Documentos de Académico
Documentos de Profesional
Documentos de Cultura
BUCIÓ
N DE
PROBA Prof:
BILIDA
INTEGRANTES:
INTRODUCCION
En estadística, una distribución discreta es una distribución de probabilidad de los
resultados de variables finitas o valores contables. Si una variable aleatoria sigue el patrón
de una distribución discreta, significa que la variable aleatoria es discreta. En un sentido
amplio, todas las distribuciones de probabilidad se pueden clasificar como distribución de
probabilidad discreta o distribución de probabilidad continua. Mientras que una
distribución continua se basa en valores medibles que son infinitos, la distribución discreta
se ocupa de las probabilidades de los resultados de valores finitos.
DISTRIBUCIÓN HIPERGEOMÉTRICA
La distribución hipergeométrica es una distribución discreta que modela el número
de eventos en una muestra de tamaño fijo cuando se conoce el número total de elementos
en la población de la cual proviene la muestra. Cada elemento de la muestra tiene dos
resultados posibles (es un evento o un no evento). Las muestras no tienen reemplazo, por
lo que cada elemento de la muestra es diferente, cuando se elige un elemento de la
población, no se puede volver a elegir; por lo tanto, la probabilidad de que un elemento sea
seleccionado aumenta con cada ensayo, presuponiendo que aún no haya sido seleccionado.
Por otro lado la tecnología actual permite que los ingenieros diseñen muchos sistemas
complicados cuya operación y seguridad dependen de la confiabilidad de los diversos
componentes que conforman los sistemas. Por ejemplo, un fusible se puede quemar, una
columna de acero se puede torcer o un dispositivo sensor de calor puede fallar.
Componentes idénticos, sujetos a idénticas condiciones ambientales, fallarán en momentos
diferentes e impredecibles.
Ejemplo1:
LA DISTRIBUCIÓN DE WEIBULL
En teoría de la probabilidad y estadística, la distribución de Weibull es
una distribución de probabilidad continua. Esta distribución debe su nombre al físico sueco
Waloddi Weibull (1887-1979), que la describió detalladamente en 1951, aunque fue
descubierta inicialmente por Fréchet (1927) y aplicada por primera vez por Rosin y
Rammler (1933) para describir la distribución de los tamaños de determinadas partículas.
Originalmente Weibull propuso la distribución como un modelo para la resistencia a la
rotura del material, pero reconoció el potencial de la distribución en su artículo de
1951 “Una función de distribución estadística de amplia aplicabilidad”. Hoy en día, se usa
comúnmente para evaluar la confiabilidad del producto , analizar datos de vida útil y
modelar tiempos de falla. El Weibull también puede adaptarse a una amplia gama de datos
de muchos otros campos, incluidos: biología, economía, ciencias de la ingeniería e
hidrología (Rinne, 2008), modelar situaciones del tipo tiempo-fallo, modelar tiempos de
vida o en el análisis de supervivencia, a parte de otros usos como, por ejemplo, caracterizar
el comportamiento climático de la lluvia en un año determinado.
Existen formas típicas para expresar las leyes de la distribución de las variables
aleatorias continuas entre ellas (Torres, 2015):
Características
La distribución de Weibull se describe según los parámetros de forma, escala 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 conoce como la distribución de Weibull
de 2 parámetros. La distribución de Weibull 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.
Donde:
t: Variable aleatoria que, para el caso de la confiabilidad, representa el tiempo entre fallas.
β: Parámetro de forma (0<β<∞) θ: Parámetro de escala (0<θ<∞)
δ: Parámetro de localización (-∞δ<∞)
El parámetro beta, como su nombre indica, determina la forma o perfil de la
distribución, la cual es función del valor de éste.
El parámetro theta indica la escala de la distribución, es decir, muestra que tan aguda o
plana es la función.
El parámetro delta indica, en el tiempo, el momento a partir del cual se genera la
distribución.
Una distribución biparamétrica está completamente definida por los parámetros de
forma y de escala.
β < 1,0
Representa una rata de fallas tempranas (mortalidad infantil) Mientras más cercano
a cero, más grande el riesgo de este tipo de fallas. Las fallas tempranas tienden a ser
causadas por repuestos de mala calidad o defectuosos y/o por mano de obra deficiente. La
mala calidad de las partes puede ser asociada a problemas de almacenaje que propicien la
contaminación, corrosión y el deterioro. Las deficiencias asociadas con la mano de obra
pueden atribuirse a procedimientos débiles, falta de capacitación o falta de personal
calificado, supervisión insuficiente, falta de controles de calidad o incluso a temas
administrativos como reparaciones apresuradas. La meta es elevar el parámetro β a 1,0
mientras decrece la rata de fallas y se incrementa el TPEF o TPPF.
β ~= 1.0
Representa una rata de fallas constante, no se pueden hacer predicciones en función
del tiempo. En este escenario debe enfocarse en optimizar sus planes de inspección y
monitoreo de condición de manera de detectar las fallas en su etapa incipiente, por otro lado
puede trabajar en mejorar el proceso de análisis de los datos por cada modo de falla.
Cuando se toman un lote de modos de fallas juntos, se presenta un efecto aleatorio que
tiende a elevar β a 1,0. Hay que enfocarse en prácticas de precisión y proactivas,
especialmente en las actividades de Ajuste, Lubricación, Alineación y Balanceo. La rata de
falla es afectada por las intervenciones proactivas, pero no necesariamente estas afectan el
perfil de riesgo. La meta es mantener el parámetro β en 1,0 mientras decrece la rata de
fallas incrementando el TPEF o el TPPF.
β > 1,0
Indica dependencia del tiempo, lo cual es típicamente indicativo de un modo de falla
dominante. Mientras más alto es β, más fuerte es la relación con el tiempo. En este
escenario el trabajo consiste en identificar los factores mecánicos, eléctricos, operacionales
y humanos que representan las causas que desencadenan la falla. El modo de falla
dominante, es algunos casos, se elimina actualizando componentes, rediseñando,
reduciendo el estrés operacional u otras iniciativas. En algunos casos las partes o
componentes son simplemente reemplazados. Si la forma β es suficientemente alta (por
ejemplo> 5,0) y si no puede controlar las funciones que propician la falla, el mantenimiento
basado en el tiempo PUEDE estar justificado. En otras instancias, se podría incrementar la
veracidad y frecuencia del monitoreo y el perfil de riesgo aumenta. La meta es que β se
mantenga ~1,0 si es posible o instituir el mantenimiento basado en tiempo o incrementar el
monitoreo apropiadamente. El perfil de riesgo debería afectar el proceso de planificación de
repuestos de tal manera que no lo encuentren desprevenido. En todos los casos hay que
mantenerse enfocados en las actividades de mantenimiento proactivas.
∑ ln (ti)
|x|
x=
n
Varianza
2 1
S=
(n−1)¿ ¿
Variación estándar
S= √ S
2
Fórmulas para calcular parámetros
π
β=
r √6
α =exp ( e )
e=x + ( 0.5772
β )
Para el cálculo de los parámetros de la distribución de Weibull existen varios métodos entre
ellos (Minitab, 2022):
Mínimos cuadrados
Máxima verosimilitud
Estimación de momentos
Estimaciones lineales
Ejemplo de Análisis Weibull aplicado a Fallas de Equipos
La técnica de Análisis Weibull puede ser usada para estimar probabilidad de
muchos casos, por lo que nos enfocaremos en un análisis de confiabilidad asociado a una
estadística de fallas de equipos de una planta fraccionadora de gas, para lo cual tenemos la
siguiente estadística de Tiempo Para Falla (TPF).
Analizando los datos de la tabla No. 2, como primera observación tenemos que hay
un 95.98% que los TPF sean menores a 95.98%, por supuesto que es una información, pero
no nos ayuda mucho ya que tenemos datos desde 240 horas a 13,776 horas, por lo que
debemos analizar la gráfica de Weibull (Fig.3).
Figura 3. Gráfico de Weibull (TPF).
Del análisis tenemos que el Factor de Forma β es 0.6433 lo que indica que tenemos
una tasa de falla descendente, al igual que una t = η (aproximadamente 2,000).
Ya con los datos de forma y escala podemos realizar cualquier estimado de
confiabilidad utilizando la ecuación (7) o el gráfico de Weibull.
R(t) = 1-F(t) (7)
Por ejemplo, si queremos estimar cuál es la confiabilidad o probabilidad para que
los equipos no fallen a t1=500 horas o t2=3000 horas, obtendremos lo siguiente:
R(t1) = 80%
R(t2) = 10%
Caso practico
En una empresa que embala aceite para vehículos, se selecciona una muestra de 10
taponadoras de botellas, que tienen falla 2, 1.5, 0.5, 4, 0.25, 3, 4.55, 3.25, 5.55, 2.45 meses.
Halle el tiempo medio entre fallas (MTBF) y la probabilidad que tienen falla a las 3
semanas y media.
2- Una vez obtenido el rango de mediana de cada orden de falla se asume (parámetro de
localización) igual cero y se ordena los datos de menor a mayor. El criterio de ordenación
debe ser el tiempo entre fallas.
i ti y i (RM(t i))
1 0,25 0.0673
2 0,5 0.1635
3 1,5 0.2596
4 2 0.3558
5 2,45 0.4519
6 3 0.5481
7 3,25 0.6442
8 4 0.7404
9 4,55 0.8365
10 5,55 0.9327
1.5
0.5
0
3. 0 1 2 3 4 5 6
-0.5
-1
-1.5
-2
Calculamos el logaritmo natural del tiempo entre fallas para cada observación. Para los
cálculos se utilizó una hoja Excel se insertó la función =LN (t i ¿ en la columna 4 donde se
obtuvieron los valores descritos en la tabla 2.
∑ ln ( ti )=¿ ¿6,80774558
n=10
n
Ecuación 2.
∑ ln (ti)
|x|
x=
n
Sustituyendo por valores nos queda
6,80774558
x= =x=0,680774558
10
i ti Ln (t i ¿
2
(Ln (t i ¿−x ¿ ¿
1 0,25 -1,386294 4,2727739
2 0,5 -0,693147 1,8876609
3 1,5 0,4054651 0,164402
4 2 0,6931472 0,0001531
5 2,45 0,896088 0,0463599
6 3 1,0986123 0,1745884
7 3,25 1,178655 0,2478849
8 4 1,3862944 0,4977582
9 4,55 1,5151272 0,6961444
10 5,55 1,7137979 1,0671373
6,8077456 9,0548629
∑ ln ( ti )−x ¿2 ¿=9,0548629
n=10
Sustituyendo por valores tenemos
2 1
S=
(10−1)(9,0548629)
2
S =¿ 1,006095883
S= √ S
2
Ecuación 4.
S= √1,006095883
S=¿1,00304331063
Calculamos parámetros
π 3,1416
β= = = 1,278
S √6 1,00304331063 √ 6
e=x + ( 0.5772
β )
= 0,680774558+ (
1,278 )
0.5772
= 1,132
γ=0
−⌈ ( t−α γ )⌉ β
R ( t )=e
− (0,875−0
3,1018 )
1,278
R ( t )=e
R ( t )=¿0,820022089
F ( t )=1−R ( t )
F ( t )=1−¿ 0,820022089
F ( t )=¿ 0,17997791
F ( t )=¿ 0,17997791*100
F ( t )=17,99 % Representa el porcentaje de fallo al 0,875 mes (3,5 semanas)
−⌈ ( t−α γ )⌉ β
R ( t )=e
− (3,1018
3 −0
) 1,278
R ( t )=e
R ( t )=¿0,383563784
F ( t )=1−R ( t )
F ( t )=1−¿ 0,383563784
F ( t )=¿ 0,616436216
F ( t )=¿ 0,616436216*100
F ( t )=61,64 % de los procesos falla a los 3 meses (90 días)
1. Hallando el MTBF
β x s ɳ MTBF
0.1 3628800 3.2036915E+31 90 326592000
0.2 120 52254720000 90 10800
0.3 9.2605283 222417.44989 90 833.447544131299
0.4 3.323351 1325.35940073 90 299.101587340306
0.5 2 96 90 180
0.6 1.5045755 20.9634967882 90 135.41179394264
0.7 1.2658235 8.05824456531 90 113.924115545155
0.8 1.1330031 4.26617240143 90 101.970278668741
0.9 1.0521837 2.74402804998 90 94.6965348802165
0.10 1 2 90 90
1.1 0.9649125 1.58505696892 90 87
1.2 0.9406559 1.33129871054 90 84.6590272431094
1.3 0.9235767 1.16542405438 90 83.121904940038
1.4 0.9114233 1.05151009792 90 82.0281005674357
1.5 0.9027453 0.97031042277 90 81.2470763655841
1.6 0.8965743 0.9107593721 90 80.6916852050938
1.7 0.8922445 0.8661213132 90 80.3020052249392
1.8 0.8892867 0.83209939108 90 80.0358059206992
Análisis del caso práctico de Elvis Fuentes
En el siguiente ejemplo o ejercicio práctico podemos observar que una empresa que
embala aceite para vehículos una muestra de 10 taponadoras de botellas el MTBF (tiempo
medio entre fallas) y la probabilidad, que pueda tener una falla en el proceso y que se
muestra: Probabilidad de falla a las 3 semanas y media.
La distribución de Weibull tiene gran adaptabilidad por que puede absorber las
características de otras distribuciones no las distribuciones Normal y Exponencial
además puede trabajar con pocos datos, se recomienda por lo menos 5.
Las estimaciones de la fiabilidad probabilística mostrada en el estudio son muy
utilizadas en la predicción de activos no reparables, se le puede usar en activos
reparables cuando después de la reparación el activo queda en las mejores
condiciones, como si fuese nuevo, o en activos con pocos componentes principales
los cuales son reemplazados después del fallo. La utilización del método de
mínimos cuadrados es recomendada cuando se aplica en software como el Excel.
Las estimaciones de los parámetros de la distribución de Weibull proporcionan
información valiosa, el parámetro de forma β nos indica en que etapa de vida se
encuentra un activo, en valores hasta 1 se considera vida infantil, de 1 a 3 es el
período normal de utilización caracterizado por una tasa de fallos constante y
finalmente con un β superior a 3 es la etapa de envejecimiento.
Siempre que se analice hay que tener en cuenta la censura de datos, los valores
atípicos se los puede discriminar fácilmente con una observación de estos, otra
opción es utilizarlos intervalos de confianza en uno o en los dos lados de la
distribución.
Es más conveniente para el análisis de los datos diferenciarlos por modo de fallo, se
obtiene un estudio más específico y de mejor valía para la toma de decisiones.
El parámetro de ubicación ubica las distribuciones a lo largo del eje de las abscisas,
se mueve la distribución a la derecha si el parámetro γ es mayor a cero y si es menor
al lado izquierdo. Generalmente el parámetro es menor que el primer tiempo de
fallo, proporciona el tiempo más próximo en el que se puede presentar una falla.
BIBLIOGRAFIA
https://es.wikipedia.org/wiki/Distribuci%C3%B3n_de_Weibull
https://esp.reliabilityconnect.com/por-que-es-necesario-el-analisis-de-weibull/