Universidad

Jose Vasconcelos calderón

materia: Estadistica ll
Tema: Proyecto de investigacion
Ing. Mecánico Electricista
6 tetramestre
Alumno: Prudencio Del Angel Andrés
Matricula: j0813
Docente: Rodrigo Gzz. Rojas
Introducción
El análisis de Weibull es la técnica mayormente escogida para estimar una probabilidad basada en
datos medidos o asumidos. La distribución de Weibull, descubierta por el sueco Walodi Weibull, fue
anunciada por primera vez en un escrito en 1951.
El modelo Weibull tiene una interesante propiedad ligada a que según sean los valores de, puede
presentar tasas de fallo crecientes, decrecientes o constantes. Así, cuando β=1 el modelo Weibull se
convierte en exponencial y presenta tasa de fallos constante. El modelo exponencial es por tanto un
caso particular del modelo Weibull, cuando β>1 el modelo tiene tasa de falla creciente y cuando β<1
presenta tasa de falla decreciente. El modelo Weibull es muy versátil y en la práctica es uno de los
más utilizados.

BiografíA
Waloddi Weibull nace en una familia de inmigrantes alemanes originaria de Schleswig-Holstein. Su
familia cuenta con numerosos historiadores conocidos, como por ejemplo Curt Weibull.
En 1904 ingresa en la marina sueca siguiendo el curso en la Universidad Tecnológica
Real en Estocolmo. En 1924 se vuelve profesor y ocho años después completa su doctorado en
la Universidad de Upsala. Fue empleado en varias instituciones suecas y alemanas como
investigador (de rodamientos, herramientas mecánicas, etc.) y consultor de ingeniería.
En 1914 partió en una expedición en el navío Albatroz, de investigación científica, por el Mar
Mediterráneo, el mar Caribe y el Océano Pacífico. Escribió su primer artículo sobre la propagación
de las ondas explosivas. Desarrolló una técnica basada en la explosión de cargas para caracterizar
la naturaleza y el espesor de los fondos oceánicos; la técnica todavía se utiliza en la exploración
petrolera offshore.
En 1939 publicó su trabajo sobre la distribución de Weibull, utilizada en probabilidad y estadística.
En 1941 fue nombrado profesor de física aplicada en el Real Instituto de Tecnología, gracias a la
empresa de fabricación de armas Bofors. Publicó numerosos trabajos sobre la resistencia de
materiales.
En 1951 presentó su más célebre estudio ante la American Society of Mechanical Engineers, a partir
de siete estudios de caso.
Sus trabajos fueron recompensados con la medalla de oro de la ASME en 1972 y con la medalla de
oro de la Academia Real de las Ciencias de Suecia en 1978 por el conjunto de su trabajo y sus más
de 70 publicaciones.
1. Función de Densidad de Probabilidad
La función de Densidad (f (t) es la Función de Densidad de Probabilidad (PDF)) y la Función de
Distribución, estas funciones sirven para estudiar los datos de duración. La PDF es a menudo
calculada a partir de, en nuestro caso, datos de fallas reales.
F(t) es la función de distribución acumulada (CDF). Es el área bajo la curva f(t) de 0 a t. (algunas
veces llamada la no confiabilidad o probabilidad de falla acumulada).

Figura 1. F(t) es la función de

distribución acumulada(CDF).
Fuente: El autor.

Para el caso de análisis Weibull las funciones son las siguientes:

• Distribución de densidad de probabilidad (PDF) 3

•Distribución de probabilidad acumulada (CDF)

• Parámetro α

• Parámetro β
Donde:
 t – es la variable de tiempo.
 β – es el parámetro de forma.
 η – es el parámetro de escala o característica de vida.
La distribución de Weibull es útil por su habilidad para simular un amplio rango de distribuciones
como la Normal, la Exponencial, etc. Las técnicas discutidas en la distribución de Weibull son
similares a las usadas con las distribuciones Normal y Log-Normal 2.

Deducción de la ecuación lineal de regresión

Función acumulativa de Weibull.

Aplicando logaritmos naturales.

Propiedad exponencial de los logaritmos.

Aplicando logaritmos naturales.

La expresión (*) representa una ecuación lineal de la forma

La cual es una recta de regresión, con:

De la expresión (**) se concluye que el parámetro de forma, β, es la pendiente de la recta de

regresión.

De la expresión (***) se observa que el parámetro de escala, θ, está en función del intercepto  b de la
recta de regresión y del parámetro de escala; por lo tanto:

(4) Definición de logaritmo.

3.2 Rango de mediana

Para poder trazar la recta de regresión, se debe calcular un estimador para la función de distribución
acumulativa F(x). Este estimador, llamado Rango de mediana, es un estimador no paramétrico
basado en el orden de las fallas. Este aspecto implica que la muestra de datos se debe organizar de
menor a mayor (en forma ascendente).

La expresión matemática para este estimador es:

Donde:

Wα ( i): Rango de mediana para un nivel de confianza (1-α), donde α es el nivel de significancia y
toma el valor de 0.5 para este estimador.

i: Orden de la falla.
n: Número total de datos de la muestra.

Fα, v1, v2: Valor crítico de la distribución F, evaluada en el nivel de significancia α y con grados de
libertad v1 y v2.

Dada la complejidad de la ecuación (5), generalmente el rango de mediana se aproxima mediante la

siguiente expresión, exacta dentro de 0.005 [1]:

Donde:

RM( xi): Rango de mediana.

i: Orden de falla.

n: Número total de datos de la muestra.

CONCLUSIONES

1. El método de los mínimos cuadrados facilita el cálculo de los parámetros de la distribución de

Weibull cuando se emplean programas informáticos como Excel.

2. El análisis del gráfico de la recta de regresión sirve de criterio para determinar si es necesario
calcular el parámetro de localización.

3. El parámetro de localización tiene un gran efecto en la recta de regresión; sin embargo, se debe
analizar concienzudamente si un    diferente de cero es necesario.

4. El coeficiente de correlación, r, y el coeficiente de determinación, r2, se constituyen en una prueba

de bondad de ajuste para la recta de regresión.