-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathapp.R
1389 lines (1242 loc) · 54.4 KB
/
app.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
library(shiny)
library(shinyWidgets)
library(ggplot2)
library(DT)
library(fitdistrplus)
library(kableExtra)
library(dplyr)
library(ForestFit)
library(EnvStats)
weibull_characteristics <- function(shape, scale) {
mean_weibull <- scale * gamma(1 + 1/shape)
variance_weibull <- (scale^2) * (gamma(1 + 2/shape) - (gamma(1 + 1/shape))^2)
sd_weibull <- sqrt(variance_weibull)
skewness_weibull <- (gamma(1 + 3/shape) - 3*mean_weibull*gamma(1 + 2/shape) + 2*mean_weibull^3) / (sd_weibull^3)
kurtosis_weibull <- (-6*(gamma(1 + 1/shape))^2 - 3*(gamma(1 + 2/shape))^2 + gamma(1 + 4/shape)) / (variance_weibull^2)
median_weibull <- scale * (log(2))^(1/shape)
mode_weibull <- if (shape > 1) scale * ((shape - 1)/shape)^(1/shape) else 0
entropy_weibull <- (1 - 1/shape) + log(scale) + gamma(1 + 1/shape) * (1 - 1/shape)
moment1 <- mean_weibull
moment2 <- scale^2 * gamma(1 + 2/shape)
moment3 <- scale^3 * gamma(1 + 3/shape)
moment4 <- scale^4 * gamma(1 + 4/shape)
result <- data.frame(
Characteristic = c("Mean", "Variance", "Standard Deviation", "Skewness", "Kurtosis", "Median", "Mode", "Entropy", "1st Moment", "2nd Moment", "3rd Moment", "4th Moment"),
Value = c(mean_weibull, variance_weibull, sd_weibull, skewness_weibull, kurtosis_weibull, median_weibull, mode_weibull, entropy_weibull, moment1, moment2, moment3, moment4)
)
return(result)
}
dweibull3 <- function(x, mu, beta, lambda) {
ifelse(x < mu, 0, (beta / lambda) * ((x - mu) / lambda)^(beta - 1) * exp(-((x - mu) / lambda)^beta))
}
pweibull3 <- function(x, mu, beta, lambda) {
ifelse(x < mu, 0, 1 - exp(-((x - mu) / lambda)^beta))
}
qweibull3 <- function(p, mu, beta, lambda) {
mu + lambda * (-log(1 - p))^(1 / beta)
}
rweibull3 <- function(n, mu, beta, lambda) {
u <- runif(n) # Generate n uniform random numbers between 0 and 1
mu + lambda * (-log(1 - u))^(1 / beta) # Apply the inverse CDF transformation
}
# Define the table data with equations
equation_table <- data.frame(
Characteristic = c("Moyenne", "Variance", "Écart-type", "Asymétrie", "Voussure", "Médiane", "Mode", "Entropie", "1er Moment", "2ème Moment", "3ème Moment", "4ème Moment"),
Equation = c(
"$\\mu = \\beta \\cdot \\Gamma\\left(1 + \\frac{1}{\\alpha}\\right)$",
"$\\sigma^2 = \\beta^2 \\cdot \\left[ \\Gamma\\left(1 + \\frac{2}{\\alpha}\\right) - \\left(\\Gamma\\left(1 + \\frac{1}{\\alpha}\\right)\\right)^2 \\right]$",
"$\\sigma = \\sqrt{\\sigma^2}$",
"$\\gamma_1 = \\frac{\\Gamma\\left(1 + \\frac{3}{\\alpha}\\right) - 3\\mu\\Gamma\\left(1 + \\frac{2}{\\alpha}\\right) + 2\\mu^3}{\\sigma^3}$",
"$\\gamma_2 = \\frac{-6\\left(\\Gamma\\left(1 + \\frac{1}{\\alpha}\\right)\\right)^2 - 3\\left(\\Gamma\\left(1 + \\frac{2}{\\alpha}\\right)\\right)^2 + \\Gamma\\left(1 + \\frac{4}{\\alpha}\\right)}{\\sigma^4}$",
"$\\tilde{x} = \\beta \\cdot \\left(\\log(2)\\right)^{\\frac{1}{\\alpha}}$",
"$M = \\begin{cases} \\beta \\cdot \\left(\\frac{\\alpha - 1}{\\alpha}\\right)^{\\frac{1}{\\alpha}} & \\text{si } \\alpha > 1 \\\\ 0 & \\text{sinon} \\end{cases}$",
"$H = 1 - \\frac{1}{\\alpha} + \\log(\\beta) + \\Gamma\\left(1 + \\frac{1}{\\alpha}\\right)\\left(1 - \\frac{1}{\\alpha}\\right)$",
"$m_1 = \\mu$",
"$m_2 = \\beta^2 \\cdot \\Gamma\\left(1 + \\frac{2}{\\alpha}\\right)$",
"$m_3 = \\beta^3 \\cdot \\Gamma\\left(1 + \\frac{3}{\\alpha}\\right)$",
"$m_4 = \\beta^4 \\cdot \\Gamma\\left(1 + \\frac{4}{\\alpha}\\right)$"
)
)
equation_table_html <- equation_table %>%
kbl(format = "html", escape = FALSE, col.names = c("Caractéristique", "Équation")) %>%
kable_styling(bootstrap_options = c("striped", "hover", "condensed"), full_width=FALSE) %>%
column_spec(1, bold=TRUE, border_left=TRUE) %>%
column_spec(2, bold=FALSE, border_right=TRUE) %>%
row_spec(12, extra_css = "border-bottom: 1px solid;")
# References:
# https://statisticsbyjim.com/probability/weibull-distribution/
# https://stats.libretexts.org/Bookshelves/Probability_Theory/Probability_Mathematical_Statistics_and_Stochastic_Processes_(Siegrist)/05%3A_Special_Distributions/5.38%3A_The_Weibull_Distribution
ui <- fluidPage(
titlePanel(h3("La distribution de Weibull")),
withMathJax(),
tags$div(HTML("<script type='text/x-mathjax-config'>
MathJax.Hub.Config({
tex2jax: {inlineMath: [['$','$'], ['\\(','\\)']]}
});
</script>
")),
sidebarLayout(
sidebarPanel(
fluidRow(
column(
6,
switchInput(
inputId = "input_type",
label = "Input",
onLabel = "Slider",
offLabel = "Numeric",
value = TRUE,
size = "mini"
)
),
column(4,
offset = 2,
actionBttn("reset_button",
"Réinit",
icon = icon("refresh"),
class = "btn-danger",
style = "bordered",
size = "xs",
color = "default"
)
)
),
conditionalPanel(
condition = "input.input_type == true",
sliderInput("shape",
"Forme [$\\alpha$]:",
min = 0.1,
max = 100,
step = 0.1,
value = 2
),
sliderInput("scale",
"Échelle [$\\beta$]:",
min = 0.1,
max = 100,
step = 0.1,
value = 1
)
),
conditionalPanel(
condition = "input.input_type == false",
numericInput("shape_num",
"Forme [$\\alpha$]:",
min = 0.1,
step = 0.1,
value = 2,
width = 150
),
numericInput("scale_num",
"Échelle [$\\beta$]:",
min = 0.1,
step = 0.1,
value = 1,
width = 150
)
),
switchInput(
inputId = "input_mode",
label = "Data",
onLabel = "Générées",
offLabel = "Téléchargées",
value = TRUE,
size = "mini"
),
conditionalPanel(
condition = "input.input_mode == true",
numericInput("num_observations",
"# d'observations:",
value = 1000,
min = 1,
max = 10000,
width = 150
),
fluidRow(
column(
6,
actionBttn(
inputId = "generate_button",
label = "Générer",
style = "unite",
color = "primary",
icon = icon("sliders"),
size = "sm"
)
),
column(
6,
downloadBttn(
outputId = "download_data",
label = "Télécharger",
style = "unite",
color = "default",
icon = icon("download"),
size = "sm"
)
)
)
),
conditionalPanel(
condition = "input.input_mode == false",
fileInput("file1", "File:",
accept = c(
"text/csv",
"text/comma-separated-values,text/plain",
".csv"
)
),
DTOutput("fittedParams")
),
p(),
wellPanel(style = "background: lightblue",
fluidRow(
column(4,
a(h4("Par Daniel Coulombe, Ph.D.")),
p("2024")
),
column(4,
tags$a(
href="https://isteah.org",
tags$img(src="ISTEAH_LOGO.png",
title="ISTEAH",
width="160",
height="140")
)
)
)
)
),
mainPanel(
tabsetPanel(
tabPanel(
strong(h4("Introduction")),
helpText(
"La distribution de Weibull est une distribution de probabilité continue largement utilisée en ingénierie, entre autre. Par exemple, on utilisera cette distribution ",
"pour analyser la fiabilité d'un produit ou d'un instrument, ou pour examiner la durée de vie de ces produits et leurs temps de défaillance. Elle trouve des applications dans plusieurs ",
"autres champs d'intérêt scientifique. ", p(),
strong("Définition"), p(),
"Elle est définie principalement par deux paramètres : la forme (\\alpha) et l'échelle (\\beta).", br(),
p("La fonction de densité de probabilité [PDF] de la distribution de Weibull est donnée par :"),
tags$p(HTML("$$f(x; \\alpha, \\beta) = \\frac{\\alpha}{\\beta} \\left( \\frac{x}{\\beta} \\right)^{\\alpha-1} e^{-\\left( \\frac{x}{\\beta} \\right)^\\alpha}$$")),
"La fonction de distribution cumulative [CDF], que l'on utilisera pour déterminer la proportion des observations inférieures à une valeur spécifiée, est définie par :", p(),
tags$p(HTML("$$F(x; \\alpha, \\beta) = 1 - e^{-\\left(\\frac{x}{\\beta}\\right)^\\alpha}$$")), p(),
"et la fonction quantile, permettant d'obtenir la valeur sous laquelle on trouve une proportion donnée des observations, est: ", p(),
tags$p(HTML("$$Q(p; \\alpha, \\beta) = \\alpha \\left[-ln(1-p) \\right ]^{\\frac{1}{\\beta}} $$")), p(),
p("où :"),
"$\\alpha$ est le paramètre de forme.", br(),
"$\\beta$ est le paramètre d'échelle.", p(),
"Il est souvent utile d'ajouter un troisième paramètre, $\\gamma$, indiquant la location ou le seuil de la distribution, sur l'abcisse. Dans ce cas, on définit: ", p(),
tags$p(HTML("$$f(x; \\alpha, \\beta, \\gamma) = \\frac{\\alpha}{\\beta} \\left( \\frac{x-\\gamma}{\\beta} \\right)^{\\alpha-1} e^{-\\left( \\frac{x-\\gamma}{\\beta} \\right)^\\alpha}$$")),
"la fonction cumulative est définie par: ", p(),
tags$p(HTML("$$F(x; \\alpha, \\beta, \\gamma) = 1 - e^{-\\left(\\frac{x-\\gamma}{\\beta}\\right)^\\alpha}$$")), p(),
"et la fonction quantile est:", p(),
tags$p(HTML("$$Q(p; \\alpha, \\beta, \\gamma) = \\gamma+\\alpha \\left[-ln(1-p) \\right ]^{\\frac{1}{\\beta}} $$")), p(),
p(),
strong("Formes générales"), p(),
"1. Pour $0<\\alpha<1$, $f(x)$ est décroissante et convexe, avec un mode égal à $\\displaystyle{\\lim_{x \\to 0}} f(x)=\\infty$;", p(),
"2. Pour $\\alpha = 1$, $f(x)$ est décroissante et convexe, avec un mode nul;", p(),
"3. Pour $\\alpha>1$, $f(x)$ est concave [croissante puis décroissante], avec un mode égal à $\\left(\\frac{\\alpha-1}{\\alpha}\\right)^{\\frac{1}{\\alpha}}$;", p(),
"4. Pour $1<\\alpha\\le 2$, $f(x)$ est concave puis convexe, avec un point d'inflexion à $x = \\left[\\frac{3 (\\alpha - 1) + \\sqrt{(5 \\alpha - 1)(\\alpha - 1)}}{2 \\alpha}\\right]^{1/\\alpha}$", p(),
"Les graphiques suivants illustrent différentes formes que peut emprunter une distribution de Weibull, en fonction de ses paramètres: " , p(),
p(),
fluidRow(
column(6,
plotOutput("shapePlot")),
column(6,
plotOutput("scalePlot"))
),
p(),
fluidRow(
column(6, offset = 3,
plotOutput("locationPlot")
)
),
strong("Caractéristiques"), p(),
p("Les caractéristiques de la distribution de Weibull sont résumées dans le tableau ci-dessous :"),
HTML(equation_table_html),
p(),
"où $\\Gamma(x)$ est la fonction gamma. Rappelons que cette fonction est une généralisation de la fonction factorielle: ", p(),
"$$\\Gamma(x)= (x-1)! $$",
"De manière générale, pour tout nombre réel $x$, on trouve:", p(),
"$$\\Gamma(x) = \\int_0^\\infty t^{x-1} e^{-t} \\, dt $$",
p(),
strong("Domaines d'application"), p(),
"La distribution de Weibull peut modéliser différents types de taux de défaillance, y compris des taux de défaillance croissants, constants et décroissants.", p(),
"En ingénierie de la fiabilité, le facteur de forme mesure la forme de la courbe de taux de défaillance au fil du temps. ",
"Le taux de défaillance est le taux auquel un dispositif ou un système échoue sur une période donnée. Il est généralement exprimé comme ",
"le nombre de défaillances par unité de temps, tel que les défaillances par heure ou les défaillances par année.", p(),
"Si le facteur de forme est inférieur à 1, la courbe de taux de défaillance est dite décroissante ou diminuante. ",
"Cela signifie que le taux de défaillances diminue au fil du temps. Cela peut se produire si le dispositif ou le système est bien conçu ",
"et a peu de défaillances initiales ou si le dispositif ou le système est réparé ou remplacé après une défaillance.", p(),
"Si le facteur de forme est supérieur à 1, la courbe de taux de défaillance est dite croissante ou croissante. ",
"Cela signifie que le taux de défaillances augmente au fil du temps. Cela peut se produire si le dispositif ou le système n'est pas bien entretenu ",
"ou s'il est soumis à des conditions extrêmes qui augmentent la probabilité de défaillance.", p(),
"Si le facteur de forme est égal à 1, la courbe de taux de défaillance est dite constante. Cela signifie que le taux de défaillances est constant ",
"au fil du temps. Cela peut se produire si le dispositif ou le système est bien conçu et est soumis à des conditions constantes qui ",
"n'affectent pas significativement la probabilité de défaillance. Dans ce cas, la distribution de Weibull se réduit à une distribution exponentielle."
),
strong("Pour plus d'informations au sujet de la distribution de Weibull:"),
tags$ul(
tags$li("Wikipedia : ", tags$a("Distribution de Weibull", href = "https://fr.wikipedia.org/wiki/Distribution_de_Weibull")),
tags$li("Rinne, H. (2009). The Weibull Distribution: A Handbook. CRC Press."),
tags$li("Forbes, C., Evans, M., Hastings, N., & Peacock, B. (2011). Statistical Distributions. John Wiley & Sons."),
tags$li("Balakrishnan, N., & Basu, A. P. (2000). Statistical Methods in Reliability and Life Testing. World Scientific."),
tags$li("Montgomery, J. C., & Runger, L. A. (1999). A Review of Weibull Statistics. Quality and Reliability Engineering International, 15(4), 275-291.")
)
),
tabPanel(
strong(h4("Simulation")),
fluidRow(
column(
width = 6,
plotOutput("distPlot")
),
column(
width = 6,
plotOutput("cdfPlot")
)
),
fluidRow(
column(
width = 6,
conditionalPanel(
condition = "input.input_mode == true",
plotOutput("histPlot")
),
conditionalPanel(
condition = "input.input_mode == false",
plotOutput("histPlot_sample")
)
),
column(
width = 6,
conditionalPanel(
condition = "input.input_mode == true",
plotOutput("cdfPlot_generated")
),
conditionalPanel(
condition = "input.input_mode == false",
plotOutput("cdfPlot_sample")
)
)
),
DT::DTOutput("statsOutput")
),
tabPanel(
strong(h4("Calcul")),
fluidRow(
column(
width = 6,
uiOutput("pdfEquation"),
plotOutput("probabilityPlot") # Add this line for the probability plot
),
column(
width = 6,
uiOutput("cdfEquation"),
plotOutput("quantilePlot")
)
),
p(),
p(),
fluidRow(
column(
width = 4,
numericInput("x_value",
"Valeur de X:",
value = 0,
min = 0,
step = 0.1,
width = "100px")
),
column(
width = 4, offset = 3,
numericInput("prob_value",
"Rang Centile:",
value = 0.5,
min = 0,
max = 1,
step = 0.01,
width = "100px")
)
),
fluidRow(
column(
width = 4,
textOutput("computed_prob")
),
column(
width = 4, offset = 3,
textOutput("computed_quantile")
)
),
p(),
p(),
fluidRow(
column(
width = 12,
DTOutput("weibullChars")
)
)
),
tabPanel(strong(h4("Sous R")),
p(),
"Des fonctions R existent pour examiner différents aspects de la distribution de Weibull. En particulier, considérons les librairies ", strong("EnvStats"), " et ", strong("ForestFit"), ". ",
"La première offre les fonctions ", strong("eweibull"), " et ", strong("eqWeibull"), " pour estimer les paramètres de la distribution et ses quantiles, respectivement. ", p(),
"Pour illustrer, générons un ensemble de 500 observations tirées d'une distribution de Weibull dont les paramètres sont inconnus, et choisis au hasard: ", p(),
wellPanel(
style = "background-color: #f5f5f5; border: 1px solid #ddd; padding: 10px;",
tags$pre(
"# Données aléatoires, suivant un modèle
shape <- runif(1, 0.2, 10)
scale <- runif(1, 2, 500)
x <- rweibull(500, shape, scale)"
)
),
"À l'aide des fonctions disponibles, estimons les paramètres de la distribution d'où sont tirées les observations, en supposant qu'il s'agit bien d'une distribution de Weibull.", p(),
h4("EnvStats : eweibull et eqweibull"),
h5(strong("Fonction eweibull")),
p("La fonction ", strong("EnvStats::eweibull"), " permet d'estimer les paramètres de la distribution de Weibull. "),
p("Voici un exemple d'utilisation, utilisant les données préalablement générées. On considère une distribution de Weibull à 2 paramètres, et on utilise une estimation par vraisemblance maximale:"),
wellPanel(
style = "background-color: #f5f5f5; border: 1px solid #ddd; padding: 10px;",
tags$pre(
"EnvStats::eweibull(x, method = 'mle')"
)
),
actionBttn("calc_eweibull",
"Calculer les paramètres avec eweibull",
color = "success",
size = "sm",
style = "bordered"),
uiOutput("eweibull_result_container"),
h5(strong("Fonction eqweibull")),
p("La fonction ", strong("EnvStats::eqweibull"), " permet non seulement d'estimer les paramètres de la distribution de Weibull, mais aussi d'en calculer les quantiles. On peut alimenter cette fonction ",
"àvec un objet produit par la fonction eweibull, ou un vecteur de données originales. Voici un exemple d'utilisation de cette fonction, en exploitant les résultats obtenus à l'aide de la fonction eweibull [parms]:"),
wellPanel(
style = "background-color: #f5f5f5; border: 1px solid #ddd; padding: 10px;",
tags$pre(
"EnvStats::eqweibull(x = parms,
p = c(0.10, 0.25, 0.5, 0.75, 0.90),
method = 'mle',
digits = 4)"
)
),
actionBttn("calc_eqweibull",
"Calculer les quantiles avec eqweibull",
color = "success",
size = "sm",
style = "bordered"),
uiOutput("eqweibull_result_container"),
p(),
p(),
p(),
h4("ForestFit : fitWeibull"),
p("La fonction ", strong("ForestFit::fitWeibull"), " permet d'examiner les distributions de Weibull impliquant deux [forme et échelle] ou trois paramètres [forme, échelle et location/seuil]. Cette fonction nécessite que l'on propose des valeurs initiales pour chacun des paramètres [argument starts].", p(),
h5(strong("Distribution de Weibull, 2 paramètres")),
"Pour les données générées précédemment, considérant une distribution de Weibull à deux paramètres, on propose forme = 1 et échelle = médiane/2. ",
"On obtient les résultats suivants: ", p(),
wellPanel(
style = "background-color: #f5f5f5; border: 1px solid #ddd; padding: 10px;",
tags$pre(
"ForestFit::fitWeibull(x,
location = FALSE,
method = 'ml',
starts = c(1, median(x)/2))"
)
),
actionBttn("calc_fitWeibull2",
"Calculer les paramètres avec fitWeibull [2 paramètres]",
color = "success",
size = "sm",
style = "bordered"),
uiOutput("fitWeibull2_result_container"),
h5(strong("Distribution de Weibull, 3 paramètres")),
"Considérant une distribution de Weibull à trois paramètres, on propose les paramètres de forme et d'échelle obtenus précédemment, comme valeurs initiales, et on ajoute la valeur minimum de $x$ comme valeur initiale de la location [ou du seuil].",
"On obtient les résultats suivants: ", p(),
wellPanel(
style = "background-color: #f5f5f5; border: 1px solid #ddd; padding: 10px;",
tags$pre(
"parms2 <- fitWeibull(x,
location = FALSE,
method = 'ml',
starts = c(1, median(x)/2))
parms3 <- fitWeibull(x,
location = TRUE,
method = 'mm1',
starts = c(parms2$estimate, min(x)))"
)
),
actionBttn("calc_fitWeibull3",
"Calculer les paramètres avec fitWeibull [3 paramètres]",
color = "success",
size = "sm",
style = "bordered"),
uiOutput("fitWeibull3_result_container")
),
h4("MASS : fitdistr"),
p("La fonction ", strong("MASS::fitdistr"), " permet d'examiner les distributions de différents types, spécifiées par l'argument densefun. Cet argument peut prendre les valeurs suivantes: ",
" beta, cauchy, chi-squared, exponential, gamma, geometric, lognormal, logistic, negative binomial, normal, Poisson, t et Weibull. ", p(),
"Pour les données générées précédemment, on obtient: "),
wellPanel(
style = "background-color: #f5f5f5; border: 1px solid #ddd; padding: 10px;",
tags$pre(
"MASS::fitdistr(x,
densefun = 'weibull')
")
),
actionBttn("calc_fitdistr",
"Calculer les paramètres avec fitdistr",
color = "success",
size = "sm",
style = "bordered"),
uiOutput("fitdistr_result_container")
),
navbarMenu(h4("Exercices"),
tabPanel("Exercise 1",
h5("Exercise 1"),
p("La durée de vie des moteurs électriques suit une distribution de Weibull avec un paramètre de forme $\\alpha=1.5$ et d'échelle $\\beta=2000$ heures. Quelle est la probabilité qu'un moteur cesse de fonctionner avant la 1500ième heure d'utilisation?"),
actionBttn("btn_sol1", "Afficher la solution",
color = "success",
size = "sm",
style = "bordered"),
uiOutput("solution1")
),
tabPanel("Exercise 2",
h5("Exercise 2"),
p("Dans les conditions décrite en [1], quelle est la probabilité qu'un moteur fonctionne encore après 4000 heures d'utilisation?"),
actionBttn("btn_sol2", "Afficher la solution",
color = "success",
size = "sm",
style = "bordered"),
uiOutput("solution2")
),
tabPanel("Exercise 3",
h5("Exercise 3"),
p("Dans les conditions décrite en [1], quelle est la durée de vie que l'on peut s'attendre d'obtenir pour 90% des moteurs?"),
actionBttn("btn_sol3", "Afficher la solution",
color = "success",
size = "sm",
style = "bordered"),
uiOutput("solution3")
),
tabPanel("Exercise 4",
h5("Exercise 4: Analyse Comparative"),
p(HTML("Deux types d'ampoules, A et B, sont envisagés pour une application particulière. L'ampoule A suit une distribution de Weibull avec des paramètres <code>(forme = 2, échelle = 1000 heures)</code>, tandis que l'ampoule B suit une distribution de Weibull avec des paramètres <code>(forme = 3, échelle = 1000 heures)</code>. Quel type d'ampoule est censé avoir un temps moyen de défaillance plus long ? Justifiez votre réponse.")),
actionBttn("btn_sol4", "Afficher la solution",
color = "success",
size = "sm",
style = "bordered"),
uiOutput("solution4")
),
tabPanel("Exercise 5",
h5("Exercise 5: Estimation de paramètres"),
HTML(paste0("La commande <code>", strong("x <- rweibull(n = 5000, shape = runif(1, .5, 10), scale = runif(1, 100, 5000))"), "</code> génère 5000 observations suivant une distribution de Weibull dont les paramètres sont inconnus. Sous R, exécutez cette commande et estimez les paramètres de la distribution en utilisant l'une ou l'autre des fonctions proposées sous l'onglet ", strong("Sous R"), ".")),
p(),
actionBttn("btn_sol5", "Afficher la solution",
color = "success",
size = "sm",
style = "bordered"),
uiOutput("solution5")
)
)
)
)
)
)
server <- function(input, output, session) {
observeEvent(input$reset_button, {
updateSliderInput(session, "shape", value = 2)
updateSliderInput(session, "scale", value = 1)
updateNumericInput(session, "shape_num", value = 2)
updateNumericInput(session, "scale_num", value = 1)
updateSwitchInput(session, "input_type", value = TRUE)
updateSwitchInput(session, "input_mode", value = TRUE)
updateNumericInput(session, "num_observations", value = 100)
output$histPlot_sample <- renderPlot(NULL)
output$cdfPlot_sample <- renderPlot(NULL)
output$cdfPlot_generated <- renderPlot(NULL)
output$histPlot <- renderPlot(NULL)
output$statsOutput <- DT::renderDT(NULL)
output$fittedParams <- renderDT(NULL)
})
percentile_99 <- reactive({
qweibull(0.99, shape = input$shape, scale = input$scale)
})
observe({
max_x <- percentile_99()
updateSliderInput(session, "x_value", max = max_x)
})
parms <- reactive({
if (input$input_mode) {
parms_estimated()
} else {
estimated_parms()
}
})
estimated_parms <- reactiveVal(list(shape = 2, scale = 1))
generate_observations <- eventReactive(input$generate_button, {
params <- parms()
observations <- rweibull(input$num_observations, shape = params$shape, scale = params$scale)
return(observations)
})
data <- reactive({
if (input$input_mode) {
generate_observations()
} else {
req(input$file1)
data <- read.csv(input$file1$datapath)
if (!"x" %in% names(data) || !is.numeric(data$x)) {
showNotification("The file must contain a numeric variable named 'x'.", type = "error")
return(NULL)
}
return(data$x)
}
})
observeEvent(input$file1, {
req(input$file1)
data <- read.csv(input$file1$datapath)
if (!"x" %in% names(data) || !is.numeric(data$x)) {
showNotification("The file must contain a numeric variable named 'x'.", type = "error")
return(NULL)
}
fit <- fitdist(data$x, "weibull")
estimated_parms(list(shape = fit$estimate[1], scale = fit$estimate[2]))
updateSliderInput(session, "shape", value = fit$estimate[["shape"]])
updateSliderInput(session, "scale", value = fit$estimate[["scale"]])
updateNumericInput(session, "shape_num", value = fit$estimate[["shape"]])
updateNumericInput(session, "scale_num", value = fit$estimate[["scale"]])
output$fittedParams <- renderDT({
formatted_params <- round(fit$estimate, 4)
formatted_sds <- round(fit$sd, 4)
datatable(
data.frame(
Parameter = c("Shape (\\alpha)", "Scale (\\beta)"),
Estimate = formatted_params,
Std.Err. = formatted_sds,
stringsAsFactors = FALSE
),
options = list(paging = FALSE, searching = FALSE, ordering = FALSE),
rownames = FALSE
)
})
})
# Define a reactive expression for the estimated parameters
parms_estimated <- reactive({
if (input$input_type) {
list(
shape = input$shape,
scale = input$scale
)
} else {
list(
shape = input$shape_num,
scale = input$scale_num
)
}
})
output$pdfEquation <- renderText({
params <- parms()
paste("PDF: f(x) = (", params$shape, "/", params$scale, ") * (x/", params$scale, ")^(", params$shape - 1, ") * exp(-(x/", params$scale, ")^", params$shape, ")", sep = "")
})
output$cdfEquation <- renderText({
params <- parms()
paste("CDF: F(x) = 1 - exp(-(x/", params$scale, ")^", params$shape, ")", sep = "")
})
output$distPlot <- renderPlot({
params <- parms()
ggplot(data.frame(x = c(0, 100)), aes(x)) +
stat_function(fun = dweibull, args = list(shape = params$shape, scale = params$scale)) +
labs(
title = "Weibull Distribution Density Function",
x = "x",
y = "Density"
) +
theme_minimal() +
scale_x_continuous(limits = c(0, qweibull(0.99, shape = params$shape, scale = params$scale)))
})
output$cdfPlot <- renderPlot({
params <- parms()
ggplot(data.frame(x = c(0, 10)), aes(x)) +
stat_function(fun = pweibull, args = list(shape = params$shape, scale = params$scale)) +
labs(
title = "Weibull Distribution Cumulative Distribution Function",
x = "x",
y = "Cumulative Probability"
) +
theme_minimal() +
scale_x_continuous(limits = c(0, qweibull(0.99, shape = params$shape, scale = params$scale)))
})
output$histPlot <- renderPlot({
req(data())
bins <- length(hist(data(), breaks = "FD")$breaks)
ggplot(data.frame(x = data()), aes(x)) +
geom_histogram(aes(y = ..density..), bins = bins, fill = "lightblue", alpha = 0.5) +
geom_density(color = "red", size = 0.7) +
labs(
title = "Histogram and Density Plot of Generated Data",
x = "x",
y = "Density"
) +
theme_minimal()
})
output$cdfPlot_generated <- renderPlot({
req(data())
ecdf_data <- ecdf(data())
ggplot(data.frame(x = c(c(0, qweibull(0.99, shape = input$shape, scale = input$scale)))), aes(x)) +
stat_function(fun = function(x) ecdf_data(x)) +
labs(
title = "Cumulative Distribution of Generated Data",
x = "x",
y = "Cumulative Probability"
) +
theme_minimal()
})
output$histPlot_sample <- renderPlot({
req(data())
bins <- length(hist(data(), breaks = "FD")$breaks)
ggplot(data.frame(x = data()), aes(x)) +
geom_histogram(aes(y = ..density..), bins = bins, fill = "lightblue", alpha = 0.5) +
geom_density(color = "red", size = 0.8) +
labs(
title = "Distribution de l'échantillon",
x = "x",
y = "Densité"
) +
theme_minimal()
})
output$cdfPlot_sample <- renderPlot({
req(data())
ecdf_data <- ecdf(data())
ggplot(data.frame(x = c(0, qweibull(0.999, shape = input$shape, scale = input$scale))), aes(x)) +
stat_function(fun = function(x) ecdf_data(x)) +
labs(
title = "Distribution Cumulative de l'échantillon",
x = "x",
y = "Probabilité cumulative"
) +
theme_minimal()
})
output$statsOutput <- DT::renderDT({
req(data())
data_vals <- data()
if (!is.null(data_vals)) {
params <- parms()
dist_params <- data.frame(
Statistic = c("Forme (\u03B1)", "Échelle (\u03B2)"),
Value = c(params$shape, params$scale)
)
sample_stats <- data.frame(
Statistic = c("Moyenne", "Médiane", "Écart-Type", "Minimum", "Maximum"),
Value = round(c(mean(data_vals), median(data_vals), sd(data_vals), min(data_vals), max(data_vals)), 4)
)
combined_stats <- rbind(dist_params, sample_stats)
datatable(combined_stats, options = list(paging = FALSE, searching = FALSE, ordering = FALSE), rownames = FALSE)
} else {
NULL
}
})
computed_pr <- reactive({
params <- parms()
x_value <- input$x_value
prob <- pweibull(x_value, shape = params$shape, scale = params$scale)
paste("P[X <", x_value, "] = ", round(prob, 4))
})
computed_quantile <- reactive({
params <- parms()
prob_value <- input$prob_value
quantile <- qweibull(prob_value, shape = params$shape, scale = params$scale)
paste("Q[", prob_value, "] = ", round(quantile, 4))
})
output$computed_prob <- renderText({
computed_pr()
})
output$computed_quantile <- renderText({
computed_quantile()
})
output$pdfEquation <- renderUI({
params <- parms()
withMathJax(
helpText(
"PDF Equation: $$f(x) = \\frac{\\alpha}{\\beta} \\left( \\frac{x}{\\beta} \\right)^{\\alpha-1} e^{-\\left( \\frac{x}{\\beta} \\right)^\\alpha}$$",
"Where: $\\alpha$ =", round(params$shape, 6), ", $\\beta$ =", round(params$scale, 6)
)
)
})
output$cdfEquation <- renderUI({
params <- parms()
helpText(
"CDF Equation: $$F(x) = 1 - e^{-\\left( \\frac{x}{\\beta} \\right)^\\alpha}$$",
"Where: $\\alpha$ =", round(params$shape, 6), ", $\\beta$ =", round(params$scale, 6)
)
})
output$probabilityPlot <- renderPlot({
params <- parms()
data <- req(data())
max_x <- max(data)
x_values <- seq(0, max_x, by = 0.1)
y_values <- dweibull(x_values, shape = params$shape, scale = params$scale)
x_value <- input$x_value
prob <- pweibull(x_value, shape = params$shape, scale = params$scale)
df <- data.frame(x = x_values, y = y_values)
shading_df <- data.frame(
x = c(0, subset(df, x <= x_value)$x, x_value),
y = c(0, subset(df, x <= x_value)$y, 0)
)
ggplot(df, aes(x = x, y = y)) +
geom_line() +
geom_polygon(data = shading_df, aes(x, y), fill = "lightblue", alpha = 0.5) +
labs(x = "x", y = "Density", title = "Probability Density Function") +
xlim(0, qweibull(0.99, shape = params$shape, scale = params$scale)) +
geom_vline(xintercept = x_value, linetype = "dashed") +
annotate("text", x = x_value, y = 0, vjust = 1, label = sprintf("x = %.2f", x_value), color = "red")
})
output$shapePlot <- renderPlot({
shape_values <- c(0.5, 1, 1.5, 2, 3)
x <- seq(0, 10, length.out = 1000)
data <- data.frame(
x = rep(x, times = length(shape_values)),
shape = factor(rep(shape_values, each = length(x))),
density = unlist(lapply(shape_values, function(k) dweibull(x, shape = k, scale = 1)))
)
ggplot(data, aes(x = x, y = density, color = shape)) +
geom_line() +
ylim(0, 1.5) +
xlim(0, 4) +
labs(title = "Variation de \u03B1",
x = "x",
y = "Densité",
color = "Forme (\u03B1)") +
theme_minimal() +
theme(legend.position = c(0.85, 0.5),
legend.text = element_text(size = 12),
legend.title = element_text(size = 14),
plot.title = element_text(size = 18))
})
output$quantilePlot <- renderPlot({
params <- parms()
prob_value <- input$prob_value
if (is.na(prob_value) || prob_value < 0 || prob_value > 1) {
return()
}
quantile_value <- qweibull(prob_value, shape = params$shape, scale = params$scale)
prob_values <- seq(0, 1, by = 0.01)
x_values <- qweibull(prob_values, shape = params$shape, scale = params$scale)
valid_indices <- is.finite(x_values) & !is.na(x_values)
x_values <- x_values[valid_indices]
prob_values <- prob_values[valid_indices]
if (length(x_values) == 0 || length(prob_values) == 0) {
return()
}
df <- data.frame(x = x_values, prob = prob_values)
ggplot(df, aes(x = x, y = prob)) +
geom_line() +
geom_hline(yintercept = prob_value, linetype = "dashed", color = "blue") +
geom_vline(xintercept = quantile_value, linetype = "dashed", color = "red") +
geom_point(x = quantile_value, y = prob_value, color = "black", shape = 16) +
labs(x = "Quantile", y = "Cumulative Probability", title = "Quantile Function") +
ylim(0, 1) +
xlim(range(x_values))
})
output$scalePlot <- renderPlot({
scale_values <- c(0.5, 1, 1.5, 2, 3)
x <- seq(0, 10, length.out = 1000)
data <- data.frame(
x = rep(x, times = length(scale_values)),
scale = factor(rep(scale_values, each = length(x))),
density = unlist(lapply(scale_values, function(lambda) dweibull(x, shape = 1.5, scale = lambda)))
)
ggplot(data, aes(x = x, y = density, color = scale)) +
geom_line() +
ylim(0, 1.5) +
xlim(0, 10) +
labs(title = "Variation de \u03B2",
x = "x",
y = "Densité",
color = "Échelle (\u03B2)") +
theme_minimal() +
theme(legend.position = c(0.85, 0.5),
legend.text = element_text(size = 12),
legend.title = element_text(size = 14),
plot.title = element_text(size = 18))
})
output$locationPlot <- renderPlot({
location_values <- c(-1, 0, 1, 2)
x <- seq(-2, 10, length.out = 1000)
data <- data.frame(
x = rep(x, times = length(location_values)),
location = factor(rep(location_values, each = length(x))),
density = unlist(lapply(location_values, function(mu) dweibull3(x, mu, beta = 1.2, lambda = 1.5)))
)
ggplot(data, aes(x = x, y = density, color = location)) +
geom_line() +
ylim(0, 0.6) +
xlim(-2, 7.5) +
labs(title = "Variation de \u03B3",
x = "x",
y = "Densité",
color = "Location (\u03B3)") +
theme_minimal() +
theme(legend.position = c(0.85, 0.5),
legend.text = element_text(size = 12),
legend.title = element_text(size = 14),
plot.title = element_text(size = 18))
})
output$weibullChars <- renderDT({
library(latex2exp)
shape <- input$shape