Luis Sánchez CI: 19.804.455 Andriangela, Romero CI:15.846.395 José Rodríguez, CI: 15.126. 888 Trayecto 3 Fase I Unidad Curricular: Estadística
El Tigre, diciembre 2022
INTRODUCCION
Las distribuciones que modelizaban situaciones en las que se realizaban
pruebas que entrañaban una dicotomía (proceso de Bernouilli) de manera que en cada experiencia la probabilidad de obtener cada uno de los dos posibles resultados se mantenía constante. Si el proceso consistía en una serie de extracciones o selecciones ello implicaba la reposición de cada extracción o selección, o bien la consideración de una población muy grande. Sin embargo si la población es pequeña y las extracciones no se remplazan las probabilidades no se mantendrán constantes. En ese caso las distribuciones anteriores no nos servirán para la modelizar la situación. La distribución hipergeométrica viene a cubrir esta necesidad de modelizar procesos de Bernouilli con probabilidades no constantes (sin reemplazamiento). En este mismo modo, la distribución hipergeométrica es especialmente útil en todos aquellos casos en los que se extraigan muestras o se realizan experiencias repetidas sin devolución del elemento extraído o sin retornar a la situación experimental inicial. Por otra parte, que la distribución exponencial está limitada, debido a que hace la suposición de una tasa de falla o función de riesgo constante, la distribución de Weibull puede ser definida para incluir una tasa de falla o tasa de riesgo creciente o decreciente. Ya que la mayor cantidad de fallas en campo, especialmente las partes mecánicas, muestran un aumento en la tasa de falla (debido a desgaste o deterioro del material), la distribución de Weibull es muy útil en describir patrones de falla de este tipo. En la investigación se va desarrollar los siguientes puntos: Distribución Hipergeométrica y Weibull (origen, definición, características, aplicaciones). Interpretación de la tasa de fallo en la distribución Weibull, desarrollo de un ejercicio práctico en la distribución Weibull, aplicando el análisis de fallas en un proceso determinado).
Origen de la Distribución Hipergeométrica y Weibull
La distribución Hipergeométrica, fue obtenida por Jakob Bernoulli (1654-1705) y publicada en su obra póstuma Ars Conjectandi en 1713. La distribución Weibull, esta distribución debe su nombre al físico sueco Waloddi Weibull (1887-1979) quien la usó en un artículo publicado en 1939 sobre resistencia de los materiales (A Statistical Theory of the Strength of Materials), aunque ya era conocida de años antes. En teoría de la probabilidad y estadísticas, la distribución de Weibull es un continuo de distribución de probabilidad . Lleva el nombre del matemático sueco Waloddi Weibull , quien lo describió en detalle en 1951, aunque fue identificado por primera vez por Fréchet (1927) y aplicado por primera vez por Rosin y Rammler (1933) para describir una distribución de tamaño de partícula .
Distribución Hipergeométrica, Características y Aplicaciones
La distribución hipergeométrica suele aparecer en procesos muéstrales sin reemplazo, en los que se investiga la presencia o ausencia de cierta característica. Piénsese, por ejemplo, en un procedimiento de control de calidad en una empresa farmacéutica, durante el cual se extraen muestras de las cápsulas fabricadas y se someten a análisis para determinar su composición. Durante las pruebas, las cápsulas son destruidas y no pueden ser devueltas al lote del que provienen. En esta situación, la variable que cuenta el número de cápsulas que no cumplen los criterios de calidad establecidos sigue una distribución hipergeométrica. Por tanto, esta distribución es la equivalente a la binomial, pero cuando el muestreo se hace sin reemplazo, de forma que la probabilidad de éxito no permanece constante a lo largo de las n pruebas, a diferencia de la distribución binomial. Esta distribución se puede ilustrar del modo siguiente: se tiene una población finita con N elementos, de los cuales R tienen una determinada característica que se llama “éxito” (diabetes, obesidad, hábito de fumar, etc.). El número de “éxitos” en una muestra aleatoria de tamaño n, extraída sin reemplazo de la población, es una variable aleatoria con distribución hipergeométrica de parámetros N, R y n. Cuando el tamaño de la población es grande, los muestreos con y sin reemplazo son equivalentes, por lo que la distribución hipergeométrica se aproxima en tal caso a la binomial. En el caso de esta distribución, limita el cálculo a valores del tamaño de población (N) menores o iguales que 1.000. La distribución hipergeométrica, modeliza, de hecho, situaciones en las que se repite un número determinado de veces una prueba dicotómica de manera que con cada sucesivo resultado se ve alterada la probabilidad de obtener en la siguiente prueba uno u otro resultado. Definición: En la distribución Hipergeométrica x=¿ cantidad de resultados éxitos en una muestra aleatoria (sin reposición) de tamaño n , tomada de una población de tamaño N y de la cual N 1satisface una característica ó propie- dad (éxito) antes del muestreo y N 2no la satisface (fracaso). Criterios ó propiedades que la caracterizan: La población N del conjunto de unidades ó elementos es de orden fíni- to, de los cuales una parte: N 1"son éxitos", y otra parte: N 2son "fraca- sos". Cada elemento puede ser caracterizado como éxito ó fracaso. Se obtiene una muestra aleatoria de n elementos todos a la vez (sin reemplazamiento) y no de forma independiente. No son pruebas repe- tidas. El tamaño de la muestra aleatoria n es grande relativamente en com- n paración con el tamaño de la población. Generalmente: >5 % N Se busca la probabilidad de x=¿ número de éxitos a partir de los N 1re- sultados ó elementos y ( n−x )fracasos a partir de los N 2elementos así clasificados, al obtener una muestra aleatoria de tamaño n . Supongamos un lote de N productos de los cuales: Obtenemos muestra de n productos, todos a la vez. Interesa entonces la probabilidad de sacar x productos defectuosos (Éxito), o sea: p(x ). Es una distribución .fundamental en el estudio de muestras pequeñas de poblaciones .pequeñas y en el cálculo de probabilidades de, juegos de azar y tiene grandes aplicaciones en el control de calidad en otros procesos experimentales. Las aplicaciones de la distribución hipergeométrica se encuentran en muchos campos, sobre todo en el muestreo de aceptación, las pruebas electrónicas y los controles de calidad en los que no es posible retornar a la situación de partida.
Distribución Weibull, Características y Aplicaciones
Esta distribución se utiliza para modelar situaciones del tipo tiempo-fallo, modelar tiempos de vida o en el análisis de supervivencia, aparte de otros usos como, por ejemplo, caracterizar el comportamiento climático de la lluvia en un año determinado. La distribución Weibull queda totalmente definida mediante dos paráme- tros, forma (a) y escala (b). En el caso particular de que a=1, se tiene la dis - tribución exponencial, y si a=2 y b=√ 2 σ recibe el nombre de distribución de Rayleigh. El perfil de la función de densidad presenta formas muy variadas depen - diendo del valor que tome su parámetro de forma, a. Si a es menor o igual que 1, la función de densidad es siempre decreciente; en caso de tomar valo- res mayores que la unidad su función de densidad muestra una forma más acampanada, pero no simétrica, de forma que crece hasta alcanzar el máxi- mo y luego decrece. La distribución de Weibull es una distribución versátil que se puede utilizar para modelar una amplia gama de aplicaciones en ingeniería, investigación médica, control de calidad, finanzas y climatología. Por ejemplo, la distribu- ción se utiliza frecuentemente con análisis de fiabilidad para modelar datos de tiempo antes de falla. La distribución de Weibull también se utiliza para modelar datos asimétricos del proceso en el análisis de capacidad. En inge- niería, para modelar procesos estocásticos relacionados con el tiempo de fa- bricación y distribución de bienes. En sistemas de radar para simular la dis- persión de la señal recibida. La distribución de Weibull se describe según los parámetros de forma, es- cala y valor umbral y también se conoce como la distribución de Weibull de 3 parámetros. El caso en el que el parámetro de valor umbral es cero se cono- ce como la distribución de Weibull de 2 parámetros. La distribución de Wei- bull de 2 parámetros se define solo para variables positivas. Una distribución de Weibull de 3 parámetros puede funcionar con ceros y datos negativos, pero todos los datos para una distribución de Weibull de 2 parámetros deben ser mayores que cero. El modelo Weibull generaliza al modelo exponencial. Su razón de fallo es monótona. Este modelo depende de tres parámetros, que definen la razón de fallo: El parámetro umbral. El parámetro de forma. El parámetro de escala. El parámetro umbral o parámetro de localización indica el origen de tiempos. El parámetro de forma se define en términos del exponente de la función potencial que determina la razón de fallo del modelo. En términos de este parámetro se definirá la monotonía de la razón de fallo. Más concreta- mente, la razón de fallo es monótona creciente o monótona decreciente de- pendiendo de que el parámetro de forma sea superior o inferior a la unidad, respectivamente. El inverso del parámetro de escala define la razón de fallo del modelo exponencial, cuando el modelo Weibull se particulariza a este caso (parámetro de forma igual a la unidad). Puesto que está definido en tér- minos de tres parámetros, proporciona una gran flexibilidad en la representa- ción de comportamientos de una gran variedad de sistemas de fallo. La im- plementación de métodos de inferencia es más compleja que en el modelo exponencial. En el caso en que el parámetro umbral o de localización coinci- da con el instante cero se tiene el modelo Weibull biparamétrico. Interpretación de la tasa de fallo en la distribución Weibull. Representación de los modos de fallo mediante la distribución de Weibull En el estudio de la distribución se pueden dar las siguientes combinacio- nes de los parámetros de Weibull con mecanismos de fallo particulares: t0 = 0: el mecanismo no tiene una duración de fiabilidad intrínseca, y: si β <1la tasa de fallos disminuye con la edad sin llegar a cero, por lo que po- demos suponer que nos encontramos en la juventud del componente con un margen de seguridad bajo, dando lugar a fallos por tensión de rotura. si β=1 la tasa de fallo se mantiene constante siempre lo que nos indica una característica de fallos aleatoria o pseudo-aleatoria. En este caso nos en- contramos que la distribución de Weibull es igual a la exponencial. si β >1 la tasa de fallo se incrementa con la edad de forma continua lo que in- dica que los desgastes empiezan en el momento en que el mecanismo se pone en servicio. SI β=3,44 se cumple que la media es igual a la mediana y la distribución de Weibull es sensiblemente igual a la normal. t0 > 0: El mecanismo es intrínsecamente fiable desde el momento en que fue puesto en servicio hasta que t = t0, y además: Si β <1hay fatiga u otro tipo de desgaste en el que la tasa de fallo disminuye con el tiempo después de un súbito incremento hasta t 0; valores de β bajos ( ~ 0,5 ) pueden asociarse con ciclos de fatigas bajos y los valores de b más elevados (~ 0,8) con ciclos más altos. Si h β >1hay una erosión o desgaste similar en la que la constante de duración de carga disminuye continuamente con el incremento de la carga. t0 < 0. Indica que el mecanismo fue utilizado o tuvo fallos antes de iniciar la toma de datos, de otro modo Si β <1hay podría tratarse de un fallo de juventud antes de su puesta en servicio, como resultado de un margen de seguridad bajo. Si β >1 se trata de un desgaste por una disminución constante de la resistencia iniciado antes de su puesta en servicio, por ejemplo debido a una vida propia limitada que ha finalizado o era inadecuada.
Ejercicio práctico. Análisis Weibull aplicado a Fallas de Equipos
La información disponible acerca de la duración de 10 sistemas
mecánicos de detectores de presencia sometidos a funcionamiento continuo hasta que se produce un fallo, da los siguientes resultados, expresados por su duración en meses y ordenados : 1,7; 3,5 ; 5; 6; 8; 11; 13; 18 y 22. Calcular las probabilidades acumuladas o valores medios clasificados, los parámetros de Weibull, tipo de fallo, la fiabilidad de forma general, fiabilidad para 12 meses, la duración media de vida y la desviación tipo. Solución: Con la ayuda de la tabla 2, que nos da directamente los valores medios clasificados de los fallos o probabilidades acumuladas según el tamaño de la muestra que en este caso es n = 10, tendremos: