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 LIC LSC Observada Acumulada
1 0 5 12 12
2 5 10 10 22
3 10 15 9 31
4 15 20 6 37
5 20 30 11 48
6 30 40 9 57
7 40 55 11 68
8 55 85 12 80
9 8
85 1 0
150 13 93
10 150 250 7 100
 Distribucin Exponencial
DistribucinExponencial
Se construye una tabla con las columnas requeridas,
corrigiendo la frecuencia,
frecuencia restando 0,5%:
0 5%:
t F(t) R(t) ln(R(t)
5 11,5% 88,5% 0,1222
10 21,5% 78,5% 0,2421
15 30,5% 69,5% 0,3638
20 36 5%
36,5% 63 5%
63,5% 0,4541
0 4541
30 47,5% 52,5% 0,6444
40 56,5% 43,5% 0,8324
0,8324
55 67,5% 32,5% 1,1239
85 79,5% 20,5% 1,5847
150 92,5% 7,5% 2,5903
250 99,5% 0,5% 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 F(t) R(t) ln(R(t)
250 99,5% 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 de aproximacin y el
correspondiente grfico:
RectadeAproximacinporMnimosCuadrados

0 50 100 150 200 250 300
1,0000
y=0,020x+0,001
R=0,987
2,0000
2,0000
ln(R(t))

3,0000 Datos
Lineal(Datos)
4,0000

5,0000

6,0000
Tiempo
 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: 90,00 92,00 2
La
L tabla
t bl contiene
ti una 92 00
92,00 94 00
94,00 7
agrupacin de los tiempos de 94,00 96,00 10
falla correspondiente
p a un 96,00 98,00 8
determinado componente. 98,00 100,00 15
Determine, mediante una 100,00 102,00 5
prueba chicuadrado, si el 102,00 104,00 15
tiempo de falla puede 104,00 106,00 16
modelarse adecuadamente por 106,00 108,00 5
una Distribucin Normal.
108,00 110,00 4
110 00
110,00 112 00
112,00 1
 Distribucin Normal
DistribucinNormal
Para aplicar la prueba, primero 90,00 92,00 2
debemos reagrupar los 92 00
92,00 94 00
94,00 7
datos, de forma tal que todas 94,00 96,00 10
las clases consideradas tengan 96,00 98,00 8
al menos cinco observaciones.
98,00 100,00 15
100,00 102,00 5
102,00 104,00 15
104,00 106,00 16
106,00 108,00 5
108,00 110,00 4
110 00
110,00 112 00
112,00 1
 Distribucin Normal
DistribucinNormal
90,00 92,00 2 90,0 94,0 9,0
92,00 94,00 7 94,0 96,0 10,0
94,00 96,00 10 96,0 98,0 8,0
96 00
96,00 98 00
98,00 8 98,0 100,0 15,0
98,00 100,00 15 100,0 102,0 5,0
100 00
100,00 102 00
102,00 5 102 0
102,0 104 0
104,0 15 0
15,0
102,00 104,00 15 104,0 106,0 16,0
104,00 106,00 16 106 0
106,0 108 0
108,0 50
5,0
106,00 108,00 5 108,0 112,0 5,0
108,00 110,00 4
110,00 112,00 1
 Distribucin Normal
DistribucinNormal
Una vez agrupados los datos, debemos estimar los
parmetros de la distribucin. Primero se calcula la
media
Clase MC Frecuencia F*MC
90 0 94,0
90,0 94 0 92 0
92,0 9 0 10,2%
9,0 10 2% 9,41
9 41
94,0 96,0 95,0 10,0 11,4% 10,80
96,0 98,0 97,0 8,0 9,1% 8,82
98,0 100,0 99,0 15,0 17,0% 16,88
100,0 102,0 101,0 5,0 5,7% 5,74
102 0 104,0
102,0 104 0 103 0 15,0
103,0 15 0 17,0%
17 0% 17,56
17 56
104,0 106,0 105,0 16,0 18,2% 19,09
106,0 108,0 107,0 5,0 5,7% 6,08
108,0 112,0 110,0 5,0 5,7% 6,25
Suma 88,00 100% 100,61
 Distribucin Normal
DistribucinNormal
Luego, se calcula la varianza:

MC Frecuencia D2 F*D2
92,0 9,0 10,2% 74,19 7,59
95,0 10,0 11,4% 31,51 3,58
97,0 8,0 9,1% 13,06 1,19
99,0 15,0 17,0% 2,60 0,44
101,0 5,0 5,7% 0,15 0,01
103,0 15,0 17,0% 5,69 0,97
105,0 16,0 18,2% 19,24 3,50
107,0 5,0 5,7% 40,79 2,32
110 0
110,0 5 0 5,7%
5,0 5 7% 88,10
88 10 5,01
5 01
Suma 88,00 100% 24,60
 Distribucin Normal
DistribucinNormal
Con los datos obtenidos, se estiman
los parmetros de la distribucin
normal.
y = 101,6
La desviacin estndar el la raz de
la varianza. y = 4,9

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.
 Distribucin Normal
DistribucinNormal
Con los parmetros estimados, procedemos a
determinar la distribucin terica de los tiempos.
tiempos

Clase Frecuencia
90,0 94,0 0,0856 7,54
94,0 96,0 0,0846 7,44
96 0
96,0 98 0
98,0 0 1249 10,99
0,1249 10 99
98,0 100,0 0,1557 13,70
100,0 102,0 0,1637 14,41
102,0 104,0 0,1454 12,79
104,0 106,0 0,1089 9,59
106 0 108,0
106,0 108 0 0 0689
0,0689 6 06
6,06
108,0 112,0 0,0533 4,69
 Distribucin Normal
DistribucinNormal
Luego se calcula el Real Terica Est.
estadstico de la prueba.
prueba 90
9,0 7 54
7,54 0 28
0,28
10,0 7,44 0,88
El primer valor se calcula 8 0 10,99
8,0 10 99 0 81
0,81
mediante la expresin 15,0 13,70 0,12
5,0 14,41 6,14
(97,54)2/7,54, 15,0 12,79 0,38
16,0 9,59 4,29
ydeformasimilarlos 5,0 6,06 0,19
restantes 5,0 4,69 0,02
Suma 13,12
 Distribucin Normal
DistribucinNormal
Por ltimo, se compara el Real Terica Est.
estadstico 13,12
13 12 con el 90
9,0 7 54
7,54 0 28
0,28
valor de la distribucin
10,0 7,44 0,88
chicuadrado.
8 0 10,99
8,0 10 99 0 81
0,81
15,0 13,70 0,12
El grado de significancia 5,0 14,41 6,14
de la prueba empleado es
15,0 12,79 0,38
generalmente del 5%.
16,0 9,59 4,29
5,0 6,06 0,19
5,0 4,69 0,02
Suma 13,12
 Distribucin Normal
DistribucinNormal
Se tienen nueve datos, y se Real Terica Est.
han estimado dos
parmetros de la 90
9,0 7 54
7,54 0 28
0,28
distribucin a partir de 10,0 7,44 0,88
ellos
ellos. 8 0 10,99
8,0 10 99 0 81
0,81
Adicionalmente, el clculo 15,0 13,70 0,12
del estadstico de la 5,0 14,41 6,14
prueba le resta un grado de
15,0 12,79 0,38
libertad adicional, por lo
que g
q grados de libertad de la 16,0 9,59 4,29
prueba son: 5,0 6,06 0,19
921=6 5,0 4,69 0,02
Suma 13,12
 Distribucin Normal
DistribucinNormal
De la tabla 2(5%,6) se Real Terica Est.
obtiene el valor de 90
9,0 7 54
7,54 0 28
0,28
12,59, que es menor que el
10,0 7,44 0,88
estadstico calculado, por lo
8 0 10,99
8,0 10 99 0 81
0,81
que se rechaza la hiptesis.
15,0 13,70 0,12
5,0 14,41 6,14
15,0 12,79 0,38
16,0 9,59 4,29
5,0 6,06 0,19
5,0 4,69 0,02
Suma 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
)

Ntese q p
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
)

En tal caso,, si la recta de ajuste

j es de ecuacin:

los parmetros se tienen mediante las siguientes

ecuaciones: