Está en la página 1de 55

UNED

PROYECTO FIN DE POSTGRADO

Estudio de mejora del


mantenimiento mediante la
aplicacin de la distribucin de
Weibull a un histrico de fallos.

Eduardo Romero Lpez


Ingeniero Tcnico Industrial (Mecnica)

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

3 Aplicacin del mtodo de Weibull.


3.1 Ejemplo biparamtrico . . . . . .
3.2 Ejemplo biparamtrico . . . . . .
3.3 Ejemplo triparamtrico . . . . .
3.4 Ejemplo triparamtrico . . . . .
3.5 Ejemplo biparamtrico . . . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

25
25
27
28
29
33

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

4 Conclusiones

36

Apndices

37

A Diagrama del proceso de trabajo

38

B Software de estadstica aplicada, R


B.1 Solucin distribucin biparamtrica .
B.2 Clculo del parmetro . . . . . . . .
B.3 Solucin distribucin triparamtrica .
B.4 Paquete Weibull toolkit . . . . . . . . .

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

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

Grfico Weibull, ejercicio 1. . . . . . . . . . . . . .


Funcin de Distribucin y Fiabilidad, ejercicio 1.
Grfico de Weibull ejercicio 2. . . . . . . . . . . . .
Grfico de Weibull ejercicio 3. . . . . . . . . . . . .
Grfico de Weibull ejercicio 4. . . . . . . . . . . . .
Grfico de fiabilidad y tasa de fallo, ejercicio 4. .
Grfico del ejercicio 5. . . . . . . . . . . . . . . . .
Fiabilidad y tasa de fallo del ejercicio 5. . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

26
27
28
30
30
32
34
35

B.1
B.2
B.3
B.4
B.5

Captura de pantalla del cdigo R, corriendo sobre la plataforma RStudio.


Grfico de Weibull obtenido a travs de la compilacin del programa. . .
Grfico del Ecm frente a . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Grfico del parmetro y su grfico de Weibull asociado. . . . . . . . . .
Grfico de Weibull obtenido del paquete Weibulltoolkit. . . . . . . . . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

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

La realizacin de un estudio de mejora de los mantenimientos preventivos, basndonos para


ello en tcnicas estadsticas en concreto la distribucin de Weibull.
Para la realizacin del mismo utilizaremos el software libre R. Siendo ste un lenguaje y
entorno de programacin orientado a objetos para anlisis estadstico y grfico.

1.2.

Objetivo

El objetivo es hallar mediante la aplicacin estadstica en que etapa de la vida se encuentra


el equipo o conjunto de equipos.
Nos interesa conocer los que se encuentran en etapa de mortalidad infantil, para no aplicarles mantenimiento preventivo con el consiguiente ahorro que producir y los que se encuentren
en la etapa de vida til para optimizar los periodos de mantenimiento preventivo y as obtener un
ahorro en cuanto a frecuencia de preventivo como en mejora de la disponibilidad.

2
Fundamentos Tericos.

2.1.

Evolucin histrica sobre el desarrollo de fallos

En este apartado veremos como ha ido evolucionando el desarrollo de fallos a lo largo de


la historia del mantenimiento. Partiendo de la conocida Curva de la Baera vlida para equipos
relativamente simples en los que la aparicin de fallos se deba principalmente a desgastes.
Con el avance de la tecnologa cada vez los equipos son ms complejos y poseen ms componentes elctricos - electrnicos. Dichos equipos no se ajusten a la teora de la curva de la baera.
Muchos estudios, sobre todo del sector de la aviacin han demostrado que existen al menos
seis curvas con diferente modo de aparicin de los fallos y slo un porcentaje muy pequeos de
ellos se ajustan fielmente a la curva de la baera.

2.1.1.

Curva de Baera o de Davies

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.

Figura 2.1: Curva de Baera.


En ella se pueden apreciar tres etapas:

2. Fundamentos Tericos.

2.1. Evolucin histrica sobre el desarrollo de fallos

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.

Curvas de Fallos actuales

Muchos de los planes de mantenimiento se han basado en la curva de la baera clsica


para definir los mismo pero estudios ms actuales procedente del sector de la aviacin y militar
han demostrado que los mecanismos de formacin de fallos no tienen porque seguir las pautas de
la curva de baera.
A continuacin se muestran en la Figura 2.2 las distintas curvas fallos a lo largo del tiempo
y el porcentaje de cada uno ellos segn un estudio de la aviacin:

Figura 2.2: Diferentes curvas de Fallos


Curva A La curva de baera: Alta mortalidad infantil, seguida de un bajo nivel de fallos aleatorios,
terminado en una zona de desgaste. Slo un 4 % de los fallos siguen esta curva. Coincide con
equipos mecnicos histricos.
Curva B El tradicional punto de vista: Pocos fallos aleatorios, terminando en una zona de desgaste.
Slo un 2 % de los fallos siguen esta curva. Coincide con Equipos o Sistemas sometidos a
fatiga y no diseados para vida infinita como por ejemplo sistemas electrnicos discretos.

Fundacin UNED

2. Fundamentos Tericos.

2.1. Evolucin histrica sobre el desarrollo de fallos

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.

Figura 2.3: Curva que componen la Curva de Baera.

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. Fiabilidad, Mantenibilidad y Disponibilidad

Figura 2.4: Soluciones posibles segn tipo de Fallos.

2.2.
2.2.1.

Fiabilidad, Mantenibilidad y Disponibilidad


Fiabilidad

La fiabilidad R(t) se define como la probabilidad de que un bien funcione adecuadamente


durante un perodo determinado bajo condiciones operativas especficas (por ejemplo, condiciones
de presin, temperatura, velocidad, tensin o forma de una onda elctrica, nivel de vibraciones,...
etc).
La fiabilidad se suele representar con la letra R (de la palabra inglesa Reliability), una medida
de la fiabilidad es el MTBF (Mean Time Between Failures), sta se relaciona con la duracin media
entre fallos.

Z
M T BF =

R(t)dt

(2.1)

En la prctica, la fiabilidad se mide como el tiempo medio entre ciclos de mantenimiento o el


tiempo medio entre dos fallos consecutivos MTBF. Se puede medir en general por horas, kilmetros,
horas de vuelo, piezas producidas,... etc.
En la Figura 2.53 se aprecia los distintos TBF que hacen referencia al tiempo de funcionamiento de un activo de mantenimiento y los TTR que se refieren a los tiempos de paradas por
reparacin.
3 La

imagen que representa los estados TBF y TTR ha sido obtenida de la bibliografa nmero [1].

Fundacin UNED

2. Fundamentos Tericos.

2.2. Fiabilidad, Mantenibilidad y Disponibilidad

Figura 2.5: Representacin de los estados TBF y TTR.


R(t) la Funcin de Fiabilidad, o dicho de otro modo, la probabilidad de que un componente
nuevo sobreviva ms del tiempo t, donde T se define como la vida del bien o componente.

R(t) = P (T > t) = 1 F (t)

(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

Se define mantenibilidad M (t) como la propiedad de que el equipo, despus de un fallo o


avera sea puesto en estado de funcionamiento en un tiempo dado. Una medida de la mantenibilidad

Fundacin UNED

2. Fundamentos Tericos.

2.3. Distribuciones estadsticas aplicadas al mantenimiento

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

Se define la disponibilidad D(t) como la probabilidad en el tiempo de asegurar un servicio


requerido.
Otra definicin comn en mantenimiento para la disponibilidad es: el porcentaje de equipos
o sistemas tiles en un determinado momento, frente al parque total de equipos o sistemas.
La ecuacin de la disponibilidad est en funcin de la fiabilidad y de la mantenibilidad,
siendo esta:

D(t) =

2.3.

M T BF
R(t)
=
R(t) + M (t)
M T BF + M T T R

(2.7)

Distribuciones estadsticas aplicadas al mantenimiento

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:

Distribucin Normal o de Gauss


Distribucin Lognormal
Distribucin Rayleigh
Distribucin Exponecial
Distribucin Gamma
Distribucin de Weibull

Fundacin UNED

2. Fundamentos Tericos.

2.3. Distribuciones estadsticas aplicadas al mantenimiento

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

Es una de las distribuciones de probabilidad de variable continua que con ms frecuencia


aparece aproximada en fenmenos reales.

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.

Figura 2.6: Distribucin Normal con = 0 y = 1.


Se dice que una variable aleatoria continua X sigue una distribucin normal de parmetros
y y se denota XN(,) si su funcin de densidad est dada por:

f (x) =

1 x 2
1
e 2 ( )
2

(2.8)

es la media
es la desviacin estndar

Su funcin de distribucin es:

Fundacin UNED

2. Fundamentos Tericos.

2.3. Distribuciones estadsticas aplicadas al mantenimiento

,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)

Algunas propiedades de la distribucin normal son:

Es simtrica respecto de su media,


La moda y la mediana son ambas iguales a la media,
Los puntos de inflexin de la curva se dan para x = y x = +
El intervalo [ , + ] se encuentra comprendida, aproximadamente, el 68,26 % de la distribucin
El intervalo [ 2, + 2] se encuentra comprendida, aproximadamente, el 95,44 % de la
distribucin
El intervalo [ 3, + 3] se encuentra comprendida, aproximadamente, el 99,74 % de la
distribucin

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)

2.3. Distribuciones estadsticas aplicadas al mantenimiento

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

Figura 2.7: Distribucin Lognormal con distintos parmetros .


Representando la funcin de distribucin y dndole distintos valores de , como se puede
ver en la Figura 2.7.
Algunas propiedades de la distribucin lognormal son:

La media geomtrica, y la desviacin estndar geomtrica estn relacionadas. En este caso, la


media geomtrica es igual a e y la desviacin estndar geomtrica es igual a e .
1
1
]
, geo geo
El intervalo [ , + ] es equivalente a [geo /geo
2
2
]
, geo geo
El intervalo [ 2, + 2] es equivalente a [geo /geo
3
3
El intervalo [ 3, + 3] es equivalente a [geo /geo
, geo geo
]

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.

2.3. Distribuciones estadsticas aplicadas al mantenimiento

1.2

1.0

valor absoluto seguir entonces una distribucin de Rayleigh.

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

Figura 2.8: Distribucin de Rayleigh para distintos valores de .


Su funcin de densidad de probabilidad es:

f (x; ) =

xe

x2
2 2

(2.13)

Donde es un factor de escala.


Su funcin de distribucin de probabilidad es:

F (x; ) = 1 e

x2
2 2

(2.14)

Su esperanza matemtica es:

r
E(x) =

Fundacin UNED

(2.15)

11

2. Fundamentos Tericos.

2.3.4.

2.3. Distribuciones estadsticas aplicadas al mantenimiento

Distribucin Exponencial

0.5

1.0

En estadstica la distribucin exponencial es una distribucin de probabilidad continua con


un parmetro > 0 cuya funcin de densidad es:

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

Figura 2.9: Distribucin Exponencial para distintos valores de .



f (x) =

ex
0

x0
de otro modo

(2.16)

Su funcin de distribucin es:


F (x) = P (X x) =

0
1 ex

para x < 0
para x 0

(2.17)

Su tasa de fallo:

(x) =

(2.18)

Su funcin de Fiabilidad R(t):

R(x) = ex

Fundacin UNED

(2.19)

12

2. Fundamentos Tericos.

2.3. Distribuciones estadsticas aplicadas al mantenimiento

Su Esperanza matemtica o media:

E(x) = M edia =

(2.20)

La funcin de distribucin que se utiliza ms a menudo para modelar la fiabilidad es la


exponencial. El motivo es que:

Es sencilla de tratar algebraicamente


Se considera adecuada para modelar el intervalo de vida funcional del ciclo de vida del dispositivo
la distribucin exponencial aparece cuando la tasa de fallos es constante, (t) =

La tasa de fallos se considera constante, entonces la funcin de distribucin de los fallos es


exponencial. De las propiedades de sta se deduce que la probabilidad de que una unidad que est
trabajando falle en el prximo instante es independiente de cunto tiempo ha estado trabajando.
Esto implica que la unidad no presenta sntomas de envejecimiento: es igualmente probable que
falle en el instante siguiente cuando est nueva o cuando no lo est.

2.3.5.

Distribucin de 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.
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.
La funcin de densidad de la distribucin Gamma es:

f (x) =

1
()

x1 ex/

(2.21)

donde x > 0 y , son parmetros positivos. En la Figura 2.10 se muestra la funcin de


densidad.
La funcin de distribucin es,

Fundacin UNED

13

1.0

2.3. Distribuciones estadsticas aplicadas al mantenimiento

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

Figura 2.10: Funcin de densidad y distribucin para distintos valores de .

F (x) = P [X x] =

()

u1 eu/ du

(2.22)

como se puede ver en la Figura 2.10.


La esperanza matemtica es,

E(x) =

2.3.6.

(2.23)

Distribucin de Weibull

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 Fiabilidad.
En la literatura tcnica est muy extendida utilizacin de la distribucin de Weibull biparamtrica (, ), debido a que, el tercer parmetro es el parmetro de localizacin, es decir, el
parmetro que localiza la abscisa a partir del cual se inicia la distribucin. Trabajando de forma
biparamtrica se asume un error, por eso en este estudio se explicar el clculo de la distribucin
triparamtrica (, , ), debido a que sta es ms exacta.
La distribucin de Weibull es una distribucin de probabilidad continua. La funcin de
densidad de una variable aleatoria:

Fundacin UNED

14

2. Fundamentos Tericos.

2.3. Distribuciones estadsticas aplicadas al mantenimiento


1
x
x

e( )
f (x; , , ) =

x0

(2.24)

para x < 0

0.8

2.5

Donde > 0 es el parmetro de forma y > 0 es el parmetro de escala o caracterstica de


vida y el > 0 parmetro de localizacin de la distribucin.

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

Figura 2.11: Distribucin de Weibull para distintos valores de .


La distribucin modela la distribucin de fallos (en sistemas) cuando la tasa de fallos es
proporcional a una potencia del tiempo:

Un valor < 1 indica que la tasa de fallos decrece con el tiempo.


Cuando = 1, la tasa de fallos es constante en el tiempo.
Un valor > 1 indica que la tasa de fallos crece con el tiempo.

Su funcin de distribucin de probabilidad es:

F (x; , , ) = 1 e(

(2.25)

Para valores de x 0, siendo nula en x < 0.


En la Figura 2.11 se ve como vara la funcin de distribucin para distintos valores de .

Fundacin UNED

15

2. Fundamentos Tericos.

2.3. Distribuciones estadsticas aplicadas al mantenimiento

Siendo su tasa de fallo:

(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

Figura 2.12: Representacin de la tasa de fallo para distintos valores de .


El parmetro de forma nos indica el tipo de fallo que es, as como el tipo de distribucin
probabilstica que podemos seguir.
Su funcin de Fiabilidad R(t):

R(x) = e(

(2.27)

Su Esperanza matemtica o media:



1
E(x) = M edia = + 1 +

(2.28)

Donde ( ) es la funcin Gamma 4 .

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.

2.3. Distribuciones estadsticas aplicadas al mantenimiento

F (x = , ) = 1 e(x/) = 1 e(1) = 1

1
= 0,632 = 63,2 %
e1

En el Grfico de Weibull, puede hacer estimaciones de probabilidades utilizando la lnea


recta, o simplemente leyendo la probabilidad en el eje de ordenadas, para un dato. En este estudio
leeremos los siguientes puntos en el eje de ordenada:

beta1: El 1 % de la muestra fallar antes del tiempo marcado en el eje de abscisas o el 99 %


de la muestra fallar despus de dicho tiempo. Para hallarlo trazamos una paralela al eje de
abscisas hasta que corte la recta de regresin y donde corte trazamos una paralela al eje de
ordenadas que marcar el tiempo de fallo. Estas lneas en los grficos se trazarn en trazos
discontinuos y de color negro.
beta5: El 5 % de la muestra fallar antes del tiempo marcado en el eje de abscisas o el 95 % de
la muestra fallar despus de dicho tiempo. Estas lneas en los grficos se trazarn en trazos
discontinuos y de color negro.
beta10: El 10 % de la muestra fallar antes del tiempo marcado en el eje de abscisas o el 90 % de
la muestra fallar despus de dicho tiempo. Estas lneas en los grficos se trazarn en trazos
discontinuos y de color negro.

2.3.6.2.

Caractersticas de la distribucin Weibull

La distribucin de Weibull nos ayuda a conocer:

El tipo de mecanismos de fallo que ha sido el causante del mismo.


Cantidad de fallos que se pueden esperar en un futuro.
Fiabilidad de un equipo existente.

Tipo de fallos que se pueden dar:

0 < < 1 Mortalidad infantil.


= 1 Tasa de fallo constante.
Fallos aleatorio independiente del tiempo.
Errores humanos.
Errores de Mantenimiento.
Sistemas de varios componentes.
Combinacin de dos o tres modos de fallos diferentes.
1 < < 4 Tasa de creciente.
Implica desgastes tempranos.
Fatiga de baja frecuencia, con = 2,5 hasta = 4.
Fallos en rodamientos de bolas = 2.
Fallos en rodamientos de rodillos = 1,5.
Corrosin o erosin con = 3 hasta = 4.

Fundacin UNED

17

2. Fundamentos Tericos.

2.4. Clculo de los parmetros Weibull

Corrosin o esfuerzos con = 5 o mayor.


Fallos en correas = 2,5.
4 < Tasa de creciente.
Envejecimiento operacional.
Corrosin por esfuerzos.
Prdida de propiedades de los materiales.
Materiales frgiles como la cermica.
Algunos tipos de erosin.

Distribucin que pueden ser aproximadas a travs de la distribucin de Weibull:

= 1 Distribucin Exponencial.
= 2 Distribucin de Rayleigh.
3 6 6 4 Distribucin Normal.

2.4.

2.4.1.

Clculo de los parmetros de Weibull por el mtodo de los


mnimos cuadrados
Rango de la 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 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.

2.4. Clculo de los parmetros Weibull

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.

Clculo de los parmetros y

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()

La expresin anterior representa una ecuacin lineal de la forma:

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.

2.4. Clculo de los parmetros Weibull

De la expresin anterior se concluye que el parmetro de forma, , es la pendiente de la


recta de regresin. F (x) toma los valores del Rango de Mediana (ecuacin 2.29).
Tambin se observa que el parmetro de escala , est en funcin del intercepto b de la recta
de regresin y del parmetro de forma , por lo tanto:

b = ln()
b

= ln()

e(b/)

eln()

Quedando como:

= eb/

2.4.3.

(2.32)

Clculo del parmetro

El parmetro indica en el tiempo, el momento a partir del cual se genera la distribucin.


Este parmetro se halla por mtodos de estimacin. El proceso que se ha seguido es el siguiente:

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

5. Clculo del Error Cuadrtico Medio para cada valor de .


rP
e2i
Ecm =
n
6. Se representa grficamente el Ecm frente al valor de con el que ha sido calculado.
7. La solucin ser el valor de que hace mnimo el Error Cuadrtico Medio.

Fundacin UNED

20

2. Fundamentos Tericos.

2.5. Verificacin del modelo

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.

Consideraciones sobre el parmetro

Si al graficar los puntos de la muestra partiendo de una distribucin de Weibull biparamtrica


( = 0), aparece una cola de puntos hacia arriba o hacia abajo, separndose de la recta de
regresin entonces es un indicativo de que el parmetro de localizacin debe ser calculado.
Una cola hacia abajo es indicativo de que un parmetro de localizacin positivo est presente.
Una cola hacia arriba es indicativo de que un parmetro de localizacin negativo est presente.
Un parmetro de localizacin negativo se presenta cuando hay unidades con fallas en servicio,
o unidades en servicio con defectos que causarn fallos. Ejemplos:
Defectos originados durante el ensamble.
Defectos originados durante el transporte.
Defectos originados durante la instalacin o montaje.
Defectos originados durante el almacenamiento.
Valores grandes del parmetro de forma ( > 10) son otro indicativo de que el parmetro de
localizacin debe ser calculado.

2.5.

Verificacin del modelo

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

2 , cuando el tamao de la muestra n sea n > 50.

El Test de Kolmogorov-Smirnov (KS), cuando el tamao de la muestra n sea n 50.

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.

2.5. Verificacin del modelo

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)

De igual forma, calculemos Oi , el nmero de observaciones de la muestra que caen en cada


conjunto Si .
La idea del test es comparar el nmero de observaciones Oi que caen realmente en cada
conjunto Si con el nmero esperado de observaciones que deberan caer en Si si el ajuste es el dado
por nuestro modelo, que sera N pi . Para ello, una medida que compara estas dos cantidades:

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:

k = 1 para la distribucin Exponencial


k = 2 para la distribucin Normal
k = 3 para la distribucin de Weibull

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.

2.5. Verificacin del modelo

p = P [D > d/H0 ]

(2.36)

Si esta probabilidad es inferior al 5 %, se rechaza la hiptesis nula en favor de la alternativa


con un 95 % de confianza. Dicho de otra forma, se acepta la hiptesis nula slo si el valor de D entra
dentro del 95 % de resultados ms favorables a ella.
Resumen esquemtico del proceso:

1. Se enuncia el test definiendo H0 y H1 .


2. Si en la muestra se dan los valores x1 , ..., xm , se calculan las frecuencias esperadas segn el
ajuste propuesto de cada valor xi , N P [X = xi ], i = 1, ..., m. Si alguna de estas frecuencias es
inferior a 5, se agrupa con alguna de la ms cercana hasta que sumen una frecuencia mayor
o igual a 5. Se construye as la particin del conjunto de valores posibles para X, S1 , ...Sr ,
cuyas frecuencias esperadas son todas mayores o iguales a 5. En realidad, esto es slo una
recomendacin que puede relajarse: si alguna frecuencia esperada es slo ligeramente inferior
a 5, no es especialmente grave.
3. Se calculan las frecuencias observadas de cada Si , y lo notamos como Oi .
4. Se calcula el estadstico del test d.
5. Se calcula el p-valor asociado al valor del estadstico.
6. Se toma la decisin (para un nivel de confianza del 95 %):
Si p < 0,05, se rechaza la hiptesis nula en favor de la alternativa, con un 95 % de confianza.
Si p 0,05, se concluye que no hay evidencias en contra de alarmar que los datos se
ajustan a la distribucin dada.

2.5.2.

Test de Kolmogorov-Smirnov (KS)

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:

DN = Sup|F (x) SN (x)|

(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:

H0 : los datos de la muestra se ajustan a la distribucin dada por F (x).

Fundacin UNED

23

2. Fundamentos Tericos.

2.5. Verificacin del modelo

frente a la hiptesis alternativa:

H1 : los datos de la muestra no se ajustan a la distribucin dada por F (x).

Se rechazar la hiptesis nula en favor de la alternativa cuando el p-valor asociado al valor


que tome DN sea inferior a 0,05.
Resumen esquemtico del proceso:

1. Ordenamos los valores de la muestra de menor a mayor: x(1) , ..., x(N ) .


2. Construimos la funcin de distribucin emprica, que en cada valor de la muestra viene dado
i
por SN (x(i) ) = .
N
3. El valor del estadstico se calcula como:
dN = m
ax {max{|F (x(i) ) S(N(i) )|, |F (x(i) ) S(N(i1) )|}}
1iN

(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.

En el Apndice A se puede ver un diagrama de flujo completo, de la forma de trabajar con


la distribucin de Weibull aplicada al mantenimiento.

Fundacin UNED

24

3
Aplicacin del mtodo de Weibull.

3.1.

Ejemplo biparamtrico

El comportamiento de una mquina en el tiempo se muestra en la siguiente Tabla 3.1 donde


aparecen los distintos TBF y TTR. Se desea conocer cul fue la disponibilidad de la mquina.
i
1
2
3
4
5
6

TBF(Horas)
110
330
120
220
225
218

TTR(Horas)
2
26
34
3
9

Tabla 3.1: Datos ejercicio 1.


Partiendo de los datos de TBF compilamos el programa en R para hallar los parmetros de
Weibull as como su grfico (Figura 3.1), los resultados son los siguientes:
n
6

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

Tabla 3.2: Resultados ejercicio 1, TBF.


Se puede ver que el coeficiente de determinacin R2 y el coeficiente de correlacin r no estn
en el rango que aconseja el mtodo A por poca diferencia pero como el p valor > 0,05 aceptamos
con un nivel de confianza del 95 % que la muestra de datos proviene de una distribucin de Weibull
y damos por bueno los parmetros obtenidos.
Y para los TTR:
n
5

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

Tabla 3.3: Resultados ejercicio 1, TTR.


Ahora calculamos el MTBF :



1
M T BF = 1 +

25

(3.1)

90

3.1. Ejemplo biparamtrico

90

3. Aplicacin del mtodo de Weibull.

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.

Obtenindose un M T BF = 207,794 Horas.


Ahora calculamos el MTTR:



1
MTTR = 1 +

(3.2)

Obtenindose un M T T R = 18,182 Horas.


Con los datos anteriores podemos calcular la disponibilidad de la mquina como:

D(t) =

M T BF
= 0,919 ' 92 %
M T BF + M T T R
2,382

Representando la funcin de distribucin F (x; 234,345; 2,382) = 1 e(x/234,345)


y la funcin
2,382
de fiabilidad R(x; 234,345; 2,382) = e(x/234,345)
como se muestra en la Figura 3.2 podemos calcular
la probabilidad de que la mquina dure ms de T horas sin fallos.

Fundacin UNED

26

3. Aplicacin del mtodo de Weibull.

3.2. Ejemplo biparamtrico

R(t) = P [T > t] = 1 PF uncion

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

Figura 3.2: Funcin de Distribucin y Fiabilidad, ejercicio 1.

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

Tabla 3.4: Resultados ejercicio 2.


Aceptamos los datos de la muestra que sigue una distribucin de Weibull con un nivel de
confianza del 95 %.

Fundacin UNED

27

3. Aplicacin del mtodo de Weibull.

3.3. Ejemplo triparamtrico

Grfico de Weibull

90

40 55

25

7 10 15

Infiabilidad (%)

75

50

100

200

500

1000

2000

TBF

Figura 3.3: Grfico de Weibull ejercicio 2.

2,014

R(600) = P [T > 600] = 1 e( 705,276 )


600

= 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:

a) Los parmetros de Weibull.


Aplicamos a los datos el cdigo de programacin de la seccin B.3 y obtenemos los resultados en
la siguiente Tabla 3.6, as como el grfico 3.4.
b) M T BF .


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

= 0,264158 ' 26,42 %

28

3. Aplicacin del mtodo de Weibull.

3.4. Ejemplo triparamtrico

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

Tabla 3.5: Datos ejercicio 3.


n
19

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

Tabla 3.6: Resultados del ejercicio 3.


d) Establecer los plazos de mantenimiento preventivo para garantizar una fiabilidad del 95 %.
t1462

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

3. Aplicacin del mtodo de Weibull.

3.4. Ejemplo triparamtrico

Grfico de Weibull
95

0.6

85

70

55

40

30

Infiabilidad (%)

0.4

15 20

0.5

(min) = 1462

0.3

Error Cuadrtico Medio

4 5

0.2

500

1000

1500

1000

2000

Gamma

3500 6000

11000

TBF

Figura 3.4: Grfico de Weibull ejercicio 3.

Grfico de Weibull
1.7

95

85

70

1.6

55

40

30

15 20

Infiabilidad (%)

1.4

1.5

(min) = 207

1.3

Error Cuadrtico Medio

1.1

50

100

Gamma

150

200

4 5

1.2

50

100

200

400

TBF

Figura 3.5: Grfico de Weibull ejercicio 4.

Fundacin UNED

30

3. Aplicacin del mtodo de Weibull.

3.4. Ejemplo triparamtrico

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

Tabla 3.7: Datos ejercicio 4.


n
17

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

Tabla 3.8: Resultados ejercicio 4.


( = 1,282, = 226,331, = 207). En este caso habra que comprobar si dichos datos siguen otra
distribucin, pero para nuestro ejemplo los tomaremos como vlidos. Suponemos que si siguen una
distribucin de Weibull con los parmetros antes nombrados.
El valor de > 1 indica que el equipo se encuentra en una etapa de madurez o vejez, con
una tasa de fallo creciente.
Calculamos el M T BF ,

1
M T BF = + 1 +


= 416,6357 Horas

La curva de fiabilidad con los parmetros obtenidos es,

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

como se puede ver en grfico 3.6 los grficos de ambas curvas.


Sustituyendo el valor M T BF en las ecuaciones anteriores obtenemos el valor de fiabilidad y
su tasa de fallo para el mismo, siendo estos:

Fundacin UNED

31

3.4. Ejemplo triparamtrico

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

3. Aplicacin del mtodo de Weibull.

200

300

400

500

600

200

300

Tiempo

400

500

600

Tiempo

Figura 3.6: Grfico de fiabilidad y tasa de fallo, ejercicio 4.

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 ,

t = ( ln(0,95))1/ = 22,31265 Horas

despejando t de la ecuacin obtenemos,

t = ( ln(0,95))1/ + = 229,3126 Horas

Fundacin UNED

32

3. Aplicacin del mtodo de Weibull.

3.5. Ejemplo biparamtrico

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

Tabla 3.9: Datos ejercicio 5.


Aplicamos a los datos el cdigo de programacin de la seccin B.1 y obtenemos los resultados en la Tabla 3.10, as como el grfico 3.7.
n
33

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

Tabla 3.10: Resultados ejercicio 5.


Como se puede ver en los resultados arrojados por el programa se observa que los datos
del ajustes (r, R2 ) no son muy buenos pero el p valor > 0,05 nos confirma que procede de una

Fundacin UNED

33

3. Aplicacin del mtodo de Weibull.

3.5. Ejemplo biparamtrico

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 %

Siendo su tasa de fallo,

(65961,85) =

Fundacin UNED

65961,85

1
= 1,924563e 05

34

3. Aplicacin del mtodo de Weibull.

3.5. Ejemplo biparamtrico

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

Figura 3.8: Fiabilidad y tasa de fallo del ejercicio 5.

Fundacin UNED

35

4
Conclusiones

Como se ha demostrado el clculo de la distribuciones estadsticas especialmente la de


Weibull aplicado a la fiabilidad y al mantenimiento son muy tiles y nos sirven para:

Nos ayuda a definir polticas de mantenimiento para el futuro.


Nos ayuda a definir programas de mantenimiento preventivo ms eficientes mejorando las
periodicidades establecidas por los fabricantes.
Nos permite estimar el tiempo medio en el que se producir el siguiente fallo.
Para un periodo de tiempo dado nos dice la fiabilidad de nuestro equipo o conjunto de equipos.
Nos permite conocer la disponibilidad en funcin del M T BF y M T T R calculados.
Conociendo el parmetro sabemos en que zona de la vida del equipo o del conjunto de
equipos se encuentra, podemos tomar como referencia:
< 0,99 mortalidad infantil, entorno al 20 o al 25 %.
0,99 1,3 etapa normal, entorno al 50 o al 55 %.
> 1,3 etapa de desgaste, entorno al 10 o al 15 %.
Optimizar el uso de los recursos fsicos y del equipo humano.
Optimizacin de los costes del departamento mantenimiento. Este es el punto ms importante
pero en este estudio no se ha desarrollado ningn ejemplo porque no se ha explicado la teora de costes de mantenimiento. Aplicando weibull junto con la teora de costes nos permite
conocer:
calcular los intervalos ptimos de mantenimiento preventivo asociado al mnimo coste
econmico.
Calcular el intervalo ptimo de sustitucin econmica de equipos.

36

Apndices

37

A
Diagrama del proceso de trabajo de la
distribucin de Weibull aplicada al
mantenimiento

38

A. Diagrama del proceso de trabajo

Fundacin UNED

39

B
Software de estadstica aplicada, R

R1 es un lenguaje y entorno de programacin para anlisis estadstico y grfico. Se trata de


un proyecto de software libre, resultado de la implementacin GNU del premiado lenguaje S. R y
S-Plus -versin comercial de S- son, probablemente, los dos lenguajes ms utilizados en investigacin por la comunidad estadstica, siendo adems muy populares en el campo de la investigacin
biomdica, la bioinformtica y las matemticas financieras. A esto contribuye la posibilidad de cargar diferentes bibliotecas o paquetes con finalidades especficas de clculo o grfico. R se distribuye
bajo la licencia GNU GPL.

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. Software de estadstica aplicada, R

B.1.

B.1. Solucin distribucin biparamtrica

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

B. Software de estadstica aplicada, R

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 ,

B.2. Clculo del parmetro

h=Y( 0 . 0 5 ) , col= " black " , lwd=2)


h=Y( 0 . 0 1 ) , col= " black " , lwd=2)
v=exp ( ( Y(1/100)i n t e r c e p t o ) /beta ) , col= " black " , lwd=2)
v=exp ( ( Y(5/100)i n t e r c e p t o ) /beta ) , col= " black " , lwd=2)
v=exp ( ( Y(10/100)i n t e r c e p t o ) /beta ) , col= " black " , lwd=2)
v=exp ( ( Y(63.2/100)i n t e r c e p t o ) /beta ) , col= " blue " , lwd=2)

# 8 Realiza t e s t de bondad de ajuste .


i f ( n<=50) {
# 8.1 KolmogorovSmirnov .
ks < ks . t e s t ( datos , " pweibull " , beta , eta )
pvalorks < ks [ 2 ]
i f ( pvalorks > 0.05) {
resultados < data . frame ( n , beta , eta , R2, r , pvalorks , beta1 , beta5 , beta10 , row .names= " Resultados " )
print ( resultados )
print ( " 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 . " )
} else {
resultados < data . frame ( n , beta , eta , R2, r , pvalorks , beta1 , beta5 , beta10 , row .names= " Resultados " )
print ( resultados )
print ( " Se RECHAZA l a HIPOTESIS NULA pv a l o r < 0.05. Los datos NO siguen una d i s t r i b u c i n de
Weibull con parmetros eta y beta . " )
}
} else {
# 8.2 Realiza t e s t de bondad de ajuste de Chicuadrado .
chi < chisq . t e s t ( datos )
pvalorchi < chi [ 3 ]
i f ( pvalorchi > 0.05) {
resultados < data . frame ( n , beta , eta , R2, r , pvalorchi , beta1 , beta5 , beta10 , row .names= " Resultados " )
print ( resultados )
print ( " 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 . " )
} else {
resultados < data . frame ( n , beta , eta , R2, r , pvalorchi , beta1 , beta5 , beta10 , row .names= " Resultados " )
print ( resultados )
print ( " Se RECHAZA l a HIPOTESIS NULA pv a l o r < 0.05. Los datos NO siguen una d i s t r i b u c i n de
Weibull con parmetros eta y beta . " )
}
}

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.

Clculo del parmetro

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

B. Software de estadstica aplicada, R

B.2. Clculo del parmetro

Grfico de Weibull

90

40 55

25

7 10 15

Infiabilidad (%)

75

50

100

200

500

1000

2000

TBF

Figura B.2: Grfico de Weibull obtenido a travs de la compilacin del programa.

# 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
}
# 6 Clculo del v e c t o r Error Cuadrtico Medio .
gamma <0
ecm<0
max < 2000
for ( i in 1:max) { # El n d i c e " i " es gamma y es e l v a l o r que va estimando .
resta< datosOrdenadosi
X < log ( resta )
regr < lm ( Y (RM) ~X)
ecm [ i ] < sqrt (sum( regr$residuals ^2)/length ( residuals ) ) # Error Cuadrtico Medio .
gamma[ i ] < i # Gamma.
}
# 7 Busca e l mnimo v a l o r del Error cuadrtico Medio y e l v a l o r de Gamma
#
solucin , siendo este e l que l o hace mnimo .
i<1
while ( ecm [ i +1]<ecm [ i ] ) {
i< i +1
gamma.min < i
}
# 8 Dibuja e l g r f i c o y e l punto s o l u c i n .

Fundacin UNED

43

B. Software de estadstica aplicada, R

B.3. Solucin distribucin triparamtrica

0.6
0.4

0.5

(min) = 1462

0.2

0.3

Error Cuadrtico Medio

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

Figura B.3: Grfico del Ecm frente a .

B.3.

Clculo de los parmetros y grfico solucin para una distribucin de Weibull triparamtrica

A continuacin se muestra el cdigo utilizado as como los resultado obtenidos y su grfico


(Figura B.4) para una distribucin de Weibul triparamtrica.
################################################
########### CLCULO WEIBULL TRIPARAMTRICA . ######
#################################################
# 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 )
# 4 Calcula e l RANGO DE MEDIANA.
i i < 1:n
a < i i / ( ni i +1)
Fs < qf ( 0 . 5 , 2 ( ni i +1) ,2 i 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 . " x " e " y " son funciones .

Fundacin UNED

44

B. Software de estadstica aplicada, R

B.3. Solucin distribucin triparamtrica

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. Software de estadstica aplicada, R

B.4. Paquete Weibull toolkit

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)
abline ( l t y =2 , h=Y( 0 . 0 5 ) , col= " black " , lwd=2)
abline ( l t y =2 , h=Y( 0 . 0 1 ) , col= " black " , lwd=2)
abline ( l t y =2 , v=X( beta1 ) , col= " black " , lwd=2)
abline ( l t y =2 , v=X( beta5 ) , col= " black " , lwd=2)
abline ( l t y =2 , v=X( beta10 ) , col= " black " , lwd=2)
abline ( l t y =2 , v=X( beta63 . 2 ) , col= " blue " , lwd=2)
# 8 Realiza t e s t de bondad de ajuste .
i f ( n<=50) {
# 8.1 KolmogorovSmirnov .
ks < ks . t e s t ( datos , " pweibull " , beta , eta )
pvalorks < ks [ 2 ]
i f ( pvalorks > 0.05) {
resultados < data . frame ( n , beta , eta ,gamma.min, R2, r , pvalorks , beta1 ,
beta5 , beta10 , row .names= " Resultados " )
print ( resultados )
print ( " 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 , beta y gamma. min . " )
} else {
resultados < data . frame ( n , beta , eta ,gamma.min, R2, r , pvalorks , beta1 , beta5 , beta10 , row .names= "
Resultados " )
print ( resultados )
print ( " Se RECHAZA l a HIPOTESIS NULA pv a l o r < 0.05. Los datos NO siguen una d i s t r i b u c i n de
Weibull con parmetros eta , beta y gamma. min . " )
}
} else {
# 8.2 Realiza t e s t de bondad de ajuste de Chicuadrado .
chi < chisq . t e s t ( datos )
pvalorchi < chi [ 3 ]
i f ( pvalorchi > 0.05) {
resultados < data . frame ( n , beta , eta ,gamma.min, R2, r , pvalorchi , beta1 , beta5 , beta10 , row .names= "
Resultados " )
print ( resultados )
print ( " 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 , beta y gamma. min . " )
} else {
resultados < data . frame ( n , beta , eta ,gamma.min, R2, r , pvalorchi , beta1 , beta5 , beta10 , row .names= "
Resultados " )
print ( resultados )
print ( " Se RECHAZA l a HIPOTESIS NULA pv a l o r < 0.05. Los datos NO siguen una d i s t r i b u c i n de
Weibull con parmetros eta , beta y gamma. min . " )
}
}
n beta
eta gamma.min
R2
r
p . value
beta1
beta5
Resultados 19 1.471 6776.46
1462 0.999 0.999 0.4467021 297.075 899.683
beta10
Resultados 1467.607
[ 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 , beta y gamma. min . "

B.4.

Paquete Weibull toolkit

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

B. Software de estadstica aplicada, R

B.4. Paquete Weibull toolkit

Grfico de Weibull

0.6

90

75

40 55

25

7 10 15

0.4

Infiabilidad (%)

0.5

(min) = 1462

0.3

Error Cuadrtico Medio

500

1000

0.2

1500

500

Gamma

1000

2000

5000 10000

TBF

Figura B.4: Grfico del parmetro y su grfico de Weibull asociado.

# 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)

Obtenindose el grfico B.5 de mayor calidad.


Aunque este paquete calcula los parmetros por mtodos ms robustos y fiables, he decidido
utilizar el programa desarrollado por mi porque incluye en el cdigo los test de bondad del ajuste
y el clculo de la distribucin triparamtrica de Weibull. Tambin porque este paquete utiliza el
mtodo MLE (Maximin Likelihood Estimation) para realizar la recta de regresin y Monte Carlo
Pivotal Confidence Bounds para realizar el intervalo de confianza. Ambas tcnicas no han sido
explicadas en este proyecto y quedan fuera del objetivo del mismo.

Fundacin UNED

47

98

90

50

20

10

10

10

50

50

100

100

Figura B.5: Grfico de Weibull obtenido del paquete Weibulltoolkit.

48

1000

1000

Time To Failure

500

500

Weibull Plot

5000

5000

B1 = 6.246 | 45.76 | 140.8

B5 = 32.69 | 118.2 | 251.9

B10 = 63.48 | 179.6 | 332.3

Conf. level = 90 [%]

R = 1000

r^2 | CCC^2 = 0.9982 | NA

n (fail | cens.) = 11 (11 | 0)

eta (scale) = 665.5

beta (shape,slope) = 1.718

curve (MRR, X on Y)

50000

(Time To Failure ; Unreliability [%])

Parameters

50000
98
90
50
20
10
5
2

Fundacin UNED

B. Software de estadstica aplicada, R


B.4. Paquete Weibull toolkit

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