
0 < t1 < t2 < . . . < tn i wi, yi > 0, i = 1, . . . , n. Neka je (wr, tr, yr) podatak za koji je
wry2r najvece, odnosno wry
2r = max
i=1,...,nwiy
2i . Tada postoji tocka iz P u kojoj funkcional
S postize vrijednost manju od
Sr :=n∑
i=1i6=r
wiy2i .
Dokaz. Promotrimo sljedecu familiju 3-parametarskih Weibullovih gustoca
f(t; 0, β(b), η(b)) =
{β(b)
t
(t
η(b)
)β(b)
e−( tη(b))
β(b)
t > 0
0, t ≤ 0(5.32)
gdje je
β(b) := tryreb
b, η(b) :=
trb1/β(b)
, b > 0.
Lako je pokazati da vrijedi
f(tr; 0, β(b), η(b)) = yr, (5.33)
limb→∞
β(b) = ∞, (5.34)
limb→∞
η(b) = tr (5.35)
i
limb→∞
β(b)
(t
η(b)
)β(b)
=
{0, ako je t < tr∞, ako je t > tr.
(5.36)
Sada cemo pokazati da je
limb→∞
f(t; 0, β(b), η(b)) = 0, t 6= tr. (5.37)
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 88
Ako je t < tr, onda koristeci (5.35) dobivamo limb→∞(t/η(b)) = t/tr < 1 te zato iz
(5.34) slijedi limb→∞ e−( tη(b)
)β(b)
= 1. Sada iz (5.32) i (5.36) slijedi
limb→∞
f(t; 0, β(b), η(b)) = limb→∞
[β(b)
t
(t
η(b)
)β(b)
e−( tη(b))
β(b)
]= 0.
Ako je t > tr, onda je
limb→∞
(t
η(b)
)=
t
tr> 1.
Lako je pokazati da postoji dovoljno veliki k0 ∈ N takav da je
e <
(t
η(b)
)k0
za svaki dovljno veliki b > 0. Sada koristeci nejednakost x < ex (x ≥ 0) dobivamo
β(b) < eβ(b) <
(t
η(b)
)k0β(b)
, b À 0,
i zbog toga za svaki b À 0 imamo
0 < f(t; 0, β(b), η(b)) =β(b)
t
(t
η(b)
)β(b)
e−( tη(b))
β(b)
<1
t
(t
η(b)
)(k0+1)β(b)
e−( tη(b))
β(b)
.
Kako je
limb→∞
(t
η(b)
)(k0+1)β(b)
e−( tη(b))
β(b)
= 0,
iz gornjih nejednakosti slijedi
limb→∞
f(t; 0, β(b), η(b)) = 0, t > tr.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 89
S ovim smo dokazali limes (5.37).
Neka je b > 0 dovoljno velik, tako da je
0 < f(ti; 0, β(b), η(b)) ≤ yi,
pri cemu jednakost vrijedi samo ako je ti = tr. Prema (5.37) i (5.33), takav b postoji.
Tada je
S(0, β(b), η(b)) =n∑
i=1
wi [f(ti; 0, β(b), η(b))− yi]2 <
n∑
i6=r
wiy2i = Sr.
Time smo kompletirali dokaz leme. ¥Sada mozemo dokazati glavni rezultat ove tocke.
Teorem 5.4 Neka su dani podaci (wi, ti, yi), i = 1, . . . , m, m > 3, takvi da je 0 <
t1 < t2 < . . . < tm i wi, yi > 0, i = 1, . . . , m. Tada OLS procjenitelj za Weibullovu
3-parametarsku gustocu postoji.
Dokaz. Buduci je funkcional S nenegativan, postoji
S? := inf(α,β,η)∈P
S(α, β, η).
Treba pokazati da postoji tocka (α?, β?, η?) ∈ P takva da je S(α?, β?, η?) = S?.
Neka je (αk, βk, ηk) niz iz P , takav da je
S? = limk→∞
S(αk, βk, ηk) = limk→∞
n∑i=1
wi[f(ti; αk, βk, ηk)− yi]2
= limk→∞
{ ∑ti≤αk
wiy2i +
∑ti>αk
wi
[βk
ηk
(ti − αk
ηk
)βk−1
e−
(ti−αk
ηk
)βk
− yi
]2 }. (5.38)
Bez smanjenja opcnitosti, nadalje mozemo pretpostaviti da su nizovi (αk), (βk) i
(ηk) monotoni. Ovo je moguce zbog toga sto niz (αk, βk, ηk) ima podniz (αlk , βlk , ηlk),
takav da su svi njegovi koordinatni nizovi (αlk), (βlk) i (ηlk) monotoni; i zbog toga sto
je limk→∞ S(αlk , βlk , ηlk) = limk→∞ S(αk, βk, ηk) = S?.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 90
Kako svaki monoton niz realnih brojeva konvergira u prosirenom skupu realnih
brojeva R, definirajmo
α? := limk→∞
αk, β? := limk→∞
βk, η? := limk→∞
ηk.
Primjetimo da vrijedi 0 ≤ α?, β?, η? ≤ ∞, zato sto je (αk, βk, ηk) ∈ P .
Za dovrsenje dokaza dovoljno je pokazati da je (α?, β?, η?) ∈ P , odnosno da je
0 ≤ α? < ∞ i β?, η? ∈ (0,∞). Zbog neprekidnosti funkcionala S tada ce biti S? =
limk→∞ S(αk, βk, ηk) = S(α?, β?, η?).
Ostaje pokazati da je (α?, β?, η?) ∈ P . Dokaz se provodi u pet koraka. U koraku 1
pokazat cemo da je α? < tn. U koraku 2 dokazuje se da je β? 6= 0. Dokaz tvrdnje da
je η? 6= 0 napravljen je u koraku 3. U koraku 4 dokazujemo da je η? 6= ∞. Na kraju,
u koraku 5 pokazujemo da je β? 6= ∞. Prije nastavka dokaza, primjetimo da Lema 5.4
implicira da je
S? <
n∑i=1i6=r
wiy2i =: Sr (5.39)
pri cemu je r onaj indeks za koji je wry2r = max
i=1,...,nwiy
2i .
Korak 1. Ako je α? ≥ tn, onda iz (5.38) slijedi S? =∑n
i=1 wiy2i > Sr, sto je u
kontradikciji s (5.39). Dakle, pokazano je da je α? < tn.
Uzimajuci odgovarajuci podniz od (αk, βk, ηk), ukoliko je potrebno, mozemo pret-
postaviti da ako je ti < α?, onda ti < αk za svaki k ∈ N. Slicno, ako je ti > α?,
mozemo pretpostaviti da je ti > αk za svaki k ∈ N. Zbog toga, sada je lako pokazati
da iz (5.38) slijedi
S? ≥∑ti<α?
wiy2i + lim
k→∞
∑ti>α?
wi
[βk
ηk
(ti − αk
ηk
)βk−1
e−
(ti−αk
ηk
)βk
− yi
]2 . (5.40)
Korak 2. Ako je β? = 0, tada koristeci nejednakost x < ex (x ≥ 0) dobivamo
0 <βk
ti − αk
(ti − αk
ηk
)βk
e−
(ti−αk
ηk
)βk
<βk
ti − αk
, ti > α?,
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 91
iz cega slijedi
limk→∞
[βk
ti − αk
(ti − αk
ηk
)βk
e−
(ti−αk
ηk
)βk
]= 0, ti > α?.
Sada iz (5.40), slijedi da S? ≥ ∑ti 6=α? wiy
2i ≥ Sr. Ovo je u kontradikciji s (5.39). Ovim
je pokazano da vrijedi β? 6= 0.
Korak 3. Pokazimo da je η? 6= 0. Dokaz provodimo kontradikcijom. Pretpostavimo
suprotno, odnosno da je η? = 0. Onda bez smanjenja opcenitosti mozemo pretpostaviti
da ako je ti > α?, onda je e < ti−αk
ηkza sve k ∈ N. Sada iz nejednakosti x < ex (x ≥ 0)
slijedi da ako je ti > α?, onda je
βk < eβk <
(ti − αk
ηk
)βk
, k ∈ N.
Dakle, ako je ti > α?, onda je
0 <βk
ti − αk
(ti − αk
ηk
)βk
e−
(ti−αk
ηk
)βk
<1
ti − αk
(ti − αk
ηk
)2βk
e−
(ti−αk
ηk
)βk
. (5.41)
Nadalje, kako je limk→∞(
ti−αk
ηk
)= ∞ i β? 6= 0, imamo limk→∞
(ti−αk
ηk
)βk
= ∞ i zato
je limk→∞(
ti−αk
ηk
)2βk
e−
(ti−αk
ηk
)βk
= 0 pa iz (5.41) slijedi
limk→∞
[βk
ti − αk
(ti − αk
ηk
)βk
e−
(ti−αk
ηk
)βk
]= 0, ti > α?.
Uvrstavajuci gornje limese u (5.40), odmah dobivamo S? ≥ ∑ti 6=α? wiy
2i ≥ Sr, sto je u
kontradikciji s (5.39). Time smo pokazali da je η? > 0.
Za sada smo pokazali da je α? < tn, β? 6= 0 i η? 6= 0. Koristeci dokazane tvrdnje, u
sljedecem koraku cemo pokazati da je η? 6= ∞.
Korak 4. Pokazimo da je η? 6= ∞. Kako bi to dokazali, pretpostavimo suprotno,
odnosno da je η? = ∞. Moze se pojaviti samo jedan od slijedeca dva slucaja: (i)
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 92
η? = ∞ i β? ∈ (0,∞) ili (ii) η? = ∞ i β? = ∞. Sada cemo pokazati da funkcional S ne
moze postici svoj infimum niti u jednom od ova dva slucaja, s cime ce biti dokazano
da je η? 6= ∞.
Slucaj (i): η? = ∞ i β? ∈ (0,∞). U ovom slucaju bi bilo
limk→∞
βk
ti − αk
(ti − αk
ηk
)βk
e−
(ti−αk
ηk
)βk
= 0, ti > α?
i onda bi iz (5.40) slijedilo
S? ≥∑
ti 6=α?
wiy2i ≥ Sr
sto je u suprotnosti s pretpostavkom (5.39).
Slucaj (ii): η? = ∞ i β? = ∞. Kako je ηk → ∞, postoji realna broj q > 1 i
dovoljno veliki k0 ∈ N takav da ako je ti > α? i k > k0, onda je (ti−αk)/ηk < 1/q. Bez
smanjenja opcenitosti mozemo pretpostaviti da je k0 = 1. Dakle, ako je ti > α?, onda
0 <βk
ti − αk
(ti − αk
ηk
)βk
e−
(ti−αk
ηk
)βk
<1
ti − αk
(βk
qβk
)e−
(ti−αk
ηk
)βk
. (5.42)
Nadalje, kako je
limk→∞
(βk
qβk
)= 0 i lim
k→∞e−
(ti−αk
ηk
)βk
= 1,
iz (5.42) slijedi
limk→∞
[βk
ti − αk
(ti − αk
ηk
)βk
e−
(ti−αk
ηk
)βk
]= 0, ti > α?.
Na kraju iz (5.40) dobivamo S? ≥ ∑ti 6=α? wiy
2i ≥ Sr, sto je u suprotnosti s pret-
postavkom (5.39). To znaci da u ovom slucaju funkcional S ne moze postici svoj
infimum. Ovim smo pokazali da je η? 6= ∞.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 93
Korak 5. Ostaje pokazati da je β? 6= ∞. Dokaz provodimo kontradikcijom. Pret-
postavimo da je β? = ∞.
Argumentirajuci slicno kao u koraku 4 moze se pokazati da je
limk→∞
[βk
ti − αk
(ti − αk
ηk
)βk
e−
(ti−αk
ηk
)βk
]= 0, 0 <
ti − α?
η?< 1. (5.43)
Ako je ti−α?
η? > 1, onda postoji dovoljno veliki k0 ∈ N takav da je e <(
ti−αk
ηk
)k0
. Sada
koristeci nejednakost x < ex (x ≥ 0) dobivamo
βk < eβk <
(ti − αk
ηk
)k0βk
, k ∈ N,
i zato je
0 <βk
ti − αk
(ti − αk
ηk
)βk
e−
(ti−αk
ηk
)βk
<1
ti − αk
(ti − αk
ηk
)(k0+1)βk
e−
(ti−αk
ηk
)βk
. (5.44)
Kako je limk→∞(
ti−αk
ηk
)βk
= ∞, imamo limk→∞(
ti−αk
ηk
)(k0+1)βk
e−
(ti−αk
ηk
)βk
= 0 i zbog
toga iz (5.44) slijedi
limk→∞
[βk
ti − αk
(ti − αk
ηk
)βk
e−
(ti−αk
ηk
)βk
]= 0,
ti − α?
η?> 1. (5.45)
Iz (5.40), (5.43) i (5.45) dobili bi da je S? ≥ ∑ti 6=α? wiy
2i ≥ Sr, sto je u kontradikciji s
(5.39). Ovim smo pokazali da je β? 6= ∞ i zavrsili dokaz. ¥
Primjedba 5.4 Neka je 1 ≤ p < ∞. Definirajmo
Sp(α, β, η) :=n∑
i=1
wi|f(ti; α, β, η)− yi
∣∣p.
Argumentirajuci slicno kao u dokazu Leme 5.4 i Teorema 5.4, moze se lako pokazati
da postoji tocka (α?p, β
?p , η
?p) ∈ P Takva da je Sp(α
?p, β
?p , η
?p) = inf(α,β,η)∈P Sp(α, β, η).
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 94
Primjer 5.5 U ovom primjeru procjenjujemo nepoznate parametre za 3-parametarsku
Weibullovu gustocu na osnovu podataka ti, i = 1, . . . , 500, Weibullove slucajne va-
rijable T generirane pomocu programa iz primjera 2.2. Vrijednosti funkcije gustoce
procjenjujemo koristeci dvije neparametarske metode, procjenitelja simetricne jezgre
i procjenitelja adaptirane jezgre kao u radu [57]. Velicina uzorka je relativno velika
(n = 500), buduci ne mozemo ocekivati dobru aproksimaciju gustoce pomocu nepara-
metarske metode na manjem uzorku. Za OLS procjenu koristili smo skupove podataka
(ti, fski ), (ti, f
aki ) i (ti, f(ti; 15, 2.5, 30) + εi), i = 1, . . . , 25, gdje je ti = t20i, f sk
i vri-
jednost gustoce procjenjena pomocu metode simetricne jezgre za podatak ti, faki vrijed-
nost gustoce procjenjena pomocu metode adaptirane jezgre za podatak ti, εi normalno
distribuirane pogreske s ocekivanjem 0 i varijancom σ = 0.002. U tablici 5.5 nave-
dene su dobivene procjene parametara Weibullovom 3-parametarskom gustocom, suma
kvadrata odstupanje (SS) i suma kvadrata odstupanja procjenjenih vrijednosti gustoce
od stvarnih vrijednosti gustoce (RSS =∑25
i=1
(f(ti; 15, 2.5, 30)− f(ti; α, β, η)
)2
).
(ti, f ski ) (ti, fak
i ) (ti, f(ti; 15, 2.5, 30) + εi)α = 12.7091 α = 14.0869 α = 14.5559β = 2.51931 β = 2.45439 β = 2.56904η = 32.4883 η = 31.1173 η = 30.6025SS = 1.87724× 10−6 SS = 5.00598× 10−6 SS = 0.0000807167RSS = 0.0000605834 RSS = 0.0000300717 RSS = 2.99817× 10−6
Tablica 5.5: OLS procjenitelji za Weibullovu 3-parametarsku gustocu na osnovu gene-riranih podataka
Na slici 5.6 prikazani su podaci (ti, f(ti; 15, 2.5, 30) + εi), i = 1, . . . , 25, i graf 3-
parametarske Weibullove gustoce t 7→ f(t; α, β, η) pri cemu su parametri dobiveni na
osnovu procjene tih podataka.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 95
0 20 40 60 80 100
0.01
0.02
0.03
0.04
t
f(t; α, β, η) 6
-
Slika 5.6: Generirani podaci i aproksimacija Weibullovom 3-parametarskom gustocom
5.4 Egzistencija TLS procjenitelja za Weibullovu 3-
parametarsku gustocu
Neka su zadani podaci (ti, yi) i tezine wi, pi > 0, i = 1, . . . , n, pri cemu ti predstavljaju
opazene vrijednosti 3-parametarske Weibullove varijable. Buduci postoji mogucnost
pogresaka u mjerenjima slucajne varijable, nepoznate parametre α, β i η Weibullove
3-parametarske gustoce f(t; α, β, η) prirodno je procijeniti minimizacijom nelinearnog
funkcionala
T (α, β, η, δ) =n∑
i=1
wi [f(ti + δi; α, β, η)− yi]2 +
n∑i=1
piδ2i .
na skupu P × Rn, gdje je
P ={(α, β, η) ∈ R3 : α ≥ 0; β, η > 0
}.
Postavlja se pitanje uz koje uvjete na podatke (ti, yi) postoji TLS procjenitelj, tj. tocka
(α?, β?, η?, δ?) ∈ P × Rn takva da je
T (α?, β?, η?, δ?) = inf(α,β,η,δ)∈P×Rn
T (α, β, η, δ)?
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 96
Prije dokaza teorema o egzistenciji optimalnih parametara za Weibullovu 3-para-
metarsku gustocu u TLS smislu, trebamo dokazati sljedecu tvrdnju.
Lema 5.5 Pretpostavimo da su dane tocke (ti, yi), i ∈ I = {1, . . . , n}, n ≥ 3, takve da
je 0 < t1 < t2 < . . . < tn i yi > 0, i ∈ I i neka su pi, wi ≥ 0 neke tezine. Neka je I?
bilo koji podskup od I.
(i) Ako je I? = ∅, onda postoji tocka iz P u kojoj funkcional T postize vrijednost
manju od
Tr :=n∑
i=1i6=r
wiy2i ,
gdje je (tr, yr) tocka za koju je wry2r = maxi∈I wiy
2i .
(ii) Ako je I? 6= ∅, definirajmo
TI? =∑
i∈I\I?
wiy2i +
∑i∈I?
pi(ti − tI?)2, gdje je tI? =
∑i∈I? piti∑i∈I? pi
.
Tada postoji tocka iz P u kojoj funkcional T postize vrijednost manju od TI?.
Dokaz. Neka su t0, y0 > 0 bilo koji realni brojevi. Definirajmo
β(b) := t0y0eb
b, η(b) :=
t0b1/β(b)
, b > 0.
Lako je pokazati da vrijedi:
limb→∞
β(b) = ∞, (5.46)
limb→∞
η(b) = t0 (5.47)
limb→∞
(1
b
)1/β(b)
= 1
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 97
i
limb→∞
β(b)
(t
η(b)
)β(b)
=
{0, ako je t < t0∞, ako je t > t0.
(5.48)
Tvrdnja(i). Pretpostavimo da je I? = ∅. Neka je t0 := tr, y0 := yr gdje je r onaj
indeks za koji je wry2r = maxi∈I wiy
2i i promatrajmo sljedecu familiju 3-parametarskih
Weibullovih gustoca (slika 5.7)
f(t; 0, β(b), η(b)) =
{β(b)
t
(t
η(b)
)β(b)
e−( tη(b))
β(b)
t > 0
0, t ≤ 0.(5.49)
U ovom slucaju postupama kao u dokazu Leme 5.4, te ovaj dio dokaza ispustamo.
t
f(t) 6
-
Slika 5.7. Familija 3-parametarskih Weibullovih gustoca t 7→ f(t; 0, β(b), η(b))
Tvrdnja(ii). Pretpostavimo da je I? 6= ∅. Tada se moze pojaviti samo jedan od sljedeca
dva slucaja:
(a) |I?| = 1 ili (b) |I?| ≥ 2.
Slucaj (a): |I?| = 1, I? = {k}. Definiramo t0 := tk, y0 := yk i postupamo kao u dokazu
tvrdnje (i).
Slucaj (b): |I?| ≥ 2. U ovom slucaju moze se pojaviti jedan od sljedeca dva podslucaja:
(b1) tI? 6= ti,∀i ∈ I? ili (b2) tI? = tq, q ∈ I?.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 98
(b1): definirajmo t0 := tI? , y0 = A, gdje je A > maxi∈I yi. Za β(b) > 1 funkcija
f(t; 0, β(b), η(b)) je rastuca za t < tmax i padajuca za t > tmax, gdje je tmax tocka u
kojoj funkcija f(t; 0, β(b), η(b)) postize globalni maksimum. Zbog toga za svaki y <
f(tmax; 0, β(b), η(b)) postoje tL i tR (slika 5.8) takvi da je:
f(tL; 0, β(b), η(b)) = f(tR; 0, β(b), η(b)) = y.
δ2
t2 t2L t2R t
f(t) 6
-
−δ7
t7L t7R t7 t
f(t) 6
-
Slika 5.8. Prikaz tocaka tL i tR za slucajeve kada je t < tmax i t > tmax
Oznacimo s t onu od ove dvije tocke za koju je d(t, t) = min{d(t, tL), d(t, tR)}.Koristeci gore navedeno, definirajmo:
δi(b) =
ti − ti, i ∈ I?
ti − ti, i ∈ I \ I? & t0 = ti0, inace.
(5.50)
Za dovoljno veliki b je
0 < f(ti, 0, β(b), η(b)) < yi, ∀i ∈ I \ {I? ∪ {j}}, (5.51)
0 < |δi| < |ti − tI?|, ∀i ∈ I?, (5.52)
wjy2j > pjδ
2j . (5.53)
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 99
Sada iz (5.51), (5.52) i (5.53) imamo
T (0, β(b), η(b), δ(b)) =n∑
i=1
wi[f(ti + δi(b); 0, β(b), η(b))− yi]2 +
n∑i=1
piδi(b)2 =
=∑
i∈I\{I?∪{j}}wi[f(ti + δi(b); 0, β(b), η(b))− yi]
2 +∑
i∈I?∪{j}piδi(b)
2
<∑
i∈I\I?
wiy2i +
∑i∈I?
pi(ti − tI?)2.
(b2): definirajmo t0 := tI? = tq, y0 := yq, gdje je q ∈ I?. Neka je α(b) definiran na
sljedeci nacin
tq = 2α(b) + η(b)
(1− 1
β(b)
)1/β(b)
. (5.54)
Primjetimo da je
tq = 2α(b) + tq
(1
b
)1/β(b) (1− 1
β(b)
)1/β(b)
α(b) =1
2tq
(1−
(1
b
)1/β(b) (1− 1
β(b)
)1/β(b))
(5.55)
limb→∞
α(b) =1
2tq lim
b→∞
(1−
(1
b
)1/β(b) (1− 1
β(b)
)1/β(b))
= 0.
Kako za b À 0 vrijedi
1
b< 1 &
(1− 1
β(b)
)< 1
iz toga i (5.55) dobivamo da je α(b) > 0.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 100
Razmotrimo sljedecu familiju 3-parametarskih Weibullovih gustoca
f(t; α(b), β(b), η(b)) =
{β(b)
t−α(b)
(t−α(b)η(b)
)β(b)
e−( t−α(b)η(b) )
β(b)
t > α(b)
0, t ≤ α(b).(5.56)
Lako je pokazati da je
f(tq + α(b); α(b), β(b), η(b)) = yq.
Globalni maksimum postize se u tocki
tmax = α(b) + η(b)
(1− 1
β(b)
)1/β(b)
.
Iz (5.55) slijedi
tmax = tq − α(b).
Pokazimo da je
limb→∞
f(tq; α(b), β(b), η(b)) = ∞. (5.57)
Iz (5.54) i definicije η(b) dobivamo
tq − α(b)
η(b)=
1
η(b)
tq −
tq − η(b)(1− 1
β(b)
) 1β(b)
2
=
tq + η(b)(1− 1
β(b)
) 1β(b)
2η(b)
=b
1β(b) +
(1− 1
β(b)
) 1β(b)
2
i zato je
(tq − α(b)
η(b)
)β(b)
=
b1
β(b) +(1− 1
β(b)
) 1β(b)
2
β(b)
. (5.58)
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 101
Kako je aritmeticka sredina veca ili jednaka geometrijskoj sredini, iz (5.58) dobivamo
da
(tq − α(b)
η(b)
)β(b)
≥ b12
(1− 1
β(b)
) 12
→∞. (5.59)
kada b → ∞. Nadalje, za dovoljno veliki b je β(b) > 1, te je funkcija x 7→ xβ(b)
konveksna za x > 0. Zbog toga iz (5.58) dobivamo
(tq − α(b)
η(b)
)β(b)
=
b1
β(b) +(1− 1
β(b)
) 1β(b)
2
β(b)
≤b +
(1− 1
β(b)
)
2<
b
2+ 1.
Zbog toga je
e−
(tq−α(b)
η(b)
)β(b)
> e−( b2+1)
pa stoga vrijedi
β(b)e−
(tq−α(b)
η(b)
)β(b)
> β(b)e−( b2+1) = tqyq
eb
be−( b
2+1) =
tqyqeb2
eb→∞. (5.60)
Konacno, iz (5.59) i (5.60) dobivamo
limb→∞
f(tq; α(b), β(b), η(b)) = limb→∞
1
tq − α(b)
(tq − α(b)
η(b)
)β(b)
β(b)e−
(tq−α(b)
η(b)
)β(b)
= ∞.
Sada cemo pokazati da je
limb→∞
f(t; α(b), β(b), η(b)) = 0, t 6= tq. (5.61)
Prvo primjetimo da je
limb→∞
β(b)
(t− α(b)
η(b)
)β(b)
=
{0, ako je t < tq∞, ako je t > tq.
(5.62)
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 102
Ako je t < tq, onda koristeci (5.47) dobivamo limb→∞t−α(b)η(b)
= t/tq < 1 te zato iz (5.46)
slijedi limb→∞ e−(t−α(b)
η(b))β(b)
= 1. Sada iz (5.56) i (5.62) slijedi
limb→∞
f(t; α(b), β(b), η(b)) = limb→∞
[β(b)
t− α(b)
(t− α(b)
η(b)
)β(b)
e−( t−α(b)η(b) )
β(b)
]= 0.
Ako je t > tq, onda je
limb→∞
(t− α(b)
η(b)
)=
t
tq> 1.
Lako je pokazati da postoji dovoljno veliki k0 ∈ N takav da je
e <
(t− α(b)
η(b)
)k0
za svaki dovoljno veliki b > 0. Sada koristeci nejednakost x < ex (x ≥ 0) dobivamo
β(b) < eβ(b) <
(t− α(b)
η(b)
)k0β(b)
, b À 0,
i zbog toga za svaki b À 0 imamo
0 < f(t; α(b), β(b), η(b)) =β(b)
t− α(b)
(t− α(b)
η(b)
)β(b)
e−( t−α(b)η(b) )
β(b)
<1
t− α(b)
(t− α(b)
η(b)
)(k0+1)β(b)
e−( t−α(b)η(b) )
β(b)
.
Kako je
limb→∞
(t− α(b)
η(b)
)(k0+1)β(b)
e−( t−α(b)η(b) )
β(b)
= 0,
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 103
iz gornjih nejednakosti slijedi
limb→∞
f(t; α(b), β(b), η(b)) = 0, t > tq.
S ovim smo dokazali limes (5.61).
Definirajmo
δi(b) =
{ti − ti, i ∈ I?
0, inace(5.63)
gdje je t definiran kao u (b1) podslucaju dokaza (vidi i sliku 5.9).
t
f(t) 6
-tq−α(b) tq tq+α(b)
c
s
s
(tj , yj)(tj , yj)cs
s c
(ti, yi) (ti, yi)
s
Slika 5.9: i, j ∈ I?, ti < tq, tj > tq; 0 < δi(b) = ti − ti < tq − α(b) − ti < tq − ti;tq − tj < tj − tj = δj(b) < 0
Zbog (5.61) mozemo pretpostaviti da je b dovoljno velik tako da je
0 ≤ f(ti; α(b), β(b), η(b)) < yi, i ∈ I \ I?. (5.64)
Tada je ∑
i∈I\I?
wi(f(ti + 0; α(b), β(b), η(b))− yi)2 ≤
∑
i∈I\I?
wiy2i . (5.65)
Zbog (5.57) mozemo pretpostaviti da je b dovoljno velik tako da je yq > yi za svaki
i ∈ I?, te zbog toga vrijedi
δi(b) < |ti − tq|, ∀i ∈ I? \ {q}. (5.66)
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 104
Nadalje neka je s ∈ I? takav da je
ts < tq.
Tada je
psδs(b)2 + pqδq(b)
2 = psδs(b)2 + pqα(b)2 < ps((tq − ts)− α(b))2 + pqα(b)2
< ps(tq − ts)2 (5.67)
za svaki α(b) < 2ps(tq−ts)
ps+pq. Sada iz (5.64), (5.65), (5.66) i (5.67) imamo
T (α(b), β(b), η(b), δ(b)) =n∑
i=1
[wi(f(ti + δi(b); α(b), β(b), η(b))− yi)
2 + piδi(b)2]
=∑
i∈I\I?
wi(f(ti + δi(b); α(b), β(b), η(b))− yi)2 +
∑
i∈I?\{s,q}piδi(b)
2 + psδs(b)2 + pqδq(b)
2
<∑
i∈I\I?
wiy2i +
∑
i∈I?\{s,q}pi(tq − ti)
2 + ps(tq − ts)2 =
∑
i∈I\I?
wiy2i +
∑i∈I?
pi(tq − ti)2
s cime je dokazana tvrdnja leme. ¥Sada cemo dokazati teorem o egzistenciji optimalnih parametara za Weibullovu
3-parametarsku gustocu u TLS smislu.
Teorem 5.5 Neka su zadani podaci (wi, pi, ti, yi), i = 1, . . . , n, n > 3, takvi da je
0 < t1 < t2 < . . . < tm i wi, pi, yi > 0, i = 1, . . . , n. Tada TLS procjenitelj za
Weibullovu 3-parametarsku gustocu postoji.
Dokaz. Buduci je funkcional T nenegativan, postoji
T ? := inf(α,β,η,δ)∈P×Rn
T (α, β, η, δ).
Treba pokazati da postoji tocka (α?, β?, η?, δ?) ∈ P×Rn takva da je T (α?, β?, η?, δ?) =
T ?.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 105
Neka je (αk, βk, ηk, δk) niz iz P × Rn, takav da je
T ?= limk→∞
T (αk, βk, ηk, δk) = lim
k→∞
n∑
i=1
[wi(f(ti + δk
i ; αk, βk, ηk)− yi)2 + pi(δki )2
](5.68)
= limk→∞
∑
ti+δki ≤αk
wiy2i +
∑
ti+δki >αk
wi
βk
ηk
(ti + δk
i − αk
ηk
)βk−1
e−
(ti+δk
i −αkηk
)βk
− yi
2
+n∑
i=1
pi(δki )2
.
Bez smanjenja opcnitosti, nadalje mozemo pretpostaviti da su nizovi (αk), (βk),
(ηk), (δk1), . . . , (δ
kn) monotoni. Ovo je moguce zbog toga sto niz (αk, βk, ηk, δ
k1 , . . . , δ
kn)
ima podniz (αlk , βlk , ηlk , δlk1 , . . . , δlk
n ), takav da si svi njegovi koordinatni nizovi (αlk),
(βlk), (ηlk), (δlk1 ), . . . , (δlk
n ) monotoni; i zbog toga sto je limk→∞ T (αlk , βlk , ηlk , δlk) =
limk→∞ T (αk, βk, ηk, δk) = T ?.
Kako svaki monoton niz realnih brojeva konvergira u prosirenom skupu realnih
brojeva R, definirajmo
α? := limk→∞
αk, β? := limk→∞
βk, η? := limk→∞
ηk, δ? := limk→∞
δk = (δ?1, . . . , δ
?n).
Primjetimo da je 0 ≤ α?, β?, η? ≤ ∞, buduci je (αk, βk, ηk) ∈ P . Takoder primjetimo
da je δ?i ∈ R za svaki i = 1, . . . , n. Doista, ako je |δ?
i | = ∞ za neki i, onda bi iz (5.68)
slijedilo da je T ? = ∞, sto nije moguce.
Za dovrsenje dokaza dovoljno je pokazati da je (α?, β?, η?) ∈ P , odnosno da je
0 ≤ α? < ∞ i β?, η? ∈ (0,∞). Zbog neprekidnosti funkcionala T tada ce biti T ? =
limk→∞ T (αk, βk, ηk, δk) = T (α?, β?, η?, δ?).
Ostaje pokazati da je (α?, β?, η?) ∈ P . Dokaz se provodi u pet koraka. U koraku 1
pokazat cemo da je α? < tn. U koraku 2 dokazuje se da je β? 6= 0. Dokaz tvrdnje da
je η? 6= 0 napravljen je u koraku 3. U koraku 4 dokazujemo da je η? 6= ∞. Na kraju,
u koraku 5 pokazujemo da je β? 6= ∞.
Korak 1. Ako je α? = ∞, onda iz (5.68) slijedi T ? ≥ ∑ni=1 wiy
2i . Buduci je∑n
i=1 wiy2i > Tr, gdje je indeks r odabran tako da je wry
2r = maxi∈I wiy
2i , i kako po
Lemi 5.5 postoji tocka iz P ×Rn u kojoj funkcional T postize vrijednost manju od Tr,
to znaci da u ovom slucaju (α? = ∞) funkcional T ne moze postici svoj infimum. S
time smo pokazali da je α? 6= ∞.
Uzimajuci odgovarajuci podniz od (αk, βk, ηk), ukoliko je potrebno, mozemo pret-
postaviti da ako je ti + δ?i < α?, onda ti + δk
i < αk za svaki k ∈ N. Slicno, ako
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 106
je ti + δ?i > α?, mozemo pretpostaviti da je ti + δk
i > αk za svaki k ∈ N. Neka je
I? = {i ∈ {1, . . . , n} | ti + δ?i = α?}. Sada je lako pokazati da iz (5.68) slijedi
T ? ≥∑
ti+δ?i <α?
wiy2i + lim
k→∞
∑
ti+δ?i >α?
wi
[βk
ηk
(ti + δk
i − αk
ηk
)βk−1
e−
(ti+δk
i −αkηk
)βk
− yi
]2
+∑i∈I?
pi(δki )2. (5.69)
Korak 2. Ako je β? = 0, tada koristeci nejednakost x < ex (x ≥ 0) dobivamo
0 <βk
ti + δki − αk
(ti + δk
i − αk
ηk
)βk
e−
(ti+δk
i −αkηk
)βk
<βk
ti + δki − αk
, ti + δ?i > α?,
iz cega slijedi
limk→∞
[βk
ti + δki − αk
(ti + δk
i − αk
ηk
)βk
e−
(ti+δk
i −αkηk
)βk]
= 0, ti + δ?i > α?.
Sada iz (5.69), slijedi da
T ? ≥∑
i∈I\I?
wiy2i +
∑i∈I?
pi(ti − α?)2 ≥∑
i∈I\I?
wiy2i +
∑i∈I?
pi(ti − tI?)2 = TI? ,
gdje je tI? =∑
i∈I? piti∑i∈I? pi
. Prema lemi 5.5 postoji tocka iz P × Rn u kojoj funkcional T
postize vrijednost manju od TI? . Dakle, pokazali smo da je β? 6= 0.
Korak 3. Pokazimo da je η? 6= 0. Dokaz provodimo kontradikcijom. Pretpostavimo
suprotno, odnosno da je η? = 0. Onda bez smanjenja opcenitosti mozemo pretpostaviti
da ako je ti + δ?i > α?, da je e <
ti+δki −αk
ηkza sve k ∈ N. Onda iz nejednakosti x < ex
(x ≥ 0) slijedi da ako je ti + δ?i > α?, onda je
βk < eβk <
(ti + δk
i − αk
ηk
)βk
, k ∈ N.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 107
Dakle, ako je ti + δ?i > α?, onda je
0 <βk
ti + δki − αk
(ti + δk
i − αk
ηk
)βk
e−
(ti+δk
i −αkηk
)βk
<1
ti + δki − αk
(ti + δk
i − αk
ηk
)2βk
e−
(ti+δk
i −αkηk
)βk
. (5.70)
Nadalje, kako je limk→∞(
ti+δki −αk
ηk
)= ∞ i β? 6= 0, imamo limk→∞
(ti+δk
i −αk
ηk
)βk
= ∞ i
zato je limk→∞(
ti+δki −αk
ηk
)2βk
e−
(ti+δk
i −αkηk
)βk
= 0 pa iz (5.70) slijedi
limk→∞
[βk
ti + δki − αk
(ti + δk
i − αk
ηk
)βk
e−
(ti+δk
i −αkηk
)βk]
= 0, ti + δ?i > α?.
Uvrstavajuci gornje limese u (5.69), uz prijasnje oznake, dobivamo kao i u koraku 2.
dokaza da je
T ? ≥∑
i∈I\I?
wiy2i +
∑i∈I?
pi(ti − α?)2 ≥∑
i∈I\I?
wiy2i +
∑i∈I?
pi(ti − tI?)2 = TI? ,
sto je u kontradikciji s tvrdnjom Leme 5.5. Dakle, pokazali smo da je η? > 0.
Za sada smo pokazali da je α? < ∞, β? 6= 0 i η? 6= 0. Koristeci to, u sljedecem
koraku cemo pokazati da je η? 6= ∞.
Korak 4. Pokazimo da je η? 6= ∞. Kako bi to dokazali, pretpostavimo suprotno,
odnosno da je η? = ∞. Moze se pojaviti samo jedan od slijedeca dva slucaja: (i)
η? = ∞ i β? ∈ (0,∞) ili (ii) η? = ∞ i β? = ∞. Sada cemo pokazati da funkcional T ne
moze postici svoj infimum niti u jednom od ova dva slucaja, s cime ce biti dokazano
da je η? 6= ∞.
Slucaj (i): η? = ∞ i β? ∈ (0,∞). U ovom slucaju bi bilo
limk→∞
βk
ti + δki − αk
(ti + δk
i − αk
ηk
)βk
e−
(ti+δk
i −αkηk
)βk
= 0, ti + δ?i > α?
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 108
i onda bi iz (5.69) slijedilo
T ? ≥∑
i∈I\I?
wiy2i +
∑i∈I?
pi(ti − tI?)2 = TI? ,
sto je u suprotnosti s tvrdnjom leme 5.5.
Slucaj (ii): η? = ∞ i β? = ∞. Kako je ηk →∞, postoji realna broj q > 1 i dovoljno
veliki k0 ∈ N takav da ako je ti + δ?i > α? i k > k0, onda je (ti + δk
i −αk)/ηk < 1/q. Bez
smanjenja opcenitosti mozemo pretpostaviti da je k0 = 1. Dakle, ako je ti + δ?i > α?,
onda je
0 <βk
ti + δki − αk
(ti + δk
i − αk
ηk
)βk
e−
(ti+δk
i −αkηk
)βk
<1
ti + δki − αk
(βk
qβk
)e−
(ti+δk
i −αkηk
)βk
. (5.71)
Nadalje, kako je
limk→∞
(βk
qβk
)= 0 i lim
k→∞e−
(ti+δk
i −αkηk
)βk
= 1,
iz (5.71) slijedi
limk→∞
[βk
ti + δki − αk
(ti + δk
i − αk
ηk
)βk
e−
(ti+δk
i −αkηk
)βk]
= 0, ti + δ?i > α?.
Na kraju, iz (5.69) dobivamo T ? ≥ ∑i∈I\I? wiy
2i +
∑i∈I? pi(ti − tI?)2 = TI? , sto je u
suprotnosti s tvrdnjom Leme 5.5. To znaci da u ovom slucaju funkcional T ne moze
postici svoj infimum.
Ovim smo pokazali da je η? 6= ∞.
Korak 5. Ostaje pokazati da je β? 6= ∞. Dokaz provodimo kontradikcijom. Pret-
postavimo da je β? = ∞.
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 109
Argumentirajuci slicno kao u koraku 4 moze se pokazati da je
limk→∞
[βk
ti + δki − αk
(ti + δk
i − αk
ηk
)βk
e−
(ti+δk
i −αkηk
)βk]
= 0, 0 <ti + δ?
i − α?
η?< 1.
(5.72)
Ako jeti+δ?
i−α?
η? > 1, onda postoji dovoljno veliki k0 ∈ N takav da je e <(
ti+δki −αk
ηk
)k0
.
Sada koristeci nejednakost x < ex (x ≥ 0) dobivamo
βk < eβk <
(ti + δk
i − αk
ηk
)k0βk
, k ∈ N,
i zato je
0 <βk
ti + δki − αk
(ti + δk
i − αk
ηk
)βk
e−
(ti+δk
i −αkηk
)βk
<1
ti + δki − αk
(ti + δk
i − αk
ηk
)(k0+1)βk
e−
(ti+δk
i −αkηk
)βk
. (5.73)
Kako je limk→∞(
ti+δki −αk
ηk
)βk
= ∞, imamo limk→∞(
ti+δki −αk
ηk
)(k0+1)βk
e−
(ti+δk
i −αkηk
)βk
=
0 i zbog toga iz (5.73) slijedi
limk→∞
[βk
ti − αk
(ti − αk
ηk
)βk
e−
(ti−αk
ηk
)βk
]= 0,
ti − α?
η?> 1. (5.74)
Iz (5.69), (5.72) i (5.74) dobili bi da je T ? ≥ ∑i∈I\I? wiy
2i +
∑i∈I? pi(ti − tI?)2 = TI? ,
sto je u kontradikciji s tvrdnjom Leme 5.5. Ovim smo pokazali da je β? 6= ∞ i zavrsili
dokaz. ¥
Primjer 5.6 U ovom primjeru procjenjujemo nepoznate parametre za 3-parametarski
Weibullov model na osnovu istih podataka kao u primjeru 5.5. Neparametarske proc-
jene gustoce i ovdje su napravljene koristenjem procjenitelja simetricne jezgre i proc-
jenitelja adaptirane jezgre. Za TLS procjenu koristili smo skupove podataka (ti, fski ),
Teoremi o egzistenciji optimalnih parametara u Weibullovom modelu 110
(ti, faki ) i (ti, f(ti; 15, 2.5, 30) + εi), i = 1, . . . , 25, gdje je ti = t20i, f sk
i vrijednost
gustoce procjenjena pomocu metode simetricne jezgre za podatak ti, faki vrijednost
gustoce procjenjena pomocu metode adaptirane jezgre za podatak ti, εi normalno dis-
tribuirane pogreske s ocekivanjem 0 i varijancom σ = 0.002. U tablici 5.6 navedeni
su dobiveni TLS procjenitelji, odgovarajuca suma kvadrata odstupanje (SS) i suma
kvadrata odstupanja procjenjenih vrijednosti gustoce od stvarnih vrijednosti gustoce
(RSS =∑25
i=1
(f(ti; 15, 2.5, 30)− f(ti; α, β, η)
)2
).
(ti, f ski ) (ti, fak
i ) (ti, f(ti; 15, 2.5, 30) + εi)α = 12.7091 α = 14.0877 α = 14.5573β = 2.51931 β = 2.45432 β = 2.569η = 32.4883 η = 31.1166 η = 30.6018SS = 1.87724× 10−6 SS = 5.00597× 10−6 SS = 0.0000807166RSS = 0.0000605834 RSS = 0.0000300746 RSS = 3.01286× 10−6
Tablica 5.6: TLS procjenitelji za Weibullovu 3-parametarsku gustocu na osnovu gene-riranih podataka
Literatura
[1] Abernethy, R.B., The New Weibull Handbook, Robert B.Abernethy, North
Palm Beach, Florida, 2006.
[2] Balakrishnan, N., Kateri, M., On the maximum likelihood estimation of
parameters of Weibull distribution based on complete and censored data, Statist.
Probab. Lett. 78(2008), 2971 – 2975
[3] Banks, R.B., Growth and Diffusion Phenomena: Mathematical Frameworks and
Applications, Springer Verlag, Berlin, 1994.
[4] Barlow,R.E., Engineering Reliability, SIAM, Philadelphia, 1998.
[5] Barlow,R.E., Proschan, F. Mathematical Theory of Reliability, SIAM,
Philadelphia, 1996.
[6] Bergman, B., Estimation of Weibull parameters using a weight function, J.
Mater. Sci. Lett. 5(1986), 611 – 614
[7] Birolini, A., Reliability Engineering. Theory and Practice, Springer Verlag,
Berlin, 2007.
[8] Bjorck, A., Numerical Methods for Least Squares Problems, SIAM, Philadelphia,
1996.
[9] Boggs, P.T., Byrd, R.H., Schnabel, R.B., A stable and efficient algorithm
for nonlinear orthogonal distance regression, SIAM J. Sci. Stat. Comput. 8(1987),
1052 – 1078
[10] Burridge, J., A note on maximum likelihood estimation for regression models
using grouped data J. R. Stat. Soc. Ser. B 43(1981), 41 – 45
[11] Cheng, R.C.H., Iles, T.C., Embedded models in three-parameter distributions
and their estimation, J. R. Stat. Soc. Ser. B 52(1990), 135 – 149
111
Literatura 112
[12] Cohen, A.C., Whitten, B. J., Parameter Estimation in Reliability and Life
Span Models, Marcel Dekker Inc., New York and Basel, 1988.
[13] D. Collett, Modelling Survival Data in Medical Research, Chapman & Hall,
London, 1994.
[14] Dasgupta, D., Michalewicz, Z., Evolutionary Algorithms in Engineering and
Applications, Springer Verlag, Berlin, 1997.
[15] Demidenko, E. Z., Optimization and Regression, Nauka, Moskva, 1989., in Rus-
sian
[16] Demidenko, E. Z., On the existence of the least squares estimate in nonlin-
ear growth curve models of exponential type, Comm. Statist. Theory Methods
25(1996), 159 – 182
[17] Dennis, J.E., Schnabel, R.B., Numerical Methods for Unconstrained Opti-
mization and Nonlinear Equations, SIAM, Philadelphia, 1996.
[18] Dodson, B., The Weibull Analysis Handbook, American Society for Quality, Mil-
waukee, 2006.
[19] Edwards, A.W.F., Likelihood, Cambridge University Press, Cambridge, 1972.
[20] Fisher, R.A., Tippett, L.H.C., Limiting forms of the frequency distribution of
the largest and smallest members of a sample, Proc. Camb. Philos. Soc. 24(1928),
180 – 190
[21] Fok, S.L., Mitchell, B.G., Smart, J., Marsden, B.J., A numerical study
on the application of the Weibull theory to brittle materials, Eng. Fract. Mech.
68(2001), 1171 – 1179
[22] Fuller, W.A., Measurement Error Models, Wiley, New York, 2006.
[23] Gill, P.E., Murray, W., Wright, M.H., Practical Optimization, Academic
Press, London, 1981.
[24] Golub, G.H., Van Loan, C.F., An analysis of the total least squares problem,
SIAM J. Numer. Anal. 17(1980), 883 – 893
[25] Gonin, C.T., Money, A.H., Nonlinear Lp Norm Estimation, Marcel Dekker,
New York, 1989.
Literatura 113
[26] Gourdin, E., Hansen, P., Jaumard, B., Finding maximum likelihood estima-
tors for the three-parameter Weibull distribution, J. Global Optim. 5(1994), 373 –
397
[27] Gove, J.H., Moment and maximum likelihood estimators for Weibull distribu-
tions under length- and area-biased sampling, Environ. Ecol. Stat. 10 (2003), 455
– 467
[28] Green, E.J., Roesch, F.A. JR., Smith, A.F.M., Strawderman, W.E.,
Bayesian estimating for the three-parameter Weibull distribution with tree diame-
ter data, Biometrics 50(1993), 254 – 269
[29] Hadeler K.P., Jukic, D., Sabo, K., Least squares problems for Michaelis
Menten kinetics, Math. Methods Appl. Sci. 30(2007), 1231 – 1241
[30] Van Huffel, S., Zha, H., The Total Least Squares Problem, Elsevier, North–
Holland, Amsterdam, 1993.
[31] Hung, W.-L., Weighted least-squares estimation of the shape parameter of the
Weibull distribution, Qual. Reliab. Eng. Int. 17(2001), 467 – 469
[32] Ibrahim, J.G., Chen, M.-H., Sinha, D., Bayesian Survival Analysis, New
York, Springer Verlag, 2001.
[33] Juckett, D.A., Rosenberg, B., Comparison of the Gompertz and Weibull
functions as descriptors for human mortality distributions and their intersections,
Mech. Aging Dev. 69(1993), 1 – 31
[34] Jukic, D., A necessary and sufficient criteria for the existence of the least squares
estimate for a 3-parametric exponential function, Appl. Math. Comput. 147(2004),
1 – 17
[35] Jukic D., Kralik G., Scitovski R., Least squares fitting Gompertz curve, J.
Comput. Appl. Math. 169(2004), 359 – 375
[36] Jukic D., Markovic, D., On nonlinear weighted errors-in-variables parameter
estimation problem in the three-parameter Weibull model, Appl. Math. Comput.,
na recenziji
[37] Jukic, D., Marosevic, T., Scitovski, R., Discrete total lp-norm approxi-
mation problem for exponential function, Appl. Math. Comput. 94(1998), 137 –
143
Literatura 114
[38] Jukic, D., Sabo, K., Bokun, G., Least squares problem for the Hubbert func-
tion, Proc. 9th Int.Conf.Oper. Res. KOI2002, T. Hunjak, K. Soric and R. Scitovski,
Eds., Trogir, October 2-4, 2002, 37 – 46
[39] Jukic, D., Sabo, K., Scitovski, R., Total least squares fitting Michaelis-
Menten enzyme kinetic model function, J. Comput. Appl. Math. 201(2007), 230
– 246
[40] Jukic, D., Scitovski, R., Existence of optimal solution for exponential model
by least squares, J. Comput. Appl. Math. 78(1997), 317 – 328
[41] Jukic, D., Scitovski, R., Existence results for special nonlinear total least
squares problem, J. Math. Anal. Appl. 226(1998), 348 – 363
[42] Jukic, D., Scitovski, R., Solution of the least squares problem for logistic
function, J. Comput. Appl. Math. 156(2003), 159 – 177
[43] Jukic D., Scitovski R., Bensic M., On the existence of the nonlinear weighted
least squares estimate for a three-parameter Weibull distribution, Comput. Statist.
Data Anal. 52(2008), 4502 – 4511
[44] Jukic,D., Scitovski, R., Sabo, K., Total least squares problem for the Hubbert
function, Conference on Applied Mathematics and Scientific Computing (Brijuni,
June 23 - 27, 2003), Z. Drmac, M. Marusic and Z. Tutek, Eds, Springer, Dordrecht,
2005, 217 – 234
[45] Jukic, D., Scitovski, R., Spath, H., Partial linearization of one class of the
nonlinear total least squares problem by using the inverse model function, Com-
puting 62(1999), 163 – 178
[46] Kelley, C. T., Iterative Methods For Optimization, SIAM, Philadelphia, 1999.
[47] Lai, C.-D., Xie, M., Stochastic Ageing and Dependence for Reliability, Springer,
New York, 2006.
[48] Lawless, J.F., Statistical Models and Methods for Lifetime Data, Wiley, New
York, 1982.
[49] Lawson, C.L., Hanson, R.J., Solving Least Squares Problems, SIAM, Philadel-
phia, 1995.
[50] Lewis, E. E., Introduction to Reliability Engineering, John Wiley & Sons, 1994.
Literatura 115
[51] Liu, C.-C., A comparison between the Weibull and lognormal models used to
analyse reliability data, disertacija, Nottingham, 1997.
[52] Lu, H.-L., Chen, C.-H., Wu, J.-W., A Note on weighted least-squares esti-
mation of the shape parameter of the Weibull distribution, Qual. Reliab. Eng. Int.
20(2004), 579 – 586
[53] Luko, S., A review of Weibull distributions and selected engineering applications,
SAE Trans. 108(1999), 398 – 412
[54] Lun, I.Y.F., Lam, J.C., A study of Weibull parameters using longterm wind
observations, Renewable Energy 20(2000), 145 – 153
[55] Markovic, D., Jukic, D., On nonlinear weighted least squares fitting of the
three-parameter inverse Weibull distribution, Math. Commun., 2009, prihvaceno
za objavljivanje
[56] Markovic, D., Jukic, D., On nonlinear weighted total least squares parameter
estimation problem for the three-parameter Weibull density, Appl.Math. Model.,
na rezenziji
[57] Markovic, D., Jukic, D., Bensic, M, Nonlinear weighted least squares estima-
tion of a three-parameter Weibull density with a nonparametric start, J. Comput.
Appl. Math., 228(2009), 304 – 312
[58] Marosevic, T., Problem diskretne Lp aproksimacije u nekim specijalnim
matematickim modelima, disertacija, Zagreb, 1998.
[59] Mu, F.C., Tan, C.H., Xu, M.Z., Proportional difference estimate method
of determining the characteristic parameters of monomodal and multimodal
Weibull distributions of time dependent dielectric breakdown, Solid-State Electron.
44(2000), 1419 – 1424
[60] Murthy, D.N.P., Xie, M., Jiang, R., Weibull Models, Wiley, New York, 2004.
[61] Na, K.-H., Pyun, S.-I., Effect of sulphate and molybdate ions on pitting corro-
sion of aluminium by using electrochemical noise analysis, J. Electroanal. Chem.
596(2006), 7 - 12
[62] Nakagawa, T., Advanced Reliability Models and Maintenance Policies, Springer
Verlag, London, 2008.
Literatura 116
[63] Nelder, J. A., Mead, R., A simplex method for function minimization, Comp.
J. 7(1965), 308 – 313
[64] Nelson, W., Applied Life Data Analysis, Wiley, New York, 1982.
[65] Nocedal, J., Wright, S. J., Numerical Optimization, Springer Verlag, New
York, 1999.
[66] O’Connor, D.T. P., Practical Reliability Engineering, Heyden & Son, London,
1995.
[67] Pal, N., Jin, C., Lim, W.-K., Handbook of Exponential and Related Distribu-
tions for Engineers and Scientists, Chapman & Hall, Boca Raton, 2006.
[68] Pause, Z., Uvod u matematicku statistiku, Skolska knjiga, Zagreb, 1993.
[69] Pham, H., Reliability Modeling, Analysis and Optimization, World Scientific, Sin-
gapore, 2006.
[70] Pham, H., Recent Advances in Reliability and Quality Design, London, Springer,
2008.
[71] Phani, K.K., De, A.K., Evaluation of concurrent flaw populations in silicon
carbide in terms of a modified Weibull distribution function, J. Am. Ceram. Soc.
71(2005), 196 – 197
[72] Powel, M.J.D., Approximation Theory and Methods, Cambridge University
Press, Cambridge, 1992.
[73] Pratt, J.W., Concavity of the log likelihood, J. Amer. Statist. Assoc. 76(1981),
103 – 106
[74] Press, W.,Flannery, B., Teukolsky, S., Vetterling, W., Numerical
Recipes in C, Cambridge University Press, Cambridge, England, 1992.
[75] Rice, J.R., The Approximation of Functions, Vol. I-Linear Theory, Addison-
Wesley, Reading, MA, 1964.
[76] Rice, J.R., The Approximation of Functions, Vol. II-Nonlinear and Multivariate
Theory, Addison-Wesley, Reading, MA, 1969.
[77] Rinne, H., The Weibull Distribution. A Handbook, Taylor & Francis Group, 2009.
Literatura 117
[78] Rosen, J.B., Park, H., Glick, J., Total least norm formulation and solution
for structured problems, E SIAM J. Matrix Anal. Appl., 17(1996), 110 – 126
[79] Rosin, P., Rammler, E., The laws governing the fineness of powdered coal, J.
Inst. Fuel 7(1933), 29 – 36
[80] Ross, G.J.S., Nonlinear Estimation, Springer, New York, 1990.
[81] Sabo, K., Problem procjene parametara u nekim modelima kemijske kinetike,
disertacija, Zagreb, 2007.
[82] Samaa, W., Dietzb, K., Smitha, T., Distribution of survival times of deliber-
ate Plasmodium falciparum infections in tertiary syphilis patients, Trans. R. Soc.
Trop. Med. Hyg. 100(2006), 811 – 816
[83] Schwetlick, H., Tiller, V., Numerical methods for estimating parameters in
nonlinear models with errors in the variables, Technometrics 27(1985), 17 – 24
[84] Seber, G.A.F., Wild, C.J., Nonlinear Regression, Wiley, New York, 1989.
[85] Silverman, B.W., Density estimation for Statistics and Data Analysis, Chap-
man & Hall/CRC, Boca Raton, 2000.
[86] Smith, R. L., Naylor, J. C., A comparison of maximum likelihood and Bayesian
estimators for the three-parameter Weibull distribution, Biometrika 73(1987), 67
– 90
[87] Spath, H., On discrete linear orthogonal Lp approximation, ZAMM 62(1982),
354 – 355
[88] Stallard, N., Whitehead, A., Modified Weibull multistate models for the
analysis of animal carciogenicity, Environ. Ecol. Stat. 7(2000), 117 – 133
[89] Stewart, G.W., Sun, J., Matrix Perturbation Theory, Academic Press, New
York, 1990.
[90] Stoer, J., Bulirsch, R., Introduction to Numerical Analysis, Springer Verlag,
Berlin, 1993.
[91] Talkner, P., Weber, R.O., Power spectrum and detrended fluctuation analy-
sis: Application to daily temperatures, Phys. Rev. E 62(2000), 150 – 160
Literatura 118
[92] Tapia, R.A., Thompson, J. R., Nonparametric Probability Density Estimation,
Johns Hopkins University Press, Baltimore, 1978.
[93] Watson,G.A., The numerical solution of total lp approximation problems, in:
Numerical Analysis (D. F.Griffiths Ed.), Lecture Notes in Mathematics 1066, 221
– 238, Springer Verlag, Berlin 1984.
[94] Weibull, W., A statistical theory of the strength of material, Proc. Roy. Swedish
Inst. Eng. Res. 151(1939), 1 – 45
[95] Weibull, W., A statistical distribution function of wide applicability, J. Appl.
Mech. 18(1951), 293 – 296
[96] Weibull, W., References on the Weibull distribution, Forsvarets Teletekniska
Laboratorium, FTL A-report, 1977.
[97] Yang, G., Life Cycle Reliability Engineering, John Wiley & Sons, 2007.
[98] Ying, G., Heitjan, D. F., Weibull prediction of event times in clinical trials,
Pharm. Stat. 7(2007), 107 – 120
[99] Zanakis, S. H., Kyparisis, J., A review of maximum likelihood estimation
methods for the three-parameter Weibull distribution, J. Stat. Comput. Simul. 25
(1986), 53 – 73
[100] Zhang, L.F., Xie, M., Tang, L.C., A study of two estimation approaches
for parameters of Weibull distribution based on WPP, Reliab. Eng. Syst. Saf. 92
(2007), 360 – 368
[101] Zio, E., An Introduction to the Basics of Reliability and Risk Analysis, World
Scientific, New Jersey, 2007.
119
Sazetak
U disertaciji se razmatra problem egzistencije optimalnih parametara u Weibullovom
modelu, jednom od najcesce koristenih statistickih modela u teoriji pouzdanosti i teoriji
zivotnog vijeka. Posebna paznja posvecena je 3-parametarskom Weibullovom modelu.
U radu su navedene neke od brojnih primjena ovoga modela.
Opisane su neke od klasicnih metoda za procjenu parametara Weibullovog modela i
to dvije graficke metode (Weibullov crtez vjerojatnosti i crtez rizika), te dvije analiticke
metode (metoda momenata i metoda maksimalne vjerodostojnosti). Istaknuti su neki
od problema koji se javljaju prilikom koristenja ovih metoda. Za svaku od tih metoda
napravljeni su ilustrativni numericki primjeri.
Osim klasicnih metoda za procjenu nepoznatih parametara, razmatrana je i metoda
najmanjih kvadrata. Kod metode najmanjih kvadrata treba razlikovati dva pristupa:
metodu najmanjih obicnih kvadrata i metodu najmanjih potpunih kvadrata. U radu
je detaljno razradena i numerickim primjerima ilustrirana metoda najmanjih obicnih
kvadrata za transformiranu Weibullovu distribuciju.
Glavni doprinosi ove disertacije sadrzani su u teoremima o egzistenciji optimalnih
parametara za 3-parametarsku Weibullovu funkciju distribucije i funkciju gustoce, i to
u smislu najmanjih obicnih kao i u smislu najmanjih potpunih kvadrata. Pri tome se od
podataka zahtijeva da ispunjavaju samo prirodne uvjete. Napravljeni su odgovarajuci
ilustrativni numericki primjeri. Svi ti teoremi o egzistenciji optimalnih parametara
generalizirani su i u p normi (1 ≤ p < ∞).
120
Summary
In this dissertation we consider the problem of existence of best parameters in the
Weibull model, one of the most widely used statistical models in reliability theory and
life data theory. Particular attention is given to a 3-parameter Weibull model. We
have listed some of the many applications of this model.
We have described some of the classical methods for estimating parameters of the
Weibull model, two graphical methods (Weibull probability plot and hazard plot), and
two analytical methods (method of moments and the maximum likelihood method).
We have highlighted some of the problems that occur when using these methods. For
each of these methods illustrative numerical examples are given.
In addition to classical methods of estimating the unknown parameters, we have
discussed the least squares method. By the least squares method one should distinguish
two approaches: the ordinary least squares method and the total least squares method.
We have elaborated in detail and illustrated with numerical examples the ordinary least
squares method for a transformed Weibull distribution.
The main contributions of this dissertation are contained in the theorems about
the existence of best parameters for the 3-parameter Weibull distribution function and
the density function in terms of both ordinary least squares and total least squares.
Thereby the data should satisfy natural conditions. Illustrative numerical examples are
provided. All these theorems about the existence of best parameters are generalized in
p norm (1 ≤ p < ∞) as well.
121
Zivotopis
Rodena sam 7. srpnja 1976. u u Osijeku, gdje sam zavrsila osnovnu i srednju skolu.
Na Pedagoski fakultet u Osijeku, smjer matematika-informatika, upisala sam se 1995.
Diplomirala sam 21. srpnja 2000. na Odjelu za matematiku Sveucilista u Osijeku s
diplomskim radom Aproksimacija krivuljama 2. reda pod voditeljstvom prof. dr. sc. Ru-
dolfa Scitovskog. Tijekom studija dobila sam rektorovu nagradu za akademsku godinu
1999./2000. i nagradu Lions Cluba 1998., te primala stipendiju grada Osijeka od druge
godine studija. Poslijediplomski studij matematike na Matematickom odjelu PMF-a
u Zagrebu upisala sam 9. rujna 2000. Magistrirala sam 25. travnja 2005. s magistarskim
radom Primjene i konstrukcija tezinskog ν−splajna, voditelj prof. dr. sc.Mladen Rogina.
Od 1. rujna 2000. do 30. rujna 2008. bila sam zaposlena kao asistent na Odjelu za
matematiku Sveucilista u Osijeku, a od 1. listopada 2008. zaposlena sam u nastavnom
zvanju predavaca.
Do 2006. bila sam suradnica na znanstvenom projektu ,,Procjena parametara u ma-
tematickim modelima” glavnog istrazivaca prof. dr. sc. Rudolfa Scitovskog. Od 2006.
suradnica sam na znanstvenom projektu ,,Pasivna kontrola mehanickih modela (235-
2352818-1042)”, glavni istrazivac prof. dr. sc. Ninoslav Truhar.
Clan sam seminara za numericku matematiku i racunarstvo koji se odrzava na
Matematickom odjelu PMF-a u Zagrebu, kao i seminara za optimizaciju u Osijeku. Re-
dovito sudjelujem u radu Matematickog kolokvija na Odjelu za matematiku Sveucilista
u Osijeku. Clan sam Udruge matematicara Osijek i bila sam clan organizacijskog od-
bora 4. Hrvatskog Matematickog kongresa koji se odrzao u Osijeku od 17.-20. lipnja
2008.
Do sada sam sudjelovala na sljedecim konferencijama i znanstvenim skupovima:
12th International Conference on Operational Research, Pula 2008., 4th Croatian Con-
gress of Mathematics, Osijek 2008., Conference on Applied Mathematics and Scien-
tific Computing, Brijuni 2005., PrimMath[2003], Zagreb 2003., Conference on Applied
Mathematics and Scientific Computing, Brijuni 2003., 9th International Conference on
Operational Research, Trogir 2002., PrimMath[2001], Zagreb 2001., 8th International
122
Conference on Operational Research, Rovinj 2000. i 2nd Croatian Congress of Mathe-
matics, Zagreb 2000.