DISTRI

BUCIÓ
N DE
PROBA Prof:

BILIDA
INTEGRANTES:

ING. ANNYS SILVA

D David Cordero C.I.12.680.473

Elvis Fuentes C.I.12.680.592

Kenny Hernández C.I. V-14.818.481

TRAYECTO: III, FASE: I, SECCION: MM02

El Tigre, 20 de Enero de 2023

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.

A través de la distribución, ya sea discreta o continua, los analistas y estadísticos

identifican los resultados de las variables aleatorias. Los resultados probables a menudo se
presentan en un gráfico utilizando puntos de datos específicos que explican la
probabilidad. La distribución discreta es tanto una distribución estadística como un análisis
matemático de resultados de valores finitos. Mientras que una distribución discreta tiene un
número finito de resultados, la distribución continua tiene un número infinito de resultados
medibles.

Como objeto de estudio nos enfocaremos en la distribución hipergeométrica el cual

es especialmente útil en todos aquellos casos en los que se extraigan muestras o se realicen
experiencias repetidas sin devolución del elemento extraído o sin retornar a la situación
experimental inicial y la distribución de Weibull nos permite estudiar cuál es la distribución
de fallos de un componente clave de seguridad que pretendemos controlar y que a través de
nuestro registro de fallos observamos que éstos varían a lo largo del tiempo y dentro de lo
que se considera tiempo normal de uso. El método no determina cuáles son las variables
que influyen en la tasa de fallos, tarea que quedará en manos del analista, pero al menos la
distribución de Weibull facilitará la identificación de aquellos y su consideración, aparte de
disponer de una herramienta de predicción de comportamientos. Esta metodología es útil
para aquellas empresas que desarrollan programas de mantenimiento preventivo de sus
instalaciones.

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.

En general, nos interesa la probabilidad de seleccionar x éxitos de los k artículos

considerados éxitos y n – x fracasos de los N – k artículos que se consideran fracasos
cuando una muestra aleatoria de tamaño n se selecciona de N artículos. Esto se conoce
como un experimento hipergeométrico.

La distribución hipergeométrica es especialmente útil en todos aquellos casos en los

que se extraigan muestras o se realicen experiencias repetidas sin devolución del elemento
extraído o sin retornar a la situación experimental inicial. 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 para
procesos experimentales en  los que no es posible retornar a la situación de partida.

Las consideraciones a tener en cuenta en una distribución hipergeométrica:

 El proceso consta de "n" pruebas, separadas o separables de entre un conjunto de
"N" pruebas posibles.
 Cada una de las pruebas puede dar únicamente dos resultados mutuamente
excluyentes.
 El número de individuos que presentan la característica A (éxito) es "k".
 En la primera prueba las probabilidades son: P(A)= p y P(A)= q; con p+q=1.

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.

La distribución hipergeométrica suele aparecer en procesos muestrales 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,
Epidat 4 limita el cálculo a valores del tamaño de población (N) menores o iguales que
1.000. Valores: k: max{0,n-(N-R)}, ..., min{R,n}, donde max{0,n-(N-R)} indica el valor
máximo entre 0 y n- (N-R) y min{R,n} indica el valor mínimo entre R y n. Parámetros: N:
tamaño de la población, N ≥ 1 entero R: número de éxitos en la población; 1 ≤ R ≤ N, N
entero n: número de pruebas; 1 ≤ n ≤ N, n entero Ejemplo Se sabe que el 7% de los útiles
quirúrgicos en un lote de 100 no cumplen ciertas especificaciones de calidad. Tomada una
muestra al azar de 10 unidades sin reemplazo, interesa conocer la probabilidad de que no
más de dos sean defectuosas. El número de útiles defectuosos en el lote es R = 0,07100 =
7. Para un tamaño muestral de n= 10, la probabilidad buscada es P{número de defectuosos
 2}. La probabilidad de que, a lo sumo, haya dos útiles defectuosos en el lote es
aproximadamente 0,98. Además, puede decirse que la media y la varianza de la distribución
hipergeométrica (100, 7, 10) son 0,7 y 0,59, respectivamente; en este caso, la media de
útiles quirúrgicos defectuosos en 10 pruebas es de 0,7 y la varianza de 0,59.

Las consideraciones a tener en cuenta en una distribución hipergeométrica:

 El proceso consta de "n" pruebas, separadas o separables de entre un conjunto de
"N" pruebas posibles.
 Cada una de las pruebas puede dar únicamente dos resultados mutuamente
excluyentes.
 El número de individuos que presentan la característica A (éxito) es "k".
 En la primera prueba las probabilidades son: P(A)= p y P(A)= q; con p+q=1.
 En estas condiciones, se define la variable aleatoria X = “nº de éxitos obtenidos”.
La función de probabilidad de esta variable sería: la media, varianza y desviación
típica de esta distribución vienen dadas por:

Ejemplo1:

Supongamos la extracción aleatoria de 8 elementos de un conjunto formado por 40

elementos totales (cartas baraja española) de los cuales 10 son del tipo A (salir oro) y 30
son del tipo complementario (no salir oro).

Si realizamos las extracciones sin devolver los elementos extraídos y llamamos X al

número de elementos del tipo A (oros obtenidos) que extraemos en las 8 cartas; X seguirá
una distribución hipergeométrica de parámetros 40, 8, 10/40.H(40,8,0,25).
Para calcular la probabilidad de obtener 4 oros:
Distribuciones continuas

Las distribuciones continuas incluidas en el módulo de “Cálculo de probabilidades”

son: Uniforme o rectangular, Normal, Lognormal, Logística, Beta, Gamma, Exponencial,
Ji-cuadrado, t de Student, F de Snedecor, Cauchy, Weibull, Laplace, Pareto, Triangular.

Para efectos de esta investigación nos enfocaremos en la distribución de Weibull.

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):

 Función de la densidad de la distribución de fallos

 Función de la distribución acumulada (Infiabilidad F(t))
 Función de la distribución acumulada inversa (Supervivencia R(t))
 Función del riesgo o tasa de fallos instantánea (ʎ(t)) La única distribución función
de distribución de probabilidad que se ajustan a los distintos tiempos en la vida de
los dispositivos industriales es la distribución de Weibull (Reliability Engineering
 Resources, 2022), como se puede apreciar en la función del Riesgo o tasa de fallos
instantánea figura 1.

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.

Dependiendo de los valores de sus parámetros, la distribución de Weibull puede adoptar

varias formas.

Expresión matemática de la distribución Weibull

La función de densidad de la distribución de Weibull para la variable aleatoria t está

dada por la siguiente expresión:

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.

Fórmulas de medidas de tendencia para la distribución de Weibull

 Media aritmética
n

∑ 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 )

La distribución de Weibull se utiliza en:

 Análisis de la supervivencia
 En ingeniería, para modelar procesos estocásticos relacionados con el tiempo de
fabricación y distribución de bienes
 Teoría de valores extremos
 Meteorología
 Para modelar la distribución de la velocidad del viento (frecuencia con la que se dan
diferentes velocidades de viento)
 En telecomunicaciones
 En sistemas de radar para simular la dispersión de la señal recibida
 En seguros, para modelar el tamaño de las pérdidas
 En la hidrología, se utiliza la distribución de Weibull para analizar variables
aleatorias como valores máximos de la precipitación y la descarga de ríos,4 y
además para describir épocas de sequía.

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).

Tabla 2. Datos estadísticos de 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.

1. Calculamos el rango de la mediana por cada observación usando la ecuación 1

(i−0,3)
Ecuación 1. RM ( xi )=
(n+ 0.4)
Donde:
RM ( x i): Rango de mediana.
i: Orden de falla.
n: Número total de datos de la muestra.
t i: Tiempo entre fallas

Ejemplo del cálculo de RM ( x i) del orden de falla (1) 0,25 meses

(1−0,3)
RM (0,25)= = 0,0673
(10+0,4)

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

Tabla 1. Valores de rango de mediana columna 3

 Linealización
2

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.

(i) ti y i (RM(t i)) Ln (t i ¿

1 0.25 0.0673 -1.38629
2 0.5 0.1635 -0.69315
3 1,5 0.2596 0.40547
4 2 0.3558 0.69315
5 2.45 0.4519 0.89609
6 3 0.5481 1.09861
7 3.25 0.6442 1.17865
8 4 0.7404 1.38629
9 4,55 0.8365 1.51513
10 5,55 0.9327 1.71380

Tabla 2. Valores de LN (t i ¿ columna 4

4. Calculamos la Media aritmética mediante la ecuación 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

5. Calculamos la Varianza mediante la ecuación 3.

2 1
Ecuación 3. S=
(n−1)¿ ¿

∑ ln ( ti )−x ¿2 ¿=9,0548629
n=10
Sustituyendo por valores tenemos
2 1
S=
(10−1)(9,0548629)

2
S =¿ 1,006095883

6. Calculamos la Variación estándar mediante la ecuación 4.

S= √ S
2
Ecuación 4.

Sustituyendo por valores tenemos

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

α =exp ( e ) = exp ( 1,132 ) = 3,1018

γ=0

b. Calcular el porcentaje de fallas que habrá en 3,5 semanas (0,875 mes)

−⌈ ( 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)

c. Calcular el porcentaje de fallas que habrá en 3 meses (90 días)

−⌈ ( 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)

Del análisis de la gráfica de Weibull tenemos que:

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

Este método o técnica se encarga de estudiar las probabilidades de confiabilidad y

estadísticas en porcentaje de una falla mostrando gráficos del comportamiento de algún
equipo o componente.

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.

Se hizo la descripción de Weibull de métodos de los parámetros, cálculos y análisis

de fiabilidad donde se analizaron los tiempos de fallas de las taponadoras que se escogieron
para el muestreo para calcular su rango medio a través de una gráfica con valores aleatorios
esbarando una tabla vertical de estos valores para resolviendo cada una de las fallas.
Análisis del caso práctico de David Cordero

Durante la aplicación de este proceso o método de cálculos, se puede determinar y

establecer las probabilidades de confiabilidad estadística en porcentaje de fallas,
representando su variación o comportamiento de un determinado equipo o proceso
industrial entre otros.

En la muestra o modelo ejemplar del ejercicio práctico, podemos observar que en

una empresa encargada de embalar aceites para vehículos, provee una muestra de 10
taponadoras de botellas, MTBF (tiempo medio entre fallas) y la probabilidad, que pueda
tener una falla en el proceso que se muestra: Probabilidad de falla a las 3 semanas y media.

Para obtener estos resultados, se realizó a través de la descripción de Weibull, para

métodos y parámetros, cálculos y análisis de fiabilidad donde se analizaron los tiempos de
fallas de las taponadoras que se eligieron para el muestreo, se logró calcular su rango
medio representándose a través de una gráfica con valores tomados aleatoriamente. En esta
tabla de valores se obtuvieron cada uno de los resultados de acuerdo a los tiempos de falla
recibidos en el proceso mencionado.
 CONCLUSIONES

 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/

 FUNDAMENTOS DEL ANÁLISIS DE WEIBULL – Por Robert B. Abernethy, FL,

USA
 IEC 61649-2008 – Weibull analysis
 file:///C:/Users/MI%20PC/Downloads/2203-Texto%20del%20art%C3%ADculo-
9791-1-10-20220705.pdf