You are on page 1of 9

Revista Agraria -Nueva Epoca- Ao I. Vol 1.

No1

Caracterizacin y Aplicacin de la Distribucin BirnbaumSaunders como Modelo de Tiempos de Vida


Edgar Espinosa Cuello
Mario Cant Sifuentes
Departamento de Estadstica y Clculo, Universidad Autnoma Agraria Antonio Narro, Mxico
Vctor Leiva Snchez
Departamento de Estadstica, Universidad de Valparaso, Chile.

Abstract. Characterization andApplication of the Birnbaum-Saunders Distribution as Life Time Model. The
Birnbaum-Saunders distribution was developed originally to modeling lifetimes of materials exposed to
fatigue tests. In this work three examples with real data, where such a distribution is applied, are studied
. It is taken into account both cases: complete and censored data. As a fourth example, a computational
algorithm for simulation of data from a Birmaum-Saunders distribution is presented.
Key words: Birnbaum-Saunders distribution, Fatigue of materials, Goodness-of-fit tests.
Resumen. La distribucin Birnbaum-Saunders fue desarrollada originalmente para modelar tiempos de vida de
materiales expuestos a pruebas de fatiga. En el presente trabajo se estudian tres ejemplos con datos reales donde
se aplica dicha distribucin. Se toman en cuenta tanto el caso de datos completos como el caso de datos censurados.
En un cuarto ejemplo se presenta un algoritmo computacional para generar datos provenientes de una distribucin
Birnbaum-Saunders.
Palabras clave: Distribucin Birnbaum-Saunders, Fatiga de materiales, Pruebas de bondad de ajuste.

por T

- BS ( c x , ~ )si

la transformacin de la v.a.
z = a ' [ ( ~~ p ) "- ( ~S ~ p ) - ' /tieneunadistribucin
~]
En 1969, motivados por los problemas de vibracin Normal estndar. El parmetro P es un parmetro de
encontrados en los nuevos aviones comerciales y por los escala y tambin la mediana de la distribucin. El
problemas de fatiga de materiales, Birnbaum y Saunders parmetro a es un parmetro de forma para la
(1969a) presentaron un modelo probabilstico ingenioso distribucin.
para tiempos de vida de estructuras bajo carga dinmica.
Algunas propiedades bsicas de la distribucin BS son:
La distribucin Birnbaum-Saunders (BS) fue derivada a
partir de un modelo que muestra que las fallas se deben al
desarrollo y crecimiento de una fractura dominante. As,
la distribucin BS describe totalmente el tiempo de falla
que ha transcurrido cuando cierta clase de dao acumulado
excede un umbral. Su funcin de densidad de probabilidad
(FDP) es de la forma

Introduccin

iii

c ( t ) = t'I2- t-'12,
donde
5'( t )= d c ( t )1dt ,
t, a , p > O y 4 es la FDP de la distribucin Normal
estndar. En palabras, una variable aleatoria (v.a.)positiva
T se dice que se distribuye Birnbaum-Saunders,denotado

si T

- B S ( a ,P ), entonces

T-'

- BS(a, P - ' )

y cT - BS(a, c p ) para cualquier real c > 0 ,

19

Revista Agraria -Nueva Epoca- Ao I. Vol 1. No1

donde E ( T ) y VAR(T) denotan la media y la varianza,


respectivamente.
Birnbaum y Saunders (1969b) obtuvieron los
estimadores de mxima verosimilitud para a y P .
Engelhardt et al. (1981) desarrollaron intervalos de
confianza y pruebas de hiptesis usando muestras
completas grandes y pequeas. Los procedimientos para
muestras grandes estn basados en la normalidad
asinttica de los estimadores de verosimilitud mxima,
mientras que en el caso de las muestras pequeas los
mtodos se basan en simulacin. Desmond (1 983, 1985
y 1986) obtuvo una derivacin de la distribucin BS
ms general y estableci una conexin entre la
distribucin Inversa Gaussiana y la distribucin BS.
Rieck y Nedelman (1991) propusieron un modelo loglineal para la distribucin BS y desarrollaron mtodos
de estimacin. McCarter (1 999) discute la estimacin
de parmetros para el caso de muestras censuradas tipo
11. Hay varias generalizaciones de la distribucin BS,
entre ellas estn la propuesta por Owen y Padgett (1999)
quienes hacen una generalizacin de dos a tres
parmetros junto con su caracterizacin y algunos
ejemplos. Daz y Leiva (2002) presentan otra
generalizacin de la distribucin BS, generndola desde
una distribucin de Contornos Elpticos, la caracterizan
y obtienen una familia de distribuciones de vida en
situaciones diferentes y variadas, tales como
distribuciones de vida que no tienen momentos, cuando
las colas son ms pesadas o menos pesadas, o cuando
la distribucin sea bimodal.
El objetivo de este trabajo es aplicar mtodos
estadsticos relacionados con la distribucin BS a
problemas de fatiga en materiales. Se darn cuatro
ejemplos, tres con datos reales tomados de la literatura
existente relacionada con el tema y un cuarto en donde
se presenta un ejemplo basado en simulacin.

Ejemplo 1
Para este ejemplo se usan los datos que emplearon
originalmente Birnbaum y Saunders para sustentar la
distribucin que lleva su nombre. Se presentan tres
conjuntos de datos que corresponden a tiempos de vida
en ciclos x1 O-3 de piezas de aluminio 6061-T6 cortadas
en un ngulo paralelo a la direccin de rotacin y
oscilando a 18 ciclos por segundo a una presin mxima
de 31000, 26000 y 21000psi, donde psi (Pounds per
20

Square Inch) es una medida de presin. Estos conjuntos


de datos son completos (y los denotaremos por T) y se
presentan en los Cuadros 1, 2 y 3, para 31000,26000 y
2 1 OOOpsi, con tamaos de muestras de 10 1, 102 y 10 1,
respectivamente.
Cuadro 1. Tiempos de vida en ciclos x
de piezas de
aluminio 6061-T6 sujetas a una presin mxima de 31000
psi.

Cuadro 2. Tiempos de vida en ciclos x 1 0 - ~de piezas


de aluminio 6061 -T6 sujetas a una presin mxima de
26000 psi.

Cuadro 3. Tiempos de vida en ciclos x de piezas de aluminio


6061-T6 sujetas a una presin mxima de 21000 psi

Revista Agraria -Nueva Epoca- Ao I. Vol 1. No1

Anlisis Exploratorio
Para la variable T, se procedi a aplicar tres criterios
de bondad de ajuste.
Grficos P-P
Si se tienen n observaciones que se cree que provengan
de una distribucin F, se puede construir un grfico de las I
Gama
Inversa Gaussiana
probabilidades empricas versus probabilidades tericas
de dichas observaciones. Si estos puntos estn
aproximadamente alineados ser un indicio de que las
observaciones provienen de dicha distribucin.
A continuacin se presentan los grficos P-P para la
v.a. T con una presin mxima por ciclo de: 3 1000psi
(Figura l), 26000psi (Figura 2) y 2 1000psi (Figura 3) para Figura 3. Grjicas P-P de tiempos de vida de piezas de aluminio
6061-T6 sujetas a una presin mxima de 21 000 psi para las
las distribuciones de vida usadas comnmente para
distribuciones Birnbaum-Saunders, Lognormal, Gamma e Inversa
Gaussiana.

modelar fallas debido a fatiga: Birnbaum-Saunders,


Lognormal, Gamma e Inversa Gaussiana.
Segn este criterio, y para todos los niveles mximos
de presin indicados, no hay evidencia que permita
descartar alguna de las distribuciones de vida por fatiga
que se utilizan frecuentemente. Para tomar una
determinacin se utilizarn otros criterios.

Prueba de Kolmogorov-Smirnov

Figura 1. Grjicas P-P de tiempos de vida de piezas de aluminio 6061T 6 sujetas a una presin mxima de 31000 psi para las
distribuciones Birnbaum-Saunders, Lognormal, Gamma e Inversa
Gaussiana

Birnbaum - Saunders

Log - Normal
1

1.

@.S

@.S

0.6

0.5

0.4
0.2

/**

0.1

O.'

fl

0.4

,.ar '1

0.2

,.ar

/'

Gama

0.2

C.4

0.5

0.3

Inversa Gaussiana

O.

0.3.

O.

0.6

F.

0.4

O.

0.2.
0

0 .

o .

donde Fo(.) es la distribucin que se sospecha siguen


los datos.
La estadstica de prueba viene dada por

KS =max 1 F o ( x ) - F , ( x ) I .

1.

La prueba de Kolmogorov-Smirnov (KS) se utiliza para


decidir si una muestra proviene o no de una poblacin
con una distribucin especfica F ( . ) , basndose en la
funcin de distribucin emprica (FDE). Especficamente,
dados n puntos x , , x ,,... x,, se define la FDE
F, = n(i)l n , donde n(i) es el nmero de puntos
menores que X , y es una funcin que aumenta con n.
La prueba KS se basa en la distancia mxima entre
F(.) y F, (.) . Ms concretamente, sta consiste en
contrastar
H o : F ( x ) Fo( x ) versus H , : F ( x ) # Fo( x ) ,

//
e,

"

.ar IR
o::

o:,

016

0:s

Figura 2. Grjicas P-P de tiempos de vida de piezas de aluminio 6061T6 sujetas a una presin mxima de 26000psi para las distribuciones
Birnbaum-Saunders, Log-normal, Gamma e Inversa Gaussiana.

La hiptesis con respecto a la forma distribucional de


los datos se rechaza si la estadstica de prueba KS es mayor
que el percentil 1- a de la distribucin de KolmogorovSmirnov, la cual viene implementada en la mayora de
los software estadsticos, por ejemplo S-Plus.
A continuacin se presentan las pruebas KS para la
v.a. T con una presin mxima por ciclo de: 31000psi
21

Revista Agraria -Nueva Epoca- Ao I. Vol 1. No1

(Cuadro 4), 26000psi (Cuadro 5) y 2 1000psi (Cuadro 6)


para las distribuciones de vida por fatiga BirnbaumSaunders, Lognormal, Gamma e Inversa Gaussiana,
donde el criterio es tomar la distribucin que tenga el
mayor valor p.
Cuadro 4. Concentrado de la prueba de bondad de ajuste
de Kolmogorov-Smirnov (KS) para los datos de tiempos
de vida de piezas de aluminio 6061-T6 sujetas a una presin
mxima de 31000 psi para las distribuciones BirnbaumSaunders, Lognormal, Gamma e lnversa Gaussiana

Distribucin
Gamma
Lognormal
Birnbaum-Saunders
Inversa Gaussiana

Estadstico KS

p-value

0.0727
0.0842
O. 1095
0.3849

0.659
0.075
0.000
0.000

Cuadro 7. Resultados del criterio de informacin de Schwartz


de seleccin de modelos para los datos de tiempos de vida
de piezas de aluminio 6061-T6 sujetas a una presin mxima
de 31000 psi para las distribuciones Birnbaum-Saunders,
Lognormal, Gamma e lnversa Gaussiana

Cuadro 5. Concentrado de la prueba de bondad de ajuste


de Kolmogorov-Smirnov (KS) para los datos de tiempos
de vida de piezas de aluminio 6061-T6 sujetas a una presin
mxima de 26000 psi para las distribuciones BirnbaumSaunders, Lognormal, Gamma e lnversa Gaussiana

Distribucin
Inversa Gaussiana
Birnbaum-Saunders
Gamma
Lognormal

Estadstico KS
0.0369
0.0370
0.0442
0.0539

p-value
1.000
1.000
0.989
0.500

Gamma
Birnbaum-Saunders
Lognormal
Inversa Gaussiana

Estadstico KS

p-value

0.0581
0.0750
0.0742
0.3655

0.885
0.543
0.500
0.330

Segn este criterio, slo en el segundo conjunto de datos


(Cuadro 5) la distribucin Birnbaum-Saunders fue la
distribucin de vida por fatiga que mejor se ajusta a los datos.

Criterio de Informacin de Schwartz


Este criterio, para un modelo con parmetro
est dado por:
22

eE

Distribucin

SIC

Gamma
Lognormal
Birnbaum-Saunders
Inversa Gaussiana

921.886
923.468
923.771
923.802

Cuadro 8. Resultados del criterio de informacin de Schwartz


de seleccin de modelos para los datos de tiempos de vida
de piezas de aluminio 6061-T6 sujetas a una presin mxima
de 26000 psi para las distribuciones Birnbaum-Saunders,
Lognormal, Gamma e lnversa Gaussiana

Cuadro 6. Concentrado de la prueba de bondad de ajuste


de Kolmogorov-Smirnov (KS) para los datos de tiempos
de vida de piezas de aluminio 6061-T6 sujetas a una presin
mxima de 21000 psi para las distribuciones BirnbaumSaunders, Lognormal, Gamma e lnversa Gaussiana

Distribucin

e)

donde f ( y 1
es la densidad asociada a los datos y n es
la cantidad de observaciones.As, cuando se disponga de
varios modelos hipotticos que se puedan ajustar a un
conjunto de datos, un criterio es seleccionar aquel modelo
que tenga el menor SIC.
A continuacin se utiliza este criterio para los tiempos
de vida T con estrs mximo por ciclo de: 31000psi
(Cuadro 7), 26000psi (Cuadro 8) y 21000psi (Cuadro 9)
para las distribuciones de vida por fatiga BirnbaumSaunders, Lognormal, Gamma e Inversa Gaussiana.

Distribucin

SIC

Gamma

1142.39

Lognormal
Birnbaum-Saunders

1144.56
1144.65

Inversa Gaussiana

1144.68

Cuadro 9. Resultados del criterio de informacin de Schwartz


de seleccin de modelos para los datos de tiempos de vida
de piezas de aluminio 6061-T6 sujetas a una presin mxima
de 21000 psi para las distribuciones Birnbaum-Saunders,
Lognormal, Gamma e lnversa Gaussiana

Distribucin

SIC

Gamma
Lognormal

1503.73
1510.42

Birnbaum-Saunders

1511.97

Inversa Gaussiana

1512.36

Revista Agraria -Nueva Epoca- Ao I. Vol 1. No1

Segn este criterio, en ninguno de los casos la


distribucin BS fue la distribucin de vida por fatiga que
mejor se ajusta a los datos.
Como conclusin de este ejemplo, podemos decir que
los datos que emplearon Birnbaum y Saunders para
justificar la distribucin que lleva su nombre, se ajustan
mejor con otros modelos. En la mayora de los casos,
parece ser la distribucin Gamma la que mejor ajusta los
datos. Sin embargo, debido a su gnesis, la distribucin
BS se utiliza con ms frecuencia para modelar tiempos de
vida debido a fatiga.

Log - Normal

O S

.. -.

O 6
0.4

8 -+'

Z S'

0.2

Gamma

.* ./ '
2

O 4

0.5

0.8

Inversa Gaussiana

Ejemplo 2
Considere los datos de fatiga biaxial reportados por
Brown y Miller (1978) y el modelo log-lineal
Y, = X, + E , propuesto por Rieck y Nedelman (1991).
En el ejemplo de Brown y Miller la respuesta, N, es el
nmero de ciclos hasta que ocurre la falla y la variable
independiente, W, es el esfuerzo por ciclo (medida en MJ/
m3). Se consideraron 46 observaciones para establecer un
modelo adecuado de prediccin, las que se presentan en
el Cuadro 10.
Cuadro 10. Datos de tiempo a fatiga de Brown y Miller (1978).

Figura 4. Grjicas P-P de los tiempos de vida de Brown y Miller (1 978)


para las distribuciones Birnbaum-Saunders, Lognormal, Gamma
e Inversa Gaussiana.

distribuciones de vida por fatiga Birnbaum-Saunders,


Lognormal, Gamma e Inversa Gaussiana.
Segn este criterio, aunque casi todas las distribuciones
de vida por fatiga que se presentan se ajustan bien al
conjunto de datos, la distribucin BS es una de las que
mejor se comporta.

Prueba de Kolmogorov-Smirnov
A continuacin se presenta la prueba KS para los datos
de fatiga biaxial de Brown y Miller (1978) para las
distribuciones de vida por fatiga Birnbaum-Saunders,
Lognormal, Gamma e Inversa Gaussiana.
Cuadro 11. Concentrado de la prueba de bondad de ajuste
de Kolmogorov-Smirnov (KS) para los datos de Brown y
Miller (1 978) para las distribuciones Birnbaum-Saunders,
Lognormal, Gamma e Inversa Gaussiana

Distribucin
Birnbaum-Saunders
Inversa Gaussiana
Lognormal
Gama

Anlisis Exploratorio
Para la variable N, nmero de ciclos hasta que ocurre la
falla, se aplicaron los tres criterios de bondad de ajuste
usados en el ejemplo 1. Los resultados fueron los siguientes.
Grficos P-P

A continuacin se presentan los grficos P-P para los


datos de fatiga biaxial de Brown y Miller (1978) para las

Estadstico KS

p-value

0.0228
0.0499
0.0917
0.8953

0.542
0.526
0.500
0.000

Segn este criterio, la distribucin de vida por fatiga


que mejor se ajusta a los datos es la distribucin BS.

Criterio de Informacin de Schwartz


A continuacin se presenta el criterio de informacin de
Schwartz para los datos de fatiga biaxial de Brown y Miller
(1978) para las distribuciones de vida por fatiga BirnbaumSaunders, Lognormal, Gamma e Inversa Gaussiana.
23

Revista Agraria -Nueva Epoca- Ao I. Vol 1. No1


Cuadro 12. Resultados del criterio de informacin de
Schwartz de seleccin de modelos para los datos de
Brown y Miller (1978) para las distribuciones BirnbaumSaunders, Lognormal, Gamma e Inversa Gaussiana

Distribucin

SIC

Inversa Gaussiana

ambos coeficientes
son estadsticamente
significativos, con valores-p de 4,17416 x 10-31 y
9.92861 10-19, respectivamente. El valor-p de la
ANOVA es 9,92861x 10-l9, el cual tambin es altamente
significativo. El porcentaje de variabilidad explicado por
el modelo es del 83.3%.

Birnbaum-Saunders

Ejemplo 3

Lognormal
Gamma

Con este criterio, la distribucin de vida por fatiga que


mejor se ajusta a los datos es la distribucin Inversa
Gaussiana, seguida muy de cerca por la distribucin BS.
En base a los tres criterios empleados, se concluye que
la distribucin que mejor se ajusta a los datos de fatiga
biaxial es la distribucin BS, cuyas estimaciones de sus
1.08574 y
600.91 .
parmetros son

En el siguiente ejemplo se consideran los datos de


fatiga biaxial reportados por Brown y Miller en 1978, en
los cuales, para aplicar la metodologa de datos
censurados, se consider una censura tipo II al 20%,
obtenindose los siguientes datos.
Cuadro 13. Datos de fatiga biaxial de Brown y Miller, con
censura tipo II al 20%. * indica censura por la derecha.

Anlisis Confirmatorio
En la Figura 5(a), 5(b), 5(c) y 5(d) se presentan los
diagramas de dispersin de W versus N, W versus Log(N),
Log(W) versus N y Log(W) versus Log(N),
respectivamente.
Se ve que el modelo exponencial (Figura 5(d)) es el
ms adecuado, esto es, el modelo log-lineal
Log ( N , ) =

1,2

46

donde E, Las estimaciones de


verosimilitud mxima de
son (con
sus errores estndar estimados entre parntesis):

Anlisis Estadstico
En el Cuadro 14 se presentan las estimaciones de a y

p de la distribucinBS, a partir de una muestra censurada


tipo IIal 20%, junto con sus intervalos de confianza al
95%. En el Cuadro 15, con caracter referencial, se
presentan los mismos resultados para los datos completos
de Brown y Miller.
Cuadro 14. Estimacin de los parmetros y sus intervalos
de confianza al 95% de la distribucin BS para los datos
de fatiga biaxial de Brown y Miller con censura tipo II al 20
%.

Work

Work

Parmetro Estimacin Lmite inferior Lmite superior

Cuadro 15. Estimacin de los parmetros y sus intervalos


de confianza al 95% de la distribucin BS para los datos
de fatiga biaxial de Brown y Miller completos.

Parmetro Estimacin Lmite inferior Lmite superior


Figura 5. Para los datos de Brown y Miller (1978) se presentan los
diagramas de dispersin; en la Fig. 5 (a) el de W v.s N; en la
5jb) el de la de W v.s Log(N); en la 5(c) el de la de Log(W) v.s.
N y en la 5 (d) el de la de L o g w ) v.s Log(N).

24

Revista Agraria -Nueva Epoca- Ao I. Vol 1. No1

Ejemplo 4
Procedimiento de Generacin de Nmeros Aleatorios BS
Sea T una variable aleatoria con distribucin BS con parmetros de forma a y de escala
funcin de distribucin por

P . Denote

su

donde

es la funcin de distribucin Normal estndar. Esto implica que la variable aleatoria g(t;a, P ) sigue
y
distribucin Normal estndar. Como se sabe, g(t;a, P ) es estrictamente creciente y por lo tanto tiene inversa,
dada por g-' (t;a, P ) . Sea Z una variable aleatoria que sigue una distribucin Normal estndar. Entonces,

donde T fue dada anteriormente.


Ahora, si se dispone de un generador de nmeros aleatorios con distribucin Normal estndar, entonces se
puede considerar el siguiente procedimiento:
i. Generar una muestra aleatoria de tamao n con distribucin Normal estndar, la cual se denotar por Z,,
z,,. . . , Zn.
ii. Tome

De este modo, T,, T,, ..., Tn es una muestra aleatoria de tamao n proveniente de una distribucin BS con
parmetros a y p .
Datos Simulados
Con el procedimiento visto en la seccin anterior, se generaron tres conjuntos de 10, 100 y 1000 nmeros
aleatorios tomando como parmetro a = 0,170385 y P = 13 1.819 . Como muestra, se presentan en el Cuadro
14 un conjunto de 100 datos generados con el procedimiento anterior ordenados ascendentemente.
En el Cuadro 15 se presentan los verdaderos valores de los parmetros a y P (valores que se consideraron
para el procedimiento de generacin de nmeros aleatorios) comparados con los valores estimados desde las
muestras de tamaos 10, 100 y 1000. En el Cuadro 16 se muestra el error relativo entre los verdaderos valores y
sus estimaciones.
Las grficas de la funcin de distribucin BS con los parmetros utilizados para la generacin de nmeros
aleatorios se presenta en la Figura 6, donde los puntos negros representan la frecuencia acumulada para los
datos generados aleatoriamente.
25

Revista Agraria -Nueva Epoca- Ao I. Vol 1. No1

Conclusiones

Cuadro 16. Cien datos aleatorios provenientes de una


distribucin BS.

Cuadro 17. Valores reales y estimados de los parmetros


de la distribucin BS para muestras simuladas de tamao
10,100 y 1000.

Tamao
muestra1
1O
100
1000

Valor real

Valor estimado

0.170385
0.170385
0.170385

131.819
131.819
131.819

0.163712
0.182288
0.167278

126.881
131.170
132.971

Cuadro 18. Error relativo de los estimadores de los


parmetros del modelo BS usando muestras aleatorias
simuladas de tal distribucin para tamaos de muestra
10,100 y 1000.

Tamao

Para

Para

En el trabajo se utilizaron mtodos para analizar


datos desde una perspectiva de datos completos (ej. 1
y 2) y censurados (ej. 3). Para desarrollar las
aplicaciones se implementaron programas en los
software S-plus y Matemtica.
En el ejemplo uno se descubri que los datos de
fatiga que se utilizaron en el artculo original de
Birnbaum y Saunders de 1969 se ajustan mejor a otras
distribuciones, lo que se confirm a travs de tres
mtodos de bondad de ajuste.
Es importante destacar que cuando el problema de
estimacin de la distribucin BS generalizada planteada
por Daz y Leiva (2002) est resuelto, sera interesante
realizar nuevamente la bondad de ajuste y observar si
alguna de las distribuciones de esa extensa familia de
distribuciones de vida pudiera ajustarse mejor que las
que existen hasta ahora.

Literatura Citada
1 Birnbaum, Z.W., Saunders, S.C. (1969a). A new
family of life distributions. Journal of applied probability 6: 3 19-327.
2 (1969b). Estimation for a family of life distribution with applications to fatigue. Journal of applied probability 6: 328-347.
3 Brown, M.W., Miller, K.J. (1978). Biaxial fatigue
data. Report CEMR1178, University of Sheffield.
Department of mechanical engineering.
4 Desmond, A.F. (1983). A local maxim of stationary stochastic processes and stochastic modeling of
fatigue. Ph.D. Thesis, University of Waterloo.
5

Figura 6. Comparacin entre la distribucin acumulada emprica (p


untos en negro) y la terica (lnea continua) para los datos
simulados de la distribucin BS con tamaos de muestra 1 0 , 1 0 0

26

-(1985). Stochastic models of failure in random environments. Canadian journal of statistics 13:
171-183.

6 (1986). On the relationship between two fatigue-life models. IEEE transactions on reliability
35: 167-169.
7 Daz Garca, J.A., Leiva Snchez, V. (2002). Anew
family of life distributions based on BirnbaumSaunders distribution. Reporte Tcnico CIMAT
03.09.2002,I-02-17 (PE), Centro de Investigaciones
Matemticas, Guanajuato, Mxico. (http:/1
www.cimat.mx/biblioteca/RepTec).
8 Engelhardt, M., Bain, L.J. and Wright, F.T. (1 981).
Inferences on the parameters of the BirnbaumSaunders fatigue life distribution based on maximum
likelihood estimation. Technometrics 23: 25 1-256.

Revista Agraria -Nueva Epoca- Ao XVII Vol. 52 No 1


9 McCarter, K.S. (1999). Estimation and prediction for
the Birnbaum-Saunders distribution using Type-II censored samples, with a comparison to the Inverse
Gaussian Distribution. Unpublished Ph. D. Thesis.
Kansas State University, Department of Statistics, College of Arts and Sciences.
10 Owen, W.J., Padgett, W.J. (1999). Acelerated test models for system strength based on Birnbaum-Saunders

distribution. Kluwer academic publishers. Lifetime data


analysis 5: 133-147. Boston.
11 Rieck, J.R. (1995). Parameter estimation for the
Birnbaum-Saunders distribution based on symmetrically censored samples. Commun. Satist. Theory Meth.
24 (7): 1721-1736.
12 Rieck, J.R., Nedelman, J. (1991). A log-linear model for the
Birnbaum-Saunders distribution. Technometrics 33: 51-60.

27