LA FUNCIN DE DISTRIBUCIN DE WEIBULL EN LOS

ENSAYOS DE FIABILIDAD
0. INDICE
1. Por qu usamos Weibull? 1
2. Qu obtenemos al aplicar el modelo de Weibull? 2
3. Descripcin del modelo 2
4. Representacin grfica 4
5. Mtodos de estimacin de los parmetros 5
6. Clculos y anlisis de fiabilidad a partir del Weibull 12
7. Observaciones respecto la aplicacin de la funcin de Weibull. 16
1. POR QU USAMOS WEIBULL?
El uso de la funcin de distribucin de Weibull en los estudios de
fiabilidad de componentes se debe principalmente a la gran diversidad de
formas que este modelo puede tomar, dependiendo de los valores de los
parmetros caractersticos. Esto nos permite usar un mismo modelo,
independientemente de en que forma vare la tasa de fallos del componente
estudiado, simplificando en gran medida la tarea de anlisis de los resultados.
Si no usramos este modelo, cualquier anlisis de los resultados
obtenidos durante el ensayo de los componentes implicara necesariamente un
estudi previo de los datos, para determinar cual de los diferentes modelos
existentes se asemeja ms a los datos obtenidos. Esto conllevara un mayor
1
tiempo de anlisis y una mayor probabilidad de error, debido a que una mala
eleccin del modelo implicara dar un resultado errneo. Al aplicar Weibull, el
estudi previo de los datos se reduce nicamente a una inspeccin visual en
busca de posibles datos anmalos que distorsionen los resultados.
2. QU OBTENEMOS AL APLICAR EL MODELO DE WEIBULL?
Al aplicar Weibull se obtiene la distribucin de fallos del conjunto de
donde proviene la muestra, nicamente ajustando los parmetros del modelo al
conjunto de componentes ensayados. Los parmetros caractersticos de la
funcin de Weibull se pueden extraer directamente de la muestra, usando para
este fin diferentes mtodos que se explicarn ms adelante. Esto permite
conseguir un modelo estadstico que representa con mayor o menor exactitud
la distribucin de los fallos del conjunto o lote de donde provienen los
componentes ensayados.
Al conocer la distribucin de los fallos, se puede responder a preguntas
del tipo: Cuantos componentes fallarn durante el primer ao?, Cuanto
tiempo de garanta tendr que tener el componente para que nicamente fallen
el 1% durante ese periodo?. etc. A parte de las preguntas anteriores, el
modelo obtenido tambin permite responder a una pregunta tan importante
para nuestro departamento como: El 5% de los componentes del lote fallarn
por encima o por debajo del target? que es el criterio usado par decidir si un
lote es OK o NG.
3.DESCRIPCIN DEL MODELO
La funcin de distribucin de Wiebull es un modelo estadstico que
representa la probabilidad de fallo despus de un tiempo t (R(t)) en funcin del
tiempo transcurrido o de una variable anloga. O dicho de otra manera, R(t) es
2
la probabilidad de que los componentes de un conjunto sobrevivan hasta el
momento t.
Esta funcin de probabilidad de fallo o funcin de fiabilidad R(t), viene
dada por:
1
1
]
1

,
_

t
t R exp ) (
(3.1)
Donde , y son parmetros que definen la funcin:
- es el parmetro de escala o vida caracterstica. Este parmetro
representa el tiempo ( o el valor de la variable anloga usada ) para el cual
la probabilidad de fallo acumulada es de 63,2%. Por tanto cuando mayor
sea , mayor ser el intervalo de tiempo en que se producirn los fallos.
- es el parmetro de translacin, y se usa cuando inicialmente, durante un
periodo de tiempo T, no se producen fallos y a partir de ese instante la
fiabilidad del producto se puede aproximar por la distribucin de Weibull
(caso > 0); o cuando hay fallos antes de empezar los ensayos (caso
<0).

- es el parmetro de forma o perfil y determina la forma de la distribucin.
En la representacin grfica del modelo, este parmetro coincide con la
pendiente de la recta y da una idea de la dispersin de la muestra.
A partir de R(t) se puede definir la probabilidad de que un componente
falle antes del momento t, que se indica como F(t). Esta funcin es muy til en
el estudio de fiabilidad de componentes y se puede representar como:
F(t) = 1-R(t) (3.2)
3
A parte de la funcin de distribucin F(t), tambin se puede definir la
funcin de densidad de probabilidad f(t), que muestra la probabilidad que tiene
un componente genrico de fallar en un tiempo dado. Esta funcin coincide con
la derivada temporal de F(t) y su expresin es:
1
1
]
1

,
_

t
t
t
t F
t f exp
) (
) (
1
(3.3)
4. REPRESENTACIN GRFICA
Una forma simple de ver la distribucin de los fallos y de esta forma
poder analizar y decidir sobre los resultados, es representar grficamente la
funcin de Weibull. Esta grfica muestra como varia F(t) respecto al tiempo ( o
en nuestro caso, el numero de ciclos ).
Para representar grficamente esta funcin se deben seguir los
siguientes pasos:
1- Clasificar el tiempo o ciclos de cada muestra (ti) de menor a mayor.
2- Determinar los valores de probabilidad acumulada de fallo ( Fi ).
Estos valores se determinan usando la siguiente formula:
n
i
Fi
5 , 0

(4.1)
Aunque otros autores dan la formula:

4 , 0
3 , 0
+

n
i
Fi
(4.2)
Donde: i es el nmero de orden de fallo y n el tamao de la
muestra.
3- Conocidos ti y Fi, se representan el en grfico.
4
Una vez se ha hecho el grfico, puede pasar que salga directamente una
lnea recta (en cuyo caso = 0) o que salga una curva (
0
). En este
segundo caso existe un periodo de tiempo entre t = 0 y t = en que ningn
componente falla ( si es positivo) o parte de las muestras fallan antes de
ensayarlas (caso de negativo). El parametro es aquel valor que se le
tiene que restar a todos los ti para que los puntos representados sigan una
recta.
5. METODOS DE ESTIMACIN DE LOS PARMETROS
Para estimar los parmetros de la funcin de Weibull se puede recurrir a
diferentes metodos, tanto anliticos como grficos. Estos metodos se pueden
usar para calcular los parmetros de forma manual, sobre todo los grficos,
per normalmente se usan como base para desarollar programas o
aplicaciones informaticas.
De los diferentes tipos de mtodos que se presentarn en este apartado,
los mtodos analiticos son los que dan una mejor aproximacin de los
parmetros. Aunque antes de usar un mtodo analitico siempre es
recomendable aplicar un mtodo grafico, con el objetivo de encontrar una
primera aproximacin de los parmetros y para comprobar que estos se
pueden aproximar con la funcin de Weibull.
5.1 Mtodos grficos
Los mtodos grficos se basan en obtener los parmetros directamente
con el grfico, relacionando estos con caractersticas facilmente medibles en el
grfico. Estos mtodos son los ms ampliamente usados en los diferentes
programas o aplicaciones informticas que se usan para determinar la
distribucin de Weibull a partir de un conjunto de muestras.
5
Su facilidad de implementacin radica en el hecho de que nicamente es
necesario disponer de un programa capaz de efectuar regresiones. Esta
cualidad, que inicialmente parece una gran virtud, tambin es el principal de
sus problemas; ja que dependiendo del tipo de regresin usada, se obtiene un
resultado u otro. Esta diferencia de resultados se ve incrementada al disminuir
el nmero de muestras ensayadas.
Grafico de (ti- ,Fi).
Este mtodo parte del grfico que se obtiene por el procedimiento que
se muestra en el punto 4. Para poder aplicar este metodo de una forma rpida
es conveniente usar el papel probabilistico que se muestra en la siguiente
pagina. En este papel probabilistico se representa Fi en funcin de ti- , y por
regresin se obtiene una recta que representa la funcin de fallos de nuestro
conjunto de componentes.
A continuacin se muestran los pasos para determinar los diferentes
parametros caractersticos:
- Para estimar el parmetro se tiene que trazar una recta paralela que
pase por el centro del arco representado en el papel y que corte a este. El
punto de corte de la recta paralela que hemos dibujado y el arco nos dar
el valor del parmetro.
- El parmetro se estima usando el hecho de que este representa el
tiempo para el cual la probabilidad de fallo acumulada es de 63,2%. De este
modo basta con ver para que valor de ti la probabilidad de fallo es de
63,2%, y este ser el valor del parmetro.
Grfico logartmico
6
Este mtodo consiste en encontrar una relacin lineal entre F(t) y t; para
ello se modifica la formula 3.1 (con =0) tomando logaritmos dos veces en
ambos lados de tal forma que se consigue una ecuacin del tipo: y = ax+b.
Esto permite conseguir los parmetros caractersticos de una forma simple y
rpida mediante una representacin grfica de la ecuacin. El camino a seguir
para llegar a la ecuacin lineal es l que se muestra a continuacin:
1
1
]
1

,
_

t
t R exp ) (
(5.1)

Si se toman logaritmos en ambos lados obtenemos:

,
_

t
t LnR ) ( (5.2)
Canbiando el signo ( LnR(t)<0, devido a que R(t)<1), y volviendo a tomar
logaritmos :
) ( ) ( )) ( ( Ln t Ln t LnR Ln
(5.3)
Como se puede comprobar, a partir de esta ecuacin y de su grfica,
fcilmente se pueden extraer los diferentes parmetros caractersticos de la
distribucin de Weibull. Para mayor comodidad a la hora de dibujar la ecuacin,
esta se modifica de la siguiente manera:
) ( ) ( )) ( 1 ( ( Ln t Ln t F Ln Ln
(5.4)
Donde F(t) se calcula con las formulas 4.1 o 4.2 dependiendo de que mtodo
se quiera seguir.
En el caso de que la grfica presente un periodo inicial donde no se
produzcan fallos (en el caso de >0), o que parte de las muestras fallen antes
de empezar el ensayo (caso de <0), antes de representar grficamente la
7
ecuacin se debe encontrar el parmetro . Para encontrar este parmetro se
deben seguir los siguientes pasos:
- Dibujar la recta (ti, Fi) tal como se indica en el apartado 4.
- Trazar tres rectas horizontales de manera que la primera pase por el tiempo
de fallada ms pequeo, la segunda por el tiempo de fallada ms grande y
la tercera pase por el medio de las dos anteriores.
- Encontrar los tiempos de fallo correspondientes a los puntos de corte de
estas tres lneas con la grfica. Llamaremos a estos tiempos Tm (l
correspondiente a la recta menor), TI (recta intermedia) y TM (recta mayor).
- Calcular con la siguiente formula:
) ( ) (
) )( (
Tm TI TI TM
Tm TI TI TM
TI



(5.5)
- Volver a representar el grfico sustituyendo ti por ti- , y seguir los pasos
mostrados al principio de este apartado.
5.2 Mtodos analticos
Los mtodos que se presentan a continuacin permiten obtener una
aproximacin del valor de los parmetros de la distribucin de Weibull, la
calidad esta aproximacin depender del mtodo usado. Debido al hecho de
que estos mtodos no contemplan el caso en que
0
, inicialmente es
conveniente dibujar alguno de los grficos anteriores para determinar el valor
de y para comprobar que la distribucin de Weibull ajusta de una forma
aceptable en el comportamiento de las muestras.
8
Mtodo de la mxima versemblanza.
Este mtodo, que es el que da una mejor aproximacin de los
parmetros, consiste en la resolucin de un sistema de ecuaciones que
contiene los parmetros y de forma implicita. Para obtener este sistema
de ecuaciones se parte de la hiptesis de que la muestra (aleatoria simple)
proviene de una distribucin de Weibull de parmetros y , por tanto su
funcin de densidad de probabilidad corresponte a f(t). Por tanto, si aplicamos
la funcin de versemblanza a esta densidad de probabilidad, obtenemos:

n
i
ti f L
1
) ( ) , (
(5.6)
Sustituyendo en la ecuacin anterior la equacin 3.3 obtenemos:




1
]
1

n
i
n
i
n
n
ti ti L
1 1
1
exp ) , (

(5.7)
Ahora, si tomanos logaritmos en ambos lados de la equacin y buscamos los
parmetros y como los valores que maximizan la funcin de
versemblanza, obtenemos:

1
1
1
1
1
1
0 ) (
1 1
) (

,
_

n
i
n
i
n
i
n
i
ti
n
ti Ln
n
ti
ti Ln ti
(5.8)
Debido a que este sistema de ecuaciones no tiene solucin explicita,
para su resolucin se debe usar algun algoritmo de calculo o algun programa
informtico que sea capaz de resolver este sistema (p.e Microsoft Excel 3.0 o
9
4.0). Como estos algoritmos piden un valor inicial de calculo, es conveniente
obtener una primera aproximacin de los parmetros a traves de algn mtodo
grfico. Para resolver este sistema es conveniente comenzar por la resolucin
de la primera equacin de tal forma que se obtenga el parmetro para
despus calcular con la segunda equacin.
Con este mtodo de calculo se obtienen unos valores de y que al
haber sido calculados a partir de una muestra aleatoria, tienen una cierta
variabilidad. En concreto estos parmetros se distribuyen siguiendo una
distribucin normal, y por tanto sus intervalos de confianza para un nivel de
confianza se pueden calcular como:
) ( ) (
2 / 2 /


V z V z + (3.9)

) ( ) (
2 / 2 /


V z V z +
(3.10)
Donde :
- Z
/2
es el percentil de la normal estndar correspondiente a /2 (Ver tabla
en cuaquier libro de estadstica).
-
n
V
1087 , 1
) (
2

,
_

-
n
V
2570 , 0
) (
Mtodo implicito.
Este mtodo calcula los valores de los parmetros a partir de la media y
de la varianza de la muestra. Este mtodo permite calcular y de una
forma ms simple que el mtodo anterior, per da una aproximacin peor de
los valores.
10
Las ecuaciones de calculo son las siguientes:

,
_

5772 , 0
exp x
6 S

Donde:
n
ti Ln
x
n
i

1
) (

n
i
x ti Ln
n
s
1
2 2
) ) ( (
1
1
Este mtodo, igual que el anterior, da unos valores de los parmetros
que se distribuyen siguiendo una normal. Esto implica que se puede calcular su
intervalo de confianza para un nivel de confianza como:

,
_

,
_

+
+
n
z
n
z
2
) 1 (
2
) 1 (
049 , 1
exp
049 , 1
exp

,
_

,
_

+
+
n
z
n
z

2
) 1 (
2
) 1 (
081 , 1
exp
081 , 1
exp
Estos lmites de confianza son validos cuando la muestra es superior a
100 unidades.
11
6. CALCULOS Y ANALISIS DE FIABILIDAD A PARTIR DEL
WEIBULL.
Para calcular valores de fiabilidad o percentiles de fallo se recurre a la
formula de la distribucin de Weibull, sustituyendo en esta los valores de los
parmetros calculados como se muestra en el apartado 5. De esta forma, para
calcular los valores de fiabilidad utilizaremos la expresin:
1
1
]
1

,
_

t
t R exp ) (
Que en caso de querer calcular percentiles de fallos pasa a ser:
1
1
]
1

,
_

t
t R t F exp 1 ) ( 1 ) (
(5.1)
En el caso de querer saber en que momento (o numero de ciclos) se
habr producido el fallo de un percentil p de las muestras, lo unico que se debe
hacer es despejar de la formula anterior la variable de tiempo t. Haciendo esto,
la expresin queda como:
( ) [ ]

1
1 p Ln tp
(5.2)
Donde tp es el momento (o el numero de ciclos) donde falla p*n componentes.
Llegados a este punto se debe destacar que la formula 5.2 es la utilizada
para determinar si un lote ensayado es OK o NG, para ello se calcula el tp para
un percentil del 5% (p=0,05). Si el valor de tp es superior al target el lote es OK,
en caso contrario el lote es NG.
A parte de los valores de fiabilidad y percentiles calculados
anteriormente, el analisis de la funcin de distribucin de Weibull nos permite
conocer datos importantes de nuestro proceso. En concreto, el valor del
12
parmetro es el que nos da ms informacin respecto de donde se
encuentra el error (en el caso de que no se supere el target). A titulo
orientativo, se puede decir:
- Si > 3, la variabilidad del proceso de fabricacin es correcta, y el
problema se encuentra en el diseo. Se tiene que redisear el componente.
- Si 1,5 -2< <3, el proceso tiene demasiada variabilidad y el problema puede
venir de este. No se puede descartar problemas de diseo. Se tiene que
mejorar el proceso productivo y posteriormente volver a efectuar ensayos.
- Si <1,5 - 2 , posibles problemas en la toma de datos o en el estudio
posterior de los resultados.
Ejemplo:
Tenemos un conjunto de componentes que fallan en el siguiente numero
de horas: 0.22; 0.5; 0.88; 1; 1.32; 1.33; 1.54; 1.76; 2.5 y 3. A partir de estos
valores se nos pide calcular los siguientes apartados:
- % de fallos a las 3 horas.
- tiempo en el que habrn fallado el 5% de los componentes.
Para resolver este problema, primero vamos a dibujar el grfico (ti,Fi),
para ello calculamos los valores de Fi. Como se puede ver en la siguiente tabla
tambin se adjuntan los valores de Ln(ti), en previsin de que los
necesitaremos para calcular los parmetros con el mtodo analtico implcito.
i ti Ln(ti) Fi
1 0,22 -1,51412773 0,06730769
13
2 0,5 -0,69314718 0,16346154
3 0,88 -0,12783337 0,25961538
4 1 0 0,35576923
5 1,32 0,27763174 0,45192308
6 1,33 0,28517894 0,54807692
7 1,54 0,43178242 0,64423077
8 1,76 0,56531381 0,74038462
9 2,5 0,91629073 0,83653846
10 3 1,09861229 0,93269231
A continuacin se muestra el grfico de los resultados con la recta de regresin
que aproxima los puntos:
0
0,2
0,4
0,6
0,8
1
1,2
0 1 2 3 4
horas
p
e
r
c
e
n
t
i
l

d
e

f
a
l
l
o
s
Si aplicamos las formulas del mtodo implcito para el calculo de los
parmetros, se obtiene:
n
ti Ln
x
n
i

1
) (
=0.1236

n
i
x ti Ln
n
s
1
2 2
) ) ( (
1
1
=0.589
14
6 S

=1.67

,
_

5772 , 0
exp x
=1.59
= 0
Si se aplican los mtodos grficos sobre la recta obtenida por regresin
a partir de los datos, se puede ver que los valores obtenidos para
y coinciden practicamente con los obtenidos analiticamente.
A continuacin, para contenstar a las preguntas del ejemplo, se van a
aplicar las formulas 3.1 y 5.2.
% de fallos a las 3 horas =
1
1
]
1

,
_

t
t R t F exp 1 ) ( 1 ) (
= 0,96
Tiempo en el que habrn fallado el 5% de los componentes:
( ) [ ]
1
05 , 0
05 , 0 1 Ln t
= 0,268 horas
En caso de tener un target (definido al F(t)5%), se tendra que comparar
el valor obtenido con el valor del target. Si el target es menor que 0,268 horas,
significa que en el target habr menos del 5% de fallos, y por tanto el lote es
OK. Por el contrario, si el target es superior a 0,268 horas, significa que en el
target habr ms del 5% de fallos, y por tanto el lote es NG.
7. OBSERVACIONES RESPECTO LA APLICACIN DE LA
DISTRIBUCIN DE WEIBULL.
15
Hasta este momento se ha explicado que es la distribucin de Weibull y
las ventajas que implica su aplicacin en los estudios de fiabilidad, pero en la
prctica, la aplicacin de este mtodo conlleva un conjunto de problemas que
se van a tratar a lo largo de este apartado.
Durante la aplicacin de la distribucin de Weibull podemos encontrar
problemas de dos tipologas diferentes: los originados por la variabilidad de los
resultados, debido a que estamos trabajando con datos estadsticos, y los que
son producto de las diferencias en el mtodo de calculo usado.
Problemas de variabilidad.
Los problemas que tienen su origen en la variabilidad de los resultados
numricos se deben principalmente al hecho de que estamos trabajando con
resultados estadsticos, y por tanto su nivel de confianza depender en gran
medida del numero de muestras ensayadas. En nuestro caso, usualmente se
trabaja con los resultados de tres o cuatro muestras, y si se tiene en cuenta
que la mayora de libros de estadstica recomiendan tamaos entre 10 y 13
muestras para conseguir resultados fiables, es fcil darse cuenta que los
resultados obtenidos no siempre se correspondan con la realidad. Esta
problemtica de pone de manifiesto en el siguiente ejemplo:
Ejemplo:
Se tiene un conjunto de componentes que han roto a los siguientes
ciclos: 115000, 88360 y 338130 (caso real con target de 85000). Si aplicamos
el Weibull (en este caso se ha usado el paquete estadstico Minitab) obtenemos
el siguiente resultado:
16
1000000 500000 100000 50000 10000 1000
99
95
90
80
70
60
50
40
30
20
10
5
3
2
1
Data
P
e
r
c
e
n
t
Scale:
Shape:
204656
1.74707
Weibull Probability Plot for C1
Shape: 1.74707
Scale: 204656
Percentile Estimates
95% CI 95% CI
Approximate Approximate
P Percentile Lower Limit Upper Limit
0.01 14706 1083 199768
0.02 21931 2258 212972
0.03 27741 3473 221568
0.04 32804 4716 228177
0.05 37384 5981 233663
0.06 41621 7265 238425
0.07 45598 8567 242680
0.08 49370 9886 246561
0.09 52976 11219 250156
0.10 56444 12567 253526
0.20 86729 26765 281033
0.30 113436 42196 304955
0.40 139330 58866 329782
0.50 165927 76844 358279
0.60 194668 96248 393726
0.70 227598 117307 441586
0.80 268734 140612 513597
0.90 329877 168298 646587
0.91 338434 171562 667617
0.92 347813 174988 691326
0.93 358222 178614 718439
0.94 369964 182494 750018
17
0.95 383503 186711 787714
0.96 399602 191397 834298
0.97 419669 196788 894983
0.98 446794 203384 981516
0.99 490521 212634 1131572
Como se puede ver en los resultados que da el Minitab, el valor de los
ciclos al 5% (0,05) es de 37384 y por tanto el lote sera NG. Pero si miramos
los valores que da el programa como extremos del intervalo de confianza
donde se encuentra F(t),5% con un nivel de confianza del 95%, estos son:
5981 y 233663. Por lo tanto, teniendo en cuenta que el target es de 85000
ciclos, no podemos asegurar que el lote sea NG, ni tampoco que sea OK.
Problemas de calculo.
A parte del problema de la variabilidad de los resultados, nos
encontramos con un problema a la hora de obtener estos resultados. Como se
ha visto en el apartado 5 existen diferentes mtodos para estimar los
parmetros caractersticos de la funcin de Weibull, e incluso dentro de un
mismo mtodo hay diferencias dependiendo del algoritmo de calculo que se
use (mtodos analticos) o del tipo de regresin (mtodos grficos). Esto
implica que para un mismo conjunto de valores se pueden obtener diversos
resultados diferentes; esta diferencia puede hacer que un mismo lote salga OK
o NG dependiendo de quien lo calcule.
Aunque estas diferencias entre mtodos se dan en todos los clculos
efectuados, estas se van incrementando a medida que aumenta la dispersin
de la muestra y cuando aparecen valores que difieren del resto (sin ser
anomalas). Tambin es conveniente destacar que este problema se ve
incrementado por el hecho de disponer de pocas muestras, ja que en el lmite
todos los mtodos llevan a un mismo resultado. Estas diferencias y la
tendencia que tienen al aparecer valores que distan del resto se puede
comprobar con el siguiente ejemplo:
Ejemplo:
18
A continuacin se van a efectuar los clculos para determinar si un lote
es OK o NG con dos conjuntos de muestras diferentes:
- Muestra: 350000, 325000, 300000 y 100000 con target de 100000
Para calcular el nmero de ciclos que produce un 5% de fallos y el parmetro
(pendiente) se utilizan dos programas:
- Programa 1: hoja de Excel basada en el mtodo implcito.
- Programa 2: Minitab
Los resultados obtenidos se pueden ver en la siguiente tabla:
F(t),5% OK/NG
Excel 79261 2,16 NG
Minitab 123257 3,3 OK
Como se puede comprobar, los resultados obtenidos por los diferentes
mtodos tienen grandes diferencias. Estas diferencias son tan importantes, que
en el caso de tratarse de un ensayo real, el resultado del informe variara:
dando por bueno un lote malo o al revs.
Una cosa que cabra destacar del ejemplo anterior, es que la diferencia
de resultados se ha visto aumentada por el hecho de haber un valor que difiere
mucho del resto, y que los valores normales estn muy juntos. Si repetimos
los clculos con un conjunto de valores reales sin grandes anomalas, podemos
ver que el error cometido es bastante menor (ver siguiente ejemplo):
Ejemplo:
19
Queremos hacer lo mismo que en el ejemplo anterior pero con la
siguiente muestra: 343000, 502000 y 381000. Los resultados se muestran la
siguiente tabla:
F(t),5%
Excel 279134 6,5
Minitab 276000 6,4
Como puede verse el error cometido es menor y los resultados de ambos son
completamente comparables.
Para resolver este problema de la variacin de resultados con respecto
al programa o mtodo de clculo usado, sera conveniente definir un nico
programa para todos. Esto permitira extraer unos resultados validos para
todos y comparables entre s.
Dentro de los diferentes programas existentes, el Minitab pasa por ser
uno de los que da una solucin ms coherente con el tipo de lotes que aqu se
ensayan. Este programa utiliza un mtodo de regresin lineal que otorga una
importancia relativa a cada punto dependiendo de su posicin respecto al
grupo, y por lo tanto este mtodo es ms insensible a valores anmalos. Este
detalle cobra importancia en nuestro caso por el hecho de que trabajamos con
pocas muestras, esto implica que si una de ellas (por el motivo que sea) falla a
unos ciclos muy diferentes que el resto, esta toma mucho peso y puede dar
lugar a un resultado que, al menos desde un punto de vista lgico, no es
coherente con los datos del ensayo.
Estas diferencias a la hora de efectuar la regresin, se pueden ver en los
siguientes grficos. Estos grficos representan las funciones (ti,Fi)
correspondientes a las muestras del primer ejemplo de este apartado
(350000,325000, 300000, 100000) encontrada con el Excel y con el Minitab. En
ellas se puede apreciar lo dicho respecto la forma que tiene el Minitab de
efectuar las regresiones y la diferencia en el resultado.
20
- Grfico del Excel:
- Grfico del Minitab:
800000 600000 400000 200000 100000 80000 60000 40000 20000
99
95
90
80
70
60
50
40
30
20
10
5
3
2
1
Data
P
e
r
c
e
n
t
Scale:
Shape:
300105
3.33783
Weibull Probability Plot for C2

21
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
0 100000 200000 300000 400000