Está en la página 1de 15

DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE

ALEATORIA CONTINUA


1-JUSTIFICACION

La aplicacin de las nuevas tecnologas a la industria en general mejora y
hace posible la fabricacin de nuevos productos, pero a su vez introduce
nuevos elementos, primordialmente electrnicos, que aumentan la complejidad
de los procesos industriales, aadiendo nuevos riesgos e influyendo en la
fiabilidad-seguridad de toda la instalacin.

Este mayor nmero y formas de riesgos junto con la complejidad de los
sistemas han obligado a considerar en profundidad la fiabilidad y seguridad de
las instalaciones actualmente en marcha.
El concepto de seguridad est ntimamente ligado con la fiabilidad ya que
cuanto ms fiable es un sistema, lo cual depende de sus componentes, ms
seguro es.
La fiabilidad y seguridad se debe aplicar en todas las fases del proyecto,
construccin, puesta en marcha y mantenimiento de la planta industrial. Por
otro lado la prevencin de prdidas o seguridad industrial aplicada con rigor
cientfico est basada en gran parte en la aplicacin de los mtodos
probabilsticos a los problemas de fallos en los procesos industriales. Todo ello
se ha llevado a cabo a travs de una disciplina denominada


2-OBJETIVOS
GENERAL:
Dar a conocer y aplicar los tipos de distribucin estadstica aplicables al
estudio de la muestra poblacional en el campo dela mecnica.

ESPECIFICO:
Desarrollar los diferentes tipos de distribucin como la distribucin
exponencial, gamma y la distribucin de Weibull.
Mostrar ejemplos donde se aplican estas distribuciones en el campo de
la ingeniera sobre todo en el campo de la mecnica.




3-MARCO TEORICO.

1-LA DISTRIBUCIN EXPONENCIAL

La variable aleatoria continua X tiene una distribucin exponencial, con
parmetro , si su funcin de densidad est dada por:





El siguiente teorema y corolario dan la media, la varianza y la desviacin
estndar de la distribucin exponencial

R (t) = exp (-lt) para t 0 (7)

En las expresiones anteriores la constante l(tasa de fallos) tiene las
dimensiones de (tiempo)-1, exp es la base de los logaritmos neperianos o
naturales (2,71828...) t es el tiempo de funcionamiento para el que se desea
conocer la fiabilidad.
La tasa de fallos se expresa, segn se ha visto, en unidades inversas a las que
expresan el tiempo t, generalmente en horas. La fiabilidad R (t) representa en
ste caso la probabilidad de que el dispositivo, caracterizado por una tasa de
fallos constante, no se avere durante el tiempo de funcionamiento t.
Esta frmula de fiabilidad se aplica correctamente a todos los dispositivos que
han sufrido un rodaje apropiado que permita excluir los fallos infantiles, y que
no estn afectados an por el desgaste.

Tiempo medio hasta un fallo (MTTF)
La calidad de funcionamiento de un cierto elemento vendr dada,
generalmente, por el tiempo que se espera que dicho elemento funcione de
manera satisfactoria. Estadsticamente se puede obtener una expectativa de
ste tiempo hasta que se produzca un fallo, que se llama tiempo medio hasta
un fallo (MTTF). Alternativamente en sistemas que son reparados
continuamente despus que se produzcan fallos y continan funcionando la
expectativa se llama tiempo medio entre fallos (MTBF). En cualquiera de los
casos el tiempo puede ser tiempo real o tiempo de operacin.
Dado que la densidad de fallos es f (t), el tiempo T que se espera que
transcurra hasta un fallo viene dado por:










Vemos que el MTTF y la tasa de fallos son recprocos.

Tiempo medio entre fallos (MTBF)
Se demuestra que para la distribucin exponencial el MTBF es igual a la
inversa de la tasa de fallos y por lo tanto igual al MTTF o sea:
MTBF = m = 1 / l= MTTF (11)

Al igual que l, el parmetro m describe completamente la fiabilidad de un
dispositivo sujeto a fallos de tipo aleatorio, esto es, la fiabilidad exponencial. La
funcin de fiabilidad, llamada tambin "probabilidad de supervivencia" se puede
escribir por tanto de la forma:
R (t) = exp (- t / m) (12)

Si llevamos a un grfico esta funcin, con los valores de R (t) en ordenadas y
los valores correspondientes de t en abcisas, se obtiene la
" curva de supervivencia "
.

Curva de supervivencia
La frmula anterior proporciona la probabilidad de supervivencia del dispositivo
para cualquier intervalo de tiempo comprendido dentro del mbito de la vida til
del mismo, o sea desde el momento 0 al momento t. Se supone que el
dispositivo ha superado las misiones precedentes y que no se encuentra al final
de su vida til durante el curso de la misin considerada.
La primera hiptesis se representa grficamente por la condicin:
R (t) = 1 para t = 0
La segunda est ya contenida en la condicin fundamental l= cte
Una interpretacin bastante extendida del MTBF es su asimilacin al tiempo
asignado a la misin Tm. A partir del hecho de que se cumplir:
R (t) = exp (-lt) = exp - (t / MTBF) (13)
Al identificar el tiempo medio entre fallos con la duracin de la misin se
deduce que la fiabilidad de la misin es:
R (t) = exp (- 1) = 0,368 (36,8 %)
El dispositivo tiene una probabilidad de sobrevivir del 36,8 %. En la prctica
esto significa que, poniendo en funcionamiento 100 dispositivos del mismo tipo,
cuando hayan pasado un nmero de horas t = m = MTBF funcionarn
aproximadamente 37, habiendo fallado los 63 restantes.
Para el caso de t = m / 10, la curva seala una fiabilidad R = 0,905 (90,5 %), y
para el caso de t = m / 100, la fiabilidad es R = 0,99 (99 %).
Vida til

Se llama "vida til" el periodo de vida de un dispositivo durante el cual es vlida
la frmula indicada de la fiabilidad. Su duracin vara de un dispositivo a otro.
Es importante que el tiempo t que utilicemos en la frmula no supere la vida til
del aparato.
Por ejemplo, si la vida til de un componente es de 1000 horas, su fiabilidad
puede preverse en base a la frmula indicada para un intervalo de tiempo
cualquiera comprendido en las primeras 1000 horas de vida del componente. A
partir de ese momento la frmula exponencial no es aplicable porque,
terminada la vida til, la tasa de fallos del dispositivo no es constante y empieza
a crecer significativamente.
Durante la vida til la fiabilidad es aproximadamente la misma para periodos de
tiempo de funcionamiento iguales. As la fiabilidad es la misma para las
primeras 10 horas que para las 10 ltimas, o sea la fiabilidad es la misma para
el periodo comprendido entre la hora 0 y la hora 10 que entre la hora 990 y la
1000. Lo anterior lo podemos comprobar mejor mediante un ejemplo:
Sea un dispositivo que, despus del periodo de rodaje, dispone de 1000
horas de vida til con una tasa de fallos constante de l= 0,0001 fallos/ hora.
Veremos que su fiabilidad no vara en el curso de toda su vida til. El
dispositivo tendr una fiabilidad para 10 horas de: R (10) = exp (- 0,0001 . 10) =
0,999 (99,9 %) La probabilidad de que el dispositivo no sufra ningn fallo
durante todo el periodo de su vida til es: R (1000) = exp (- 0,0001 . 1000) =
exp (- 0,1) = 0,9048 (90,48%)

En otras palabras, el dispositivo considerado tiene aproximadamente un 90 %
de probabilidades de sobrevivir durante todo el periodo de su vida til desde el
momento de su puesta en servicio. Pero, una vez ha sobrevivido 990 horas, la
probabilidad de que sobreviva durante el resto de las 10 horas hasta completar
su vida til ser del 99,9 %. Si ste dispositivo debiese funcionar por encima de
las 1000 horas, comenzaran a manifestarse fenmenos de desgaste y para
cada periodo de tiempo sucesivo de 10 horas disminuira la fiabilidad
correspondiente, mientras que la tasa de fallos aumentara rpidamente.
En conclusin: La fiabilidad de un dispositivo cualquiera es constante para
periodos de tiempo de utilizacin iguales si:

Se eliminan los fallos infantiles con un rodaje apropiado.
El dispositivo ha sobrevivido al funcionamiento durante los periodos
anteriores al considerado.
No se supera el lmite de vida til, ms all del cual la fiabilidad
disminuye con mayor o menor rapidez.

EJEMPLO PRCTICO

Durante el programa de mantenimiento anual que realiza una empresa se han
recogido los datos de fallos de un conjunto de 50 vlvulas mecnicas habiendo
fallado 2 de ellas. Para reprogramar el programa de mantenimiento preventivo
que se lleva actualmente en la empresa se desea saber:
a. Tasa de fallos anual para dichas vlvulas.
b. Qu probabilidad tiene una vlvula de fallar antes de alcanzar un tiempo
de funcionamiento de 4 meses.
C .Cul ser la probabilidad de que la una vlvula est en funcionamiento al
cabo de 6 meses.
d. Cul ser la probabilidad de que el tiempo de vida est comprendido entre 4
y 6 meses.
e. Determinar un intervalo de vida con un nivel de confianza (centrado) del 90
%.



Resolucin
a. La tasa de fallos ser la relacin entre el nmero de vlvulas falladas y el
nmero total de vlvulas en funcionamiento:




b. La probabilidad de que una vlvula falle antes de un nmero determinado de
meses viene expresado por la infiabilidad Q (t): Q(t)= 1 - exp ( - lt) l= 4. 10-2 t
tiempo expresado en aos Luego, para t = 1/3, se tendr:
Q (t) = 1 - exp (- 4.10 -2 . 1/3) = 1 - 1 / 1,013288 = 1 - 0,986886 = 0,013114%.
La probabilidad de que el dispositivo falle antes de cuatro meses ser del
1,3114 %.
c. La probabilidad de que no se haya producido el fallo antes de los 6 meses
ser la fiabilidad para ese tiempo, que resultar: R (t) = exp (-lt) = exp (- 4.
10-2 . 1/2) = exp (- 0,002) = 0,998 Esto quiere decir que existe una
probabilidad del 99,80 % de que una vlvula no se avere antes de los seis
meses.

d. La probabilidad de que el tiempo de vida est comprendido entre 4 y 6
meses ser la diferencia entre la probabilidad de que falle antes de los 6 meses
y la de que falle antes de los 4 meses; matemticamente ser la diferencia
entre las infiabilidades de ambos periodos de tiempo sea:

Pr = Q (1/2) - Q (1/3) =[1 - exp (- 1/2)] - [1 - exp (- 1/3)] = =exp (- 1/3) - exp (-
1/2) = 0,1124 (11,24 %).







Representamos grficamente












Probabilidad de funcionamiento Diferencia de infiabilidade



e. Para determinar un intervalo de vida con una confianza del 90 %,











Probabilidad de funcionamiento Diferencia de infiabilidades
del 90% entre t1 y t2

Luego, debe verificarse que los valores de la infiabilidad para los momentos t, y
t 2 sern respectivamente :
Q (t1) = 0,05 Q (t2) = 0,95 Sustituyendo las expresiones anteriores por sus
respectivos valores tendremos:
1 - exp (- t1) = 0,05 1 - exp (-t2) = 0,95
Despejando: exp (- t1) = 0,95 exp (- t2) = 0,05 Invirtiendo: exp (t1) = 1,06 de
donde t1 = 0,05826 aos exp (t2) = 20 de donde t2 = 2,9957 aos
Luego para un nivel de confianza del 90 %, la vida de la vlvula estar
comprendida entre 0,05826 y 2,9957 aos.

2-LA DISTRIBUCIN GAMMA
Es una distribucin adecuada para modelizar el comportamiento de variables
aleatorias continuas con asimetra positiva. Es decir, variables que presentan
una mayor densidad de sucesos a la izquierda de la media que a la derecha.
En su expresin se encuentran dos parmetros, siempre positivos, () y () de
los que depende su forma y alcance por la derecha, y tambin la funcin
Gamma (), responsable de la convergencia de la distribucin. La distribucin
Gamma Es una distribucin adecuada para modelizar el comportamiento de
variables aleatorias continuas con asimetra positiva. Es decir, variables que
presentan una mayor densidad de sucesos a la izquierda de la media que a la
derecha. En su expresin se encuentran dos parmetros, siempre positivos, ()
y () de los que depende su forma y alcance por la derecha, y tambin la
funcin Gamma (), responsable de la convergencia de la distribucin.
LOS PARMETROS DE LA DISTRIBUCIN :
El primer parmetro () sita la mxima intensidad de probabilidad y por este motivo
en algunas fuentes se denomina la forma de la distribucin: cuando se toman
valores prximos a cero aparece entonces un dibujo muy similar al de la distribucin
exponencial. Cuando se toman valores ms grandes de () el centro de la distribucin
se desplaza a la derecha y va apareciendo la forma de una campana de Gauss con
asimetra positiva. Es el segundo parmetro () el que determina la forma o alcance
de esta asimetra positiva desplazando la densidad de probabilidad en la cola de la
derecha. Para valores elevados de () la distribucin acumula ms densidad de
probabilidad en el extremo derecho de la cola, alargando mucho su dibujo y
dispersando la probabilidad a lo largo del plano. Al dispersar la probabilidad la altura
mxima de densidad de probabilidad se va reduciendo; de aqu que se le denomine
escala. Valores ms pequeos de () conducen a una figura ms simtrica y
concentrada, con un pico de densidad de probabilidad ms elevado. Una forma de
interpretar () es tiempo promedio entre ocurrencia de un suceso. Relacionndose
con el parmetro de la Poisson como =1/. Alternativamente ser el ratio de
ocurrencia: =1/. La expresin tambin ser necesaria ms adelante para poder
llevar a cabo el desarrollo matemtico
RELACIN CON OTRAS DISTRIBUCIONES
Si se tiene un parmetro de valores elevados y pequea, entonces la funcin
Gamma converge con la distribucin normal. De media , y varianza . Cuando y la
distribucin Gamma es exactamente la distribucin exponencial con parmetro (=1).
Cuando la proporcin entre parmetros es entonces la variable aleatoria se distribuye
como una Chi-cuadrado con grados de libertad. Si =1, entonces se tiene la
distribucin exponencial negativa de parmetro =1/.
VENTAJAS
De esta forma, la distribucin Gamma es una distribucin flexible para modelizar las
formas de la asimetra positiva, de las ms concentradas y puntiagudas, a las ms
dispersas y achatadas. Como ejemplos de variables que se comportan as:
Nmero de individuos involucrados en accidentes de trfico en el rea
urbana: es ms habitual que la mayora de partes abiertos den la
proporcin de 1 herido por vehculo, que otras proporciones superiores.
Altura a la que se inician las precipitaciones; sucede de forma ms
habitual precipitaciones iniciadas a una altura baja, que iniciadas a
gran altitud.
Tiempo o espacio necesarios para observar X sucesos que siguen una
distribucin de Poisson. - Distribucin de la finura de fibras de lana: la
mayora presentan una menor finura que unas pocas fibras ms
gruesas.








Ejemplo
La informacin disponible acerca de la duracin de 10 sistemas mecnicos de
detectores de presencia sometidos a funcionamiento continuo hasta que se
produce un fallo, da los siguientes resultados, expresados por su duracin en
meses y ordenados : 1,7; 3,5 ; 5; 6; 8; 11; 13; 18 y 22.
Calcular las probabilidades acumuladas o valores medios clasificados, los
parmetros de Weibull, tipo de fallo, la fiabilidad de forma general, fiabilidad
para 12 meses, la duracin media de vida y la desviacin tipo.
Solucin
Con la ayuda de la tabla 2, que nos da directamente los valores medios
clasificados de los fallos o probabilidades acumuladas segn el tamao de la
muestra que en este caso es n = 10, tendremos:


3. LA DISTRIBUCIN DE WEIBUL
La distribucin de Weibull es una distribucin continua y
triparamtrica, es decir, est completamente definida por tres
parmetros y es la ms empleada en el campo de la confiabilidad.
A pesar de la popularidad de esta distribucin, en la revisin
bibliogrfica efectuada, la mayora de los artculos y literatura tcnica
consultados se remiten a una distribucin biparamtrica y, ms an,
los ejemplos all desarrollados presentan como datos conocidos los
dos parmetros, generndose, as, las siguientes preguntas: Cmo
se calculan los parmetros? y por qu se omite el clculo del tercer
parmetro? El tercer parmetro es el parmetro de localizacin, es
decir, el parmetro que localiza la abscisa a partir del cual se inicia la
distribucin.
El objetivo del presente artculo es responder a las dos preguntas
anteriores, presentando una de las cinco metodologas analticas
existentes para el clculo de los parmetros y algunos criterios para
determinar si es necesario tener en cuenta el tercer parmetro.
El mtodo que se presenta es el mtodo de los Mnimos Cuadrados,
por tres razones: la primera, es un mtodo simple y expedito de
aplicar; la segunda, la grfica de los datos sirven como una prueba
de bondad de ajuste de la distribucin y, la tercera, da un indicio
sobre si se debe calcular o no el parmetro de localizacin.
Para una metodologa grfica, la cual hace uso del papel especial
llamado papel de probabilidad de Weibull.
2. EXPRESIN MATEMTICA DE LA DISTRIBUCIN
La funcin de densidad de la distribucin de Weibull para la variable
aleatoria t est dada por la siguiente expresin:





Donde
t: Variable aleatoria que, para el caso de la confiabilidad, representa
el tiempo entre fallas.
: Parmetro de forma (0<<)
: Parmetro de escala (0<<)
: Parmetro de localizacin (-<)
El parmetro beta, como su nombre indica, determina la forma o
perfil de la distribucin, la cual es funcin del valor de ste.
El parmetro theta indica la escala de la distribucin, es decir,
muestra que tan aguda o plana es la funcin.
El parmetro delta indica, en el tiempo, el momento a partir del cual
se genera la distribucin.
Una distribucin biparamtrica est completamente definida por los
parmetros de forma y de escala.
La funcin confiabilidad R (t) de Weibull se determina por la siguiente
expresin:

La funcin distribucin acumulativa F (t) es el complemento de la
funcin confiabilidad y se define de la siguiente manera:

De la expresin anterior, se concluye que la funcin distribucin
acumulativa se puede interpretar como la probabilidad de falla.La
relacin entre la funcin confiabilidad y la funcin probabilidad de
falla se muestra en la figura 1.




Para ampliar la imagen haga clic sobre ella, regrese utilizando su
navegador.
3. DETERMINACIN DE LOS PARMETROS POR EL MTODO DE
LOS MNIMOS CUADRADOS
Como se mencion en el numeral uno, existen cinco mtodos para
calcular los parmetros de la distribucin de Weibull. Ellos son:
Mnimos cuadrados.
Grfico de la funcin tasa de falla.
Mxima similitud.
Estimacin de momentos.
Estimadores lineales.
Para ilustrar el mtodo de los mnimos cuadrados, se desarrollar
paso a paso un ejemplo.
El mtodo de los mnimos cuadrados permite calcular los parmetros
de forma y escala, mediante la transformacin doble logartmica de la
funcin de distribucin acumulativa (ecuacin 3). El clculo del
parmetro de localizacin es ms complejo, emplendose para ello
rutinas de clculo, como el programa Solver de Excel.
La transformacin doble logartmica permite transformar la funcin de
distribucin acumulativa en una ecuacin lineal de regresin.






3.1 Deduccin de la ecuacin lineal de regresin
Funcin acumulativa de Weibull.

Aplicando logaritmos naturales.
Propiedad exponencial de los logaritmos.
Aplicando logaritmos naturales.

La expresin (*) representa una ecuacin lineal de la forma

La cual es una recta de regresin, con:

De la expresin (**) se concluye que el parmetro de forma, , es la
pendiente de la recta de regresin.
De la expresin (***) se observa que el parmetro de escala, , est
en funcin del intercepto b de la recta de regresin y del parmetro
de escala; por lo tanto:
(4) Definicin de logaritmo.
3.2 Rango de mediana
Para poder trazar la recta de regresin, se debe calcular un estimador
para la funcin de distribucin acumulativa F(x). Este estimador,
llamado Rango de mediana, es un estimador no paramtrico basado
en el orden de las fallas. Este aspecto implica que la muestra de
datos se debe organizar de menor a mayor (en forma ascendente).
La expresin matemtica para este estimador es:

Donde:
W (i): Rango de mediana para un nivel de confianza (1-), donde
es el nivel de significancia y toma el valor de 0.5 para este estimador.
i: Orden de la falla.
n: Nmero total de datos de la muestra.
F, v1, v2: Valor crtico de la distribucin F, evaluada en el nivel de
significancia y con grados de libertad v1 y v2.
Dada la complejidad de la ecuacin (5), generalmente el rango de
mediana se aproxima mediante la siguiente expresin, exacta dentro
de 0.005 [1]:

Donde:
RM(xi): Rango de mediana.
i: Orden de falla.
n: Nmero total de datos de la muestra.
Dado que la ecuacin (5) es ms exacta, en los clculos se empelar
sta. Para facilitar su empleo, a continuacin se presenta el cdigo
fuente para crear una funcin definida por el usuario en Excel.
*n es el nmero de puntos de la
muestra.
ANLISIS DE WEIBULL
Uno de los problemas fundamentales de la distribucin de Weibull es
la evaluacin de los parmetros ( t0, h, ) de esta distribucin. Para
ello se dispone de dos mtodos: a travs nicamente del clculo
mediante el mtodo de los momentos o el de mxima verosimilitud,
en el que intervienen ecuaciones diferenciales difciles de resolver,
por lo que se utilizan poco, y mediante la resolucin grfica, que
utiliza un papel a escala funcional llamado papel de Weibull o grfico
de Allen Plait que es el que vamos a desarrollar.
Resolucin grfica
El papel de Weibull est graduado a escala funcional de la siguiente
forma:En el eje de ordenadas se tiene: In In [ 1 / 1 - F (t) ] (Doble
logaritmo neperiano)En el eje de abscisas



























Valores medios clasificados de fallos en funcin del tamao de la
muestra (columnas) y del nmero medio de fallos acumulados (filas)