Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Estadstica y La Gestion Del Mantenimiento 1218420169672221 8 PDF
Estadstica y La Gestion Del Mantenimiento 1218420169672221 8 PDF
MANTENIMIENTO
La información en el mantenimiento es la
mejor herramienta con la que puede contar un
gerente de esta área, de la calidad de la misma
y la confianza que le pueda dar, dependen las
decisiones acertadas o no que pueda tomar
Fechas de;
•Programación de actividad
•Ocurrencia del suceso
•Solicitud de la intervención o reporte de suceso
•Realización de actividad
Horas
•Programación de actividad
•Ocurrencia del suceso
•Solicitud de la intervención o reporte de suceso
•Realización de actividad
Activo al cual le ocurre un evento o se realizara una acción http://lh5.ggpht.com
Información P(X)
Tipo de falla:
•Parcial http://www.boletin-grafico.com
•Total
•Oculto
Información P(X)
Costos
•Mano de obra
•Repuestos
•Trabajos externos
•Administradores
•Operarios
Objetivo de la Información P(X)
Categorizar variables de acuerdo a los niveles
de impacto ocasionados dentro del proceso en
el cual están inmersas y a las metas de
compañía que permitan trazar planes de
mejoramiento dentro del área.
http://www.cepvi.com/
La probabilidad P(X)
“Probablemente...", "es poco probable que...",
"hay muchas posibilidades de que..." Incertidumbre
La teoría de la probabilidad proporciona una
base para evaluar la confiabilidad de las
conclusiones alcanzadas y las acciones
realizadas
http://gonzalezdelariva.files.wordpress.com
Incertidumbre P(X)
Debida a:
Falta de información
Desacuerdo sobre lo que se sabe o lo que podría saberse
Confiabilidad ‐ Confiar
adj. Dicho de una persona o de una cosa: En la
que se puede confiar. http://www.wordreference.com
P(X)
Situaciones de Incertidumbre
•Certidumbre subjetiva: Se prevée subjetivamente un solo resultado
posible para el futuro (p.e.: pronóstico de un determinado volumen de
ventas). En este caso se planea con certeza subjetiva
http://gaiaxxi.trota-mundos.com
Ejemplo
Sean U el espacio muestral formado por los 10 dígitos, A y B eventos
tales que:
A ocurre si y sólo si el dígito es par.
B ocurre si y sólo si el dígito es múltiplo de 3.
Entonces:
A = {0,2,4,6,8}
B = {0,3,6,9}
P(X)
Probabilidad
Frecuencia con la que ocurre un resultado en un
experimento bajo condiciones suficientemente
estables.
P(X) = nX = Cantidad de resultados que implican la aparición de X
N Cantidad total de resultados
Posibilidad de que se produzca un suceso o aparezca
un valor de entre el conjunto de casos o situaciones
consideradas. Clásicamente se define por el cociente
de casos favorables entre los casos posibles.
Definición axiomática de Probabilidad P(X)
Sea U: espacio muestral y P(U) conjunto de las
partes de U
Se define probabilidad, o función de
probabilidad, a cualquier función p: P(U) K ;
que cumpla los axiomas siguientes:
i) p(A) ≥ 0 ∀ A ∈ P(U)
ii) p(A1 ∪ A2 ∪ A3 ∪ ...) = p(A1) + p(A2) + p(A3) + ...
si Ai ∩ Aj = ∅ ∀i ≠ j (sucesos mutuamente excluyentes)
iii) p(U) = 1
P(X)
Propiedades de la probabilidad
1) p(Ac) = 1 - p(A)
3) p(∅) = 0
4) p(A) ≤ 1
5) p(A ∪ B) = p(A) + p(B) - p(A ∩ B) (Regla general de
la adicción)
P(X)
Probabilidad Condicionada
La probabilidad de que ocurra el suceso A si ha
ocurrido el suceso B se denomina probabilidad
condicionada.
P(X)
Probabilidad Compuesta
La probabilidad de que se den simultáneamente dos sucesos (suceso
intersección de A y B) es igual a la probabilidad a priori del suceso A
multiplicada por la probabilidad del suceso B condicionada al cumplimiento
del suceso A.
P(X)
Probabilidad Total
Permite calcular la probabilidad de un suceso a
partir de probabilidades condicionadas
La probabilidad de que ocurra el suceso B , es igual a la suma de
multiplicar cada una de las probabilidades condicionadas por la
probabilidad de cada suceso A.
P(X)
Teorema de Bayes
A partir de que ha ocurrido el suceso B deducimos las
probabilidades del suceso.
Explicar esta fórmula con palabras es confuso,
así que vamos a intentar explicarla con un
ejemplo
P(X)
Teorema de Bayes ‐ Ejemplo
El parte meteorológico ha anunciado tres posibilidades para el fin de
semana:
a) Que llueva: probabilidad del 50%.
b) Que caiga granizo: probabilidad del 30%
c) Que haya niebla: probabilidad del 20%.
P(X)
Teorema de Bayes ‐ Ejemplo
Según estos posibles estados meteorológicos, la
posibilidad de que ocurra un accidente es la siguiente:
a) Si llueve: probabilidad de accidente del 20%.
b) Si cae granizo : probabilidad de accidente del 10%.
c) Si hay niebla: probabilidad de accidente del 5%.
P(X)
Teorema de Bayes ‐ Ejemplo
Resulta que efectivamente ocurre un accidente y como no estábamos en
la ciudad no sabemos que tiempo hizo (cayo granizo, llovió o hubo
niebla).
El teorema de Bayes nos permite calcular estas probabilidades:
Las probabilidades que tenemos antes de conocer que ha ocurrido un
accidente se denominan "probabilidades a priori" (lluvia con el 50%,
granizo con el 30% y niebla con el 20%).
Una vez que incorporamos la información de que ha ocurrido un
accidente, las probabilidades del suceso A cambian: son probabilidades
condicionadas P (A/B), que se denominan "probabilidades a posteriori".
P(X)
Teorema de Bayes ‐ Ejemplo
a) Probabilidad de que estuviera lloviendo:
P(X)
Teorema de Bayes ‐ Ejemplo
a) Probabilidad de que estuviera cayendo Granizo:
http://www.elpais.com
P(X)
Teorema de Bayes ‐ Ejemplo
a) Probabilidad de que hubiera niebla:
www.ictisp.com
P(X)
Teoremas
p(φ)=0
δ
A
P(X)
Teoremas
La probabilidad del complemento de A, Ac debe ser, p(Ac)= 1 – p(A)
Ac A
P(X)
Teoremas
TEOREMA 3. Si un evento A ⊂ B, entonces la p(A) ≤ p(B).
δ
B
A
B\A
P(X)
Teoremas
TEOREMA 4. La p( A \ B )= p(A) – p(A∩B)
δ
A B
A\B A∩B
P(X)
Teoremas
TEOREMA 5. Para dos eventos A y B, p(A∪B)=p(A) + p(B) – p(A∩B).
δ
A B
A∩B
COROLARIO
Para tres eventos A, B y C, p(A∪B∪C) = p(A) + p(B) + p(C) – p(A∩B) – p(A∩C) – (B∩C) + p(A∩B∩C).
A∩B A∩B∩C
A B δ
A∩C B∩C
Distribuciones Probabilísticas P(X)
Normal
−( x − μ)2
Función densidad normal 1 2σ 2
f (x) = e
0,05 σ 2π
0,04
0,03
f(x)
0,02
0,01
0
0 20 40 60 80
x
Distribuciones Probabilísticas P(X)
Binomial
f(x) distribución binomial
0,2
0,15
f(x)
0,1
0,05
0
11
13
15
17
19
21
23
25
1
Siendo el combinatorio
Distribuciones Probabilísticas P(X)
Geométrica
0,3
0,25
0,2
f(x)
0,15
0,1
0,05
0
10
12
14
16
18
20
22
24
0
n
Distribuciones Probabilísticas P(X)
Poisson
f(x) distribución Poisson
0,16
0,14
0,12
0,1
f(x)
0,08
0,06
0,04
0,02
0
0
10
12
14
16
18
20
22
24
n
Distribuciones Probabilísticas P(X)
Exponencial
Función densidad distribución exponencial
0,6
0,5
0,4
)
0,3
(x
f
0,2
0,1
0
0 5 10 15 20 25 30 35
x
Distribuciones Probabilísticas P(X)
Otras
Distribución de Gauss
Distribución de Gauss Multivariada
Distribución X2
Distribución de Weibull
Herramientas P(X)
Pareto
TPM‐Pareto
40 36 120%
Frecuencia Fallas
35
27 97% 98% 99% 100% 100%
100%
30 88% 92%
82% 80%
25 72%
20 60%
15 41% 40%
9
10 5 4 4 20%
5 1 1 1 0
0 0%
F1 F2 F3 F4 F5 F6 F7 F8 F9 OTRAS
Fallas
www.mantonline-rcm.com
Herramientas P(X)
Promedio o Media Aritmética
Es el valor resultante que se obtiene al dividir la sumatoria de un
conjunto de datos sobre el número total de datos.
Análisis espectral de las mediciones obtenidas en la válvula de prueba, donde podemos ver lo siguiente: Punto A color blanco,
Punto B color verde, Punto C color celeste, Punto D color Rojo. De acuerdo a éste espectro podemos confirmar la presencia de
una fuga en la válvula, vemos como el punto C tiene una medida superior a la del punto A y B. Esto es porque en el punto C, que
es el punto inmediato posterior aguas debajo de la válvula, es la zona donde se acaba de formar la turbulencia de la fuga.
Distribución de Weibull como P(X)
herramienta de Predicción
La distribución de Weibull es una herramienta estadística usada
generalmente para estimaciones de supervivencia, en este caso es
usada en relación a las fallas aparecidas en determinado sistema.
Es una aproximación a una distribución normal y a una exponencial.
Weibull P(X)
y Confiabilidad
Recordemos que Nolan y Heap encontraron diferentes combinaciones para la
curva trazada con Weibull
P(X)
Weibull
donde;
R(t) = Confiabilidad del elemento evaluado
e = Base de los logaritmos naturales = 2.718281.......
t = Parámetro de interés o valor en t
γ = valor en t inicial (tercer parámetro de Weibull)
η = Vida característica ( cantidad de datos analizados)
β = Factor de forma
P(X)
Weibull
X
Y
P(X)
Para:
Rangos Medianos
Rangos Pequeños
P(X)
Weibull
Confiabilidad significa el mínimo tiempo que el equipo funcionará con
seguridad antes de fallar. La variable característica γ es similar a la
media y representa un valor de t debajo del cual se encuentra el 63.2%
de los datos. El parámetro de forma o geométrico β controla la
asimetría de la distribución.
P(X)
Weibull
1
Eta (η)=
e (Intercepto / Pendiente)
Weibull P(X)
Ejemplo
Se tiene la siguiente información para la Moto Bomba Impulsora - BIE-1012.
Para lo cual debemos calcular el Tiempo entre fallas acumulado y ordenar su
aparición, así;
Tiempo entre fallas acumulado y P(X)
orden de Aparición
P(X)
Rango Medio
P(X)
Hallando X
P(X)
Hallando Y
La pendiente y el intercepto P(X)
www.mantonline-rcm.com
P(X)
Comportamiento de β
β<1, Implica la β=1, Implica fracasos al 1<β<4, Implica el β>4 Se trata fallas al
mortalidad infantil. azar. Estas fallas son desgaste precoz. Las final de la vida. La
Componentes independientes del fallas de este renovación es una
electrónicos y momento en que una parte tipo,generalmente, no se actividades de
mecánicos a menudo antigua es tan buena como espera dentro de la fase mantenimiento mas
tienen altos índices de una parte nueva. de diseño. Las fallas en apropiadas. Fallas
fracaso en su inicio. Revisiones de mecanismos tales como relacionades con la
Algunos componentes mantenimiento no son corrosión, erosión, la fatiga edad son el estrés,
son "quemados" antes apropiadas. Condición de de bajo ciclo aparecen. aparición de fisuras por
de su uso, mientras que control e inspección son las Mantenimiento a menudo corrosión, fluencia,
otros requieren estrategias utilizadas para implica retrabajos o tareas fatiga y erosión.
cuidadosa atención detectar la aparición de de prolongación de vida
después de la fallas, y reducir sus útil.
instalación. consecuencias .
Puntos de la Curva P(X)
P(X)
Curva
Observado
Funcion de Distribucion Acumulada
Estimado
100%
90%
Probabilidad de Falla
80%
70%
61.43%
60%
50%
40%
30%
20%
10%
0%
0 50 110
100 150 200 250
Tiempo
www.mantonline-rcm.com
Ficha de un activo P(X)
confiable
www.mantonline-rcm.com
Ejemplos P(X)
Pareto
{ }
(t-λ)−β
η
C=Cp+Cd*{1-R(t)} = Cp+Cd* 1- e =
{ }
(t) −3
600
= 600+3.000 * 1- e
El costo promedio por unidad de tiempo será:
Cm = C
t
P(X)
Weibull
P(X)
Optimización Basados en Costo
Usando la información calculada hasta el momento para el ejemplo
de la distribución de Weibull, y conociendo los costos del
mantenimiento preventivo y el correctivo, podemos hallar el punto
optimo de intervención, referidos a dichos costos, para lo cual,
introduciremos el valor de gamma, el cual nos ayuda a ajustar los
cálculos debido a su similitud a una distribución exponencial y el
ajuste de la varianza para el calculo.
Costo Reemplazo:
NO Planeado = 1.000.000
Planeado = 300.000
P(X)
Optimización Basados en Costo
Y que
h*(G1-G2*(1-F(G)((l*t)^b1/b)/b)
www.mantonline-rcm.com
P(X)
Punto Optimo Tradicional
www.mantonline-rcm.com
P(X)
Punto Optimo
P(X)
Punto Optimo con Weibull
www.mantonline-rcm.com
P(X)
Confiabilidad el Camino a la
COMPETITIVIDAD