DistribucinExponencial

Distribucin Exponencial
DistribucinExponencial
Ntese que si una distribucin de tiempos de fallas se
ajusta a una distribucin exponencial,
exponencial entonces:

Luego
g la g
grfica de ln(R(t))
( ( )) en funcin de t es una recta
de intercepto 0 y pendiente .

Distribucin Exponencial
DistribucinExponencial
Una forma de determinar si una serie de datos de
tiempos de fallas se adapta a una distribucin
exponencial, es:
y Realizar una tabla con una columna t y otra ln(R(t)).
( ( ))
y Emplear el mtodo de los mnimos cuadrados para
determinar el coeficiente de ajuste, y evaluar el ajuste.
Si es un buen ajuste, entonces se toma =m (m
( es la
pendiente de la recta de ajuste)

Distribucin Exponencial
DistribucinExponencial
Ejemplo: Determine si el conjunto de tiempos de fallas
dados pueden modelarse con una distribucin
exponencial
Frecuencia
Ordinal
1
2
3
4
5
6
7
8
9
10

LIC
0
5
10
15
20
30
40
55
8
85
150

LSC
5
10
15
20
30
40
55
85
1 0
150
250

Observada
Acumulada
12
12
10
22
9
31
6
37
11
48
9
57
11
68
12
80
13
93
7
100

Distribucin Exponencial
DistribucinExponencial
Se construye una tabla con las columnas requeridas,
corrigiendo la frecuencia,
frecuencia restando 0,5%:
0 5%:
t
5
10
15
20
30
40
55
85
150
250

F(t)
11,5%
21,5%
30,5%
36 5%
36,5%
47,5%
56,5%
67,5%
79,5%
92,5%
99,5%

R(t)
88,5%
78,5%
69,5%
63 5%
63,5%
52,5%
43,5%
32,5%
20,5%
7,5%
0,5%

ln(R(t)
0,1222
0,2421
0,3638
0,4541
0 4541
0,6444
0,8324
0,8324
1,1239
1,5847
2,5903
5,2983

Distribucin Exponencial
DistribucinExponencial
Ntese que de no hacerse la correccin , restando 0,5% a
la frecuencia,
frecuencia en la ltima fila se tendra una
confiabilidad del 0% , y no se podra calcular el ln(R(t)).
t
250

F(t)
99,5%

R(t)
ln(R(t)
0,5% 5,2983

Diferentes autores recomiendan diversos valores para la

correccin; afortunadamente la correccin influye en el
intercepto ms no en la
l pendiente.
d

Distribucin Exponencial
DistribucinExponencial
Se determina la recta
correspondiente grfico:

de

aproximacin

RectadeAproximacinporMnimosCuadrados

50

100

150

1,0000

200

250

300

y=0,020x+0,001
R=0,987

ln(R(t))

2,0000
2,0000
Datos

3,0000

Lineal(Datos)
4,0000
5,0000
6,0000

Tiempo

el

Distribucin Exponencial
DistribucinExponencial
Dado que el coeficiente de ajuste R es 0,99, se
concluye que la aproximacin es buena.
buena
En el anterior grfico se observa que la pendiente es
m=0,020, luego =0,020.
Para una distribucin de tiempos de fallas exponencial
con =0,020, el TMEF es 1/0,020 = 50, valor que es
consistente
i
con la
l media
di de
d los
l datos
d
agrupados
d (52).
( )

DistribucinNormal

Distribucin Normal
DistribucinNormal
Para la distribucin normal existen varias pruebas de
bondad de ajustes,
ajustes las cuales fueron estudiadas en los
cursos anteriores, y por lo tanto, deben ser del domino
de los cursantes. Algunas de ellas son:
y Prueba ChiCuadrado ( 2)
y Prueba KongoronofSmirnov (KS)
y Prueba ShapiroWilk

Distribucin Normal
DistribucinNormal
Ejemplo:
La
L
tabla
t bl
contiene
ti
una
agrupacin de los tiempos de
falla correspondiente
p
a un
determinado componente.
Determine, mediante una
prueba chicuadrado, si el
tiempo
de
falla
puede
modelarse adecuadamente por
una Distribucin Normal.

90,00
92 00
92,00
94,00
96,00
98,00
100,00
102,00
104,00
106,00
108,00
110 00
110,00

92,00
94 00
94,00
96,00
98,00
100,00
102,00
104,00
106,00
108,00
110,00
112 00
112,00

2
7
10
8
15
5
15
16
5
4
1

Distribucin Normal
DistribucinNormal
Para aplicar la prueba, primero
debemos
reagrupar
los
datos, de forma tal que todas
las clases consideradas tengan
al menos cinco observaciones.

90,00
92 00
92,00
94,00
96,00
98,00
100,00
102,00
104,00
106,00
108,00
110 00
110,00

92,00
94 00
94,00
96,00
98,00
100,00
102,00
104,00
106,00
108,00
110,00
112 00
112,00

2
7
10
8
15
5
15
16
5
4
1

Distribucin Normal
DistribucinNormal
90,00
92,00
94,00
96 00
96,00
98,00
100 00
100,00
102,00
104,00
106,00
108,00
110,00

92,00
94,00
96,00
98 00
98,00
100,00
102 00
102,00
104,00
106,00
108,00
110,00
112,00

2
7
10
8
15
5
15
16
5
4
1

90,0
94,0
96,0
98,0
100,0
102 0
102,0
104,0
106 0
106,0
108,0

94,0
96,0
98,0
100,0
102,0
104 0
104,0
106,0
108 0
108,0
112,0

9,0
10,0
8,0
15,0
5,0
15 0
15,0
16,0
50
5,0
5,0

Distribucin Normal
DistribucinNormal
Una vez agrupados los datos, debemos estimar los
parmetros de la distribucin. Primero se calcula la
media
Clase
90 0 94,0
90,0
94 0
94,0 96,0
96,0 98,0
98,0 100,0
100,0 102,0
102 0 104,0
102,0
104 0
104,0 106,0
106,0 108,0
108,0 112,0

MC
Frecuencia
92 0
92,0
9 0 10,2%
9,0
10 2%
95,0 10,0 11,4%
97,0
8,0 9,1%
99,0 15,0 17,0%
101,0
5,0 5,7%
103 0 15,0
103,0
15 0 17,0%
17 0%
105,0 16,0 18,2%
107,0
5,0 5,7%
110,0
5,0 5,7%
Suma 88,00 100%

F*MC
9,41
9 41
10,80
8,82
16,88
5,74
17,56
17 56
19,09
6,08
6,25
100,61

Distribucin Normal
DistribucinNormal
Luego, se calcula la varianza:
MC
Frecuencia
92,0
9,0 10,2%
95,0 10,0 11,4%
97,0
8,0 9,1%
99,0 15,0 17,0%
101,0
5,0 5,7%
103,0 15,0 17,0%
105,0 16,0 18,2%
107,0
5,0 5,7%
110 0
110,0
5 0 5,7%
5,0
5 7%
Suma 88,00 100%

D2
74,19
31,51
13,06
2,60
0,15
5,69
19,24
40,79
88,10
88 10

F*D2
7,59
3,58
1,19
0,44
0,01
0,97
3,50
2,32
5,01
5 01
24,60

Distribucin Normal
DistribucinNormal
Con los datos obtenidos, se estiman
los parmetros de la distribucin
normal.
La desviacin estndar el la raz de
la varianza.
Ntese como hemos estimado un
total de dos parmetros a partir de
l
los
d
datos
originales,
l
ello
ll
es
importante al momento de calcular
los g
grados de libertad.

y = 101,6
y = 4,9

Distribucin Normal
DistribucinNormal
Con los parmetros estimados, procedemos
determinar la distribucin terica de los tiempos.
tiempos
Clase
90,0
94,0
94,0
96,0
96 0
96,0
98 0
98,0
98,0 100,0
100,0 102,0
102,0 104,0
104,0 106,0
106 0 108,0
106,0
108 0
108,0 112,0

Frecuencia
0,0856
7,54
0,0846
7,44
0 1249 10,99
0,1249
10 99
0,1557 13,70
0,1637 14,41
0,1454 12,79
0,1089
9,59
0 0689
0,0689
6 06
6,06
0,0533
4,69

Distribucin Normal
DistribucinNormal
Luego se calcula el
estadstico de la prueba.
prueba
El primer valor se calcula
mediante la expresin
(97,54)2/7,54,
ydeformasimilarlos
restantes

Real Terica
90
9,0
7 54
7,54
10,0
7,44
8 0 10,99
8,0
10 99
15,0 13,70
5,0 14,41
15,0 12,79
16,0
9,59
5,0
6,06
5,0
4,69
Suma

Est.
0 28
0,28
0,88
0 81
0,81
0,12
6,14
0,38
4,29
0,19
0,02
13,12

Distribucin Normal
DistribucinNormal
Por ltimo, se compara el
estadstico 13,12
13 12 con el
valor de la distribucin
chicuadrado.
El grado de significancia
de la prueba empleado es
generalmente del 5%.

Real Terica
90
9,0
7 54
7,54
10,0
7,44
8 0 10,99
8,0
10 99
15,0 13,70
5,0 14,41
15,0 12,79
16,0
9,59
5,0
6,06
5,0
4,69
Suma

Est.
0 28
0,28
0,88
0 81
0,81
0,12
6,14
0,38
4,29
0,19
0,02
13,12

Distribucin Normal
DistribucinNormal
Se tienen nueve datos, y se
han
estimado
dos
parmetros
de
la
distribucin a partir de
ellos
ellos.
Adicionalmente, el clculo
del
estadstico de la
prueba le resta un grado de
libertad adicional, por lo
que g
q
grados de libertad de la
prueba son:
921=6

Real Terica
90
9,0
7 54
7,54
10,0
7,44
8 0 10,99
8,0
10 99
15,0 13,70
5,0 14,41
15,0 12,79
16,0
9,59
5,0
6,06
5,0
4,69
Suma

Est.
0 28
0,28
0,88
0 81
0,81
0,12
6,14
0,38
4,29
0,19
0,02
13,12

Distribucin Normal
DistribucinNormal
De la tabla 2(5%,6) se
obtiene
el
valor
de
12,59, que es menor que el
estadstico calculado, por lo
que se rechaza la hiptesis.

Real Terica
90
9,0
7 54
7,54
10,0
7,44
8 0 10,99
8,0
10 99
15,0 13,70
5,0 14,41
15,0 12,79
16,0
9,59
5,0
6,06
5,0
4,69
Suma

Est.
0 28
0,28
0,88
0 81
0,81
0,12
6,14
0,38
4,29
0,19
0,02
13,12

DistribucinLogartmicaNormal

Distribucin Lognormal
DistribucinLog
normal
Sabemos que si t es una distribucin de tiempos de
fallas tal que ln(t) se distribuye segn una distribucin
normal, entonces t se distribuye segn
una
logartmico normal o lognormal.
logartmiconormal
log normal
Luego, para hacer una bondad de ajuste a una Log
Luego
normal, se trabaja con la variable logaritmo de los
tiempos de fallas y se aplica a la misma pruebas de
normalidad.

DistribucinWeibull

Distribucin Weibull
DistribucinWeibull
Tomando logaritmo en la expresin:

y luego multiplicando por 1, resulta:

Distribucin Weibull
DistribucinWeibull

Si a la expresin:

se le toma de nuevo logaritmo, se obtiene:

Distribucin Weibull
DistribucinWeibull
p
Ntese q
que la expresin:

es una recta, cuando se trabaja con los cambios de

variables y=ln(ln(
variables,
y ln( ln( R(t)) y x=ln(t)
x ln(t) .
Luego, aplicando las transformaciones sealadas, se
puede aplicar el mtodo de los mnimos cuadrados
para estudiar la bondad de ajuste de una distribucin
Weibull as como para estimar sus parmetros.
Weibull,
parmetros

Distribucin Weibull
DistribucinWeibull
j
En tal caso,, si la recta de ajuste
es de ecuacin:

los parmetros se tienen mediante las siguientes

ecuaciones: