Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE ESTADUAL DE MARINGA´ CENTRO DE CIEˆNCIAS EXATAS DEPARTAMENTO DE ESTATI´STICA Probabilidade de Cobertura dos Intervalos de Confianc¸a Assinto´tico, p-Bootstrap e t-Bootstrap, Para Alguns Paraˆmetros da Distribuic¸a˜o Weibull Waldir Verissimo da Silva Junior Professor Dr. Josmar Mazucheli Orientador Maringa´ 2005 UNIVERSIDADE ESTADUAL DE MARINGA´ CENTRO DE CIEˆNCIAS EXATAS DEPARTAMENTO DE ESTATI´STICA Probabilidade de Cobertura dos Intervalos de Confianc¸a Assinto´tico, p-Bootstrap e t-Bootstrap, Para Alguns Paraˆmetros da Distribuic¸a˜o Weibull Waldir Verissimo da Silva Junior Professor Dr. Josmar Mazucheli Orientador Monografia de conclusa˜o de curso apresentada junto ao De- partamento de Estat´ıstica do Centro de Cieˆncias Exatas da Universidade Estadual de Mar- inga´, para a obtenc¸a˜o do t´ıtulo de Bacharel em Estat´ıstica. Maringa´ 2005 Waldir Verissimo da Silva Junior Probabilidade de Cobertura dos Intervalos de Confianc¸a Assinto´tico, p-Bootstrap e t-Bootstrap, Para Alguns Paraˆmetros da Distribuic¸a˜o Weibull Esta monografia foi julgada adequada para a aprovac¸a˜o na disciplina Estat´ıstica Aplicada do curso de Graduac¸a˜o Bacharelado em Estat´ıstica da Universi- dade Estadual de Maringa´, pela seguinte banca examinadora: Banca Examinadora Professor Dr. Josmar Mazucheli Orientador Professor Ms. Carlos Aparecido dos Santos Membro Professor Ms. Vanderly Janeiro Membro Resumo Neste trabalho sa˜o apresentadas as principais caracter´ısticas da distribuic¸a˜o Weibull — a func¸a˜o densidade de probabilidade, a func¸a˜o de sobreviveˆncia, a func¸a˜o de risco, a moda, a mediana e alguns outros paraˆmetros importantes que sa˜o utilizados na modelagem de dados que representam o tempo ate´ a ocorreˆncia de algum evento de interesse. Aborda-se tambe´m neste trabalho treˆs me´todos de construc¸a˜o de intervalos de confianc¸a, para os estimadores de ma´xima verossimilhanc¸a dos paraˆmetros de escala, µ, forma, β, mediana (t0.50), 1 o quartil (t0.25) e 3 o quartil (t0.75), onde um deles e´ o o intervalo de confianc¸a assinto´tico e os outros dois, p-Bootstrap e t-Bootstrap, sa˜o baseados no processo de reamostragem conhecido como Bootstrap (Efron, 1993). O objetivo desta monografia e´ avaliar a probabilidade de cobertura destas 3 formas de construc¸a˜o dos intervalos de confianc¸a considerando-se va´rios tamanhos de amostra e diversas porcentagens de observac¸o˜es censuradas. Avalia-se a probabilidade de cobertura dos intervalos para os paraˆmetros µ, β, 1o quartil (t0.25), 2 o quartil (t0.50) e 3 o quartil (t0.75). No ca´lculo das probabilidades utiliza-se o software SAS onde em particular e´ utilizada o procedimento nlmixed. Palavras Chave: Probabilidade de Cobertura, Bootstrap, intervalos de confianc¸a, dis- tribuic¸a˜o Weibull. Suma´rio 1 Introduc¸a˜o 8 1.1 Descric¸a˜o dos Cap´ıtulos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8 2 A Distribuic¸a˜o Weibull 10 2.1 Introduc¸a˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 2.2 Caracterizac¸a˜o da Distribuic¸a˜o Weibull . . . . . . . . . . . . . . . . . . . . . . . 10 2.3 Func¸a˜o de Verossimilhanc¸a . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 2.4 Estimadores de Ma´xima Verossimilhanc¸a . . . . . . . . . . . . . . . . . . . . . . 15 2.5 Intervalos de Confianc¸a Assinto´ticos . . . . . . . . . . . . . . . . . . . . . . . . . 15 3 Simulac¸a˜o Bootstrap 17 3.1 Introduc¸a˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17 3.2 O Processo de Reamostragem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18 3.3 Intervalos de Confianc¸a Bootstrap . . . . . . . . . . . . . . . . . . . . . . . . . . 19 3.3.1 Intervalos de Confianc¸a p-Bootstrap . . . . . . . . . . . . . . . . . . . . . 19 3.3.2 Intervalos de Confianc¸a t-Bootstrap . . . . . . . . . . . . . . . . . . . . . 20 4 Aplicac¸a˜o 21 4.1 Introduc¸a˜o . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 4.2 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21 4.3 Ana´lise Considerando a Distribuic¸a˜o Weibull com µ = 2 e β = 0.5 . . . . . . . . 23 4.3.1 Ana´lise do Paraˆmetro µ . . . . . . . . . . . . . . . . . . . . . . . . . . . 24 4.3.2 Ana´lise do Paraˆmetro β . . . . . . . . . . . . . . . . . . . . . . . . . . . 28 4.3.3 Ana´lise do Paraˆmetro t0.25 . . . . . . . . . . . . . . . . . . . . . . . . . . 31 4.3.4 Ana´lise do Paraˆmetro t0.50 . . . . . . . . . . . . . . . . . . . . . . . . . . 35 i 4.3.5 Ana´lise do Paraˆmetro t0.75 . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4.4 Ana´lise Considerando a Distribuic¸a˜o Weibull com µ = 2 e β = 1.5 . . . . . . . . 43 4.4.1 Ana´lise do Paraˆmetro µ . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 4.4.2 Ana´lise do Paraˆmetro β . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4.4.3 Ana´lise do Paraˆmetro t0.25 . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.4.4 Ana´lise do Paraˆmetro t0.50 . . . . . . . . . . . . . . . . . . . . . . . . . . 56 4.4.5 Ana´lise do Paraˆmetro t0.75 . . . . . . . . . . . . . . . . . . . . . . . . . . 60 4.5 Ana´lise Considerando a Distribuic¸a˜o Weibull com µ = 2 e β = 3 . . . . . . . . . 64 4.5.1 Ana´lise do Paraˆmetro µ . . . . . . . . . . . . . . . . . . . . . . . . . . . 65 4.5.2 Ana´lise do Paraˆmetro β . . . . . . . . . . . . . . . . . . . . . . . . . . . 69 4.5.3 Ana´lise do Paraˆmetro t0.25 . . . . . . . . . . . . . . . . . . . . . . . . . . 73 4.5.4 Ana´lise do Paraˆmetro t0.50 . . . . . . . . . . . . . . . . . . . . . . . . . . 77 4.5.5 Ana´lise do Paraˆmetro t0.75 . . . . . . . . . . . . . . . . . . . . . . . . . . 81 4.6 Concluso˜es . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 Apeˆndice A.........................................................................................................................86 Apeˆndice B.........................................................................................................................90 Refereˆncias Bibliogra´ficas...................................................................................................93 ii I´ndice de Tabelas Tabela 4.1: Probabilidade de cobertura dos intervalos Assinto´tico, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro µ.............................................................................................22 Tabela 4.2: Probabilidade de cobertura dos intervalos Assinto´tico, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro β.............................................................................................26 Tabela 4.3: Probabilidade de cobertura dos intervalos Assinto´tico, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro t0.25.........................................................................................29 Tabela 4.4: Probabilidade de cobertura dos intervalos Assinto´tico, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro t0.50.........................................................................................33 Tabela 4.5: Probabilidade de cobertura dos intervalos Assinto´tico, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro t0.75.........................................................................................37 Tabela 4.6: Probabilidade de cobertura dos intervalos Assinto´tico, p-Bootstrap e t-Bootstrap com 95% deconfianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro µ.............................................................................................42 Tabela 4.7: Probabilidade de cobertura dos intervalos Assinto´tico, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro β.............................................................................................46 Tabela 4.8: Probabilidade de cobertura dos intervalos Assinto´tico, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro t0.25.........................................................................................50 Tabela 4.9: Probabilidade de cobertura dos intervalos Assinto´tico, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro t0.50.........................................................................................54 Tabela 4.10: Probabilidade de cobertura dos intervalos Assinto´tico, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro t0.75.........................................................................................58 Tabela 4.11: Probabilidade de cobertura dos intervalos Assinto´tico, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro µ.............................................................................................63 iii Tabela 4.12: Probabilidade de cobertura dos intervalos Assinto´tico, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro β.............................................................................................67 Tabela 4.13: Probabilidade de cobertura dos intervalos Assinto´tico, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro t0.25.........................................................................................71 Tabela 4.14: Probabilidade de cobertura dos intervalos Assinto´tico, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro t0.50.........................................................................................75 Tabela 4.15: Probabilidade de cobertura dos intervalos Assinto´tico, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro t0.75.........................................................................................79 iv I´ndice de Figuras Figura 2.1: Func¸a˜o densidade da distribuic¸a˜o Weibull para diferentes valores de µ e β...........09 Figura 2.2: Func¸a˜o densidade da distribuic¸a˜o exponencial para fiferentes valores de µ...........10 Figura 2.3: Func¸a˜o de risco considerando diferentes valores do paraˆmetro β e µ=2...............11 Figura 3.1: O procedimento Bootstrap..................................................................................17 Figura 4.1: Func¸a˜o densidade de probabilidade da Distribuic¸a˜o Weibull para µ = 2 e β = 0.5, com a representac¸a˜o do 1o, 2o e 3o quartil.............................................................................21 Figura 4.2: Probabilidade de cobertura variando o tamanho da amostra e considerando, res- pectivamente 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro µ................................................24 Figura 4.3: Probabilidade de cobertura variando a porcentagem de censura considerando res- pectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro µ...............................25 Figura 4.4: Probabilidade de cobertura variando o tamanho da amostra e considerando, res- pectivamente 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro β.............................................27 Figura 4.5: Probabilidade de cobertura variando a porcentagem de censura considerando res- pectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro β...........................28 Figura 4.6: Probabilidade de cobertura variando o tamanho da amostra e considerando, res- pectivamente 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro t0.25.......................................31 Figura 4.7: Probabilidade de cobertura variando a porcentagem de censura considerando res- pectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro t0.25.........................32 Figura 4.8: Probabilidade de cobertura variando o tamanho da amostra e considerando, res- pectivamente 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro t0.50.......................................35 Figura 4.9: Probabilidade de cobertura variando a porcentagem de censura considerando res- pectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro t0.50.........................36 Figura 4.10: Probabilidade de cobertura variando o tamanho da amostra e considerando, res- pectivamente 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro t0.75.......................................39 Figura 4.11: Probabilidade de cobertura variando a porcentagem de censura considerando respectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro t0.75...................40 Figura 4.12: Func¸a˜o densidade de probabilidade da Distribuic¸a˜o Weibull para µ = 2 e β = 1.5, com a representac¸a˜o do 1o, 2o e 3o quartil.........................................................................41 Figura 4.13: Probabilidade de cobertura variando o tamanho da amostra e considerando, respectivamente 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro µ..........................................44 v Figura 4.14: Probabilidade de cobertura variando a porcentagem de censura considerando respectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro µ..........................45 Figura 4.15: Probabilidade de cobertura variando o tamanho da amostra e considerando, res- pectivamente 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro β...............................................48 Figura 4.16: Probabilidade de cobertura variando a porcentagem de censura considerando respectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro β..........................49 Figura 4.17: Probabilidade de cobertura variando o tamanho da amostra e considerando, respectivamente 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro t0.25.....................................52 Figura 4.18: Probabilidade de cobertura variando a porcentagem de censura considerando respectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro t0.25.....................53 Figura 4.19: Probabilidade de cobertura variando o tamanho da amostra e considerando, respectivamente 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro t0.50....................................56 Figura 4.20: Probabilidade de cobertura variando a porcentagem de censura considerando respectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro t0.50.....................57 Figura 4.21: Probabilidade de cobertura variando o tamanho da amostra e considerando, respectivamente 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro t0.75...................................60 Figura 4.22: Probabilidade de cobertura variando a porcentagem de censura considerando respectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro t0.75.....................61 Figura 4.23: Func¸a˜o densidade de probabilidade da Distribuic¸a˜o Weibull para µ = 2 e β = 3, com a representac¸a˜o do 1o, 2o e 3o quartil................................................................................62Figura 4.24: Probabilidade de cobertura variando o tamanho da amostra e considerando, res- pectivamente 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro µ............................................65 Figura 4.25: Probabilidade de cobertura variando a porcentagem de censura considerando respectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro µ.........................66 Figura 4.26: Probabilidade de cobertura variando o tamanho da amostra e considerando, respectivamente 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro β........................................69 Figura 4.27: Probabilidade de cobertura variando a porcentagem de censura considerando respectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro β.........................70 Figura 4.28: Probabilidade de cobertura variando o tamanho da amostra e considerando, respectivamente 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro t0.25...................................73 Figura 4.29: Probabilidade de cobertura variando a porcentagem de censura considerando respectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro t0.25...................74 Figura 4.30: Probabilidade de cobertura variando o tamanho da amostra e considerando, respectivamente 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro t0.50...................................77 Figura 4.31: Probabilidade de cobertura variando a porcentagem de censura considerando vi respectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro t0.50..................78 Figura 4.32: Probabilidade de cobertura variando o tamanho da amostra e considerando, respectivamente 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro t0.75..................................81 Figura 4.33: Probabilidade de cobertura variando a porcentagem de censura considerando respectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro t0.75..................82 vii Cap´ıtulo 1 Introduc¸a˜o O termo ana´lise de sobreviveˆncia e´ usado genericamente para designar um conjunto de procedimentos ou me´todos estat´ısticos importantes na ana´lise de dados que representam o tempo ate´ a ocorreˆncia de algum evento de interesse — morte de um paciente, falha de um equipamento etc. Umas das peculariedades intr´ınseca a este tipo de dados diz respeito a` ob- servac¸a˜o parcial do tempo ate´ a ocorreˆncia deste(s) evento(s). Esta peculariedade caracteriza o termo “presenc¸a” de observac¸o˜es censuradas (Lawless, 1982). Tradicionalmente, infereˆncias a respeito dos paraˆmetros que caracterizam a distribuic¸a˜o dos tempos de sobreviveˆncia e´ con- duzida lanc¸ando-se ma˜o de argumentos assinto´ticos. Estudos recentes tem mostrado que a qualidade das infereˆncias esta˜o associadas na˜o somente ao tamanho da amostra dispon´ıvel para a` ana´lise mas tambe´m na quantidade de observac¸o˜es censuradas. Meeker e outros em 2003 conduziram um estudo de simulac¸a˜o com o intuito de avaliar as probabilidades de cobertura dos intervalos de confianc¸a assinto´ticos e alguns baseados em simulac¸a˜o Bootstrap. Neste es- tudo os autores avaliam principalmente o impacto da quantidade de observac¸o˜es censuradas nas probabilidades de cobertura dos intervalos de confianc¸a assinto´ticos. Este trabalho, considerando a distribuic¸a˜o Weibull, proposta originalmente por Weibull 1951, tem por objetivo avaliar atrave´s de simulac¸a˜o o impacto que os seguintes fatores: 1) o tamanho da amostra; 2) a quantidade de observac¸o˜es censuras e 3) a forma da func¸a˜o de risco exercem nas probabilidades de coberturas dos intervalos de confianc¸a assinto´tico e (p,t)- Bootstrap. 1.1 Descric¸a˜o dos Cap´ıtulos O Cap´ıtulo 2 desta monografia apresenta uma caracterizac¸a˜o completa da distribuic¸a˜o Weibull em termos dos paraˆmetros que sa˜o de ma´xima importaˆncia na modelagem de dados 8 de sobreviveˆncia. Como alternativa aos bem conhecidos intervalos de confianc¸a assinto´ticos, no Cap´ıtulo 3 e´ introduzido o conceito de simulac¸a˜o Bootstrap assim como os dois principais pro- cedimentos de construc¸a˜o de intervalos de confianc¸a — intervalos de confianc¸a (p,t)-Bootstrap. Considerando va´rias instaˆncias — diferentes tamanhos de amostra, va´rias porcentagens de cen- sura e func¸o˜es de riscos crescente e decrescentes — no Cap´ıtulo 4 sa˜o apresentados e discutidas as probabilidades de cobertura para os paraˆmetros de escala, forma e alguns percentis. Algu- mas propriedades matema´ticas sa˜o deduzidas no Apeˆndice A. O Apeˆndice B apresenta a macro implementada em linguagem SAS utilizada na conduc¸a˜o do estudo de simulac¸a˜o propriamente dito. 9 Cap´ıtulo 2 A Distribuic¸a˜o Weibull 2.1 Introduc¸a˜o A distribuic¸a˜o Weibull foi proposta originalmente por Wallodi Weibull em (1951) e desde enta˜o, devido a sua simplicidade e flexibilidade em acomodar diferentes formas de func¸a˜o de risco, e´ uma das distribuic¸o˜es de probabilidade mais utilizadas na ana´lise de dados que indicam o tempo ate´ a ocorreˆncia de algum evento de interesse, como por exemplo morte de um paciente, falha de um equipamento, etc. (Lawlees, 1982). Um outro fato importante relacionado a distribuic¸a˜o Weibull e´ que na presenc¸a de co- varia´veis, tem-se um modelo de riscos proporcionais (Cox, 1972) e de falha acelerada (Lawless, 1982). A distribuic¸a˜o Weibull e´ a u´nica distribuic¸a˜o de probabilidade que pode ser escrita na forma de um modelo de riscos proporcionais. 2.2 Caracterizac¸a˜o da Distribuic¸a˜o Weibull A distribuic¸a˜o Weibull e´ caracterizada por dois paraˆmetros, µ e β ambos positivos. O paraˆmetro β determina a forma da curva da func¸a˜o densidade de probabilidade e µ e´ o paraˆmetro de escala. O paraˆmetro β e´ adimensional, enquanto que µ esta´ na mesma escala dos dados e e´ aproximadamente igual ao 63o percentil da distribuic¸a˜o dos tempos de sobreviveˆncia. Sua func¸a˜o de densidade pode ser escrita na seguinte forma: f(t|µ, β) = β µβ tβ−1 exp [ − ( t µ )β] , (2.1) em que t ≥ 0 e µ, β > 0. A Figura 2.1, apresenta a curva da func¸a˜o de densidade de probabilidade para diferentes valores dos paraˆmetros µ e β. 10 0 2 4 6 8 10 0 .0 0 .5 1 .0 1 .5 2 .0 2 .5 3 .0 (a) f( t, µ , β) t 0 2 4 6 8 10 0 .0 0 .1 0 .2 0 .3 (b) f( t, µ , β) t 0 2 4 6 8 10 0 .0 0 .1 0 .2 0 .3 0 .4 0 .5 0 .6 (c) f( t, µ , β) t 0 2 4 6 8 10 0 .0 0 .5 1 .0 1 .5 2 .0 2 .5 (d) f( t, µ , β) t 0 2 4 6 8 10 0 .0 0 0 .0 5 0 .1 0 0 .1 5 0 .2 0 0 .2 5 (e) f( t, µ , β) t 0 2 4 6 8 10 0 .0 0 .1 0 .2 0 .3 0 .4 (f) f( t, µ , β) t Figura 2.1: Func¸a˜o densidade da distribuic¸a˜o Weibull onde: (a): µ =2 e β = 0.5; (b): µ =2 e β = 1.5; (c): µ =2 e β = 3.0; (d): µ =3 e β = 0.5; (e): µ =3 e β = 1.5; (f): µ =3 e β =3.0. 11 Uma extensa˜o da distribuic¸a˜o Weibull e´ dada pela distribuic¸a˜o Weibull especificada a partir de 3 paraˆmetros, que e´ aplicada em situac¸o˜es em que supo˜em-se que o evento de interesse - morte ou falha - na˜o ocorre antes de algum instante (t0 < t) (Johnson e Kotz 1995, Smith e Naylor, 1987). Generalizac¸o˜es de (1.1), para acomodar func¸o˜es de riscos na˜o mono´tonas, em forma de “U”, por exemplo, sa˜o dadas pela mistura de distribuic¸o˜es Weibull (Jiang e Murthy, 1998; Ahmad et al., 1997; Sinha, 1987; Woodward e Gunst, 1987), distribuic¸a˜o Weibull-mu´ltipla (Berger e Sun, 1996; Berger e Sun, 1993; Mazucheli, 2001) e a distribuic¸a˜o Weibull exponenciada (Mudholkar et al., 1996; Mudholkar e Kollia, 1994). Considerando β = 1 em (2.1), obteˆm - se a distribuic¸a˜o exponencial como caso particular, onde a func¸a˜o de densidade e´ dada por: f(t|µ) = 1 µ exp ( − t µ ) , (2.2) denotada por Exp(µ). A Figura 2.2 mostra a curva da func¸a˜o de densidade de probabilidade para diferentes valores do paraˆmetro µ com β = 1. t f(t , µ) 0 2 4 6 8 10 0. 0 0. 2 0. 4 0. 6 0. 8 1. 0 1. 2 Exp(1) Exp(2) Exp(3) Figura 2.2: Func¸a˜o densidade da distribuic¸a˜oexponencial para diferentes valores de µ. A partir da equac¸a˜o (2.1) tem-se que a func¸a˜o de sobreviveˆncia da distribuic¸a˜o Weibull e´ dada por: 12 S(t) = exp [ − ( t µ )β] , (2.3) onde S(t), indica a probabilidade de um certo indiv´ıduo ou equipamento sobreviver mais que um determinado tempo t, consequentemente 0 ≤ S(t) ≤ 1. A func¸a˜o de risco da distribuic¸a˜o Weibull e´ dada por: h(t) = β µβ tβ−1. (2.4) Para o paraˆmetro de forma β < 1 tem-se func¸o˜es de risco mono´tonas decrescentes, para β > 1 as func¸o˜es de risco sa˜o mono´tonas crescentes e para β = 1 tem-se a distribuic¸a˜o exponencial com func¸a˜o de risco constante, como mostra a Figura 2.3. Figura 2.3: Func¸a˜o de risco (2.4) considerando diferentes valores do paraˆmetro β e µ = 2. A partir da func¸a˜o densidade da distribuic¸a˜o Weibull, (2.1), tem-se que o k-e´simo momento, E(T k), e´ dado por µkΓ(1 + k β ), (ver, apeˆndice) onde Γ(·), denota a func¸a˜o gama. Desta forma, a me´dia e a variaˆncia da varia´vel aleato´ria T sa˜o dadas respectivamente por: E(T ) = µΓ(1 + 1 β ) e V ar(T ) = µ2 [ Γ ( 1 + 2 β ) − Γ2 ( 1 + 1 β )] . (2.5) O p-e´simo percentil da distribuic¸a˜o Weibull e´ dado por: 13 tp = µ [− log(1− p)] 1 β . (2.6) Para p = 0.50 obteˆm-se o paraˆmetro que caracteriza a mediana da distribuic¸a˜o Weibull dado por: t0.50 = µ [log(2)] 1 β . (2.7) A moda (tm) da distribuic¸a˜o Weibull, pode ser obtida calculando o ponto de ma´ximo da func¸a˜o densidade, f(t), ou seja, d(f(t)) dt = 0, obtendo-se tm = µ [ β−1 β ] 1 β se β > 1 0 se β ≤ 1. (2.8) O paraˆmetro que caracteriza a moda indica o tempo mais prova´vel do acontecimento de mortes ou falhas. A partir da equac¸a˜o (2.3) a func¸a˜o de distribuic¸a˜o acumulada, F (t), e´ dada por: F (t) = 1− exp [ − ( t µ )β] . (2.9) 2.3 Func¸a˜o de Verossimilhanc¸a Para a distribuic¸a˜o Weibull, com paraˆmetros µ e β, considerando uma amostra aleato´ria (t1, ..., tn) e a varia´vel indicadora de censura δi, δi = 1 se ti e´ exatamente observado ou δi = 0 se ti e´ censurado a` direita, a func¸a˜o de verossimilhanc¸a pode ser escrita na forma: L(µ, β|t) = n∏ i=1 [ β µ ( ti µ )β−1]δi exp [ − n∑ i=1 ( ti µ )β] . (2.10) Aplicando o logaritmo em (2.10) obteˆm-se a func¸a˜o log-verossimilhanc¸a escrita na forma: l(µ, β|t) = n∑ i=1 δi [log(β) + (β − 1) log(ti)− β log(µ)]− n∑ i=1 ( ti µ )β . (2.11) 14 2.4 Estimadores de Ma´xima Verossimilhanc¸a Os estimadores de ma´xima verossimilhanc¸a (EMV) de µ e β, sa˜o obtidos resolvendo itera- tivamente o seguinte sistema de equac¸o˜es na˜o lineares ∂l(µ,β) ∂µ = −β µ ∑n i=1 δi + β µ ∑n i=1 ( ti µ )β = 0 ∂l(µ,β) ∂β = 1 β ∑n i=1 δi + ∑n i=1 δi log( ti µ )−∑ni=1 ( tiµ)β log ( tiµ) = 0. (2.12) No software SAS, as estimativas de ma´xima verossimilhanc¸a podem ser facilmente obti- das por meio dos procedimentos nlmixed, nlp ou iml uma vez especificada a func¸a˜o log- verossimilhanc¸a. O mesmo fato e´ va´lido, para qualquer func¸a˜o densidade de probabilidade que na˜o permita a obtenc¸a˜o dos estimadores de ma´xima verossimilhanc¸a analiticamente. 2.5 Intervalos de Confianc¸a Assinto´ticos Intervalos de confianc¸a com coeficientes de confianc¸a 100 × (1 − α)% para os paraˆmetros µ e β, podem ser obtidos diretamente a partir da normalidade assinto´tica dos estimadores de ma´xima verossimilhanc¸a (Guitany and Maller, 1992). IC(µ; 100× (1− α)%) = µˆ± zα/2 √ V ar(µˆ), IC(β; 100× (1− α)%) = βˆ ± zα/2 √ V ar(βˆ), em que zα/2 e´ o α 2 - e´simo percentil da distribuic¸a˜o normal padra˜o, e V ar(µˆ) e V ar(βˆ) sa˜o obtidos na diagonal principal do inverso da matriz de informac¸a˜o de Fisher (Ghitany amd Maller, 1992). Na pra´tica, ao inve´s de se trabalhar com o inverso da informac¸a˜o de Fisher, trabalha-se com o inverso da matriz de informac¸a˜o observada. A matriz de informac¸a˜o observada localmente nos estimadores de ma´xima verossimilhanc¸a, pode ser escrita como: I(µˆ, βˆ|t) = ∂2l(µ,β) ∂µ∂µ |µ=µˆ,β=βˆ ∂ 2l(µ,β) ∂µ∂β |µ=µˆ,β=βˆ ∂2l(µ,β) ∂µ∂β |µ=µˆ,β=βˆ ∂ 2l(µ,β) ∂β∂β |µ=µˆ,β=βˆ . A inversa da matriz de informac¸a˜o observada e´ definida como: I−1(µˆ, βˆ) = [ V ar(µˆ) Cov(µˆ, βˆ) Cov(µˆ, βˆ) V ar(βˆ) ] . (2.13) 15 Os intervalos de confianc¸a com coeficiente de confianc¸a 100× (1− α)% para func¸o˜es de µ e β, g(µ, β), sa˜o dados por: IC [g(µ, β); 100× (1− α)%] = g(µˆ, βˆ)± zα/2 √ V ar [ g(µˆ, βˆ) ] , onde g(µˆ, βˆ) pode ser, por exemplo, o p-e´simo percentil da distribuic¸a˜o Weibull. A variaˆncia estimada de g(µˆ, βˆ) pode ser obtida atrave´s do me´todo Delta (Rao and Toutenburg, 1999) a partir da equac¸a˜o: V ar [ g ( µˆ, βˆ )] = ( ∂ ∂µ g ( µˆ, βˆ ))2 V ar(µˆ) + ( ∂ ∂β g ( µˆ, βˆ ))2 V ar(βˆ) + (2.14) 2 ( ∂ ∂µ g ( µˆ, βˆ ))( ∂ ∂β g ( µˆ, βˆ )) Cov(µˆ, βˆ), em que os valores de V ar(µˆ), V ar(βˆ) e Cov(µˆ, βˆ) sa˜o obtidos da inversa da matriz de informac¸a˜o observada definida em (1.13). Vale lembrar que e´ poss´ıvel estimar V ar [ g ( µˆ, βˆ )] , diretamente pela matriz inversa da matriz de informac¸a˜o, utilizando a propriedade da invariaˆncia dos estimadores de ma´xima verossimilhanc¸a, ou seja, reparametrizando a func¸a˜o verossimilhanc¸a, ou a log-verossimilhanc¸a. Por exemplo, considere o p-e´simo percentil da distribuic¸a˜o, definido em (2.7). Isolando o paraˆmetro µ obteˆm-se: µ = tp [− log (1− p)]− 1 β . (2.15) Logo, reparametrizando a func¸a˜o de verossimilhanc¸a ou a log-verossimilhanc¸a, a partir da equac¸a˜o (2.14) a variaˆncia estimada do p-e´simo percentil da distribuic¸a˜o e´ obtida diretamente pela inversa da matriz de informac¸a˜o observada. 16 Cap´ıtulo 3 Simulac¸a˜o Bootstrap 3.1 Introduc¸a˜o A ide´ia da reamostragem surgiu em meados de 1935, entretanto a aplicac¸a˜o de tais te´cnicas teve que esperar ate´ a chegada de computadores mais ra´pidos, uma vez que procedimentos de reamostragem utilizam intensivamente o computador. A te´cnica Bootstrap foi introduzida por Bradley Efron em 1979, como abordagem alterna- tiva ao ca´lculo de intervalos de confianc¸a, em circunstaˆncias em que outras te´cnicas na˜o sa˜o aplica´veis, em particular, no caso em que o tamanho da amostra e´ pequeno. Esta te´cnica, baseada na hipo´tese de um elevado nu´mero de amostras, foi extrapolada para a resoluc¸a˜o de muitos outros problemas de dif´ıcil resoluc¸a˜o atrave´s de te´cnicas de ana´lise estat´ıstica tradicionais, como por exemplo a obtenc¸a˜o da distribuic¸a˜o emp´ırica de um estimador, onde sua distribuic¸a˜o de probabilidade e´ desconhecida ou de dif´ıcil acesso, ou ainda determinar intervalos de confianc¸a para o ma´ximo da func¸a˜o de risco. Os procedimentos Bootstrap levam as amostras combinadas como uma representac¸a˜o da populac¸a˜o da qual os dados sa˜o provenientes, e gera va´rias amostras Bootstrap retiradas, com reposic¸a˜o, da pseudo - populac¸a˜o, a amostra dispon´ıvel. Infereˆncias a respeito de um paraˆmetro sa˜o baseadas na distribuic¸a˜o amostral de seu es- timador. A te´cnica Bootstrap e´ em primeiro lugar, uma maneira de encontrar a distribuic¸a˜o amostral, pelo menos aproximadamente, a partir de uma u´nica amostra dispon´ıvel. Uma distribuic¸a˜o amostral esta´ baseada em muitas amostras aleato´rias da populac¸a˜o. Entre- tanto, ao inve´s de retirar-se muitas amostras da populac¸a˜o, cria-se reamostras, com reposic¸a˜o, a partir de uma u´nica amostra da populac¸a˜o. Cada reamostra tem o mesmo tamanho da amostra aleato´ria original. A simulac¸a˜o Bootstrap tambe´m pode ser vista como um procedimento para tirar concluso˜es sobre os dados, quando na˜o se tem suposic¸o˜es sobre a distribuic¸a˜o dos paraˆmetros de interesse. A u´nica suposic¸a˜o feita e´ que a amostra original represente bem a populac¸a˜o da qual os dados 17 sa˜o provenientes. O termo Bootstrap parame´trico e´ utilizado quando se tem alguma suposic¸a˜o da distribuic¸a˜o, por exemplo, a suposic¸a˜o de que a populac¸a˜o segue uma distribuic¸a˜o Weibull, ou ainda tem-se o conhecimentoda distribuic¸a˜o amostral de algum estimador e deseja-se obter a distribuic¸a˜o amostral de um outro estimador que depende do primeiro, por exemplo, sabe-se que se uma varia´vel aleato´ria X tem distribuic¸a˜o normal ou o tamanho da amostra e´ suficientemente grande (n → ∞) , enta˜o X¯ tem distribuic¸a˜o Normal com me´dia µ e variaˆncia σ2 n , e (n−1)S 2 σ2 tem dis- tribuic¸a˜o χ2n−1. Logo, o coeficiente de variac¸a˜o, definido como, C.V. = s x¯ , tera´ qual distribuic¸a˜o amostral ? Ja´ o termo Bootstrap na˜o - parame´trico e´ utilizado quando na˜o se tem nenhuma suposic¸a˜o da distribuic¸a˜o do conjunto de dados, ou seja, a distribuic¸a˜o amostral da qual os dados vieram e´ desconhecida. Embora a te´cnica Bootstrap seja teoricamente simples, deve-se ter dispon´ıvel um software para fazer reamostragem. Os softwares como SPSS, SAS e MINITAB, na˜o teˆm um procedi- mento dispon´ıvel para fazer a reamostragem, entretanto pode-se programar procedimentos de reamostragem. 3.2 O Processo de Reamostragem O processo de reamostragem conhecido como Bootstrap tenta realizar o que seria deseja´vel realizar na pra´tica, se fosse poss´ıvel, que e´ repetir a experieˆncia de amostragem B vezes. Ale´m disso, o procedimento trata a amostra observada como se esta representasse exatamente toda a populac¸a˜o. Seja t = (t1, t2, ..., tn) uma amostra aleato´ria contendo n tempos de sobreviveˆncia dispon´ıveis para ana´lise, com δi = 1 para os tempos exatamente observados e δi = 0 , para tempos censura- dos a direita, (i = 1, 2, ..., n). Logo, o conjunto de dados dispon´ıveis e´ dado por T = (t, δ). O processo de reamostragem Bootstrap consiste em reamostrar B amostras T ∗(1), T ∗(2), ..., T ∗(B) , independentes e identicamente distribu´ıdas (i.i.d.), cada uma de tamanho n. Na terminologia do procedimento Bootstrap, as B amostras (i.i.d.) constru´ıdas a partir da populac¸a˜o finita T = (t, δ) corresponde em reamostrar com reposic¸a˜o a partir do conjunto T. Apo´s a obtenc¸a˜o das B amostras Bootstrap, pode-se obter as estimativas de ma´xima ve- rossimilhanc¸a do paraˆmetro de interesse, para cada amostra Bootstrap, chegando ao vetor θˆ ∗ = (θˆ ∗ (1), θˆ ∗ (2), ..., θˆ ∗ (B)). A partir do vetor θˆ ∗ , pode-se obter a distribuic¸a˜o Bootstrap do es- timador θˆ, que permite construir intervalos de confianc¸a e tambe´m testar hipo´teses a respeito do paraˆmetro θ. A Figura a seguir ilustra a ide´ia do procedimento Bootstrap. 18 Figura 3.1: O Procedimento Bootstrap. 3.3 Intervalos de Confianc¸a Bootstrap Uma vez que obtida a distribuic¸a˜o emp´ırica do estimador θˆ pode-se obter intervalos de confianc¸a Bootstrap para o paraˆmetro de interesse. O intervalo de confianc¸a Bootstrap, baseado nos percentis da distribuic¸a˜o Bootstrap de θ, proposto for Efrom (1993) e´ conhecido como intervalo de confianc¸a p-Bootstrap. Hall (1988) sugeriu o intervalo de confianc¸a t-Bootstrap, que sob o ponto de vista assinto´tico, sua probabi- lidade de cobertura e´ aproximadamente igual ao coeficiente de confianc¸a nominal (Efron and Tibshirani, 1993). 3.3.1 Intervalos de Confianc¸a p-Bootstrap Considere t = (t1, t2, ..., tn) um vetor com o conjunto de tempos de sobreviveˆncia dispon´ıveis para ana´lise, com δi = 1 para os tempos de sobreviveˆncia exatamente observados e δi = 0 para tempos de sobreviveˆncia censurados a` direita, (i = 1, ..., n). Logo, o conjunto de dados dispon´ıveis e´ dado por T = (t, δ). Contudo, a seguir sa˜o apresentados os passos para construc¸a˜o do intervalo de confianc¸a p-Bootstrap. Passo 1: Retirar, com reposic¸a˜o, de T uma amostra Bootstrap (t∗1, δ ∗ 1), ..., (t ∗ n, δ ∗ n). 19 Passo 2: Da amostra Bootstrap (t∗1, δ ∗ 1), ..., (t ∗ n, δ ∗ n) obter o estimador de ma´xima verossimi- lhanc¸a do paraˆmetro θ, representado por θˆ ∗ . Passo 3: Repetir os passos 1 e 2 B vezes. Passo 4: A partir do vetor θˆ ∗ = ( θˆ ∗ (1) ≤ θˆ ∗ (2) ≤ · · · ≤ θˆ ∗ (B) ) , para algum n´ıvel de significaˆncia α (0 < α < 1), o intervalo p-Bootstrap com coeficiente de confianc¸a 100× (1−α)% e´ dado por: ( θˆ ∗ (Q1) ; θˆ ∗ (Q2) ) , (3.1) onde Q1 = [ B × (α 2 )] e Q2 = B − Q1 e [ ] indica o menor nu´mero inteiro maior ou igual ao argumento. Como exemplo, considere um coeficiente de confianc¸a de 95% (α = 0.05) e 1000 amostras Bootstrap (B = 1000), logo Q1 = 25 e Q2 = 975. Consequentemente, o intervalo p-Bootstrap com 95% de confianc¸a e´ dado por ( θˆ ∗ (25); θˆ ∗ (975) ) . 3.3.2 Intervalos de Confianc¸a t-Bootstrap Para construc¸a˜o do intervalo de confianc¸a t - Bootstrap redefinir, a partir do Passo 4 na forma: Passo 4’: A partir de θˆ ∗ = ( θˆ ∗ (1) ≤ θˆ ∗ (2) ≤ · · · ≤ θˆ ∗ (B) ) obter T ∗ = ( T ∗(1), T ∗ (2), · · · , T ∗(B) ) , T ∗(i) ≤ T ∗(j) para (i, j = 1, 2, ..., B, i 6= j) em que: T ∗i = ( θˆ ∗ i − θˆ ) σˆ∗i , (3.2) onde θˆ e´ o estimador de ma´xima verossimilhanc¸a de θ e σˆ∗i (i = 1, ..., B) e´ o erro padra˜o de θˆ ∗ i , que e´ dado pela raiz quadrada da diagonal principal da inversa da matriz de informac¸a˜o observada. Passo 5’: Usando T ∗, o intervalo t-Bootstrap com coeficiente de confianc¸a 100× (1− α)% e´ dado por: ( θˆ − σˆT ∗(Q2); θˆ − σˆT ∗(Q1) ) (3.3) em que Q1 = [ B × (α 2 )] , Q2 = B −Q1 ( [ ] indica o menor nu´mero inteiro maior ou igual ao argumento) e σˆ = √ V ar ( θˆ ) , onde θˆ e σˆ sa˜o calculados a partir dos tempos de sobreviveˆncia originais. Outras formas de construc¸a˜o de intervalos de confianc¸a Bootstrap sa˜o discutidos em Efron e Tibshirani, 1993. 20 Cap´ıtulo 4 Aplicac¸a˜o 4.1 Introduc¸a˜o Nos cap´ıtulos anteriores, foram definidos treˆs intervalos de confianc¸a, o primeiro obtido a partir da normalidade assinto´tica dos estimadores de ma´xima verossimilhanc¸a (Intervalo Assinto´tico) e os outros dois a partir do processo de reamostragem Bootstrap (Intervalo p- Bootstrap e t-Bootstrap). Neste cap´ıtulo tem-se o interesse em avaliar qual dos treˆs intervalos possui uma maior pro- babilidade de cobertura, ou seja, sob determinadas situac¸o˜es, como tamanho da amostra e porcentagem de dados censurados, deseja-se estabelecer qual dos treˆs intervalos estudados pos- sui a maior probabilidade de conter o verdadeiro valor do paraˆmetro. Em outras palavras, o objetivo e´ avaliar as treˆs formas de construc¸a˜o dos intervalos de confianc¸a, levando em con- siderac¸a˜o a presenc¸a de dados censurados e o tamanho da amostra, utilizando os tempos de sobreviveˆncia gerados a partir da distribuic¸a˜o Weibull. Sa˜o avaliadas as probabilidades de cobertura para os paraˆmetros µ, β, t0.25, t0.50 e t0.75. 4.2 Metodologia No intuito de verificar qual dos treˆs intervalos possui uma maior probabilidade de cober- tura, primeiramente gerou-se tempos de sobreviveˆncia a partir da distribuic¸a˜o Weibull com paraˆmetros µ = 2 e β = 0.5, 1.5 e 3, ou seja, manteve-se o paraˆmetro de escala fixo, para uma variac¸a˜o no paraˆmetro de forma, para tal feito foi utilizado o software SAS. O tamanho da amostra nj ( j = 1, 2, 3, 4, 5), tambe´m foi levado em considerac¸a˜o, sendo n1 = 10, n2 = 20, n3 = 30, n4 = 50, n5 = 100, assim como a porcentagem de dados censurados qj ( j = 1, 2, 3, 4, 5) , em que q1 = 0%, q2 = 5%, q3 = 10%, q4 = 15%, q5 = 20%. Para cada com- binac¸a˜o dos valores dos paraˆmetros µ e β, dos tamanhos da amostra nj ( j = 1, 2, 3, 4, 5) e das porcentagens de censura qj ( j = 1, 2, 3, 4, 5), foram simuladas 200 amostras (m1,m2, ...,m200) a partir da distribuic¸a˜o Weibull, onde os tempos de sobreviveˆncia, para cada amostra, sa˜o 21 facilmente gerados a partir da expressa˜o t = −µ [log (1− U)] 1β , (4.1) onde U e´ a distribuic¸a˜o uniforme defnida no intervalo (0, 1) (Ripley, 1987, Devroye, 1986). Para cada tempo de sobreviveˆncia ti , foi gerado tambe´m um valor para a varia´vel indicadora de censura δi, simulado atrave´s da distribuic¸a˜o de Bernoulli, com a probabilidade de fracasso variando de 0% a 20% , dependendo da porcentagem de censura qj ( j = 1, 2, 3, 4, 5) atribu´ıda.Como exemplo, considere µ = 2, β = 0.5, n1 = 10 e q1 = 0%, para esta combinac¸a˜o foram geradas 200 amostras, (m1,m2, ...,m200) sendo que para cada uma das amostras geradas mi (i = 1, 2, ..., 200), foram retiradas B = 1000 amostras Bootstrap. Generalizando, tem-se um total de 3 (variac¸a˜o dos valores de β)× 5 (variac¸a˜o dos tamanhos de amostra) × 5 (variac¸a˜o das porcentagens de dados censurados) = 75 combinac¸o˜es diferentes, onde para cada combinac¸a˜o foram geradas 200 amostras, (m1,m2, ...,m200) sendo que para cada uma das amostras geradas mi (i = 1, 2, ..., 200), foram retiradas B = 1000 amostras Bootstrap. A partir dos tempos de sobreviveˆncia simulados, para cada uma das 200 amostras geradas dentro de cada uma das 75 combinac¸o˜es, foram obtidos os estimadores de ma´xima verossimi- lhanc¸a para µ, β e tambe´m para tempo mediano (t0.50), primeiro quartil (t0.25) e terceiro quartil (t0.75), bem como os respectivos erros-padra˜o, para construc¸a˜o dos intervalos de confianc¸a. Para implementac¸a˜o do Bootstrap na˜o-parame´trico, para cada uma das 200 amostras si- muladas dentro de cada uma das 75 combinac¸o˜es, foram retiradas B = 1000 reamostras, e a partir de cada reamostra foram calculados os estimadores de ma´xima verossimilhanc¸a para µ, β e tambe´m para tempo mediano (t0.50), primeiro quartil (t0.25) e terceiro quartil (t0.75), bem como os respectivos erros-padra˜o, para construc¸a˜o dos intervalos de confianc¸a p-Bootstrap e t-Bootstrap. Considere que todos os intervalos foram contru´ıdos com 95% de confianc¸a, ou seja, a cada 100 amostras retiradas da populac¸a˜o e constru´ıdos seus respectivos intervalos de confianc¸a para o paraˆmetro de interesse, espera-se que 95 desses intervalos contenham o verdadeiro valor do paraˆmetro, ou em outras palavras, cada intervalo tem 95% de probabilidade de conter o valor do paraˆmetro. Contudo, apo´s obtidos os intervalos de confianc¸a Assinto´ticos, p-Bootstrap e t-Bootstrap a ide´ia e´ verificar quantos intervalos conte´m o verdadeiro valor do paraˆmetro µ, β, t0.25, t0.50 e t0.75 na qual os dados foram gerados. Enfim, a probabilidade de cobertura pode ser expressa pela seguinte raza˜o: pc = no de intervalos que conte´m o verdadeiro valor do paraˆmetro no total de intervalos constru´ıdos (4.2) 22 4.3 Ana´lise Considerando a Distribuic¸a˜o Weibull com µ = 2 e β = 0.5 Considerando a Distribuic¸a˜o Weibull com paraˆmetros µ = 2 e β = 0.5, o valor do primeiro quartil, terceiro quartil e da mediana dos tempos de sobreviveˆncia sa˜o dados respectivamente, por t0.25 = 0.1655, t0.75 = 3.8436 e t0.50 = 0.9609. A Figura 4.1 ilustra a func¸a˜o densidade de probabilidade considerando µ = 2 e β = 0.5, e a disposic¸a˜o dos treˆs percentis calculados, onde o ponto em vermelho representa o 1o quartil (t0.25) o ponto em azul representa a mediana (t0.50) e o ponto em verde representa o 3 o quartil (t0.75) 0 2 4 6 8 10 0. 0 0. 5 1. 0 1. 5 2. 0 2. 5 3. 0 t f(t , µ, β) l l l Figura 4.1: Func¸a˜o densidade de probabilidade da Distribuic¸a˜o Weibull para µ = 2 e β = 0.5, com a representac¸a˜o do 1o, 2o e 3o quartil. Vale lembrar que os intervalos para cada amostra foram constru´ıdos com 95% de confianc¸a, ou seja, teoricamente a probabilidade de cobertura de cada um dos treˆs tipos de intervalo deveria ser 0.95, entretanto tem-se dois fatores importantes a serem levados em considerac¸a˜o, que sa˜o o tamanho da amostra e a porcentagem de tempos de sobreviveˆncia censurados. 23 4.3.1 Ana´lise do Paraˆmetro µ Tabela 4.1: Probabilidade de cobertura dos intervalos assinto´ticos, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro µ. % Censura Intervalo n1 = 10 n2 = 20 n3 = 30 n4 = 50 n5 = 100 q1 = 0% Assinto´tico p-Bootstrap t-Bootstrap 0.840 0.885 0.965 0.925 0.940 0.965 0.900 0.960 0.970 0.920 0.945 0.970 0.940 0.965 0.975 q2 = 5% Assinto´tico p-Bootstrap t-Bootstrap 0.880 0.895 0.970 0.955 0.960 0.980 0.940 0.955 0.965 0.950 0.970 0.980 0.975 0.965 0.965 q3 = 10% Assinto´tico p-Bootstrap t-Bootstrap 0.900 0.900 0.960 0.965 0.940 0.955 0.980 0.945 0.945 0.980 0.955 0.950 0.955 0.870 0.865 q4 = 15% Assinto´tico p-Bootstrap t-Bootstrap 0.905 0.915 0.945 0.975 0.920 0.930 0.980 0.930 0.925 0.965 0.865 0.855 0.875 0.770 0.785 q5 = 20% Assinto´tico p-Bootstrap t-Bootstrap 0.915 0.900 0.935 0.980 0.885 0.890 0.980 0.880 0.890 0.940 0.770 0.785 0.750 0.575 0.580 Pode-se observar, com base na Tabela 4.1, que a probabilidade de cobertura do intervalo de confianc¸a assinto´tico aumenta a medida que o tamanho da amostra aumenta, considerando ate´ 10% dos tempos de sobreviveˆncia censurados. Entretanto para 15% e 20% de tempos de sobreviveˆncia censurados, para tamanho de amostras n5 = 100, a probabilidade de cobertura e´ bem abaixo do esperado (0.95), devido a grande quantidade de dados censurados, uma vez que, considerando a porcentagem de censura sendo 20%, para tamanho de amostra n1 = 10, tem-se aproximadamente 2 tempos de sobreviveˆncia censurados, e para tamanho de amostra n5 = 100 , tem-se aproximadamente 20 tempos censurados. A probabilidade de cobertura do intervalo p-Bootstrap, tambe´m aumenta a medida que o tamanho da amostra aumenta, considerando ate´ 5% de dados de sobreviveˆncia censurados. Contudo pode-se notar que para 10%, 15% e 20% de censura, e tamanho de amostra n5 = 100, a probabilidade de cobertura, fica bem abaixo do esperado (0.95). Para o intervalo de confianc¸a t-Bootstrap, pode-se notar que para tamanho de amostras pequenos n1 = 10, n2 = 20, n3 = 30 com ate´ 15% de censura, ou tamanho de amostras grandes n4 = 50, n5 = 100 e porcentagem de dados censurados ate´ 10%, obteˆm-se uma probabilidade de cobertura elevada, entretanto para tamanho de amostras grandes, n4 = 50, n5 = 100 e considerando 15% e 20% de censura a probabilidade de cobertura e´ abaixo do esperado. 24 Comparando os treˆs tipos de intervalos de confianc¸a, pode-se notar que para tamanho de amostra n1 = 10 ou ate´ 5% de censura, o intervalo t-Bootstrap e´ o mais apropriado. Pore´m, considerando tamanho de amostra n2 = 20, n3 = 30, n4 = 50 ou n5 = 100, e porcentagem de censura de 10%, 15% ou 20%, o intervalo de confianc¸a assinto´tico e´ “melhor”, ou seja, tem uma probabilidade de cobertura maior em relac¸a˜o aos intervalos p-Bootstrap e t-Bootstrap, como mostra as Figuras 4.2 e 4.3. 25 l l l l l 20 40 60 80 100 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l ll l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .6 0 .7 0 .8 0 .9 1 .0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap Figura 4.2: Probabilidade de cobertura variando o tamanho da amostra e considerando, res- pectivamente, 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro µ. 26 l l l l l 0 5 10 15 20 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l ll l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l ll l l l l l l l l lAssintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .6 0 .7 0 .8 0 .9 1 .0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap Figura 4.3: Probabilidade de cobertura variando a porcentagem de censura considerando, res- pectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro µ. 27 4.3.2 Ana´lise do Paraˆmetro β Tabela 4.2: Probabilidade de cobertura dos intervalos assinto´ticos, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro β. % Censura Intervalo n1 = 10 n2 = 20 n3 = 30 n4 = 50 n5 = 100 q1 = 0% Assinto´tico p-Bootstrap t-Bootstrap 0.935 0.770 0.930 0.945 0.840 0.920 0.950 0.845 0.935 0.950 0.860 0.935 0.965 0.920 0.920 q2 = 5% Assinto´tico p-Bootstrap t-Bootstrap 0.935 0.785 0.935 0.955 0.840 0.925 0.955 0.840 0.930 0.950 0.865 0.950 0.970 0.905 0.910 q3 = 10% Assinto´tico p-Bootstrap t-Bootstrap 0.940 0.765 0.925 0.940 0.835 0.925 0.950 0.850 0.930 0.935 0.870 0.935 0.965 0.920 0.930 q4 = 15% Assinto´tico p-Bootstrap t-Bootstrap 0.940 0.800 0.915 0.925 0.835 0.920 0.955 0.870 0.930 0.945 0.855 0.945 0.960 0.915 0.935 q5 = 20% Assinto´tico p-Bootstrap t-Bootstrap 0.930 0.820 0.920 0.945 0.830 0.940 0.955 0.860 0.940 0.940 0.870 0.945 0.960 0.915 0.925 Para o paraˆmetro β, a probabilidade de cobertura do intervalo de confianc¸a assinto´tico aumenta a medida que o tamanho da amostra aumenta, independente da porcentagem de censura. Considerando um tamanho de amostra fixo, e variando a porcentagem de censura, pode-se notar que a probabilidade de cobertura e´ basicamente a mesma. A probabilidade de cobertura do intervalo p-Bootstrap, tambe´m aumenta a medida que o tamanho da amostra aumenta, independente da porcentagem de censura. Contudo sua pro- babilidade de cobertura esta´ bem abaixo da esperada (0.95), excluso quando o tamanho da amostra e´ de 100 observac¸o˜es. Para o intervalo de confianc¸a t - Bootstrap, pode-se notar que em geral, independente do tamanho da amostra e da porcentagem de censura, a probabilidade de cobertura esta pro´xima da probabilidade de cobertura esperada. Comparando os treˆs tipos de intervalos de confianc¸a, pode-se notar que os intervalos de confianc¸a assinto´ticos e t - Bootstrap se destacam, ou seja, teˆm uma probabilidade de cobertura pro´xima da esperada (0.95), o que na˜o acontece com o intervalo de confianc¸a p - Bootstrap, exceto quando o tamanho da amostra e´ igual a 100, como pode-se observar nas Figuras 4.4 e 4.5. 28 l l l l l 20 40 60 80 100 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l ll l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l ll l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l ll l l l l Assintotico p−Bootstrap t−Bootstrap Figura 4.4: Probabilidade de cobertura variando o tamanho da amostra e considerando, res- pectivamente, 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro β. 29 l l l l l 0 5 10 15 20 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap 0 5 10 15 20 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap 0 5 10 15 20 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .9 0 0 .9 2 0 .9 4 0 .9 6 0 .9 8 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap Figura 4.5: Probabilidade de cobertura variando a porcentagem de censura considerando, res- pectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro β. 30 4.3.3 Ana´lise do Paraˆmetro t0.25 Tabela 4.3 : Probabilidade de cobertura dos intervalos assinto´ticos, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro t0.25. % Censura Intervalo n1 = 10 n2 = 20 n3 = 30 n4 = 50 n5 = 100 q1 = 0% Assinto´tico p-Bootstrap t-Bootstrap 0.895 0.865 0.950 0.925 0.905 0.955 0.945 0.920 0.945 0.920 0.940 0.930 0.955 0.955 0.935 q2 = 5% Assinto´tico p-Bootstrap t-Bootstrap 0.885 0.840 0.960 0.900 0.895 0.955 0.925 0.910 0.940 0.925 0.930 0.930 0.900 0.920 0.935 q3 = 10% Assinto´tico p-Bootstrap t-Bootstrap 0.860 0.845 0.955 0.885 0.860 0.935 0.895 0.875 0.940 0.875 0.890 0.920 0.865 0.875 0.885 q4 = 15% Assinto´tico p-Bootstrap t-Bootstrap 0.835 0.825 0.950 0.865 0.835 0.925 0.865 0.855 0.920 0.850 0.850 0.900 0.800 0.800 0.830 q5 = 20% Assinto´tico p-Bootstrap t-Bootstrap 0.825 0.860 0.915 0.820 0.795 0.915 0.795 0.805 0.895 0.795 0.785 0.855 0.670 0.665 0.745 Pode-se observar, da Tabela 4.3, que a probabilidade de cobertura do intervalo de confianc¸a assinto´tico para o paraˆmetro t0.25, aumenta a medida que o tamanho da amostra aumenta, considerando ate´ 5% de censura. Entretanto para 10%, 15% e 20%, para os tamanhos de amostras estudas, a probabilidade de cobertura e´ bem abaixo da esperada. A probabilidade de cobertura do intervalo p-Bootstrap tambe´m aumenta a medida que o tamanho da amostra aumenta, considerando ate´ 5% de censura. Contudo pode-se notar que para 10%, 15% e 20% de censura, e considerando os tamanhos de amostras estudados, a probabilidade de cobertura, fica bem abaixo da esperada. Para o intervalo de confianc¸a t - Bootstrap, pode-se notar que para tamanho de amostras pequenos n1 = 10, n2 = 20, n3 = 30, ou tamanho de amostras grandes n4 = 50, n5 = 100 e porcentagem de censura ate´ 10%, obteˆm-se uma probabilidade de cobertura pro´xima a esperada (0.95), entretanto para tamanho de amostras grandes, n4 = 50, n5 = 100 e considerando 15% e 20% de censura a probabilidade de cobertura e´ abaixo da esperada. Comparando os treˆs tipos de intervalos de confianc¸a, pode-se notar que para qualquer um dos tamanhos de amostra estudados (n1 = 10, n2 = 20, n3 = 30, n4 = 50, n5 = 100) e para qualquer porcentagem de censura (0%, 5%, 10%, 15% ou 20%) o intervalo t - Bootstrap e´ “melhor” que 31 os outros dois, ou seja, tem uma probabilidade de cobertura maior que o intervalo p-Bootstrap e o intervalo de confianc¸a assinto´tico, comoindicam as Figuras 4.6 e 4.7. 32 l l l l l 20 40 60 80 100 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l ll l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .6 5 0 .7 5 0 .8 5 0 .9 5 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap Figura 4.6: Probabilidade de cobertura variando o tamanho da amostra e considerando, res- pectivamente, 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro t0.25. 33 l l l l l 0 5 10 15 20 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap 0 5 10 15 20 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap 0 5 10 15 20 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .6 5 0 .7 5 0 .8 5 0 .9 5 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap Figura 4.7: Probabilidade de cobertura variando a porcentagem de censura considerando, res- pectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro t0.25. 34 4.3.4 Ana´lise do Paraˆmetro t0.50 Tabela 4.4: Probabilidade de cobertura dos intervalos assinto´ticos, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro t0.50. % Censura Intervalo n1 = 10 n2 = 20 n3 = 30 n4 = 50 n5 = 100 q1 = 0% Assinto´tico p-Bootstrap t-Bootstrap 0.915 0.900 0.955 0.935 0.950 0.955 0.950 0.960 0.965 0.950 0.940 0.945 0.960 0.965 0.955 q2 = 5% Assinto´tico p-Bootstrap t-Bootstrap 0.895 0.900 0.955 0.935 0.940 0.965 0.940 0.940 0.965 0.940 0.955 0.945 0.935 0.960 0.950 q3 = 10% Assinto´tico p-Bootstrap t-Bootstrap 0.890 0.895 0.945 0.905 0.915 0.935 0.920 0.925 0.935 0.880 0.925 0.940 0.840 0.855 0.875 q4 = 15% Assinto´tico p-Bootstrap t-Bootstrap 0.875 0.895 0.930 0.885 0.910 0.930 0.885 0.900 0.915 0.840 0.860 0.875 0.705 0.740 0.755 q5 = 20% Assinto´tico p-Bootstrap t-Bootstrap 0.860 0.930 0.935 0.840 0.865 0.895 0.805 0.850 0.870 0.750 0.755 0.795 0.540 0.555 0.580 Pode-se observar, da Tabela 4.4, que a probabilidade de cobertura do intervalo de confianc¸a assinto´tico para o paraˆmetro t0.50 aumenta a medida que o tamanho da amostra aumenta, considerando ate´ 5% de censura. Entretanto para 10%, 15% e 20% de censura, considerando os tamanhos de amostras estudas, a probabilidade de cobertura e´ bem abaixo da esperada (0.95). A probabilidade de cobertura do intervalo p-Bootstrap, tambe´m aumenta a medida que o tamanho da amostra aumenta, considerando ate´ 5% de censura. Contudo pode-se notar que para 10%, 15% e 20% de censura, e considerando os tamanhos de amostras estudados, a probabilidade de cobertura, fica abaixo da esperada. Para o intervalo de confianc¸a t - Bootstrap, pode-se notar que para tamanho de amostras pequenos n1 = 10, n2 = 20, n3 = 30, ou tamanho de amostras grandes n4 = 50, n5 = 100 e porcentagem de censura ate´ 10%, obteˆm-se uma probabilidade de cobertura pro´xima a esperada, entretanto para tamanho de amostras grandes, n4 = 50, n5 = 100 e considerando 15% e 20% de censura, a probabilidade de cobertura e´ abaixo da esperada. Comparando os treˆs tipos de intervalos de confianc¸a, pode-se notar que para qualquer tamanho de amostra (n1 = 10, n2 = 20, n3 = 30, n4 = 50, n5 = 100) e para qualquer por- centagem de censura (0%, 5%, 10%, 15% ou 20%) o intervalo t - Bootstrap e´ “melhor” que os 35 outros dois, ou seja, tem uma probabilidade de cobertura maior que os intervalos p-Bootstrap e assinto´tico. 36 l l l l l 20 40 60 80 100 0 .9 0 0 .9 2 0 .9 4 0 .9 6 0 .9 8 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .7 0 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .5 0 .6 0 .7 0 .8 0 .9 1 .0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap Figura 4.8: Probabilidade de cobertura variando o tamanho da amostra e considerando, res- pectivamente, 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro t0.50. 37 l l l l l 0 5 10 15 20 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap 0 5 10 15 20 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap 0 5 10 15 20 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .5 0 .6 0 .7 0 .8 0 .9 1 .0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap Figura 4.9: Probabilidade de cobertura variando a porcentagem de censura considerando, res- pectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro t0.50. 38 4.3.5 Ana´lise do Paraˆmetro t0.75 Tabela 4.5: Probabilidade de cobertura dos intervalos assinto´ticos, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro t0.75. % Censura Intervalo n1 = 10 n2 = 20 n3 = 30 n4 = 50 n5 = 100 q1 = 0% Assinto´tico p-Bootstrap t-Bootstrap 0.895 0.820 0.940 0.940 0.910 0.955 0.935 0.925 0.970 0.970 0.950 0.970 0.965 0.965 0.970 q2 = 5% Assinto´tico p-Bootstrap t-Bootstrap 0.910 0.860 0.930 0.950 0.945 0.950 0.965 0.960 0.975 0.975 0.965 0.980 0.970 0.975 0.955 q3 = 10% Assinto´tico p-Bootstrap t-Bootstrap 0.895 0.885 0.905 0.945 0.945 0.915 0.935 0.965 0.910 0.970 0.970 0.950 0.880 0.895 0.825 q4 = 15% Assinto´tico p-Bootstrap t-Bootstrap0.905 0.885 0.885 0.910 0.940 0.880 0.920 0.930 0.860 0.865 0.895 0.825 0.750 0.780 0.700 q5 = 20% Assinto´tico p-Bootstrap t-Bootstrap 0.905 0.950 0.860 0.885 0.905 0.820 0.870 0.885 0.780 0.790 0.820 0.710 0.565 0.595 0.525 Para o paraˆmetro t0.75 a probabilidade de cobertura do intervalo de confianc¸a assinto´tico aumenta a medida que o tamanho da amostra aumenta, considerando ate´ 5% de censura. Entretanto para 10%, 15% e 20% de censura, considerando os tamanhos de amostras estudas, em geral, a probabilidade de cobertura e´ bem abaixo da esperada. A probabilidade de cobertura do intervalo p-Bootstrap, tambe´m aumenta a medida que o tamanho da amostra aumenta, considerando ate´ 10% de censura. Contudo pode-se notar que para 15% e 20% de censura, e considerando tamanhos de amostra, n4 = 50 e n5 = 100, a probabilidade de cobertura fica abaixo da esperada. Para o intervalo de confianc¸a t - Bootstrap, pode-se notar que para tamanho de amostras estudados (n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100) e porcentagem de censura ate´ 10%, obteˆm-se uma probabilidade de cobertura pro´xima a esperada (0.95), entretanto con- siderando uma porcentagem de censura de 15% ou 20% para qualquer tamanho de amostra, a probabilidade de cobertura do intervalo de confianc¸a t-Bootstrap fica abaixo da esperada. Comparando os treˆs tipos de intervalos de confianc¸a, pode-se notar que para qualquer tamanho de amostra (n1 = 10, n2 = 20, n3 = 30, n4 = 50, n5 = 100) e para uma porcenta- gem de censura ate´ 5% o intervalo t - Bootstrap e´ ”melhor”que os outros dois, ou seja, tem 39 uma probabilidade de cobertura maior que o intervalo p-Bootstrap e o intervalo de confianc¸a assinto´tico. Entretanto, para uma porcentagem de censura acima de 10% o intervalo de p-Bootstrap e´ “melhor” que os outros dois intervalos estudados, ou seja, tem uma probabilidade de cobertura maior do que o intervalo assinto´tico e o intervalo t-Bootstrap, como mostra as Figuras 4.10 e 4.11. 40 l l l l l 20 40 60 80 100 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l ll l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .7 0 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .5 0 .6 0 .7 0 .8 0 .9 1 .0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap Figura 4.10: Probabilidade de cobertura variando o tamanho da amostra e considerando, res- pectivamente, 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro t0.75. 41 l l l l l 0 5 10 15 20 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap 0 5 10 15 20 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap 0 5 10 15 20 0 .7 0 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .5 0 .6 0 .7 0 .8 0 .9 1 .0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap Figura 4.11: Probabilidade de cobertura variando a porcentagem de censura considerando, respectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro t0.75. 42 4.4 Ana´lise Considerando a Distribuic¸a˜o Weibull com µ = 2 e β = 1.5 Mudando o paraˆmetro de forma da Distribuic¸a˜o Weibull para β = 1.5 e mantendo µ = 2, o valor do primeiro quartil, terceiro quartil e da mediana dos tempos de sobreviveˆncia sa˜o dados, respectivamente por t0.25 = 0.8716, t0.75 = 2.4866 e t0.50 = 1.5664. A Figura 4.12 ilustra a func¸a˜o densidade de probabilidade considerando µ = 2 e β = 1.5, e a disposic¸a˜o dos treˆs percentis calculados, onde o ponto em vermelho representa o 1o quartil (t0.25) o ponto em azul representa a mediana (t0.50) e o ponto em verde representa o 3 o quartil (t0.75). 0 2 4 6 8 10 0. 0 0. 1 0. 2 0. 3 t f(t , µ, β) l l l Figura 4.12: Func¸a˜o densidade de probabilidade da Distribuic¸a˜o Weibull para µ = 2 e β = 1.5, com a representac¸a˜o do 1o, 2o e 3o quartil. 43 4.4.1 Ana´lise do Paraˆmetro µ Tabela 4.6: Probabilidade de cobertura dos intervalos assinto´ticos, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro µ. % Censura Intervalo n1 = 10 n2 = 20 n3 = 30 n4 = 50 n5 = 100 q1 = 0% Assinto´tico p-Bootstrap t-Bootstrap 0.870 0.885 0.945 0.945 0.940 0.95 0.950 0.960 0.965 0.945 0.945 0.965 0.970 0.965 0.975 q2 = 5% Assinto´tico p-Bootstrap t-Bootstrap 0.885 0.895 0.955 0.970 0.960 0.965 0.955 0.955 0.960 0.965 0.970 0.975 0.975 0.965 0.965 q3 = 10% Assinto´tico p-Bootstrap t-Bootstrap 0.895 0.900 0.940 0.945 0.940 0.945 0.945 0.945 0.940 0.960 0.955 0.955 0.885 0.870 0.865 q4 = 15% Assinto´tico p-Bootstrap t-Bootstrap 0.910 0.915 0.910 0.940 0.920 0.925 0.940 0.930 0.925 0.875 0.865 0.840 0.780 0.770 0.730 q5 = 20% Assinto´tico p-Bootstrap t-Bootstrap 0.920 0.900 0.895 0.915 0.885 0.870 0.910 0.880 0.860 0.810 0.770 0.745 0.570 0.575 0.540 Pode-se observar, com base na Tabela 4.6, que a probabilidade de cobertura do intervalo de confianc¸a assinto´tico, aumenta a medida que o tamanho da amostra aumenta, considerando ate´ 10% de censura. Entretanto para 15% e 20% de censura, para tamanho de amostra n5 = 100, a probabilidade de cobertura e´ bem abaixo do esperado (0.95), devido a grande quantidade de dados censurados, uma vez que, considerando a porcentagem de censura sendo 20%, para tamanho de amostra n1 = 10 , tem-se aproximadamente 2 tempos censurados, e para tamanho de amostra n5 = 100 , tem-se aproximadamente 20 tempos censurados. A probabilidade de cobertura do intervalo p-Bootstrap, tambe´m aumenta a medida que o tamanho da amostra aumenta, considerando ate´ 5% de censura. Contudo, pode-se notar que para 10%, 15% e 20% de censura, e considerando um tamanho de amostra n4 = 50 e n5 = 100, a probabilidade de cobertura, fica bem abaixo da esperada. Para o intervalo de confianc¸a t - Bootstrap, pode-se notar que para tamanho de amostras pequenos n1 = 10, n2 = 20, n3 = 30, ou tamanho de amostras grandes n4 = 50, n5 = 100 e porcentagem de censura ate´ 10%, obteˆm-se uma probabilidade de cobertura pro´xima a esperada, entretanto para tamanho de amostras grandes, n4 = 50, n5 = 100 e considerando 15% e 20% de censura, a probabilidade de cobertura e´ abaixo da esperada. 44 Comparando os treˆs tipos de intervalos de confianc¸a, pode-se notar que para tamanho de amostra n1 = 10 ou ate´ 5% de censura o intervalo t - Bootstrap e´ “melhor” que os outros dois. Pore´m, considerando tamanho de amostra n2 = 20, n3 = 30, n4 = 50 ou n5 = 100, e porcentagem de censura em 10%, 15% ou 20%, o intervalo de confianc¸a assinto´tico e´ ”melhor”, ou seja, tem uma probabilidade decobertura maior em relac¸a˜o aos intervalos p-Bootstrap e t-Bootstrap. As Figuras 4.13 e 4.14 apresentam a probabilidade de cobertura de cada um dos treˆs intervalos, variando o tamanho da amostra e a porcentagem de censura. 45 l l l l l 20 40 60 80 100 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .7 0 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .5 0 .6 0 .7 0 .8 0 .9 1 .0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap Figura 4.13: Probabilidade de cobertura variando o tamanho da amostra e considerando, res- pectivamente, 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro µ. 46 l l l l l 0 5 10 15 20 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .7 0 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .5 0 .6 0 .7 0 .8 0 .9 1 .0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap Figura 4.14: Probabilidade de cobertura variando a porcentagem de censura considerando, respectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro µ. 47 4.4.2 Ana´lise do Paraˆmetro β Tabela 4.7: Probabilidade de cobertura dos intervalos assinto´ticos, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro β. % Censura Intervalo n1 = 10 n2 = 20 n3 = 30 n4 = 50 n5 = 100 q1 = 0% Assinto´tico p-Bootstrap t-Bootstrap 0.935 0.770 0.930 0.945 0.840 0.920 0.950 0.845 0.935 0.950 0.860 0.935 0.965 0.920 0.920 q2 = 5% Assinto´tico p-Bootstrap t-Bootstrap 0.935 0.785 0.935 0.955 0.840 0.925 0.955 0.835 0.930 0.950 0.865 0.950 0.970 0.905 0.910 q3 = 10% Assinto´tico p-Bootstrap t-Bootstrap 0.940 0.765 0.925 0.950 0.835 0.925 0.950 0.850 0.930 0.935 0.870 0.935 0.965 0.920 0.930 q4 = 15% Assinto´tico p-Bootstrap t-Bootstrap 0.940 0.800 0.915 0.925 0.835 0.920 0.955 0.870 0.930 0.945 0.855 0.945 0.960 0.915 0.935 q5 = 20% Assinto´tico p-Bootstrap t-Bootstrap 0.930 0.820 0.920 0.945 0.830 0.940 0.955 0.860 0.940 0.940 0.870 0.945 0.960 0.915 0.925 Para o paraˆmetro β, a probabilidade de cobertura do intervalo de confianc¸a assinto´tico aumenta a medida que o tamanho da amostra aumenta, independente da porcentagem de censura. Entretanto considerando um tamanho de amostra fixo, e variando a porcentagem de censura, pode-se notar que a probabilidade de cobertura e´ basicamente a mesma e pro´xima a probabilidade esperada (0.95). A probabilidade de cobertura do intervalo p-Bootstrap, tambe´m aumenta a medida que o tamanho da amostra aumenta, independente da porcentagem de censura. Contudo sua proba- bilidade de cobertura esta´ bem abaixo da esperada, excluso quando o tamanho da amostra e´ igual a 100. Considerando o intervalo de confianc¸a t - Bootstrap, pode-se notar que, em geral, indepen- dente do tamanho da amostra e da porcentagem de censura, a probabilidade de cobertura esta perto da probabilidade esperada. Comparando os treˆs tipos de intervalos de confianc¸a, pode-se notar que os intervalos de confianc¸a assinto´tico e t - Bootstrap se destacam, ou seja, teˆm uma probabilidade de cobertura perto da esperada, o que na˜o acontece com o intervalo de confianc¸a p - Bootstrap, exceto quando o tamanho da amostra e´ de 100 observac¸o˜es. As Figuras 4.15 e 4.16 apresentam a 48 probabilidade de cobertura de cada um dos treˆs intervalos, considerando o tamanho da amostra e a porcentagem de censura. 49 l l l l l 20 40 60 80 100 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l ll l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l ll l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 20 40 60 80 100 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 TamanhoAmostra P ro b C o b e rt u ra l l l l l l l l l ll l l l l Assintotico p−Bootstrap t−Bootstrap Figura 4.15: Probabilidade de cobertura variando o tamanho da amostra e considerando, res- pectivamente, 0%, 5%, 10%, 15% e 20% de censura, paraˆmetro β. 50 l l l l l 0 5 10 15 20 0 .7 5 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap 0 5 10 15 20 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .8 0 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap 0 5 10 15 20 0 .8 5 0 .9 0 0 .9 5 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap l l l l l 0 5 10 15 20 0 .9 0 0 .9 2 0 .9 4 0 .9 6 0 .9 8 1 .0 0 PorcentagemCensura P ro b C o b e rt u ra l l l l l l l l l l l l l l l Assintotico p−Bootstrap t−Bootstrap Figura 4.16: Probabilidade de cobertura variando a porcentagem de censura considerando, respectivamente, n1 = 10, n2 = 20, n3 = 30, n4 = 50 e n5 = 100, paraˆmetro β. 51 4.4.3 Ana´lise do Paraˆmetro t0.25 Tabela 4.8: Probabilidade de cobertura dos intervalos assinto´ticos, p-Bootstrap e t-Bootstrap com 95% de confianc¸a, variando o tamanho da amostra e a porcentagem de tempos de sobre- viveˆncia censurados, paraˆmetro t0.25. % Censura Intervalo n1 = 10 n2 = 20 n3 = 30 n4 = 50 n5 = 100 q1 = 0% Assinto´tico p-Bootstrap t-Bootstrap 0.895 0.865 0.950 0.925 0.905 0.955 0.945 0.920 0.945 0.920 0.940 0.930 0.955 0.945 0.940 q2 = 5% Assinto´tico p-Bootstrap t-Bootstrap 0.885 0.840 0.960 0.900 0.895 0.955 0.925 0.910 0.940 0.925 0.930 0.930 0.900 0.915 0.935 q3 = 10% Assinto´tico p-Bootstrap t-Bootstrap 0.860 0.840 0.955 0.885 0.860 0.935 0.895 0.875 0.940 0.875 0.890 0.920
Compartilhar