Documentos de Académico
Documentos de Profesional
Documentos de Cultura
4 de septiembre de 2012
ndice general
1 Introduccin y objetivo de este estudio.
1.1 Introduccin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Objetivo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1
1
2 Fundamentos Tericos.
2.1 Evolucin histrica sobre el desarrollo de fallos . . . . .
2.1.1 Curva de Baera o de Davies . . . . . . . . . . . . .
2.1.2 Curvas de Fallos actuales . . . . . . . . . . . . . . .
2.2 Fiabilidad, Mantenibilidad y Disponibilidad . . . . . . .
2.2.1 Fiabilidad . . . . . . . . . . . . . . . . . . . . . . . .
2.2.2 Mantenibilidad . . . . . . . . . . . . . . . . . . . . .
2.2.3 Disponibilidad . . . . . . . . . . . . . . . . . . . . . .
2.3 Distribuciones estadsticas aplicadas al mantenimiento
2.3.1 Distribucin Normal . . . . . . . . . . . . . . . . . .
2.3.2 Distribucin Lognormal . . . . . . . . . . . . . . . .
2.3.3 Distribucin Rayleigh . . . . . . . . . . . . . . . . .
2.3.4 Distribucin Exponencial . . . . . . . . . . . . . . .
2.3.5 Distribucin de Gamma . . . . . . . . . . . . . . . .
2.3.6 Distribucin de Weibull . . . . . . . . . . . . . . . .
2.3.6.1 Caracterstica de vida, . . . . . . . . . . . . .
2.3.6.2 Caractersticas de la distribucin Weibull . . .
2.4 Clculo de los parmetros Weibull . . . . . . . . . . . . .
2.4.1 Rango de la mediana . . . . . . . . . . . . . . . . . .
2.4.2 Clculo de los parmetros y . . . . . . . . . . .
2.4.3 Clculo del parmetro . . . . . . . . . . . . . . . .
2.4.4 Consideraciones sobre el parmetro . . . . . . . .
2.5 Verificacin del modelo . . . . . . . . . . . . . . . . . . . .
2.5.1 Test 2 . . . . . . . . . . . . . . . . . . . . . . . . . .
2.5.2 Test de Kolmogorov-Smirnov (KS) . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
2
2
3
5
5
6
7
7
8
9
10
12
13
14
16
17
18
18
19
20
21
21
22
23
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
25
25
27
28
29
33
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4 Conclusiones
36
Apndices
37
38
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
40
41
42
44
46
NDICE GENERAL
Bibliografa
Fundacin UNED
NDICE GENERAL
49
II
ndice de figuras
2.1
2.2
2.3
2.4
2.5
2.6
2.7
2.8
2.9
2.10
2.11
2.12
Curva de Baera. . . . . . . . . . . . . . . . . . . . . . . . . . . .
Diferentes curvas de Fallos . . . . . . . . . . . . . . . . . . . . .
Curva que componen la Curva de Baera. . . . . . . . . . . . .
Soluciones posibles segn tipo de Fallos. . . . . . . . . . . . . .
Representacin de los estados TBF y TTR. . . . . . . . . . . . .
Distribucin Normal con = 0 y = 1. . . . . . . . . . . . . . .
Distribucin Lognormal con distintos parmetros . . . . . . .
Distribucin de Rayleigh para distintos valores de . . . . . . .
Distribucin Exponencial para distintos valores de . . . . . . .
Funcin de densidad y distribucin para distintos valores de .
Distribucin de Weibull para distintos valores de . . . . . . . .
Representacin de la tasa de fallo para distintos valores de . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
3
4
5
6
8
10
11
12
14
15
16
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
26
27
28
30
30
32
34
35
B.1
B.2
B.3
B.4
B.5
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
40
43
44
47
48
III
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
ndice de tablas
3.1
3.2
3.3
3.4
3.5
3.6
3.7
3.8
3.9
3.10
Datos ejercicio 1. . . . . . .
Resultados ejercicio 1, TBF.
Resultados ejercicio 1, TTR.
Resultados ejercicio 2. . . .
Datos ejercicio 3. . . . . . .
Resultados del ejercicio 3. .
Datos ejercicio 4. . . . . . .
Resultados ejercicio 4. . . .
Datos ejercicio 5. . . . . . .
Resultados ejercicio 5. . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
IV
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
25
25
25
27
29
29
31
31
33
33
1
Introduccin y objetivo de este
estudio.
1.1.
Introduccin
1.2.
Objetivo
2
Fundamentos Tericos.
2.1.
2.1.1.
La curva de la baera es un grfica que representa los fallos durante el perodo de vida til
de un sistema o mquina. Se llama as porque tiene la forma una baera cortada a lo largo.
2. Fundamentos Tericos.
Mortalidad Infantil o Fallos infantiles: esta etapa se caracteriza por tener una elevada tasa
de fallos que desciende rpidamente con el tiempo. Estos fallos pueden deberse a diferentes
razones como equipos defectuosos, instalaciones incorrectas, errores de diseo del equipo,
desconocimiento del equipo por parte de los operarios o desconocimiento del procedimiento
adecuado.
Fallos normales: etapa con una tasa de errores menor y constante. Los fallos no se producen debido a causas inherentes al equipo, sino por causas aleatorias externas. Estas causas
pueden ser accidentes fortuitos, mala operacin, condiciones inadecuadas u otros.
Fallos por desgastes: etapa caracterizada por una tasa de errores rpidamente creciente. Los
fallos se producen por desgaste natural del equipo debido al transcurso del tiempo.
2.1.2.
Fundacin UNED
2. Fundamentos Tericos.
Curva C Un constante incremento en la probabilidad de fallo. Slo un 5 % de los fallos siguen esta
curva. Coincide con equipos o sistemas sometidos a corrosin.
Curva D Un rpido incremento en la probabilidad de fallo, seguido de un comportamiento aleatorio.
Slo un 7 % de los fallos siguen esta curva. Coincide con equipos electrnicos digitales.
Curva E Fallos aleatorios: No hay relacin entre la edad funcional de los equipos y la probabilidad
de que fallen. Slo un 14 % de los fallos siguen esta curva. Coincide con fallos en rodamientos
bien diseados.
Curva F Alta mortalidad infantil, seguida de un comportamiento aleatorio de la probabilidad de
fallos. El 68 % de los fallos siguen esta curva. Coincide con fallos en equipos o sistemas hidrulicos y neumticos de diseo actual.
La conclusin obtenida del estudio de la aviacin fue que slo un 6 % siguen el desarrollo
de fallos segn las curvas A+B, y slo en stas, ser efectivo la aplicacin de los mantenimientos
preventivos.
Por lo tanto, existe otro 94 % de fallos que debido a su alta componente aleatoria de aparicin
de los fallos no merece la pena hacerle mantenimiento preventivo. ste slo inducir en la aparicin
de nuevos fallos por la manipulacin innecesaria de los equipos y producir un aumento en los
costes por mantenimiento preventivo.
Por ltimo se muestra en la Figura 2.31 la curva de la baera formada por las tres curvas
que la componen y a continuacin de sta en la Figura 2.42 aparece en una matriz las posibles
soluciones en funcin del tipo de fallo producido.
1 La
2 La
imagen de las composicin de la curva de la baera ha sido obtenida de la bibliografa nmero [2].
imagen de la matriz de tipo de fallo - solucin ha sido obtenida de la bibliografa nmero [2].
Fundacin UNED
2. Fundamentos Tericos.
2.2.
2.2.1.
Z
M T BF =
R(t)dt
(2.1)
imagen que representa los estados TBF y TTR ha sido obtenida de la bibliografa nmero [1].
Fundacin UNED
2. Fundamentos Tericos.
(2.2)
F (t) es la Funcin de Distribucin Acumulada siendo la probabilidad de que un componente nuevo no sobreviva ms del tiempo t.
F (t) = P (T t)
(2.3)
Derivando esta ltima obtenemos la Funcin de Densidad f (t). sta nos da una idea de la
dispersin de la vida del componente.
f (t) =
d
F (t)
dt
(2.4)
Dividiendo la ecuacin 2.4 entre la ecuacin 2.2 obtenemos la Tasa de Fallos (t).
(t) =
f (t)
R(t)
(2.5)
(t) es una caracterstica de fiabilidad del componente. No tiene interpretacin fsica directa.
Es bastante comn que el comportamiento de fallos de un componente sea descrito en trminos de
su tasa de fallos.
2.2.2.
Mantenibilidad
Fundacin UNED
2. Fundamentos Tericos.
es el MTTR (Mean Time To Repair) o como se conoce en castellano Tiempo Medio de Reparacin.
En la Figura 2.5 aparece su ecuacin y la representacin de los distintos TTR que componen el
MTTR.
Es la propiedad de un sistema que representa la cantidad de esfuerzo requerida para conservar su funcionamiento normal o para restituirlo una vez se ha presentado un evento de fallo.
Se dir que un sistema es Altamente mantenible cuando el esfuerzo asociado a la restitucin sea
bajo. Sistemas poco mantenibles o de Baja mantenibilidad requieren de grandes esfuerzos para
sostenerse o restituirse.
Su Tasa de Reparacin es (t):
(t) =
2.2.3.
1
MTTR
(2.6)
Disponibilidad
D(t) =
2.3.
M T BF
R(t)
=
R(t) + M (t)
M T BF + M T T R
(2.7)
Las distribuciones de probabilidad son funciones matemticas tericas que se utilizan para
realizar previsiones, que describen la forma en que se espera que varen los resultados de un
experimento. Por lo tanto son tiles en mantenimiento, debido a que, ayudan a tomar decisiones en
condiciones de incertidumbre.
Las distribuciones que explicaremos para la aplicacin de este proyecto son:
Fundacin UNED
2. Fundamentos Tericos.
Existen otras pero en este estudio nos centraremos en la nombradas anteriormente, por ser
las que estn relacionadas con la distribucin de Weibull.
2.3.1.
Distribucin Normal
0.6
0.4
Distribucin de probabilidad
0.2
0.0
0.0
0.2
0.1
Distribucin de densidad
0.3
0.8
1.0
0.4
La grfica de su funcin de densidad tiene una forma acampanada y es simtrica respecto de un determinado parmetro estadstico. Esta curva se conoce como campana de Gauss. La
importancia de esta distribucin radica en que permite modelar numerosos fenmenos naturales,
sociales y psicolgicos.
f (x) =
1 x 2
1
e 2 ( )
2
(2.8)
es la media
es la desviacin estndar
Fundacin UNED
2. Fundamentos Tericos.
,2 (x) =
(u)2
2 2
du
(2.9)
Esta funcin se puede expresar en trminos de la funcin especial llamada funcin de error
(erf ) de la siguiente forma:
1
x
,2 (x) =
1 + erf ( )
2
2
(2.10)
2.3.2.
Distribucin Lognormal
Es la distribucin de probabilidad de cualquier variable aleatoria con su logaritmo normalmente distribuido. Si x es una variable aleatoria con una distribucin normal, entonces ex tiene
una distribucin lognormal.
Una variable puede ser modelada como lognormal si puede ser considerada como un producto multiplicativo de muchos pequeos factores independientes. Un ejemplo tpico es un retorno
a largo plazo de una inversin: puede considerarse como un producto de muchos retornos diarios.
La distribucin lognormal tiende a la funcin densidad de probabilidad:
f (x; , ) =
x 2
e(ln x)
/2 2
(2.11)
Para x > 0 donde y son la media y la desviacin estndar del logaritmo de variable. En
la Figura 2.7 se puede ver como vara la funcin para distintos parmetros de .
Su funcin de distribucin tambin se puede poner en funcin de la funcin de error (erf ):
,2 (x) =
Fundacin UNED
1
ln(x)
1 + erf
2
2
(2.12)
0.6
1.0
2. Fundamentos Tericos.
0.3
0.4
=3
0.4
Distribucin de probabilidad
=2
=0
= 0.5
0.2
0.2
Distribucin de densidad
0.5
= 0.5
0.6
0.8
=0
0.1
=2
0.0
0.0
=3
La distribucin Lognormal tiene su tasa de fallo creciente y suele utilizarse para modelar la
fiabilidad de componentes estructurales y electrnicos.
Su desventaja es que es bastante difcil tratarla de forma algebraica, pero su ventaja es
que surge naturalmente como la convolucin de distribuciones exponenciales. Por tanto, tiene un
inters prctico considerable con relacin a los procesos de fallos fsicos.
2.3.3.
Distribucin Rayleigh
Es una funcin de distribucin continua. Se suele presentar cuando un vector bidimensional tiene sus dos componentes, ortogonales, independientes y siguen una distribucin normal. Su
Fundacin UNED
10
2. Fundamentos Tericos.
1.2
1.0
0.8
1.0
= 0.5
Distribucin
= 0.5
0.4
=2
0.6
0.6
= 1.5
=1
0.4
Densidad
0.8
=1
0.2
0.2
= 1.5
0.0
0.0
=2
f (x; ) =
xe
x2
2 2
(2.13)
F (x; ) = 1 e
x2
2 2
(2.14)
r
E(x) =
Fundacin UNED
(2.15)
11
2. Fundamentos Tericos.
2.3.4.
Distribucin Exponencial
0.5
1.0
0.8
0.6
= 0.5
=1
0.2
0.2
0.3
= 1.5
0.4
Distribucin de probabilidad
=1
0.1
Densidad de probabilidad
0.4
= 0.5
0.0
0.0
= 1.5
10
10
ex
0
x0
de otro modo
(2.16)
F (x) = P (X x) =
0
1 ex
para x < 0
para x 0
(2.17)
Su tasa de fallo:
(x) =
(2.18)
R(x) = ex
Fundacin UNED
(2.19)
12
2. Fundamentos Tericos.
E(x) = M edia =
(2.20)
2.3.5.
Distribucin de Gamma
f (x) =
1
()
x1 ex/
(2.21)
Fundacin UNED
13
1.0
2.0
2. Fundamentos Tericos.
1.0
=5
0.6
=3
=1
0.4
Distribucin de probabilidad
1.5
=2
=2
=3
0.2
0.5
Distribucin de densidad
0.8
=1
0.0
0.0
=5
F (x) = P [X x] =
()
u1 eu/ du
(2.22)
E(x) =
2.3.6.
(2.23)
Distribucin de Weibull
Fundacin UNED
14
2. Fundamentos Tericos.
1
x
x
e( )
f (x; , , ) =
x0
(2.24)
para x < 0
0.8
2.5
1.5
= 1.5
= 2.5
=5
0.6
= 0.5
=1
0.4
Distribucin de probabilidad
=1
= 1.5
= 2.5
0.5
0.2
1.0
Densidad de probabilidad
2.0
= 0.5
0.0
0.0
=5
0.0
0.5
1.0
1.5
2.0
2.5
F (x; , , ) = 1 e(
(2.25)
Fundacin UNED
15
2. Fundamentos Tericos.
(x; , , ) =
1
(2.26)
En la Figura 2.12 se puede como vara la tasa de fallo para distintos valores de y .
0.014
0.016
TASA DE FALLO
<1
0.012
=1
>1
0.008
= 170
= 90
0.002
0.004
0.006
0.010
= 1000
20
40
60
80
100
R(x) = e(
(2.27)
1
E(x) = M edia = + 1 +
(2.28)
2.3.6.1.
Caracterstica de vida,
La Vida Caracterstica es el valor del dato que corresponde al 63,2 % del valor del Rango
Medio de la lnea recta o dicho de otro modo, la edad a la cual el 63,2 % de las unidades podran
fallar. Este 63,2 % es,
4 La explicacin en detalle de esta funcin queda fuera del objetivo de este proyecto para ms informacin puede consultar
el siguiente enlace: Funcin Gamma.
Fundacin UNED
16
2. Fundamentos Tericos.
F (x = , ) = 1 e(x/) = 1 e(1) = 1
1
= 0,632 = 63,2 %
e1
2.3.6.2.
Fundacin UNED
17
2. Fundamentos Tericos.
= 1 Distribucin Exponencial.
= 2 Distribucin de Rayleigh.
3 6 6 4 Distribucin Normal.
2.4.
2.4.1.
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 la mediana, es un estimador no
paramtrico basado en el orden de las fallos. 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:
W (xi ) =
i
ni+1
F1,2(ni+1),2i +
i
ni+1
(2.29)
Donde:
W (xi ) 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 del fallo
n Nmero total de la muestra
F1,2(ni+1),2i Valor crtico de la distribucin F de Snedecor 5 , evaluada en el nivel de significancia y con grados de libertad v1 = 2(n i + 1) y v2 = 2i.
5 La explicacin en detalle de esta funcin queda fuera del objetivo de este proyecto para ms informacin puede consultar
el siguiente enlace: Distribucin F de Snedecor.
Fundacin UNED
18
2. Fundamentos Tericos.
Dada la complicacin de la ecuacin 2.29 en la literatura tcnica est muy extendido utilizar
para aproximar el rango de la mediana la siguiente expresin:
RM (xi ) =
i 0,3
n + 0,4
(2.30)
Aunque la ecuacin 2.30 es menos exacta que la ecuacin 2.29. En este estudio se utilizar
la ecuacin 2.29.
2.4.2.
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.
Partimos de la funcin de distribucin de Weibull y operando con ella llegamos:
F (x)
e(x/)
1
e(x/)
1
1 F (x)
1
ln
1 F (x)
1
ln
1 F (x)
1
ln ln
1 F (x)
1
ln ln
1 F (x)
1
ln ln
1 F (x)
1
ln ln
1 F (x)
1 e(x/)
1 F (x)
1 F (x)
= e(x/)
=
ln e(x/)
(x/)
ln(x/)
= ln(x/)
= (ln(x) ln())
= ln(x) ln()
y = ax + b
La cual es una recta de regresin con los siguientes parmetros:
y = ln ln
Fundacin UNED
1
1 F (x)
; a = ; x = ln(x) ; b = ln()
(2.31)
19
2. Fundamentos Tericos.
b = ln()
b
= ln()
e(b/)
eln()
Quedando como:
= eb/
2.4.3.
(2.32)
1. Se va dando valores a y para cada uno de ellos se repetir el proceso. Donde x es el vector
de los datos de la muestra, que para nuestro caso por ejemplo sern T BF y T T R.
x0i = xi i
2. Se calcula los valores del eje de abscisas y ordenadas como:
Abscisas: ln(x0i )
Ordenadas: ln(ln( 1F1 (x) )) donde F (x) son los valores del Rango de Mediana.
n
o
Conjunto de puntos: Conjunto = ln(x0i ); ln(ln( 1F1 (x) ))
3. Clculo de la lnea de regresin del conjunto de puntos anteriores mediante mnimos cuadrados.
4. Clculo del error o residuo para cada punto del conjunto anterior.
ei = yi yDe
la linea regresion
Fundacin UNED
20
2. Fundamentos Tericos.
En este estudio se ha calculado mediante el cdigo de R que puedes encontrar en el apndice B.2, en el que vienen todas las operaciones detalladas.
Una vez obtenido el valor de habra que reajustar los parmetros de y de la seccin 2.4.2, teniendo en cuenta ahora que en la ecuacin 2.31 el valor introducido no ser x sino el
x0 definitivo, una vez calculado el min .
2.4.4.
2.5.
Para verificar la ley que describe la fiabilidad de los equipos, tomamos un conjunto de
observaciones y proponemos una hiptesis de que ellas siguen una determinada distribucin de
probabilidad (Normal, Exponencial, Weibull,...). Luego obtenemos los parmetros asociados a tal
distribucin de probabilidad.
La calidad del proceso anterior debe ser verificada. Para ello primero aceptamos que al
imponer una distribucin dada se incurre en algn error, pero queremos de que el riesgo de que
ello ocurra sea lo menor posible. Para contrastar los modelos elegidos utilizaremos:
El Test
Los dos contrastes de hiptesis pueden aplicarse a cualquier tipo de variables aunque estn
especialmente indicados para variables de tipo discreto o cualitativo en el caso del primero de ellos
(test de 2 bondad de ajuste) y para variables de tipo continuo en el segundo (test de KolmogorovSmirnov).
Fundacin UNED
21
2. Fundamentos Tericos.
2.5.1.
Test 2
supongamos que tenemos una muestra de tamao N de una variable aleatoria discreta o
cualitativa, X, ajustada a un modelo dado por una distribucin.
Consideremos una particin del conjunto de valores que puede tomar la variable: S1 , ..., Sn .
En principio, esta particin podran ser simplemente todos y cada uno de los valores que toma la
variable X, pero, como veremos, es posible que tengamos que agrupar algunos de ellos.
Seguidamente, consideremos la probabilidad, segn la distribucin dada por el ajuste que
queremos evaluar, de cada una de estas partes.
pi = P [X Si /H0 ] > 0
(2.33)
D=
r
X
(Oi N pi )2
N pi
i=1
(2.34)
Si, para una muestra dada, esta variable aleatoria toma un valor d muy alto, indica que
los valores observados no cuadran con el ajuste que hemos propuesto (con lo cul se rechazara
la hiptesis nula en favor de la alternativa); si, por el contrario, toma un valor d bajo, indica que
nuestro ajuste corresponde bien con los datos de la muestra, por lo que es aceptable la hiptesis
nula.
El problema final es decidir cundo el valor de la variable aleatoria D y d, es lo suficientemente alto como para que nos resulte inaceptable el ajuste. Para decidirlo hay que tener en cuenta
que cuando N es razonablemente alto y la hiptesis H0 es cierta, la distribucin de probabilidad de
D es 2 con r k 1 grados de libertad, es decir,
N >>
D/H0 2rk1
(2.35)
donde k es el nmero de parmetros que han sido estimados en el ajuste y su valor es segn
la distribucin tomada:
Teniendo en cuenta este resultado, se calcula bajo esta distribucin la probabilidad de que
se de un valor todava ms alto que d (el p-valor, por tanto).
Fundacin UNED
22
2. Fundamentos Tericos.
p = P [D > d/H0 ]
(2.36)
2.5.2.
En este caso el test es aplicable sobre todo a variables de tipo continuo. Se basa en la
comparacin de la funcin de distribucin terica propuesta por el modelo cuyo ajuste estamos
evaluando con la funcin de distribucin emprica de los datos.
Concretamente, si tenemos X1 , ..., XN una muestra de una variable aleatoria X, si notamos
por F (x) a la funcin de distribucin del modelo propuesto y por SN (x) a la funcin de distribucin
emprica asociada a la muestra, el estadstico que se utiliza para este contraste viene dado por:
(2.37)
A la hora de calcular este mximo debemos tener en cuenta que la variable x es de tipo
continuo.
La hiptesis nula a contrastar es:
Fundacin UNED
23
2. Fundamentos Tericos.
(2.38)
4. Se rechazar la hiptesis nula en favor de la alternativa si p = P [DN > dN ] < 0,05, con un
(1 p) 100 % de confianza.
Fundacin UNED
24
3
Aplicacin del mtodo de Weibull.
3.1.
Ejemplo biparamtrico
TBF(Horas)
110
330
120
220
225
218
TTR(Horas)
2
26
34
3
9
beta
2,382
alpha
234,435
R2
0,888
r
0,942
p.valor
0,81957
beta1
33,987
beta5
67,373
beta10
91,144
beta
0,795
alpha
15,976
R2
0,929
r
0,964
p.valor
0,991232
beta1
0,049
beta5
0,381
beta10
0,942
1
M T BF = 1 +
25
(3.1)
90
90
75
75
40 55
3
2
1
25
Infiabilidad (%)
7 10 15
7 10 15
40 55
25
Infiabilidad (%)
50
100
150
200
300
0.01
0.05
TBF
0.50
5.00
50.00
TTR
Figura 3.1: Grfico Weibull, ejercicio 1.
1
MTTR = 1 +
(3.2)
D(t) =
M T BF
= 0,919 ' 92 %
M T BF + M T T R
2,382
Fundacin UNED
26
de Distribucion (T )
Por ejemplo:
R(445,105) = P [T > 445,105] = 1 % Probabilidad de que la mquina dure ms del 445,105 Horas
es del 1 %.
R(371,591) = P [T > 371,591] = 5 % Probabilidad de que la mquina dure ms del 371,591 Horas
es del 5 %.
R(332,725) = P [T > 332,725] = 10 % Probabilidad de que la mquina dure ms del 332,725 Horas
es del 10 %.
1.0
R(200) = P [T > 200] = 49,58 % Probabilidad de que la mquina dure ms del 200 Horas es del
49,58 %.
0.8
Distribucin
0.0
0.2
0.4
0.6
Fiabilidad
100
200
300
400
500
Tiempo
3.2.
Ejemplo biparamtrico
Un grupo de rodamientos han durado: 801, 312, 402, 205, 671, 1150, 940, 495, 570. Se desea conocer la fiabilidad a las 600 Horas y el M T BF .
Cargamos los datos en el programa R y obtenemos los siguientes resultados:
n
9
beta
2,014
alpha
705,276
R2
0,998
r
0,999
p.value
0,999999
beta1
71,844
beta5
161,389
beta10
230,725
Fundacin UNED
27
Grfico de Weibull
90
40 55
25
7 10 15
Infiabilidad (%)
75
50
100
200
500
1000
2000
TBF
2,014
= 0,5143 = 51,43 %
1
= 624,9588 Horas
M T BF = 1 +
3.3.
Ejemplo triparamtrico
En la Tabla 3.5, se muestran los tiempos de operacin libre de fallos de una mquina. Se
desea conocer:
1
M T BF = + 1 +
= 7594,479 Horas
c) La fiabilidad cuando t = M T BF .
R(7594,479) = e(
Fundacin UNED
7594,4791462
6776,46
1,471
28
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Tiempo (Horas)
2175
2800
3300
3800
4250
4650
5250
5840
6300
6700
7150
7800
8500
9200
10500
11000
12600
1400
15800
beta
1,471
eta
6776,46
gamma.min
1462
R2
0,999
r
0,999
p.value
0,446702
beta1
297,075
beta5
899,683
beta10
1467,607
1,471
R(t) = e( 6776,46 )
= 0,95 = 95 %
En el grfico 3.4 se puede ver con lnea negra discontinua la beta5 y la beta10 que coincide con el
valor del grfico cuando se tiene en cuenta ,
t = ( ln(0,95))1/ = 899,683 Horas
despejando t de la ecuacin obtenemos,
t = ( ln(0,95))1/ + = 2361,683 Horas
por lo que establecemos el intervalo de mantenimiento preventivo cada 2361 Horas, para asegurarnos con una probabilidad 95 % de que la mquina trabaje sin fallos.
3.4.
Ejemplo triparamtrico
Los tiempos de fallos de una mquina empaquetadora son los que aparecen en la siguiente
tabla 3.7:
Aplicamos a los datos el cdigo de programacin de la seccin B.3 y obtenemos los resultados en la Tabla 3.8, as como el grfico 3.5.
Observando la Tabla 3.8 se puede ver como el P valor < 0,05 por lo tanto rechazamos la
hiptesis de que este registro de datos provenga de una distribucin de Weibull con parmetros
Fundacin UNED
29
Grfico de Weibull
95
0.6
85
70
55
40
30
Infiabilidad (%)
0.4
15 20
0.5
(min) = 1462
0.3
4 5
0.2
500
1000
1500
1000
2000
Gamma
3500 6000
11000
TBF
Grfico de Weibull
1.7
95
85
70
1.6
55
40
30
15 20
Infiabilidad (%)
1.4
1.5
(min) = 207
1.3
1.1
50
100
Gamma
150
200
4 5
1.2
50
100
200
400
TBF
Fundacin UNED
30
i
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Tiempo (Horas)
225
255
259
317
320
323
326
327
330
332
457
485
501
594
599
625
640
beta
1,282
eta
226,331
gamma.min
207
R2
0,942
r
0,971
p.value
4,78E-07
beta1
6,257
beta5
22,313
beta10
39,12
1
M T BF = + 1 +
= 416,6357 Horas
t207
1,282
R(t) = e( 226,331 )
As como la curva de la tasa de fallo es,
(t) =
1, 282
226, 331
t 207
226, 331
1,2821
Fundacin UNED
31
0.004
0.003
Tasa de fallo
0.002
0.6
0.000
0.2
0.001
0.4
R(t)
0.8
0.005
0.006
1.0
200
300
400
500
600
200
300
Tiempo
400
500
600
Tiempo
R(416,6357) = e(
(416,6357) =
416,6357207
226,331
1, 282
226, 331
1,282
= 0,4039619 = 40,40 %
416,6357 207
226, 331
1,2821
= 0,00554
por ltimo estableceremos los plazos de mantenimiento preventivo para garantizar una fiabilidad del 95 %.
t207
1,282
R(t) = e( 226,331 )
= 0,95 = 95 %
En el grfico 3.5 se puede ver con lnea negra discontinua la beta5 y la beta10 que coincide
con el valor del grfico cuando se tiene en cuenta ,
Fundacin UNED
32
por lo que establecemos el intervalo de mantenimiento preventivo cada 229,3126 Horas, para
asegurarnos con una probabilidad 95 % de que la mquina trabaje sin fallos.
3.5.
Ejemplo biparamtrico
En la tabla 3.9 se puede ver los tiempos entre fallos de 10 trenes en kilmetros. Se desea
conocer las caractersticas de fiabilidad de dicho parque de trenes.
i
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
km/fallo
15570
17323
17034
16809
16246
17741
15990
21001
22587
36090
33877
39644
44003
44799
52300
54980
58921
57443
59657
64016
64812
72313
74993
78934
77456
84005
97565
101334
116432
187543
133676
160450
223940
beta
1,47
eta
72882,12
R2
0,9
r
0,949
p.value
0,787486
beta1
3188,307
beta5
9662,983
beta10
15767,98
Fundacin UNED
33
distribucin de Weibull con parmetros ( = 1, 47, = 72882, 12) al 95 % de confianza. Aunque hasta
ahora todo parece normal, hay que observar el grfico 3.7 en el que se ha marcado las coordenadas
con puntos y lneas para remarcar como a la izquierda del mismo existe una cola de datos hacia
abajo lo que es indicativo de que existe el parmetro de localizacin y para que los clculos
estuvieran ajustados habra que calcular este ejercicio de forma triparamtrica. Obviaremos esa
consideracin anterior y seguiremos trabajando con este ejercicio como si fuese biparamtrico.
Grfico de Weibull
90
40 55
25
7 10 15
Infiabilidad (%)
75
14000
18000 23000
30000
39000
50000
70000
90000
120000
160000
220000
TBF
Figura 3.7: Grfico del ejercicio 5.
Ahora vamos a calcular el M T BF ,
1
M T BF = 1 +
= 65961,85 Km/f allo
la fiabilidad asociada al M T BF ,
65961,85
1,47
R(65961,85) = e( 72882,12 )
= 0,4216457 = 42,16 %
(65961,85) =
Fundacin UNED
65961,85
1
= 1,924563e 05
34
0.0
2.5e05
2.0e05
1.0e05
0.2
1.5e05
0.4
R(t)
Tasa de fallo
0.6
0.8
3.0e05
3.5e05
En la imagen 3.8 podemos ver tanto el grfico de fiabilidad como la tasa de fallos, en ambos
viene marcado el valor obtenido para t = M T BF .
50000
150000
Tiempo
50000
150000
Tiempo
Fundacin UNED
35
4
Conclusiones
36
Apndices
37
A
Diagrama del proceso de trabajo de la
distribucin de Weibull aplicada al
mantenimiento
38
Fundacin UNED
39
B
Software de estadstica aplicada, R
Figura B.1: Captura de pantalla del cdigo R, corriendo sobre la plataforma RStudio.
LA figura B.1 es una captura de pantalla de la plataforma de trabajo de RStudio2 .
1 Para
2 Para
los interesados en este software pueden descargarlo del siguiente enlace: www.r-project.org
los interesados en esta plataforma pueden descargarla en el siguiente enlace: www.rstudio.org
40
B.1.
Clculo de los parmetros y grfico solucin para una distribucin de Weibull biparamtrica
A continuacin mostraremos el cdigo de programacin utilizado para calcular los parmetros de Weibull, su comprobacin mediante ajuste por mnimos cuadrados, la obtencin del
coeficiente de determinacin R2 y el coeficiente de correlacin r, y por ltimo se realizaremos un
test de la bondad del ajuste, que depender del tamao de la muestra. Si la muestra n es n > 50
realizaremos el test de 2 y si la muestra es 50 n realizaremos el test de Kolmogorov-Smirnov.
#################################################
########### CLCULO WEIBULL BIPARAMTRICA . ######
#################################################
# 1 Introduce l o s datos de l a muestra .
datos < c(801,312,402,205,671,1150,940,495,570)
# 2 Ordena de menor a mayor l o s datos .
datosOrdenados < sort ( datos )
# 3 c a l c u l a e l nmero de datos .
n < length ( datos )
# 4 Calcula e l RANGO DE MEDIANA.
i < 1:n
a < i / ( ni +1)
Fs < qf ( 0 . 5 , 2 ( ni +1) ,2 i ) # D i s t r i b u c i n F de Snedecor .
RM < a/ ( Fs+a ) # Rango de Mediana .
# 5 Valores de ( x , y ) para e l g r f i c o . " y " es una funcin .
Y < function ( d ) {
y < log ( log (1/(1d ) ) ) ; y
}
X < log ( datosOrdenados )
# 6 Crea tabla de datos .
Tabla < data . frame ( i , datosOrdenados ,RM, X, Y (RM) )
# 7 Calcula l i n e a de regresin y todos l o s parmetros .
e < lm ( Y (RM) ~ X)
beta < round ( coef ( e ) [ 2 ] , 3 )
i n t e r c e p to < round ( coef ( e ) [ 1 ] , 3 )
eta < round(1/exp ( i n t e r c e p t o /beta ) , 3 )
R2 < round (summary( e ) $r . squared , 3 )
r < round ( cor ( X, Y (RM) ) , 3 )
beta1 < round ( exp ( ( Y(1/100)i n t e r c e p t o ) /beta ) , 3 )
beta5 < round ( exp ( ( Y(5/100)i n t e r c e p t o ) /beta ) , 3 )
beta10 < round ( exp ( ( Y(10/100)i n t e r c e p t o ) /beta ) , 3 )
# 7 Dibuja e l g r f i c o . Una vez i n t r o d u c i d o nuevos datos hay que modificar las
#### coordenadas de x , a traves de la orden xlim ( ) dentro de l o s parmetros de p l o t .
plot ( x=datosOrdenados , y=Y (RM) , log= " x " , axes=F , lwd=2 , cex =1 , type= " p " , cex . lab =1.1 ,
main= " Grfico de Weibull " ,
xlim=c(50 ,2000) ,
ylim=Y ( c ( 0 . 0 1 , 0 . 9 9 ) ) ,
xlab= "TBF" ,
ylab= " I n f i a b i l i d a d ( %) " , col= " red " , pch=20)
curve ( add=TRUE, lwd=2 , betalog ( x )betalog ( eta ) , col= " red " )
ygrid < c ( 1 : 1 0 , seq (10 ,100 ,5) )
axis ( 2 ,Y ( ygrid/100) , ygrid , lwd=2)
xgrid < c ( seq(100 ,500 ,100) , seq(500 ,1500 ,500) ) # Una vez modificado l o s datos hay que ajustar
###### las l n e a s de d i v i s i n v e r t i c a l del g r f i c o .
axis ( 1 , lwd=2)
abline ( v=xgrid , h=Y ( ygrid/100) , col= " grey " )
abline ( l t y =2 ,h=Y(1exp( 1) ) , col= " blue " , lwd=2)
abline ( l t y =2 , h=Y ( 0 . 1 ) , col= " black " , lwd=2)
Fundacin UNED
41
abline ( l t y =2 ,
abline ( l t y =2 ,
abline ( l t y =2 ,
abline ( l t y =2 ,
abline ( l t y =2 ,
abline ( l t y =2 ,
El cdigo anterior cuando es compilado, muestra por pantalla los siguientes resultados y
genera el siguiente grfico: Figura B.2
n beta
eta
R2
r
p . value beta1
beta5 beta10
Resultados 9 2.014 705.276 0.998 0.999 0.9999995 71.844 161.389 230.725
[ 1 ] " Se ACEPTA l a HIPOTESIS NULA pv a l o r > 0.05. Los datos SI siguen una d i s t r i b u c i n de Weibull con
parmetros eta y beta . "
B.2.
Cdigo de programacin que nos permite obtener el parmetro as como su grfica (Figura B.3), en la que podemos ver como vara el Ecm .
################################################
####### CLCULO DEL PARMETROS GAMMA. ###########
#################################################
# 1 Introduce l o s datos de l a muestra .
datos < c(2175,2800,3300,3800,4250,4650,5250,5840,6300,6700,7150,
7800,8500,9200,10500,11000,12600,14000,15800)
# 2 Ordena de menor a mayor l o s datos .
datosOrdenados < sort ( datos )
# 3 c a l c u l a e l nmero de datos .
n < length ( datos )
Fundacin UNED
42
Grfico de Weibull
90
40 55
25
7 10 15
Infiabilidad (%)
75
50
100
200
500
1000
2000
TBF
Fundacin UNED
43
0.6
0.4
0.5
(min) = 1462
0.2
0.3
0.7
0.8
plot (gamma, ecm, type= " l " , col= " black " , lwd=2 , xlab= "Gamma" ,
ylab= " Error Cuadrtico Medio " , cex . lab =1.2)
points (gamma.min , min( ecm ) , pch=20, col= " blue " )
text (1500 , 0.5 , as . expression ( substitute (gamma(min) ==c , l i s t ( c= i ) ) ) , pos=2 ,
col= " blue " )
500
1000
1500
2000
Gamma
B.3.
Clculo de los parmetros y grfico solucin para una distribucin de Weibull triparamtrica
Fundacin UNED
44
Y < function ( d ) {
y < log ( log (1/(1d ) ) ) ; y
}
X < function ( g ) {
y < log ( g ) ; y
}
# 2 Calcula e l e r r o r cuadratico medio .
gamma <0
ecm<0
max < max( datos ) /10
for ( i in 1:max) {
resta< datosOrdenadosi
Xgamma < log ( resta )
regr < lm ( Y (RM) ~Xgamma)
ecm [ i ] < sqrt (sum( regr$residuals ^2)/length ( residuals ) )
gamma[ i ] < i
}
# 9 Busca e l v a l o r de gamma que hace mnimo e l e r r o r cuadrtico medio .
j<1
while ( ecm [ j +1]<ecm [ j ] ) {
j< j +1
gamma.min < j
}
datosCorregidos < datosOrdenados gamma.min
# 6 Crea tabla de datos .
Tabla < data . frame ( i , datosOrdenados , datosCorregidos , RM,X( datosCorregidos ) ,Y (RM) )
# 7 Calcula l i n e a de regresin y todos l o s parmetros .
e < lm ( Y (RM) ~ X( datosCorregidos ) )
beta < round ( coef ( e ) [ 2 ] , 3 )
i n t e r c e p to < round ( coef ( e ) [ 1 ] , 3 )
eta < round(1/exp ( i n t e r c e p t o /beta ) , 3 )
R2 < round (summary( e ) $r . squared , 3 )
r < round ( cor (X( datosCorregidos ) ,Y (RM) ) , 3 )
beta1 < round ( exp ( ( Y(1/100)i n t e r c e p t o ) /beta ) , 3 )
beta5 < round ( exp ( ( Y(5/100)i n t e r c e p t o ) /beta ) , 3 )
beta10 < round ( exp ( ( Y(10/100)i n t e r c e p t o ) /beta ) , 3 )
beta63 .2 < round ( exp ( ( Y(63.2/100)i n t e r c e p t o ) /beta ) , 3 )
par ( mfrow=c ( 1 , 2 ) )
plot (gamma, ecm, type= " l " , col= " black " , lwd=2 , xlab= "Gamma" ,
ylab= " Error Cuadrtico Medio " , cex . lab =1.2)
points (gamma.min , min( ecm ) , pch=20, col= " blue " )
text (max, 0.5 , as . expression ( substitute (gamma(min) ==c , l i s t ( c= j ) ) ) ,
pos=2 , col= " blue " )
# 7 Dibuja e l g r f i c o . Una vez i n t r o d u c i d o nuevos datos hay que modificar las
#### coordenadas de x , a traves de la orden xlim ( ) dentro de l o s parmetros de p l o t .
plot ( x=X( datosCorregidos ) , y=Y (RM) ,
#l o g =" x " ,
axes=F , lwd=2 , cex =1 , type= " p " , cex . lab =1.1 ,
main= " Grfico de Weibull " ,
#xlim=c (500 ,20000) ,
#ylim=Y ( c ( 0 . 0 1 , 0 . 9 9 ) ) ,
xlab= "TBF" ,
ylab= " I n f i a b i l i d a d ( %) " , col= " red " , pch=20)
abline ( e , col= " red " , lwd=2)
ygrid < c ( 1 : 1 0 , seq (10 ,100 ,5) )
axis ( 2 ,Y ( ygrid/100) , ygrid , lwd=2)
xgrid < c ( seq(500 ,5000 ,500) , seq(5000,20000,1000) ) # Una vez modificado l o s datos hay que ajustar
###### las l n e a s de d i v i s i n v e r t i c a l del g r f i c o .
axis ( 1 , X( xgrid ) , xgrid , lwd=2)
abline ( v=X( xgrid ) , h=Y ( ygrid/100) , col= " grey " )
Fundacin UNED
45
B.4.
R es un software muy flexible y con una gran repertorios de paquetes, continuamente actualizado por sus creadores, que pueden ser utilizado. Existe un paquete llamado weibulltoolkit
que calcula los parmetros de Weibull y realiza su grfica. Este paquete puede ser descargado del
siguiente enlace: The FATIMAT project.
Una vez obtenido e instalado el paquete, slo hay que ejecutar el siguiente cdigo:
########################################################
######## WEIBULL TOOLKIT ##############################
#######################################################
Fundacin UNED
46
Grfico de Weibull
0.6
90
75
40 55
25
7 10 15
0.4
Infiabilidad (%)
0.5
(min) = 1462
0.3
500
1000
0.2
1500
500
Gamma
1000
2000
5000 10000
TBF
# 1 Carga e l paquete .
library ( " w e i b u l l t o o l k i t " )
# 2 Introduce l o s datos .
data < c(400,140,300,220,440,530,620,710,850,1200,1000)
n < length ( data )
e < rep ( 1 ,n )
d < Surv ( time=data , event=e )
# 3 Dibuja e l g r f i c o y c a l c u l a sus parmetros .
plot .wb( d ,R=1000, legend . p o s i t i o n = " bottomright " , legend . text . s i z e =0.5 , legend . t i t l e = " Parameters " ,
s i g n i f =4 , i s . plot . legend=T , pch=1 , col= " blue " , lwd=2 , lwd . points=2 , col . grid= " grey " , i s . plot . bbb=
FALSE,
i s . plot . cb=TRUE)
Fundacin UNED
47
98
90
50
20
10
10
10
50
50
100
100
48
1000
1000
Time To Failure
500
500
Weibull Plot
5000
5000
R = 1000
curve (MRR, X on Y)
50000
Parameters
50000
98
90
50
20
10
5
2
Fundacin UNED
Unreliability [%]
Bibliografa
[1] Gonzlez Fernndez, F. J.: Teora y Prctica del Mantenimiento Industrial Avanzado, 4a
edicin, FUNDACIN CONFEMETAL.
[2] Gonzlez Fernndez, F. J.: REDUCCIN de COSTES y MEJORA de RESULTADOS en MANTENIMIENTO, FUNDACIN CONFEMETAL 2010.
[3] Dr. Ing. Rodrigo Pascual J.: Manual del Ingeniero de Mantenimiento. Gestin Moderna del
Mantenimiento, U. de Chile, Santiago, Versin 2.0, julio 2002.
[4] Mora Gutirrez L.A.: Mantenimiento Estratgico para empresas de servicios o industriales,
Edicin Noviembre 2005.
[5] Arques Patn J.L.: Ingeniera y Gestin del Mantenimiento en el Sector Ferroviario, Ediciones Daz de Santo 2009.
[6] David J Smith: Reliability, Maintainability - and Risk, Fifth Edition.
[7] Documento electrnico wikipedia: Fiabilidad de Sistemas.
[8] Documento electrnico wikipedia: Distribucin Normal.
[9] Documento electrnico wikipedia: Distribucin Lognormal.
[10] Documento electrnico wikipedia: Distribucin Rayleigh.
[11] Documento electrnico wikipedia: Distribucin Exponencial.
[12] Documento electrnico wikipedia: Distribucin de Weibulll.
[13] Documento electrnico de www.confiabilidad.net: Clculo de los Parmetros de la Distribucin de Weibull.
[14] Documento electrnico de www.industrialtijuana.com: La distribucin de Weibull.
[15] Dr. Ing. Rodrigo Pascual J.: The Weibull Distribution A Handbook, Horst Rinne, JustusLiebig-University, Giessen, Germany, 2009.
[16] Documento electrnico wikipedia: Mantenibilidad.
[17] Documento electrnico Universidad de Jaen: Apuntes de estadsticas para ingenieros.
[18] Documento electrnico Universidad de Santiago de Compostela: Prcticas de Estadstica en
R.
[19] Documento electrnico: Distribucin Gamma.
[20] Documento electrnico de www.mantenimientoplanificado.com: FUNDAMENTOS DEL ANLISIS DE WEIBULL.
49
BIBLIOGRAFA
BIBLIOGRAFA
[21] Documento electrnico de www.rcmingenieria.com: CONFIABILIDAD Y ANLISIS ESTADSTICO PARA LA PREDICCIN DE FALLAS, SEGURIDAD, SUPERVIVENCIA, RIESGO, COSTO
Y GARANTAS DE LOS EQUIPOS.
[22] Documento electrnico blog: Optimizacin del Mantenimiento PIMM/PIT de U.N.E.R.M.B.
Fundacin UNED
50