Documentos de Académico
Documentos de Profesional
Documentos de Cultura
2. En lugar de basar las predicciones de las tasas de riesgo de los componentes únicamente
en la utilización acumulada, puede ser posible utilizar información concomitante para
mejorar las predicciones. El siguiente modelo, derivado del PHM de Cox, incluye
variables explicativas z1 y z2, junto con horas de operación acumuladas, t, para predecir
la tasa de peligro instantánea, h(t), para motores de ruedas de un camión de acarreo.
1.891
h (t,z1 ,z2 ) = t
2.891 mi(0,002742z1+0,0000539z2 )
23.360 23.360
dónde
z1 = concentración de hierro en partes por millón de un análisis espectroscópico del programa
de análisis de aceite
z2 = lectura de sedimentos de la prueba para medir sólidos suspendidos
a. Dados los siguientes datos de inspección de motores de tres ruedas (Tabla 3.9),
¿cuál es su estimación de la tasa de peligro actual para cada motor?
Machine Translated by Google
TABLA 3.9
Datos de inspección de motores de tres ruedas
Motor de rueda No. Edad (horas) Hierro (ppm) Medición de sedimentos
1 11.770 5 6.0
2 11.660 2 6.0
3 8460 12 2.4
3. Una empresa monitorea las cajas de cambios de los vehículos conectando un sensor
inalámbrico a cada caja de cambios para tomar lecturas de vibración. Luego, las señales
de vibración se analizan mediante una caja de herramientas de procesamiento de
señales digitales. De cada señal de vibración se extraen dos indicadores de estado que
muestran el estado de la caja de cambios, CI1 y CI2. Después de ejecutar el CM
mencionado anteriormente en una flota de vehículos, la empresa ha acumulado una cierta
cantidad de datos. Ahora el director de la empresa le pide que aplique EXAKT a los datos.
a. El primer paso para usted sería recopilar y preparar los datos. ¿Cuáles son las
dos fuentes principales de datos que requiere EXAKT?
b. Ahora ha obtenido los datos correctos y los ha preparado adecuadamente.
Quiere establecer un PHM para las cajas de cambios. La forma habitual de
modelar es incluir ambos indicadores en el MSP.
i. Si encuentra que uno de ellos, CI1, es significativo y el otro, CI2, no lo es,
¿cómo procedería con el modelado? ¿Qué harías si tanto CI1 como CI2 no
son significativos?
ii. Si encuentra que el parámetro de forma no es significativo (es decir, β = 1),
¿cómo procedería? ¿Qué significa realmente cuando dices que el parámetro
de forma no es significativo?
C. Suponga que el PHM final que obtiene es
5.4184 4.4184
t
h(t,CI2) = exp(0,3884CI2)
10,319 10,319
TABLA 3.10
Datos de tres cajas de cambios
Caja de cambios No. Horas de operación CI1 CI2
1 8550 2 5.5
2 3215 10 2.1
3 9460 12 1.4
REFERENCIAS
Anderson, M., AKS Jardine y RT Higgins. 1982. El uso de variables concomitantes en
estimación de confiabilidad. Modelado y simulación 13, 73–81.
Banjevic, D., AKS Jardine, V. Makis y M. Ennis. 2001. Una política de límite de control y software para la
optimización del mantenimiento basado en condiciones. INFOR 39, 32–50.
Chevalier, R., JC. Benas, MA Garnero, N. Montgomery, D. Banjevic y AKS Jardine.
2004. Optimización de datos CM del equipo giratorio principal de EDF utilizando un modelo de riesgo
proporcional. Documento presentado en la Conferencia Surveillance 5, Senlis, Francia, 11 al 13 de octubre
de 2004.
Christer, AH 1973. Toma de decisiones innovadoras. En The Role and Effectiveness of Theories of Decision in
Practice, editado por White, DJ y KC Bowen. Londres: Hodder & Stoughton.
Christer, AH 1999. Desarrollos en el análisis del tiempo de retraso para el modelado del mantenimiento de plantas.
Revista de la Sociedad de Investigación Operativa 50, 1120–1137.
Christer, AH y WM Waller. 1984. Modelos de tiempo de retraso de problemas de mantenimiento de inspección
industrial. Revista de la Sociedad de Investigación Operativa 35, 401–406.
Concannon, KH, J. McPhee y AKS Jardine. 1990. Balance de costos de mantenimiento contra
Fiabilidad de la planta con modelos de simulación. Ingeniería Industrial 22, 24–27.
Cox, DR 1972. Modelos de regresión y tablas de vida (con discusión). Revista de la Real Sociedad de Estadística.
Serie B, Metodología estadística 34, 187–220.
Drenick, RF 1960. La ley de fallas de equipos complejos. Revista de la Sociedad de Industriales
y Matemáticas Aplicadas 8, 680–690.
Jardine, AKS 2002. Optimización de las decisiones de mantenimiento basadas en la condición. En Actas,
Simposio sobre confiabilidad y mantenibilidad 90–97.
Jardine, AKS y D. Banjevic. 2005. Interpretación de los datos de inspección que emanan de las herramientas de
monitoreo del estado de los equipos: método y software. En Mathematical and Statistical Methods in
Reliability, editado por Armijo, YM Singapore: World Scientific Publishing Company.
Jardine, AKS, D. Banjevic, M. Wiseman y S. Buck. 2001. Optimización del programa de monitoreo del estado de
los motores de las ruedas de un camión minero. Revista de Calidad en Ingeniería de Mantenimiento 1, 286–
301.
Jardine, AKS y MI Hassounah. 1990. Un programa óptimo de inspección de flotas de vehículos.
Revista de la Sociedad de Investigación Operativa 41, 791–799.
Jardine, AKS, T. Joseph y D. Banjevic. 1999. Optimización de decisiones de mantenimiento basadas en la
condición para equipos sujetos a monitoreo de vibraciones. Revista de Calidad en Ingeniería de
Mantenimiento 5, 192–202.
Jardine, AKS, K. Kahn, D. Banjevic, M. Wiseman y D. Lin. 2003. Una política optimizada para la interpretación de
datos de inspección de un programa CBM en una estación de reactor nuclear. Trabajo presentado en
COMADEM, Suecia, 27 al 29 de agosto.
Jeffris, T., D. Banjevic, AKS Jardine y N. Montgomery. 2004. Análisis de aceite de motores diésel marinos:
optimización de las decisiones de mantenimiento basadas en la condición. Trabajo presentado en
COMADEM 2004, Robinson College, Cambridge, Inglaterra, 23 al 25 de agosto.
Machine Translated by Google
Jia, X. y AHC Christer. 2003. Experiencia de caso que compara el enfoque RCM para el mantenimiento
de aviones con un enfoque de modelado. En Estudios de casos sobre confiabilidad y
mantenimiento, editado por Blische, WR y DN Murthy. Nueva York: Wiley.
Jiang, R. y AKS Jardine. 2005. Dos modelos de optimización del problema de inspección óptima.
Revista de la Sociedad de Investigación Operativa 56, 1176–1183.
Kalbfleisch, JD y RL Prentice. 2002. Análisis estadístico de los datos del tiempo de falla, 2ª ed. Nueva
York: Wiley.
Kingsbury, RL 1999. Comunicación privada posterior a la presentación (Kingsbury, RL,
AKS Jardine y JV Picknell, 1998. Mantenimiento centrado en la confiabilidad. Documento
presentado en el Grupo de Trabajo de Tecnología Aeroespacial, Reunión Nacional NASA/
Industria, Cocoa Beach, FL, 14 al 16 de octubre).
Lin, D., R. Lally, M. Wiseman, D. Banjevic y AKS Jardine. 2003. Un agente inteligente de pronóstico
automatizado para AAAV utilizando modelos de riesgo proporcional. Documento presentado en
las actas, reunión conjunta JANNAF 39th CS, 27th APS, 21st PSHS y 3rd MSS, Colorado Springs,
CO, del 1 al 5 de diciembre.
Makis, V. y AKS Jardine. 1992. Reemplazo óptimo en el modelo de riesgos proporcionales.
INFOR 20, 172–183.
Monnot, M., S. Heston, D. Banjevic, N. Montgomery y AKS Jardine. 2004. Interpretación inteligente de
los resultados del análisis de aceite del sistema hidráulico de retroexcavadoras. Trabajo
presentado en la Conferencia STLE, Toronto, 17 al 19 de mayo.
Moubray, JM 1997. Mantenimiento centrado en la confiabilidad II, 2ª ed. Oxford:
ButterworthHeinemann.
O'Connor, PD y A. Kleyner. 2012. Ingeniería práctica de confiabilidad, 5ª ed. Nueva York: Wiley.
O'Hanlon, T. 2003. Buenas vibraciones en la Web. Tecnología de mantenimiento 54, http://www.mt
online.com/2003/diciembre.
SaintMartin, JRC 1985. Simulación por computadora de una planta de procesamiento químico. M. Ing.
tesis, Real Colegio Militar de Canadá, Kingston, Ontario.
Vlok, PJ, JL Coetzee, D. Banjevic, AKS Jardine y V. Makis. 2002. Decisiones óptimas de reemplazo de
componentes utilizando el monitoreo de vibraciones y el PHM. Revista de la Sociedad de
Investigación Operativa 53, 193–202.
White, DJ, WA Donaldson y NL Lawrie. 1969. Técnicas de investigación operativa, vol.
1. Londres: Libros de negocios.
Willets, R., AG Starr, D. Banjevic, AKS Jardine y A. Doyle. 2001. Optimización de decisiones complejas
de CBM mediante métodos de fusión híbrida. Trabajo presentado en COMADEM, Universidad
de Manchester, Manchester, Reino Unido, septiembre.
Wiseman, M. 2001. Optimización del mantenimiento basado en condiciones. En Maintenance Excellence,
capítulo 12, editado por Campbell, JD y AKS Jardine. Nueva York: Marcel Dekker.
Wiseman, M. 2004. Comunicación privada.
Machine Translated by Google
4 Decisiones de reemplazo
Bienes de capital
4.1 INTRODUCCIÓN
El objetivo de este capítulo es presentar modelos que pueden usarse para determinar decisiones
óptimas de reemplazo asociadas con bienes de capital abordando las decisiones de costeo del ciclo de
vida (LCC), o su complemento, la ganancia del ciclo de vida (LCP), a veces denominado costeo de toda
la vida (LCC). WLC). Los problemas de bienes de capital tienden a tratarse de manera determinista, y
ese es el enfoque adoptado en este capítulo.
En el contexto del marco de las áreas de decisión examinadas en este libro,
abordan la columna 3 del marco, como se destaca en la Figura 4.1.
En este capítulo se considerarán cuatro clases de problemas:
La cuestión básica que debe abordarse en cada caso se ilustra en la Figura 4.2.
En la Figura 4.2, podemos ver que a medida que aumenta la edad de reemplazo de un artículo, los
costos de operación y mantenimiento (O&M) por unidad de tiempo aumentarán, mientras que el costo
de propiedad disminuirá. En términos simples, el costo de propiedad es el precio de compra de un activo
menos su valor de reventa en el momento de su reemplazo, dividido por la edad de reemplazo. Puede
haber costos adicionales incurridos, asociados con la utilización de un artículo, que son independientes
de la antigüedad en la que se reemplaza el activo. Estos se identifican como costos fijos. La vida
económica (edad óptima de reposición) es entonces aquel momento en el que el costo total, en términos
de su costo anual equivalente (CAE)—
ver Apéndice 6—está en su valor mínimo.
Del examen de la Figura 4.2 se observará que los costos fijos no afectarán la decisión de vida
económica, por lo que pueden omitirse del análisis. Sin embargo cuando
135
Machine Translated by Google
Machine Translated by Google
Probabilidades y estadísticas Procesos estocásticos Valor temporal del dinero Simulación de teoría
(Análisis de Weibull (para optimización CBM) (flujo de caja descontado) de colas
incluyendo software
WeibullSoft)
Coste total
Costo de
olatsuonC
a
operaciones y mantenimiento.
Costo fijo
Costo de propiedad
Al finalizar los requerimientos presupuestarios para la reposición de activos al final de su vida económica, es
necesario recordar incluir los costos fijos. Son parte del presupuesto.
Con el uso, el equipo se deteriora y este deterioro puede medirse por un aumento en los costos de O&M. Con el
tiempo, los costos de operación y mantenimiento llegarán a una etapa en la que será económicamente justificable
reemplazar el equipo. Lo que deseamos determinar es una política de reemplazo óptima que minimice los costos
totales descontados derivados de la operación, mantenimiento y eliminación del equipo durante un largo período.
Se asumirá que el equipo se reemplaza por un artículo idéntico, devolviendo así el equipo a su condición de
nuevo después del reemplazo. (Esta restricción se flexibilizará en el problema de la sección 4.5 cuando se trate
de mejoras tecnológicas.) Además, se supone que las tendencias en los costos de operación y mantenimiento
después de cada reemplazo seguirán siendo idénticas. Debido a que el equipo se utilizará durante un período
prolongado, la política de reemplazo será periódica, por lo que determinaremos el intervalo de reemplazo óptimo.
C1 ( n) = C1r 1
+ C2r 2 3
+ C3r _ + + Cn r
norte
+ Arn _ − Sn r norte
norte
yo + r norte (A − Sn ).
= Ci r
yo=1
Machine Translated by Google
C cn
C1 C2 Cn C1 C2 cn C1 2 C1
Para el segundo ciclo, el costo total descontado desde el inicio del segundo ciclo es
norte
i
+ r norte (A − Sn ).
C2 (n) = Ci r
yo=1
De manera similar, se pueden obtener los costos totales del tercer ciclo, cuarto ciclo, etc.,
descontados al inicio de sus respectivos ciclos.
Los costos totales descontados, cuando el descuento se calcula al inicio de la operación, tiempo
0, es
Porque C1(n) = C2(n) = C3(n) = eso … = Cn(n) = …, tenemos una progresión geométrica
da, durante un período infinito,
norte
i
+r norte (A − Sn )
C1 (n) = Ci r
C(norte) =
yo=1
. (4.1)
1 r norte
1 r norte
Este modelo del problema relaciona el intervalo de reemplazo n con los costos totales.
1. Sea A = $5000.
2. Los costos estimados de operación y mantenimiento por año para los próximos 5 años se muestran en
Tabla 4.1.
TABLA 4.1
Tendencia en los costos de operación y mantenimiento
Año 1 2 3 4 5
Costo estimado de operación y mantenimiento ($) 500 1000 2000 3000 4000
Machine Translated by Google
TABLA 4.2
Tendencia en los valores de reventa
Año 1 2 3 4 5
TABLA 4.3
Costos totales descontados
Costo total descontado, C(n) ($) 22.500 19.421 20.790 21.735 23.701
3. Los valores de reventa estimados para los próximos 5 años se muestran en la Tabla 4.2.
4. El factor de descuento r = 0,9.
La evaluación de la Ecuación 4.1 para diferentes valores de n proporciona los datos de la Tabla
4.3, de la cual se ve que el mejor momento para reemplazar (en términos de la vida económica del
equipo) es después de que el equipo haya sido utilizado durante 2 años con un costo total descontado
de $19,421. La mejor política será entonces reemplazar ese activo a intervalos de 2 años “para
siempre”. En lugar de presentar el costo asociado con una cadena infinita de reemplazo, es más
significativo proporcionar el EAC.
Del Apéndice 6, podemos determinar que EAC = PV × CRF, donde PV es el valor presente y
CRF es el factor de recuperación de capital. Así, obtenemos
Tenga en cuenta que CRF = i porque n en la ecuación CRF es equivalente a infinito debido al modelo
que se ha utilizado.
En la Figura 4.4 se proporciona una representación gráfica.
En el modelo desarrollado en la sección anterior (Ecuación 4.1), se supuso que habíamos comenzado
con el equipo instalado y formulamos la pregunta: ¿Cuándo debería reemplazarse?
Así, la primera vez que se incurre en el coste de adquisición del bien es al final del primer ciclo de
operación. Además, se supuso que los costos de operación y mantenimiento se incurrieron al final del
año y, por lo tanto, por ejemplo, los costos del primer año se descontaron en 1 año. Quizás un
supuesto más realista es que el precio de compra del activo se incurre al inicio del ciclo de reemplazo
y que los costos de un año se incurran al comienzo del año; por lo tanto, por ejemplo, los costos del
año 1 no se descuentan. Esto se ilustra en la Figura 4.5.
Por supuesto, podríamos suponer que los costos se incurren continuamente durante el año y, por lo
tanto, se utilizaría el descuento continuo (Apéndice 6). En la práctica, lo que generalmente se supone
en los estudios de reemplazo de bienes de capital es lo que se muestra en la Figura 4.5.
Machine Translated by Google
22.500 23.701
21.735
)n(C
19.421 20.790
Vida económica
1 2 3 4 5
Años
Por lo tanto, en todos los estudios de reemplazo debemos tener claro cuándo ocurren los flujos de efectivo.
El modelo representado por la Ecuación 4.2 refleja los flujos de efectivo representados en la Figura
4.5 y se utiliza en el software de vida económica PERDEC y AGE/CON, presentado en la Sección 4.7.
Nuevamente, es el EAC el que se calcula:
norte
yo1
−r _
A+ Ci r norte sn
yo=1
CAE(n) = Yo.
(4.2)
1 r norte
En los modelos analizados se ha supuesto que el coste de adquisición de los equipos se mantiene constante.
También se supone que la tendencia en los costos de mantenimiento es la misma después de cada reemplazo.
Debido a las tendencias inflacionarias, esto es poco probable y, por lo tanto, puede ser necesario modificar el
modelo para tener en cuenta estos hechos. Como se explica en el Apéndice 6, siempre que se utilice una tasa
de interés adecuada, no es necesario incorporar los efectos de la inflación al modelo. Sin embargo, si es
necesario, se puede hacer.
A sn
C1 C2 C3 C norte
0 1 2 n1 norte
Ciclo de reemplazo
En los modelos de sustitución de bienes de capital no se tuvieron en cuenta las desgravaciones fiscales que
pudieran estar disponibles. Este es un aspecto que rara vez se menciona en los estudios de reposición, pero
que debe incluirse cuando sea relevante. Un artículo que amplía los modelos discutidos aquí para considerar
cuestiones tributarias es el de Christer y Waller (1987).
Puede parecer poco razonable que sumemos los términos de la progresión geométrica hasta el infinito. Sin
embargo, esto facilita un poco los cálculos y garantiza que todos los ciclos de reemplazo se comparen durante
el mismo período.
Tenga en cuenta que en lugar de utilizar el modelo de la Ecuación 4.1 o la Ecuación 4.2, es posible
simplemente calcular la EAC para diferentes ciclos de reemplazo, y esto dará como resultado que se identifique
la misma vida económica. El modelo entonces es
norte
yo1
Vida económica= Min A+ Ci r − r nSn CRF.
yo=1
Nota 1: Ambas ecuaciones 4.1 y 4.2 dan el mismo resultado para la vida económica de
un activo. Sin embargo, la EAC será menor si se utiliza la Ecuación 4.1.
Nota 2: Se puede argumentar que un modelo apropiado a utilizar es aquel en el que el costo de adquisición,
A, se introduce por primera vez al final del ciclo de reemplazo porque
si se requiere un activo, se debe comprar; el precio de compra puede entonces considerarse un costo
“hundido”, y la decisión a tomar es establecer el momento económico para reemplazar ese artículo por uno
nuevo, tomando en cuenta los costos acumulados de operación y mantenimiento y el precio de compra de un
nuevo. activo.
4.2.5 APLICACIONES
4.2.5.1 Equipos Móviles: Reemplazo de Flotas de Vehículos
La política vigente en una flota de camiones era reemplazar los vehículos en un ciclo de cinco años. Se formuló
la pregunta: ¿Cuál es la vida económica de los vehículos utilizados en una flota de 17 unidades?
Los datos disponibles incluían un precio de compra de 85.000 dólares. Tendencias en los costos de O&M,
Los valores de reventa y la tasa de interés para el descuento se dan en la Tabla 4.4.
La Figura 4.6 proporciona los resultados, de los cuales se ve que la vida económica es de 1
año, con una EAC de aproximadamente $65 000. (Tenga en cuenta que el modelo utilizado para
obtener las EAC en la Tabla 4.4 fue la Ecuación 4.2.)
TABLA 4.4
Datos de flota de vehículos
80
75
se
)– OliAmC
$(
70
sesenta y cinco
60
1 2 3 4 5
Edad de los camiones (años)
Que la vida económica fuera identificada como de 1 año fue toda una sorpresa para la
organización. Sin embargo, cuando los problemas de mantenimiento se abordan desde una
perspectiva de solución basada en datos, ocurren sorpresas. La intuición y las prácticas comunes/
pasadas no siempre proporcionan buenas soluciones.
El examen de la figura 4.6 plantea algunas preguntas interesantes, como por ejemplo, al
aumentar la edad a la que se reemplaza el vehículo, ¿la EAC sería menor en el año 6 o en el año
7? ¿Por qué la vida económica es de 1 año? Para responder a estas preguntas, siempre es
apropiado “mirar más allá de las estadísticas”. En este caso, hubo dos razones por las que se
identificó la vida económica como 1 año:
1. El aumento sustancial de los costos de operación y mantenimiento en el año 2 en comparación con el año 1
Antes de proceder a implementar un ciclo de 1 año, es necesario saber si existen dudas sobre
estos valores. Preguntar "por qué" varias veces suele llegar a la raíz de la causa subyacente. En
este ejemplo, la causa de una respuesta de 1 año se debió a que se aceptó una gran cantidad
de reclamos de garantía en el año 1. Además, el proveedor de la flota de vehículos proporcionó
una estimación de $60 000 como intercambio por un plazo de 1 año. vehículo viejo, pero ¿será
este el caso si el operador de la flota cambia de la práctica actual de reemplazar los vehículos
en un ciclo de 5 años a un ciclo de 1 año? Si se hace esto, el proveedor recibirá 17 vehículos
cada año. Una vez que el proveedor se da cuenta de las implicaciones, puede haber una
reducción en la estimación del valor de un vehículo de 1 año. Si esto sucede, quizás la vida
económica cambie. Por tanto, hay buenas razones para que el operador de la flota realice un
análisis de sensibilidad sobre el efecto de una disminución del valor de reventa en la vida
económica del camión.
La figura 4.6 podría sugerir que un reemplazo en el año 6 daría un costo menor que en el año
5, y quizás menor que en el año 1. ¿Por qué está disminuyendo la EAC? ¿Se debe a una
importante acción de mantenimiento en el año 3 y los beneficios se obtienen en los años 4 y 5?
Ésta puede ser una posible respuesta. Sin embargo, en el estudio, la razón de la disminución del
EAC es que, dada la práctica establecida de reemplazar los vehículos en un ciclo de 5 años, no
se incurrió en ningún costo de mantenimiento evitable en el año 5. si una decisión
Machine Translated by Google
Si se hiciera para aumentar la vida útil más allá de los 5 años, se incurriría en costos de mantenimiento
adicionales en los años 4 y 5.
1e+007
9e+006
8e+006
nC
etnelaolvatisuoq a
e
7e+006
6e+006
5e+006
0 2 4 6 8 10 12 14 dieciséis
Años
6.5e+007
6e+006
5.5e+006
5e+006
nC
etnelaolvatisuoq a
e
4.5e+006
4e+006
3.5e+006
3e+006
0 2 4 6 8 10 12 14 dieciséis
Años
El análisis es la identificación del hecho de que, según los datos utilizados, el motor B es una
mejor compra porque su EAC es $2,19 millones menor que el del motor A. Durante un período de
15 años, el beneficio económico total descontado es 15 × 2,19 = 32,85 millones de dólares. El plan
de la empresa era adquirir cuatro nuevos motores de combustión, por lo que el beneficio económico
sería sustancial. La solución se obtuvo mediante el uso de un procedimiento formal basado en datos.
Este problema es similar al de la Sección 4.2 excepto que (1) el objetivo es determinar el intervalo
de reemplazo que maximiza los beneficios netos descontados totales derivados de la operación
del equipo durante un largo período, y (2) se toma la tendencia en los costos. ser continuo, en
lugar de discreto.
1. b(t) es el beneficio neto obtenido del equipo en el momento t. Estos serán los ingresos
derivados de la operación del equipo menos los costos operativos, que pueden incluir
costos de mantenimiento, costos de combustible, etc. En la figura 4.9 se ilustra una
posible forma de b(t) .
2. c(t) es el costo neto de reemplazar equipos de edad t. El reemplazo del equipo incluye el
precio de compra más el costo de instalación, y también puede incluir un
Machine Translated by Google
tr
tr
tr
0 tr tr + tr
Lo que ahora queremos hacer es descontar B2(tr + Tr) al inicio del primer ciclo, y esto es
tr
tr
La forma en que los beneficios adoptan los primeros ciclos de operación se ilustra en la
Figura 4.12.
0 tr tr + tr tr t r + tr tr tr + tr
0 0 0
Por lo tanto, el beneficio neto total descontado, durante un largo período, con reemplazo a la edad tr, es
B1 (tr + Tr )
B(t )r = .
1− exp[−i(tr + Tr )]
Eso es,
tr
Este es un modelo del problema de reemplazo que relaciona la edad de reemplazo tr con la
beneficios netos totales descontados.
En lugar de sumar la progresión hasta el infinito, podríamos sumar los primeros n términos, lo que da
(consulte el Apéndice 6 para la fórmula)
tr 1− exp[−ni(t + T )]
B(tr ) = r r
b(t) exp[−it]dt − c(tr ) exp[−itr ] , 1− exp[−i(tr + Tr )]
lo que da como resultado el mismo valor óptimo de tr que se obtendría de la Ecuación 4.4, porque el
numerador en la expresión fraccionaria insertada es una constante (ver prueba de la Sección 4.3.5), aunque
el beneficio B(tr) se reduciría por esto factor.
Los beneficios derivados de la operación del equipo son de la forma b(t) = $32 000e −0.09t por año, donde t
está en años.
−0,73t
Costo de reemplazo c(t)= $15,000 −13,600e
Machine Translated by Google
TABLA 4.5
Vida económica: maximización de beneficios
tr (años) 1 2 3 4 5 6 7 8
B(tr) (miles de dólares) 210 232 238 239 236 232 229 225
tr
Ahora,
tr t
r −32.000 tr
−0,19t
−0,09t −0,1t −0,19t mi
mi
dt = 0,19
32.000e dt = 32.000e 0
0 0
−0,19tr
= 168,421(1− mi ).
Por lo tanto,
Al evaluar la Ecuación 4.6 para varios valores de tr se obtiene la Tabla 4.5. Del cuadro se desprende
claramente que los beneficios se maximizan cuando el reemplazo se produce al final del cuarto año de
operación.
En el ejemplo se ha incluido en el análisis el tiempo necesario para realizar una sustitución. En la práctica,
este tiempo generalmente puede omitirse porque a menudo es pequeño en comparación con el intervalo
entre reemplazos, por lo que no supone ninguna diferencia perceptible en el intervalo de reemplazo óptimo,
ya sea que esté incluido o no.
Sin embargo, todos los costos asociados con el tiempo de reemplazo deben incorporarse como parte del
costo total de reemplazo.
Puede parecer poco razonable que sumemos los términos de la progresión geométrica hasta el infinito.
Sin embargo, esto facilita un poco los cálculos y da una indicación del tipo de intervalo que esperaríamos
tener entre reemplazos. A
Machine Translated by Google
El enfoque de programación dinámica que supone un horizonte de planificación finito (White 1969) puede
aplicarse igualmente bien a los problemas de sustitución de capital. La dificultad es decidir si es probable que el
análisis más sofisticado, cuya realización es más costosa, dé una solución que represente una mejora significativa
con respecto a la solución obtenida utilizando un modelo más simple.
En la práctica, por supuesto, salen al mercado nuevos equipos y no siempre los reemplazamos por equipos
idénticos. Así, a medida que pasa el tiempo, es necesario repetir los cálculos utilizando, cuando corresponda,
nuevas cifras de costes y comprobar si es necesario modificar el intervalo de sustitución previsto. El ejemplo de
la Sección 4.5 da una indicación de cómo se puede incorporar la mejora tecnológica a un modelo.
Cuando se trata de decisiones de reemplazo de bienes de capital a largo plazo, en las que se tiene en cuenta el
valor del dinero en el tiempo, es necesario determinar la política de reemplazo para maximizar la medida del
desempeño (como ganancia, costo, beneficio, etc.) durante un período largo, y no para maximizar el desempeño
por unidad de tiempo, como es el caso cuando se trata de decisiones a corto plazo analizadas en el Capítulo 2.
El problema básico se ilustra en la Figura 4.13, donde T es el período durante el cual deseamos optimizar tr,
el intervalo entre reemplazos; p(tr) es el rendimiento en un intervalo, que depende de la longitud del intervalo tr,
supuesta idéntica para cada período de duración tr; P es el rendimiento total descontado durante el período T,
que deseamos optimizar (asumiremos que deseamos maximizar P); n es el número de intervalos de reemplazo
en el período (0, T); y
1− mi−nitr 1 − mi−yo
=
máx p(tr ) = máx p (tr ).
itr 1 mi 1 mi −itr
P: rendimiento descontado
t t t t t t
r r r r r r
p (t r )
máx(P) máx. 1 mi r
−eso
y no p(t r )
, cuál sería el resultado si se descuidara el descuento.
tr
Los equipos nuevos se utilizan mucho, por ejemplo en operaciones de carga base, pero a medida
que envejecen, su utilización disminuye, tal vez debido a que se utilizan solo cuando hay picos en
la demanda de servicio. Esta clase de problema suele ser aplicable a una flota de equipos, como
una flota de transporte, en la que los autobuses nuevos pueden utilizarse en gran medida para
satisfacer la demanda de carga base, mientras que los autobuses más antiguos se utilizan para
satisfacer las demandas pico, como durante las horas pico. En este caso, cuando se reemplaza un
artículo, el nuevo no realiza el mismo trabajo que el anterior, sino que pasa a operaciones de carga
base; los que eran muy utilizados se utilizan menos a medida que se ponen en servicio nuevas unidades.
Para establecer la vida económica de dichos equipos, es necesario examinar el costo total
asociado con el uso de la flota para satisfacer una demanda específica. Se desarrollará un
modelo para establecer la vida económica de los equipos operados en un escenario de
utilización variable de modo que se minimicen los costos totales para satisfacer las demandas de una flota.
10. El objetivo es determinar el intervalo óptimo entre reemplazos para minimizar los
costos totales descontados, C(n), o equivalentemente, EAC(n). Tenga en cuenta
que EAC(n) = C(n) × CRF, y CRF = la tasa de interés utilizada para el descuento
porque C(n) se calcula durante un período infinito. Sin embargo, se verá que en
este caso simplemente obtenemos EAC(n) directamente.
Así, el trabajo realizado por los equipos N/n más nuevos será
n /n
y(x) dx = D1
0
D1/(N/n)
c (t) dt = C1.
0
norte
1
EAC(n) =[A + C1 +C2 r + + Cn r norte1
− Sn rn ] CRF = A+ Ci r
yo1
− Sn r n CRF
yo=1
(4.7)
dónde
.
(1 + yo) norte −1
Utilizando los valores proporcionados anteriormente en la Ecuación 4.7 se obtiene la Figura 4.16, de la cual
se desprende que la vida económica del equipo es de 13 años con un EAC asociado de $28,230.
Cálculo de muestra:
Cuando n = 20 años, la tendencia en la utilización año tras año se ilustra en la Figura 4.17, de la cual
se obtienen los flujos de efectivo como se muestra en la Figura 4.18.
1. Los 100 autobuses más nuevos recorrerán 7.800.000 km. Cada autobús recorre 78.000 km.
1.2
1.1
c(t) = 0,302 + 0,723 (t/106)2
1.0
0,9
0,8
0,7
t(/$
)m k
c
0,6
0,5
0,4
0.3
0,2
0.1
0.0
0 200.000 400.000 600.000 800.000 1.000.000
kilómetros cúbicos t
80.000
70.000
60.000
50.000
/sortemoóñlia
k
40.000
30.000
20.000
10.000
0
0 500 1000 1500 2000
Mayoría Número de autobús El menos
utilizado utilizado
TABLA 4.6
Tendencia del valor de reventa
1 2000
2 2000
3 2000
4 2000
5 2000
6 2000
7 2000
8 2000
9 2000
10 2000
11 2000
12 2000
13 2000
14 2000
15 2000
dieciséis 2000
17 2000
18 2000
19 2000
20 1000
Machine Translated by Google
70
60
50
n$C
uo0
atis0
)lv0
etnelao q a
e
1
×(
40
30
13
20
10
0
0 2 4 6 8 10 12 14 16 18 20 22
Edad en años
km año
78.000
80.000
74.000
2. De manera similar, los siguientes 100 autobuses viajan cada uno un promedio de 74 000 km/
año en el segundo año.
0,06)20 =
$29,973
−1
(1 + 0,06) 20
Machine Translated by Google
R = $100,000
$23,670 $23,080
$ 1000 _
Bu s
1 2 34 19 20 Ag mi
El tipo de problema analizado en esta sección es típico de los que se encuentran en muchas operaciones de transporte.
A continuación se muestran algunos ejemplos:
• Flotas de transporte público en las que las nuevas unidades se ponen en operación de carga base y las
unidades más antiguas se utilizan para las demandas máximas de la mañana y la tarde.
• Flotas de transporte que realizan entregas locales y de larga distancia: cuando inicialmente se utilizan vehículos
nuevos en rutas de larga distancia y, a medida que envejecen, se asignan al trabajo de entrega local.
• Tiendas con flota propia de vehículos de reparto, en las que pueden producirse picos estacionales de demanda.
Los vehículos más antiguos de la flota se conservan para satisfacer estas demandas predecibles. Debido a
esta utilización desigual, es necesario evaluar la vida económica del vehículo considerando la flota como
un todo, en lugar de centrarse en el vehículo individual.
En un taller mecánico con un grupo de máquinas herramienta similares, cuando se adquiere una nueva máquina
herramienta, ésta puede convertirse en la más ocupada, dejándose las demás a un lado y desechándose las más
antiguas. La misma estrategia se puede aplicar a las centrales eléctricas. Cuando una nueva estación entra en
funcionamiento, se une al grupo en operaciones de carga base, y la otra entra en servicio para satisfacer las demandas
punta, como las de la mañana y la tarde. Y en algún momento una de las estaciones más antiguas será clausurada.
Una autoridad de tránsito local deseaba establecer la vida económica de su flota de 54 autobuses convencionales. El
precio de compra de un autobús era de 450.000 dólares; se estimó la tendencia de los valores de reventa y también se
conoció la tasa de interés de descuento. La tendencia de utilización se muestra en la Figura 4.19.
Utilizando la Ecuación 4.7, se calculó que la vida económica era de 13 años con una EAC de aproximadamente
$120 000. La práctica vigente dentro de la autoridad de tránsito era
sustituir un autobús cuando cumpliera 18 años. Cambiar a una edad de reemplazo de
Machine Translated by Google
80.000
70.000
60.000
50.000
)omskU(
40.000
30.000
20.000
10.000
0
0 10 20 30 40 50 60
Número de autobús
Al determinar una política de reemplazo, puede haber equipos en el mercado que de alguna manera
representen una mejora tecnológica con respecto a los equipos que se utilizan actualmente. Por
ejemplo, los costos de mantenimiento y operación pueden ser menores, el rendimiento puede ser
mayor, la calidad de la producción puede ser mejor, etc. El problema que se analiza en esta sección
es cómo determinar cuándo, si es que se aprovecha, el equipo tecnológicamente superior.
Se supone que hay un período fijo durante el cual se necesitará el equipo, y si se realizan
reemplazos usando equipo nuevo, este equipo permanecerá en uso hasta el final del período fijo.
El objetivo es determinar cuándo realizar los reemplazos, si es que se realizan, para minimizar los
costos totales descontados de operación, mantenimiento y reemplazo durante el horizonte de
planificación.
3. Sp,i es el valor de reventa del equipo actual al final del iésimo período a partir de ahora, i = 1, 2,…,
n.
4. A es el costo de adquisición del equipo tecnológicamente superior.
5. Ct, j son los costos de operación y mantenimiento del equipo tecnológicamente superior en el jésimo
período posterior a su instalación y pagaderos en el momento j, j = 1, 2,…, n.
6. St, j es el valor de reventa del equipo tecnológicamente superior al final de su jésimo período de
funcionamiento, j = 0, 1, 2,…, n. [ Se incluye j = 0 para que luego podamos definir St,0 = A. Esto
permite cancelar Ar 0 en el modelo (ver Ecuación 4.8) si no se realiza ningún cambio.]
Tenga en cuenta que se supone que, si es necesario realizar un reemplazo, será con equipo
tecnológicamente superior. Esto no es descabellado porque puede ser que el equipo actualmente
en uso ya no esté en el mercado.
7. r es el factor de descuento.
8. El objetivo es determinar aquel valor de T en el que se debe realizar la sustitución por el nuevo
equipo, T = 0, 1, 2,…, n. La política se ilustra en la Figura 4.20.
C(T) = costos de mantenimiento descontados para el equipo actual durante el período (0, T)
+ costos de mantenimiento con descuento para equipos tecnológicamente superiores
período (T, n)
+ coste de adquisición descontado de nuevos equipos
– valor de reventa descontado del equipo actual al final del período T
– valor de reventa descontado de equipos tecnológicamente superiores al final del
2 3
el enésimo período = (Cp,1r 1 + Cp,2r + Cp,3r + + Cp,T r
T)
T +1
+(Ct,1r T +1
+ Ct,2r + + Ct,n−T r norte )
t
+ArT − (Sp,T r + St,n−T rnorte )
0 1 2 3 TT + 1 T + 2 norte – 1
norte
Por lo tanto,
t norteT
r t
+ St,n−T rnorte ). (4.8)
C(T) = Cp,i r i+ Ct, j T+ j + ArT − (Sp,T r
yo=1 j=1
Este es un modelo del problema que relaciona el tiempo de reemplazo T con los costos totales descontados
C(T).
TABLA 4.7
Período (i) 1 2 3 4 5 6
TABLA 4.8
Valor de reventa, Sp,i ($) 3000 2000 1000 500 500 500 500
TABLA 4.9
Período (j) 1 2 3 4 5 6
TABLA 4.10
Tendencia en los valores de reventa: equipos tecnológicamente mejorados
Período (j) 0 1 2 3 4 5 6
Valor de reventa, St,j ($) 10.000 8000 7000 6000 5000 4500 4000
TABLA 4.11
Tiempo de reemplazo, T 0 1 2 3 4 5 6
Costos totales descontados, C(T) 7211 10.836 14.891 18.649 22.062 25.519 28.359
Tenga en cuenta que si el costo total mínimo ocurre en T = n (6 en este ejemplo), esto
significaría que no se realizaría ningún reemplazo y el equipo actual se usaría durante los n
períodos de operación restantes. Si el valor mínimo de C(T) ocurre para un valor de T entre 0 y n,
entonces el reemplazo debería ocurrir utilizando el equipo tecnológicamente mejorado al final del
Tésimo período.
Cuando T = 3,
1 2 3 4 5 6 3 6
C(3) = Cp,1r + Cp,2r + Cp,3r + Ar3 + Ct,1r + Ct,2r + Ct,3r − (Sp,3r + St,3r )
= $18,649
Reemplazar
0 1 2 T=3 4 5 6
El ejemplo de esta sección supone que una vez que se tomó la decisión de reemplazar
los equipos antiguos con los equipos tecnológicamente mejorados, no se realizaron más reemplazos.
En algunas situaciones, el tiempo durante el cual se requiere el equipo es lo suficientemente largo
como para justificar reemplazos adicionales. Suponiendo que sigamos utilizando equipos
tecnológicamente superiores, no es difícil determinar su vida económica. Este problema se trata en la
Sección 4.6.
Además, cuando se trata de equipos tecnológicamente superiores, tal vez sea necesario considerar
la mejora de la capacidad y el efecto que puede tener en el horizonte de planificación.
En una empresa minera, se esperaba una vida útil futura de 8 años, es decir, un horizonte de
planificación fijo. Se estaba utilizando una flota de equipos actuales y muy costosos llamados palas
que, en circunstancias normales, se utilizarían durante toda la vida útil de la mina. Sin embargo,
apareció en el mercado una nueva pala tecnológicamente mejorada y hubo que tomar una decisión:
¿Debería utilizarse el equipo actual durante los 8 años restantes o debería hacerse un cambio a un
equipo tecnológicamente superior?
El modelo descrito por la Ecuación 4.8 se modificó para ajustarse al objetivo de la compañía minera
de optimizar la decisión de cambio de modo que se maximizaran las ganancias durante la vida útil
restante de la mina. Además, se incluyeron en el modelo las siguientes características: tasa de
rendimiento esperada, tasa de depreciación, crédito fiscal a la inversión, asignación para costos de
capital, tipo de depreciación, tasas impositivas federales, provinciales y mineras, tasas de inflación, año
y precio de compra unitaria. , costos unitarios totales de operación y mantenimiento por año, producción
total unitaria por año, valores de rescate unitarios por año y datos unitarios de reemplazo propuestos.
Por lo tanto, el modelo de la ecuación 4.8 se modificó ampliamente, y esto ocurrirá a menudo con los
modelos presentados en este libro. Pueden ser la base sobre la cual construir un modelo más realista
para el problema en estudio.
Al concluir el estudio, se hicieron los siguientes comentarios: “El sistema de reemplazo de equipos
se puede utilizar para realizar los siguientes análisis: comparar la productividad de unidades individuales
con una flota, encontrar el 'limón' en una flota de equipos ( es decir, el activo de menor rendimiento),
calcule el año óptimo para reemplazar
una unidad y, muy importante, utilizar pruebas de sensibilidad para ver qué efecto tienen la tasa de
rendimiento, los impuestos, la producción y otros factores en el momento del reemplazo”. Los detalles
del estudio se proporcionan en Buttimore y Lim (1981).
equipo, este equipo seguirá siendo utilizado y se requerirá una póliza de reemplazo (periódico)
del mismo. Se supondrá que se seguirá reemplazando con el equipo tecnológicamente
mejorado. Nuevamente, deseamos determinar la política que minimice los costos totales
descontados de operación, mantenimiento y reemplazo.
El costo total descontado durante un largo período, con el reemplazo del equipo actual al
final de T períodos de operación, seguido del reemplazo del equipo tecnológicamente
mejorado en intervalos de longitud n, es
i
− Sp, Tr
t + Arte
Costos en el intervalo (0,T) = Cp,i r
yo=1
rj+r norte (A − Sn )
Ct, j
C(norte) = j=1 . (4.9)
1 r norte
j+r (A − Sn )
Ct, jr.
norte
t
j=1
i
− Sp, Tr
t
+ Arte + t . (4.10)
C(T, n) = Cp,i r r_
yo=1
1 r norte
Este es un modelo del problema que relaciona el tiempo de cambio de equipo tecnológicamente
mejorado, T, y la vida económica de equipo nuevo, n, con los costos totales descontados C(T, n).
Utilizando los datos del ejemplo de la Sección 4.5.3, podemos determinar la vida económica del equipo
tecnológicamente mejorado y el valor de C(n) en la Ecuación 4.9.
Los datos de la Sección 4.5.3 dan la Tabla 4.12, de la cual se ve que la vida económica es de 6 años y el
valor correspondiente de C(n) es $11,792.
La inserción de C(6) = $11 792 y A = $10 000 en la ecuación 4.10 da
i t +10.000r t +11.792€ t
C(T,6) = Cp,i r − Sp, Tr
yo=1
(4.11)
t
i
− Sp, Tr
t + 21.792 rublost .
= Cp,i r
yo=1
Dada la información de las Tablas 4.13 y 4.14 para los costos de operación y mantenimiento y los
precios de reventa del equipo actual, la Tabla 4.15 se puede obtener evaluando los valores de T = 0, 1, 2 y
3 en la Ecuación 4.11. Por lo tanto, se ve que el equipo actual debe usarse por un año más y luego
reemplazarse con el
TABLA 4.12
Intervalo de reemplazo, n 1 2 3 4 5 6
Costo total descontado, C(n) 18.900 14,116 13.035 12.763 12.080 11.792
TABLA 4.13
Punto, yo 1 2 3
Costo de operación y mantenimiento, Cp,i ($)
1500 3000 4000
TABLA 4.14
TABLA 4.15
equipos tecnológicamente mejorados, que luego deberían ser reemplazados a intervalos de 6 años.
Cálculo de muestra:
= $13,035.
Por supuesto, la mejora tecnológica se produce continuamente y tal vez deberíamos tener en cuenta esto en
cualquier modelo utilizado para la sustitución de capital. El verdadero problema aquí no es la construcción del
modelo, sino estimar las tendencias resultantes de la mejora tecnológica, y esto puede ser crítico a la hora de
establecer el momento económico para reemplazar un activo. Partiendo del supuesto de tendencias
exponenciales en beneficios, operación y costos de reposición, Bellman y Dreyfus (1962) construyeron un
modelo de programación dinámica que puede usarse para atender a la mejora tecnológica. Luego ampliaron el
modelo para incluir la posibilidad de reemplazar equipos viejos por equipos de segunda mano en lugar de
nuevos.
El modelo presentado en la Ecuación 4.10 se puede utilizar para examinar la decisión de reparar (o reconstruir)
y compararla con la decisión de reemplazar completamente un activo por uno nuevo.
El problema de decisión es el siguiente: ¿deberíamos reparar (o reconstruir) el activo hoy y luego
conservarlo hasta el momento T? ¿O es más barato a largo plazo reemplazarlo hoy, generando así el mejor
valor para T cero? ¿Qué alternativa proporciona el costo total mínimo? En este caso se supone que si el equipo
se repara/reconstruye hoy, sólo se puede reconstruir una vez (no puede haber más extensiones de vida útil) y
luego se debe reemplazar con equipo nuevo. Los flujos de efectivo asociados con las decisiones alternativas
son
representado en la Figura 4.23.
Machine Translated by Google
CC C C C
t, 3 t, 3
2 p, 3
CT, 1 CT, 2
CT, norte CT, norte
CP, 1
pag,
p, T C Ct, 2
t, 1
Hoy
El costo estimado para reconstruir el equipo fue de $390 000, y el costo de adquirir nuevo equipo, incluidos
los costos asociados con su puesta en servicio, fue de $1,1 millones. La empresa se comprometió a que si el
equipo era reconstruido, solo permanecería en servicio por 3 años más y luego se compraría un nuevo activo.
En la tabla 4.16 se muestran los costos estimados de operación y mantenimiento del activo actual para
los próximos 3 años, junto con la tendencia esperada en los valores de reventa, frente a uno nuevo que
costará $1,1 millones. Tenga en cuenta que el valor de reventa hoy es de $300 000, pero al final de 1 año era
de $400 000. La razón de este aumento de valor es que al final del siguiente año de operación, se habría
llevado a cabo una reconstrucción, con un costo de $390,000.
Además de conocer el precio de compra de equipos nuevos, también se obtuvieron estimaciones de los
costos continuos de operación y mantenimiento de un activo nuevo, así como los valores estimados de
reventa. Utilizando la Ecuación 4.1, se concluyó que la vida económica
de los nuevos equipos fue de 11 años. También se obtuvo la EAC.
Utilizando la Ecuación 4.10 se obtuvieron los resultados que se muestran en la Tabla 4.17, de la cual se
puede observar que el EAC más pequeño se encuentra en T = 3 años. Sin embargo, también está claro que hay
TABLA 4.16
TABLA 4.17
Hay muy poca diferencia en el EAC asociado con el reemplazo ahora (T = 0) y el asociado con la
reconstrucción y el reemplazo en 3 años. Este es un caso clásico en el que la gerencia sin duda
recurriría a conocimientos adicionales antes de tomar una decisión final de reparación/reconstrucción
o reemplazo. Al comienzo del estudio, había dos bandos distintos: los que creían que la decisión
más económica era reconstruir el activo y los que estaban convencidos de que la mejor decisión
era reemplazar el activo inmediatamente. Una vez analizados los datos, quedó claro que realmente
no había una diferencia económica real entre las dos alternativas.
Un comentario adicional: en la Sección 2.2.2, se presentó una regla general según la cual el
momento óptimo de reemplazo es cuando la tasa actual de costo operativo es igual al costo total
promedio por unidad de tiempo. Se puede establecer una regla similar para la decisión de reparar/
reconstruir versus reemplazar; es decir, reemplazar si el EAC para el siguiente período es mayor
que el EAC actual. En la literatura de ingeniería económica (ver, por ejemplo, Park et al. 2000), esto
a menudo se denomina el problema del desafío porque el nuevo equipo ofrece un desafío al equipo
antiguo que está actualmente en uso en el sentido de que exige ser utilizado y solicitar que se
deseche el activo antiguo. Esta regla requiere que la tendencia en los costos de operación y
mantenimiento de los equipos sea monótonamente no decreciente; por lo tanto, no puede haber
ninguna disminución en los costos de operación y mantenimiento del próximo año en comparación
con los costos actuales. En la gestión de activos, las principales acciones de mantenimiento suelen
realizarse en un año, sabiendo que habrá menores costes en los años siguientes. Si esto es posible,
se debe tener cuidado antes de aplicar esta regla.
4.7.1 INTRODUCCIÓN
En lugar de resolver los modelos matemáticos para bienes de capital desde los primeros principios,
los paquetes de software que tienen los modelos programados proporcionan una manera muy fácil
de resolverlos. Dos de estos paquetes son PERDEC y AGE/CON (www.banakinc.com). En esta
sección se harán uso de las versiones educativas de estos dos paquetes, que se pueden descargar
gratuitamente desde http://www.crcpress.com/product/isbn/9781466554856.
PERDEC (acrónimo de Decisiones de Reemplazo de Plantas y Equipos) está diseñado para ser
utilizado por la comunidad de plantas fijas; AGE/CON (basado en el término francés L'Age
Économique) está diseñado para ser utilizado por la comunidad de flotas.
Ambos utilizan los mismos modelos matemáticos porque no hay diferencia matemática entre si
se establece la vida económica de una pieza de equipo fijo (como una máquina) o de una pieza de
equipo móvil (como un vehículo).
Sin embargo, existen ligeras diferencias en el vocabulario. Por ejemplo, si se utiliza PERDEC, en la
pantalla inicial donde se ingresan los costos de operación y mantenimiento, la columna se titula
"máquina(s)". Si se utiliza AGE/CON, en la pantalla inicial donde se ingresan los costos de operación
y mantenimiento, la columna se titula "vehículo(s)".
Si se utiliza PERDEC, cuando se seleccionan “Parámetros” y luego se selecciona “Utilización
anual constante”, se describirá que el análisis trata sobre la “utilización de la máquina”. Si se utiliza
AGE/CON, cuando se seleccionan “Parámetros” y luego se selecciona “Utilización anual constante”,
se describirá que el análisis trata sobre la “utilización del vehículo”.
Machine Translated by Google
Se pueden detectar diferencias similares en otras partes del software. A la gente de equipos fijos
no le gusta que su equipo se llame vehículo, y a la gente de flotas no le gusta que sus vehículos se
llamen máquinas.
Al ingresar estos valores en AGE/CON, obtenemos el volcado de pantalla de la Tabla 4.18, del cual
se ve que la vida económica es de 1 año con un EAC asociado de $65,787.
(La tasa de interés del 10% se ingresa después de presionar el botón de parámetro y, por lo tanto, se
oculta en el volcado de pantalla). El gráfico EAC se presenta en la Figura 4.24, y muestra muy
claramente que la vida económica es de 1 año.
Esta sección se ha sumergido muy brevemente en los paquetes de software que pueden usarse para
optimizar el reemplazo de bienes de capital. Hay otros paquetes disponibles, incluida una hoja de
cálculo de costos del ciclo de vida de www.Barringer1.com. Uno de los principales beneficios
TABLA 4.18
73.000
Tractor
72.000
71.000
70.000
nC
etnelaolvatisuoq a
e
69.000
68.000
67.000
66.000
65.000
1 2 3 4 5
Años
de utilizar un paquete de software es la facilidad con la que se pueden realizar análisis de sensibilidad.
PROBLEMAS
1. Una máquina herramienta nueva cuesta $5000. Sus tendencias asociadas en costos
operativos y valor de reventa se dan en la Tabla 4.19. Determine el intervalo de reemplazo
óptimo para minimizar el costo total por año (suponga que no se aplica ninguna tasa de interés).
2. Suponiendo que la tasa de interés para fines de descuento es i = 8%, compuesta anualmente,
determine la edad de reemplazo óptima para los datos de la máquina herramienta del
problema 1.
TABLA 4.19
Tendencia en los costos de las máquinas herramienta
1 2500 3000
2 2750 1800
3 3025 1080
4 3330 650
5 3660 400
6 4025 400
7 4425 400
8 4850 400
Machine Translated by Google
3. Los equipos de parques y recreación utilizados por Moose, Inc. cuestan $17,000. Sus tendencias
en costos operativos y valor de reventa se dan en la Tabla 4.20.
Construya un modelo matemático que pueda usarse para determinar la edad de reemplazo
económico del equipo.
Dado que el costo del capital es del 10% anual, ¿cuál es la vida económica? Muestra tus
cálculos.
4. Los costes operativos de una máquina herramienta de control numérico parecen estar llegando a
ser excesivos, y se ha decidido analizar algunos datos para determinar la vida económica de la
herramienta. Dados los datos de la tabla 4.21, ¿cuál es la vida económica de la máquina?
TABLA 4.20
Tendencia en los costos de los Land Cruiser
1 1000 3000
2 1500 1000
3 2500 0
4 2500 0
5 5000 0
6 10.000 0
7 15.000 0
TABLA 4.21
TABLA 4.22
Valores de reventa de autobuses
1 75.000
2 60.000
3 30.000
4 10.000
5 5000
Se deben resolver utilizando las versiones educativas del software AGE/CON o PERDEC:
6. Canmade Ltd. quiere determinar la edad óptima de reemplazo de sus cargadores laterales de
torreta para minimizar los costos totales descontados. El análisis de datos históricos ha producido
la información (todos los costos en dólares actuales) contenida en el cuadro 4.23.
El costo de una nueva torreta de carga lateral es de $150 000 y la tasa de interés para fines
de descuento es del 12% anual.
Encuentre la edad óptima de reemplazo para los cargadores laterales.
7. Una empresa de alquiler de automóviles ha mantenido registros sobre un tipo particular de vehículo.
Por tanto, se dispone de datos históricos de 12 de estos automóviles, que entraron en servicio en
la misma fecha hace 4 años. Los costos de operación y mantenimiento se proporcionan en la
Tabla 4.24.
El precio de compra actual de un automóvil nuevo es de $32 000 y el precio actual
Los valores de permuta de este tipo de vehículo se dan en la Tabla 4.25.
Suponga que la tasa de interés para fines de descuento es del 16% anual y que la tasa de
inflación promedio durante los últimos 4 años ha sido del 9% anual.
Encuentre la edad óptima de reemplazo para estos automóviles.
TABLA 4.23
Valor de reventa en
Operación promedio y
Año Costo de mantenimiento ($/año) Fin de año ($)
1 16.000 100.000
2 28.000 60.000
3 46.000 50.000
4 70.000 20.000
Machine Translated by Google
TABLA 4.24
TABLA 4.25
8. Un camión volquete nuevo cuesta $45 000 y sus tendencias asociadas en el costo operativo
y el valor de reventa se dan en la tabla 4.26.
Encuentre la edad óptima de reemplazo para un camión volquete (suponga que no se aplica
ninguna tasa de interés).
9. Suponiendo que la tasa de interés para fines de descuento es i = 10%, compuesta anualmente,
determine la edad de reemplazo óptima para los datos del camión volquete de la pregunta 8.
10. Repita la pregunta 9, esta vez basando la vida económica en dólares después de impuestos.
Supongamos que la asignación para costos de capital equivale al 30% y que la tasa del impuesto de
sociedades es del 50%.
11. Un gran club deportivo tiene su propia flota de ocho minibuses. El club ha mantenido registros de estos
ocho autobuses, que entraron en servicio en la misma fecha hace 4 años. Los costos de O&M se dan
en la Tabla 4.27.
El precio de compra actual de un minibús nuevo es de 70.000 dólares y el precio actual
Los valores de canje para este tipo de minibús se dan en la Tabla 4.28.
Debido a una disminución general en la economía de los clubes deportivos, las actividades de
viaje se han vuelto menos populares en los últimos 4 años. Como resultado, el promedio
TABLA 4.26
1 6000 28.000
2 10.000 18.000
3 15.000 10.000
4 22.000 5000
Machine Translated by Google
TABLA 4.27
Costos de operación y mantenimiento del minibús
TABLA 4.28
Valores de canje del minibús
TABLA 4.29
Patrón de utilización del minibús
Los valores actuales de intercambio de las carretillas elevadoras se dan en la Tabla 4.31.
El precio del nuevo montacargas es de $51 000 y la tasa de interés para fines de
descuento es del 14% anual.
Encuentre la edad de reemplazo óptima y el EAC asociado para las carretillas elevadoras.
Machine Translated by Google
TABLA 4.30
TABLA 4.31
13. Repita la pregunta 12, esta vez suponiendo que no se aplican valores de reventa, sino sólo un valor
residual de $8500.
14. Un operador de línea aérea tiene su propia flota de 30 camiones de manipulación de equipaje.
El operador ha mantenido buenos registros durante los últimos 4 años, por lo que los datos de la Tabla
4,32 están disponibles.
El precio de compra actual de un camión nuevo es de $38 000. Los valores actuales de
intercambio de un camión se dan en la Tabla 4.33.
TABLA 4.32
Año Costos promedio de operación y mantenimiento ($) Utilización media de camiones (km/año)
Hace 4 años 6200 4000
TABLA 4.33
Supongamos que la tasa de interés para fines de descuento es del 14% anual y que la tasa
de inflación promedio durante los últimos 4 años ha sido del 8% anual.
año.
El operador aéreo espera un uso medio anual futuro de sus camiones de 7.000 km/año.
Supongamos que toda la flota viaja 100 000 km/año y ese uso se distribuye entre los ocho
vehículos como se muestra en la tabla 4.34.
Esta línea de tendencia se puede describir mediante la ecuación general
Y = a + bX
Y = 26,152 – 3034X
TABLA 4.34
El vehículo 1 va 23.300
El vehículo 2 va 19.234
El vehículo 3 va 15.876
El vehículo 4 va 15.134
El vehículo 5 va 12.689
El vehículo 6 va 8756
El vehículo 7 va 3422
El vehículo 8 va 1589
Machine Translated by Google
tU
oY
irl)iñ
nóicazo p(
a
1 2 3 4 5 6 7 8
Distancia acumulada en el odómetro hasta el punto medio del año pasado 32.000 kilómetros
Por lo tanto, el costo de operación y mantenimiento por kilómetro es de $0,14 para el vehículo 1.
Luego, hacemos lo mismo para los ocho vehículos. El vehículo 8 (el vehículo más antiguo y el que menos
utilizamos) puede tener este aspecto:
Distancia acumulada en el odómetro hasta el punto medio del año pasado 120.000 kilómetros
Por lo tanto, el costo de operación y mantenimiento por kilómetro es de $0,48 para el vehículo 8.
Será necesario trazar una línea de tendencia a través de estos puntos. Se parecerá a la Figura
4.26.
Cada vehículo tiene un "punto": los vehículos 1 y 8 están identificados en el gráfico de
la figura. La línea recta es la línea de tendencia que hemos ajustado a los puntos.
La ecuación que obtenemos esta vez es
Z = 0,0164 + 0,00000394T
Machine Translated by Google
/$
)Z
m k( Vehículo 8
Vehículo 1
30 60 90 120
Km acumulados (T)–en miles
Para continuar con nuestro problema, necesitamos más información: supongamos que
un vehículo de reparto nuevo cuesta $40 000. Los valores de reventa para este tipo
particular de vehículo se dan en la tabla 4.35. La tasa de interés a efectos de descuento es
del 13% anual. Encuentre la edad de reemplazo óptima para un vehículo de entrega.
TABLA 4.35
TABLA 4.36
Antigüedad del vehículo (trimestre) Costos de mantenimiento por trimestre ($) Valor de intercambio ($)
1 1435 57.500
2 2334 40.000
3 3974 30.000
4 6176 19.000
16. AMERTRUCK mantiene buenos registros y conoce los costos trimestrales asociados con el
mantenimiento de sus vehículos desde que ingresaron a la flota. Tiene una flota de 11 aviones de
96.000 kg muy utilizados. tractores, cada uno de los cuales recorre aproximadamente 32.000 km/
trimestre.
Todos los costos históricos de operación y mantenimiento se han inflado a los dólares actuales.
La tendencia promedio de los costos de mantenimiento por trimestre y los valores estimados de
intercambio se dan en la Tabla 4.36.
El precio de compra de un tractor nuevo es de $70 000.
Encuentre la edad óptima de reemplazo del tractor utilizando tasas de interés del 16% y del 19%
anual (ver sugerencia).
Sugerencia: como estamos trabajando en trimestres, debemos convertir la tasa de interés anual
a una tasa trimestral equivalente. Esto no se hace simplemente dividiendo la tasa de interés anual
entre cuatro, sino de la siguiente manera: si la tasa anual es = 1,16, donde i = tasa de interés/
16%, entonces (1 + i) 4 trimestre que equivale a
16% anual. Por lo tanto, i = 0,0378, o 3,78%.
De manera similar, cuando la tasa de interés anual es del 19%, se determina que la tasa
trimestral equivalente es del 4,44% trimestral.
REFERENCIAS
Bellman, RE y R. Dreyfus. 1962. Programación dinámica aplicada. Oxford: Prensa de la Universidad de
Oxford.
Buttimore, B. y A. Lim. 1981. Sistema de reposición de equipos Noranda. En Applied Systems and
Cybernetics, editado por Lasker, GE, vol. II, 10691073. Oxford: Prensa de Pérgamo.
Campbell, JD, AKS Jardine y J. McGlynn. 2011. Excelencia en la gestión de activos: optimización de las
decisiones sobre el ciclo de vida de los equipos. Nueva York: CRC Press.
Christer, AH y MW Waller. 1987. Modelos de sustitución ajustados a impuestos. Diario de la
Sociedad de Investigación Operativa 38, 993–1006.
Eilon, S., JR King y DE Hutchinson. 1966. Un estudio sobre sustitución de equipos.
Investigación operativa trimestral 17, 59–71.
Park, C., R. Pelot, K. Porteous y MJ Zuo. 2012. Economía de la ingeniería contemporánea: una
Perspectiva canadiense, 3ª ed. Upper Saddle River, Nueva Jersey: Pearson Education.
White, DW 1969. Programación dinámica. Edimburgo: Oliver y Boyd.
Machine Translated by Google
Machine Translated by Google
5 Requisitos
Recurso de mantenimiento
Existe una y sólo una responsabilidad social de las empresas: utilizar sus recursos y participar en
actividades diseñadas para aumentar sus ganancias, siempre y cuando se mantengan dentro de
las reglas del juego.
Milton Friedman
5.1 INTRODUCCIÓN
El objetivo de este capítulo es presentar modelos y herramientas que se pueden utilizar para determinar
los requisitos óptimos de recursos para optimizar las decisiones de recursos de gestión de activos físicos.
En el contexto del marco de las áreas de decisión abordadas en este libro, nos referimos a la columna 4
del marco, como se destaca en la Figura 5.1.
Las dos áreas problemáticas interrelacionadas (sobre qué tipo de organización de mantenimiento)
nización debe ser creada) que serán consideradas en este capítulo son:
179
Machine Translated by Google
Probabilidades y estadísticas Procesos estocásticos Valor temporal del dinero Simulación de teoría
(Análisis de Weibull (para optimización CBM) (Flujo de caja descontado) de colas
incluyendo software
WeibullSoft)
También dentro de esta área, existe el problema de determinar el tamaño del mantenimiento.
equipo de finanzas. Los principales conflictos que surgen aquí son los siguientes:
su costo. 2. A medida que aumenta el tamaño de la cuadrilla, el tiempo que las máquinas están inactivas, esperando a un miembro.
3. El tiempo de inactividad puede reducirse porque se pueden utilizar equipos más grandes para reparar el equipo.
Los trabajos de mantenimiento pueden ser realizados tanto por personal de la empresa como por contratistas, en las instalaciones
de la empresa o en las instalaciones de los contratistas. Cuál de estas alternativas se invoque en un momento determinado
dependerá de:
Cabe señalar que estas alternativas no son mutuamente excluyentes porque el trabajo de mantenimiento (por ejemplo, la
reparación de un equipo o una línea de producción completa) se puede realizar mediante la cooperación entre las instalaciones
esto será muy visible, como una cola de trabajos para procesar (habrá un gran atraso) y operaciones que estarán bastante descontentas
con el servicio brindado por el mantenimiento. . Existe una rama de las matemáticas conocida como teoría de las colas (o teoría de la
línea de espera), que se ocupa de los problemas de congestión, en la que los “clientes” llegan a una instalación de servicio, tal vez
esperan en una cola, son atendidos por “servidores” y luego abandone las instalaciones de servicio. Estos clientes pueden ser máquinas
que requieren reparación y esperan un equipo de mantenimiento, o trabajos que esperan ser procesados en una máquina de taller. Por
lo tanto, la teoría de colas es muy valiosa cuando se abordan problemas en los que hay un cuello de botella (cola) en un sistema y
estamos explorando el beneficio potencial de agregar más recursos para brindar un servicio mejorado.
El problema de la Sección 5.3 utiliza resultados obtenidos de la teoría matemática de colas (o teoría de la línea de espera), por lo
que primero daremos una breve introducción a los aspectos relevantes de esta teoría.
Para una determinada instalación de servicio (por ejemplo, tamaño del taller, tamaño del equipo de mantenimiento), ¿qué
Cuál es el tiempo promedio que un trabajo tiene que esperar en una cola?
Para una instalación de servicio determinada, ¿cuál es el número promedio de puestos de trabajo en el sistema en un
momento dado?
Para una determinada instalación de servicio y un determinado patrón de carga de trabajo, ¿cuál es el promedio?
Para una determinada instalación de servicio, ¿cuál es la probabilidad de que el tiempo de espera sea mayor que t?
Para una determinada instalación de servicio, ¿cuál es la probabilidad de que uno de los servidores de la
Una vez que se obtiene esta información, es posible identificar el tamaño óptimo de la instalación de servicio para minimizar el costo
total y el tiempo de inactividad incurrido debido a los trabajos que esperan en cola para recibir servicio. Estos conflictos básicos se ilustran
en la Figura 5.2.
Tamaño óptimo de
instalación de servicio
Coste total
instalación
Las Figuras 5.3 y 5.4 muestran los sistemas de colas habituales con los que trabajamos. La Figura 5.3 es la
situación en la que hay una instalación de un solo servidor (es decir, un solo canal) y sólo se puede atender a
un cliente en cualquier momento. Todos los trabajos entrantes se unen a una cola, a menos que la instalación
de servicio esté inactiva, y eventualmente salen del sistema. La Figura 5.4 es un sistema multicanal en el que
los clientes se unen a una cola y luego pasan de la cola al primer centro de servicio que queda vacante.
Antes de poder realizar el análisis de un sistema de colas, es necesario contar con la siguiente información
debe obtenerse:
1. El patrón de llegada de clientes. En este capítulo se supondrá que el patrón de llegada es aleatorio;
el intervalo entre las llegadas de puestos de trabajo a la instalación de servicio tendrá una
distribución exponencial negativa. Por tanto, estamos ante un proceso de Poisson en el que el
número de llegadas en un período determinado se distribuye según la distribución de Poisson.
Consulte la Sección A1.3.2 del Apéndice 1.
2. El patrón de servicio de la instalación. En este capítulo, se supone que la distribución del servicio es
exponencial negativa; El tiempo necesario para reparar un trabajo en la instalación de servicio
tiene una distribución exponencial negativa.
3. Las reglas de prioridad. En este capítulo, la regla de prioridad es que los clientes sean atendidos (o
comiencen a recibir servicio) en el orden de su llegada.
En la práctica, los supuestos formulados en 1 a 3 suelen ser aceptables, aunque pueden ser apropiados
otros patrones de llegada o servicio, o reglas de prioridad. Cuando este sea el caso, los resultados generales
de la teoría de colas utilizados en este capítulo pueden no ser aplicables y el lector tendrá que buscar
orientación en algunas de las referencias estándar.
Llegadas
Salidas
Instalación de servicio
Instalación de servicio
Llegadas
Salidas
a la teoría de colas, como Gross et al. (2010) o Cox y Smith (1961). Cuando se trata de situaciones de colas
complejas, a menudo ocurre que no se pueden obtener soluciones analíticas y podemos recurrir a la
simulación. Esto se tratará en el problema de la Sección 5.4.
Luego, podemos calcular las siguientes estadísticas, que se aplican en el estado estacionario, es decir,
cuando el sistema se ha estabilizado:
Tenga en cuenta que para garantizar que no se acumule una cola infinita, ρ siempre debe ser menor que
1. Los resultados anteriores para Ws y Wq dependen de este supuesto.
Aunque hay soluciones de formato cerrado disponibles para tiempos de espera, etc., en ciertos sistemas
multicanal, con patrones particulares de llegada y servicio, están fuera del alcance de este libro. Sin embargo,
existen tablas y gráficos que nos permiten obtener directamente las cantidades que necesitamos. Entre estos
cuadros se incluyen los de Peck y Hazelwood (1958). El gráfico de la Figura 5.5, tomado de Wilkinson (1953),
se utiliza para determinar el tiempo medio de espera de un trabajo en el sistema. Un gráfico similar aparece
en Morse (1963), al igual que gráficos de otras estadísticas de colas.
De vez en cuando, los trabajos que requieren el uso de máquinas de taller (por ejemplo, tornos) se envían
desde varias instalaciones de producción dentro de una organización al taller de mantenimiento. Dependiendo
de la carga de trabajo del taller, estos trabajos volverán a producción una vez transcurrido un tiempo. El
problema es determinar el número óptimo de máquinas que minimice el costo total del sistema. Este costo
tiene dos
Machine Translated by Google
10
8
6
5
4
3
1.0
8
6
5
4
3
eiam
aolepsrpm
do
osiso tp sW
úte
ro
lq n m
re=
µ
pirt
d
e
10–1
8
6
5
4
3
102
8
6
5
4
3
10–3
1 2 3 4 5 6 8 10 15 20 30 40 60 100
n = Número de servidores
FIGURA 5.5 Gráfico de colas de Wilkinson. (Wilkinson, RI: Curvas de trabajo para llamadas
exponenciales retrasadas servidas en orden aleatorio. Bell System Technical Journal. 1953. 32.
Copyright WileyVCH Verlag GmbH & Co. KGaA. Reproducido con autorización).
componentes: el costo de las instalaciones del taller y el costo del tiempo de inactividad incurrido
debido a trabajos que esperan en la cola del taller y luego son reparados.
Taller
µ = # trabajos/semana 1
Llegadas
Salidas
λ = # trabajos/semana 3
Wq
norte
Ws
4. El costo de operación por unidad de tiempo para un torno (ya sea en funcionamiento o inactivo) es
Cl.
5. El objetivo es determinar el número óptimo de tornos n para minimizar el costo total por unidad de tiempo
C(n) del sistema:
C(n) = costo por unidad de tiempo de los tornos + costo del tiempo de inactividad por unidad de tiempo
debido a que hay trabajos en el sistema
Costo por unidad de tiempo de los tornos =
número de tornos × costo por unidad de tiempo por torno = nCl
Costo del tiempo de inactividad por unidad de tiempo de los trabajos en el
sistema = tiempo promedio de espera en el sistema por trabajo
× tasa de llegada de trabajos al sistema por unidad de tiempo ×
costo del tiempo de inactividad por unidad de tiempo por trabajo = WsλCd
Este es un modelo del problema que relaciona el número de máquinas n con el costo total C(n).
TABLA 5.1
La Figura 5.7 ilustra el patrón subyacente de tiempo de inactividad y costos del torno que,
cuando se sumen, proporcione los costos totales de la tabla 5.1.
También es interesante trazar la Figura 5.8, que muestra el tiempo de inactividad promedio y el
tiempo de actividad por semana para cada torno para diferentes números de tornos. Tenga en cuenta
que cuando n = 8, el número óptimo desde el punto de vista del coste total, el tiempo medio de
inactividad de un torno es del 32%; es decir, la utilización es del 68%. Por lo tanto, a menudo se
comenta que se requiere una alta utilización del equipo y sólo entonces se podrá operar de manera
eficiente. En algunos casos, esto será así, pero vemos en este ejemplo que si la utilización de un torno
aumentara del 68% al 91% (lo que ocurriría cuando n = 6 ) , el costo total por semana aumentaría de
$4570 a $7750. Nuevamente, se puede señalar que debemos tener claro qué objetivo estamos
tratando de lograr en nuestras decisiones de mantenimiento.
Cálculos de muestra:
Cuando n = 1 a 5, entonces = , la intensidad del tráfico, es mayor que 1. Por lo tanto, un
norte
La cola infinita eventualmente se acumulará porque el trabajo llega más rápido de lo que puede llegar
9000
8000
7000
5000
otsoC
4000
Costo del tiempo de inactividad/
2000
Costo de la máquina/
100
90 91
80
70 68
% Tiempo ocupado
60
djaad
/e ovea
atnin craoenP
pitcm dsiti
50
40
% Tiempo de inactividad
30 32
20
10 9
0
5 6 7 8 9 10 11 12 13
Número de tornos
procesado, por lo que consideramos casos de n al menos igual a 6. (Tenga en cuenta que las fórmulas se
aplican al estado estacionario. En la práctica, no se puede formar una cola infinita).
Por lo tanto,
Por eso,
De la Ecuación 5.1,
1
tiempo promedio de un trabajo en un torno =
norte
Por lo tanto,
30
Tiempo de actividad promedio por semana para un torno = = 0,91
6 5,5
Tenga en cuenta que ρ, la intensidad del tráfico, es equivalente al tiempo de ocupación promedio por semana.
El objetivo del modelo en esta sección era optimizar la cantidad de servidores (tornos) de modo que se minimizara
el costo total. En la práctica, en muchos de estos problemas, el costo del recurso no es demasiado difícil de
cuantificar, como el costo de tornos adicionales, pero puede surgir un problema difícil de cálculo de costos cuando
se asocia un costo con la mejora del servicio con un mayor nivel de recurso. En esta sección se evalúa el costo
beneficio de reducir el tiempo de espera de los trabajos en el sistema de taller a medida que se agregan más tornos.
Debido a esta dificultad, el análisis a veces se detiene en identificar la calidad del servicio, como la tasa de
rendimiento promedio, para un nivel dado del recurso.
La decisión final sobre el nivel de recursos la toma entonces la dirección, que selecciona un compromiso adecuado
entre el coste de los recursos y el nivel de servicio proporcionado.
El método para abordar el problema del torno en esta sección también podría adoptarse.
para determinar el tamaño óptimo de un equipo de mantenimiento. En este caso, el número de operarios del equipo
corresponde al número de máquinas del grupo de torno.
Uno de esos estudios es el de Carruthers et al. (1970).
En el problema de esta sección, se supuso que todas las máquinas eran iguales y que cualquier máquina podía
usarse igualmente para cualquier trabajo que requiriera trabajo de torno.
Puede que este no sea el caso. Por ejemplo, dentro de un grupo de tornos, puede haber tornos pequeños, medianos
y grandes. Ciertos trabajos entrantes pueden realizarse igualmente bien en cualquiera de los tornos, pero otros sólo
pueden procesarse, por ejemplo, en un torno grande. Este tipo de problema se discutirá y analizará con más detalle
en la Sección 5.4.
Además, en este apartado se asumió que toda la carga de trabajo se procesaba en máquinas de taller internas
a la organización. En muchas situaciones, se puede aprovechar la posibilidad de que los subcontratistas realicen
parte del trabajo durante los períodos de mayor actividad. El enfoque utilizado en la Sección 5.6 para determinar el
tamaño óptimo de un equipo de mantenimiento, teniendo en cuenta las oportunidades de subcontratación, puede
usarse, en casos particulares, para determinar el número óptimo de máquinas de taller donde ocurren oportunidades
de subcontratación.
5.3.5 APLICACIONES
En una planta, había un equipo de plomeros y el objetivo era establecer el número óptimo de plomeros para
garantizar que el trabajo atrasado (trabajos en cola) no excediera un número específico o, equivalentemente, no
resultara en un trabajo. esperar más tiempo que el promedio especificado antes de enviar a un plomero para realizar
el trabajo.
Machine Translated by Google
Modelo:
Plomero
Trabajar
pedidos
Notificaciones cerrado
Plomero
entró en
un ERP
sistema
Plomero
TABLA 5.2
Número de Tiempo medio de una orden de trabajo en Tiempo medio de una orden de trabajo en
3 0.080 0,147
4 0.026 0.093
5 0.004 0,071
6 0.002 0,069
Conocer la tasa promedio de llegada de trabajos por semana, garantizar que las llegadas pudieran describirse
como llegadas de acuerdo con una distribución de Poisson (como fue el caso aquí porque los trabajos de plomería
ocurrieron en muchas áreas de la planta), y que los tiempos de servicio pudieran describirse por una distribución
exponencial (que era el caso porque la mayoría de los trabajos eran pequeños, y sólo unos pocos tomaban mucho
tiempo para completar una reparación), significa que el gráfico de colas de Wilkinson que se muestra en la Figura
5.5 se puede utilizar para estimar los tiempos promedio de cola para diferentes Tamaños del equipo de
mantenimiento. La figura 5.9 ilustra el problema. Luego, la gerencia toma una decisión final sobre el tamaño del
equipo y especifica un tiempo de espera aceptable en la cola para un trabajo de plomería entrante. Los resultados
finales del estudio se proporcionan en la Tabla 5.2.
Una empresa tenía dos equipos de mantenimiento con la responsabilidad de realizar una tarea llamada reemplazo
de poleas. La tasa media de llegada de poleas por mes a los dos equipos fue de 125; la capacidad promedio
mensual de cada equipo fue de 102 puestos de trabajo mensuales. Las horas disponibles para que un equipo
trabaje en un mes fueron 213.
Como la tasa de llegadas era de 125 por mes y la capacidad de un equipo era de 102 por mes, claramente se
necesitaban al menos dos equipos. Y con dos equipos, se estimó utilizando el gráfico de Wilkinson (Figura 5.5)
que la utilización promedio de un equipo fue del 61%, y
Machine Translated by Google
el tiempo promedio de espera para atender una solicitud de reemplazo de polea fue de 1 hora. Se tomó la
decisión de mantener los dos equipos y no explorar la incorporación de un nuevo equipo.
En este estudio se conoció el costo mensual de un equipo de mantenimiento y el costo de
producción perdida durante 1 mes; por lo tanto, si hubiera sido necesario, una optimización formal
se podría haber realizado el cálculo.
El problema de esta sección es una extensión del problema de la Sección 5.3, que trataba del número
óptimo de máquinas de taller idénticas para satisfacer una demanda fluctuante.
Específicamente, en esta sección suponemos que existe una clase de máquinas (tornos utilizados en
el taller) que se pueden dividir en tornos medianos y grandes. Los trabajos que requieren trabajo de torno
se pueden dividir en aquellos que requieren procesamiento en un torno mediano, aquellos que requieren
un torno grande y aquellos que se pueden procesar igualmente bien en cualquiera de los dos. Los tiempos
de servicio de los trabajos en tornos medianos y grandes difieren, al igual que los costos operativos de
los tornos.
Para un patrón de carga de trabajo determinado, el problema es determinar la combinación óptima de
tornos medianos/grandes para minimizar el costo total por unidad de tiempo de los tornos y los costos de
tiempo de inactividad asociados con los trabajos que esperan en una cola o se procesan.
La Figura 5.10 ilustra el sistema de colas para el problema. Así, se ve que el trabajo torneado que llega a
los tornos se puede dividir en trabajo que requiere el uso de:
Tornos medianos
µm
Trabajos medianos plus
Trabajos medianos/grandes
λ Llegadas Salidas
Tornos grandes
l
Grandes trabajos
1. Determinar la lógica del sistema que se está analizando y representarlo con una
diagrama de flujo.
Porque, en la práctica, la mayoría de los trabajos que se pueden procesar en un torno mediano también se pueden procesar
procesarse en un torno grande, consideramos un sistema de dos colas: una cola en los tornos medianos,
compuesta por todos los trabajos que requieren al menos un torno mediano, y una cola en los tornos grandes,
compuesta por todos los trabajos que requieren solo un torno grande. .
Siempre que un torno mediano queda vacío, toma el primer trabajo de la cola mediana/grande y lo procesa.
Si no hay cola en los tornos medianos, entonces los tornos medianos están inactivos.
Siempre que un torno grande queda vacío, realiza el primer trabajo en la cola de tornos grandes. Si no hay
cola en los tornos grandes, entonces, si es posible, se transfiere un trabajo de la cola mediana/grande al torno
grande. La lógica del sistema se ilustra en el diagrama de flujo de la Figura 5.11.
Supondremos que se han realizado observaciones del sistema y que se han obtenido las siguientes distribuciones:
1. La llegada de trabajos al sistema de torno es un proceso de Poisson, con una tasa de llegada de λ
por unidad de tiempo. Por tanto, la distribución de puestos de trabajo entre llegadas será exponencial
negativa con un intervalo medio 1/λ.
2. La probabilidad de que un trabajo entrante se una a la cola en los tornos medianos es p; por lo tanto,
la probabilidad de que el trabajo se una a la gran cola del torno es (1 − p).
3. Los tiempos de servicio para trabajos en tornos medianos y grandes tienen una distribución
exponencial negativa, con tasas de servicio medias de μm y μl por unidad de tiempo, respectivamente.
4. El costo del tiempo de inactividad por unidad de tiempo para un trabajo esperando en una cola o en proceso de producción.
cedido es Cd.
5. El costo de operación por unidad de tiempo para un torno mediano es Cm y para un torno grande es
Cl.
Machine Translated by Google
de trabajos a la llegada)
trabajos)
No no
¿Está vacante un
No
¿Está vacante
torno mediano ? un torno grande?
¿Está vacante
un torno grande?
Sí Sí
Sí
Poner trabajo Poner trabajo
en torno mediano. en torno grande.
¿Cuánto dura el trabajo en un torno mediano? (por ¿Cuánto dura el trabajo en un torno grande?
lo tanto, se requiere distribución del tiempo de (por lo tanto, requieren distribución del tiempo
servicio de los trabajos en tornos medianos) de servicio de los trabajos en tornos
grandes)
El objetivo es determinar el número óptimo de tornos medianos (nm) y grandes (nl) para minimizar el costo total
por unidad de tiempo C(nm, nl) asociado con los tornos y los costos de tiempo de inactividad de los trabajos que se
encuentran en el taller para su reparación:
= Ws,m × λ × × p(nm,
pag n1) × Cd
Tenga en cuenta que la probabilidad de que un trabajo ingrese al sistema mediano es p × p(nm, nl), donde p(nm, nl)
es la probabilidad de que un trabajo entrante asignado a la cola mediana/grande se procese en un torno mediano. . Esta
probabilidad de procesamiento depende del número de tornos medianos y grandes. Entonces, la probabilidad de que un
trabajo inicialmente asignado a la cola mediana/grande se transfiera al sistema grande es 1 − p(nm, nl).
Similarmente,
donde λ × p cola × [1 − p(nm, n1)] es el número medio de trabajos transferidos desde el medio/
Este es un modelo del problema que relaciona la combinación de tornos con el costo total esperado.
(Obsérvese que tanto Ws,m como Ws,l son funciones de nm y nl.)
El principal problema para resolver este modelo es la determinación de los tiempos de espera en los sistemas
medianos y grandes para diferentes combinaciones de tornos y las correspondientes probabilidades de procesamiento
p(nm, nl). Esto se obtiene mediante simulación en el siguiente ejemplo.
1. El número de trabajos que llegan a la sección de tornos por día tiene una distribución de Poisson, con una
tasa media de llegada de 10 por día. La función de distribución acumulativa para esto se muestra en la
Figura 5.12.
2. La probabilidad de que un trabajo entrante se una a la cola en los tornos medianos.
es 0,8.
Machine Translated by Google
1.0
–10t
Pie) F(t) = 1– mi
0,5
0
0 0.1 0,2 0.3 0,4 0,5
3. La distribución de servicios para trabajos en un torno mediano es exponencial negativa, con una tasa de servicio
promedio para el torno de dos por día. La función de distribución acumulativa para esto se muestra en la
Figura 5.13.
4. La distribución del tiempo de servicio para trabajos en un torno grande es exponencial negativa, con una tasa
de servicio promedio para el torno de uno por día. La función de distribución acumulativa para esto se muestra
en la Figura 5.14.
5. El costo del tiempo de inactividad por trabajo Cd es de $1 por día.
6. Los costos de operación Cm y Cl son $7 y $10 por día, respectivamente.
7. Los tiempos de espera para trabajos en tornos medianos y grandes se obtienen mediante simulación de la
siguiente manera.
1.0
–2t
Pie) F(t)=1– mi
0,5
0
0 0,5 1.0 1.5 2.0 2.5
t, tiempo de servicio
1.0
–t
Pie) F(t) = 1– mi
0,5
0
0 1.0 2.0 3.0 4.0 5.0
t, tiempo de servicio
Supongamos que tenemos cuatro tornos medianos y tres tornos grandes. Tenga en cuenta que si solo
tuviéramos dos tornos grandes, lo que podría parecer suficiente, la intensidad de tráfico del sistema ρ sería 1.
Como hemos visto (ejemplo de cálculo de la Sección 5.3.3), esto llevaría a tiempos de espera infinitos.
3. Seleccione otro número de la Tabla 5.3. Este número ahora se utiliza para determinar la duración
del trabajo 1 en un torno mediano. El siguiente número de dos dígitos en la fila 1 es 17. Esto se
toma como 0,17 y está marcado en el eje y de la Figura
5.13. Dibujando una línea horizontal desde 0.17 hasta que corte la curva F(t) , luego
TABLA 5.3
Números al azar
20 17 42 28 23 17 59 66 38 61 02 10 86 10 51 55 92 52 44 25
74 49 04 49 03 04 10 33 53 70 11 54 48 63 94 60 94 49 57 38
94 70 49 31 38 67 23 42 29 65 40 88 78 71 37 18 48 64 06 57
22 15 78 15 69 84 32 52 32 54 15 12 54 02 01 37 38 37 12 93
93 29 12 18 27 30 30 55 91 87 50 57 58 51 49 26 12 53 96 40
45 04 77 97 36 14 99 45 52 95 69 85 03 83 51 87 85 56 22 37
44 91 99 49 89 39 94 60 48 49 06 77 64 72 59 26 08 51 25 57
16 23 91 02 19 96 47 59 89 65 27 84 30 92 63 37 26 24 23 66
04 50 65 04 65 65 82 42 70 51 55 04 61 47 88 83 99 34 82 37
32 70 17 72 03 61 66 26 24 71 22 77 88 33 17 78 08 92 73 49
Machine Translated by Google
al dejar caer una línea vertical, se obtiene un tiempo de servicio de 0,10 días equivalente a
un número aleatorio de 17.
Tenga en cuenta que en este ejemplo, los números de muestreo aleatorios se toman para
estar en el rango de 0,005 a 0,995 en pasos de 0,01 para excluir la posibilidad
de que se especifique un tiempo de servicio cero o infinito. El extracto de números de
muestreo aleatorios está tomado de Lindley y Miller (1964). Cada dígito es una muestra
independiente de una población en la que los dígitos del 0 al 9 tienen la misma probabilidad;
es decir, cada uno tiene una probabilidad de 1/10.
Por tanto, un número aleatorio de 17 equivale a F(t) = 0,175. Por lo tanto,
0,175 = 1 − mi −2t ,
y por tanto t = 0,10 día. Este procedimiento se conoce como simulación
Monte Carlo (Ley 2007).
4. Como no hay otros trabajos en el sistema, podemos poner el trabajo 1 directamente en un
torno mediano, digamos, m1, el primer torno mediano, durante 0,1 día.
Toda la información anterior se da en la primera fila de la Tabla 5.4.
5. Ahora tenemos que generar la llegada de otro empleo. Para hacer esto, seleccionamos otro
número aleatorio, en este caso, 42 de la fila superior de la tabla 5.3.
Al marcar 0,42 en el eje y de la figura 5.12, obtenemos un intervalo equivalente entre el
trabajo 1 y el trabajo 2 de 0,06 días desde el eje x.
Procediendo como se indica en los pasos 2 a 4 anteriores, se puede completar la segunda fila de la
Tabla 5.4. El intervalo entre las llegadas del trabajo 2 y el trabajo 3 se puede obtener como se indica en
el paso 5 anterior, y la fila 3 de la Tabla 5.4 se puede completar de acuerdo con los pasos 2 a 4
anteriores. Del mismo modo se pueden completar las filas 4 a 7 de la tabla.
Es evidente que la construcción manual de una tabla como la del Cuadro 5.4 es tediosa. Sin embargo,
si procediéramos como arriba, eventualmente generaríamos suficientes empleos para obtener el tiempo
de espera promedio (de las columnas 6 y 7) para trabajos en los sistemas de torno medianos o grandes
cuando hay cuatro tornos medianos y tres grandes y la probabilidad p ( 4, 3) de los trabajos que se
procesan en los tornos medianos (de las columnas 4 y 5). Para reducir el tedio y acelerar los cálculos,
normalmente es posible aprovechar uno de los muchos paquetes de simulación disponibles, como Arena,
Flexsim, Micro Saint, ProModel, SIMUL8 y Witness. Una característica común de estos paquetes de
simulación es la capacidad de utilizar animación para mostrar el comportamiento dinámico del sistema
modelado durante una ejecución de simulación. Con esta capacidad, el número de trabajos que esperan
ser procesados por tornos medianos, por ejemplo, se puede mostrar gráficamente en lugar de indicarse
mediante un número. Esto ayuda al usuario a validar el modelo y comprender el comportamiento del
modelo más fácilmente.
1
TABLA 5.4
Resultados de la simulación manual
1 2 3 4 5 6 7 8 9 10 11
Entre llegadas ¿Es un tiempo de espera adecuado para el servicio A partir de Hora de terminar Próximo
Trabajo Tiempo Acumulativo Cola Torno tiempo en en el torno? Tiempo de torno activado en el torno Trabajo en
No. entre trabajos Tiempo Decisión ¿Vacante? Cola (Días) Usado Torno ( Tiempo acumulado) Torno
en el tiempo 0.10)
7 rn = 52 (0,07) 0,28 rn = cola de 44 m Sí (m2 es 0 rn = 25 (0,15) m2 0,28 0,28 + 0,15 = 0,43
vacante
en el tiempo 0.19)
FIGURA 5.15 Entrada y salida de una simulación del software Workshop Simulator.
TABLA 5.5
Tiempos medios de espera y probabilidad de procesamiento, p(4, 3)
nm = 4 Ws,m = 0,79 p(4, 3) = 0,82
nl = 3 Ws,l = 1,08
aquellos que resultan en un estado estacionario. Una vez determinados los tiempos de espera
y las probabilidades, se pueden obtener soluciones al modelo (Ecuación 5.2). La Tabla 5.7
muestra los distintos costos totales por día y se ve que la combinación óptima es cinco tornos
medianos y tres grandes.
Cálculo de muestra:
TABLA 5.6
TABLA 5.7
nm = 4, nl = 3 66,88
nm = 5, nl = 3 71,97
nm = 6, nl = 3 78,74
nm = 4, nl = 4 75.04
nm = 5, nl = 4 81,40
nm = 6, nl = 4 88,15
Tenga en cuenta que para cada combinación de tornos medianos y grandes, se realizaron cuatro
ejecuciones de simulación en la computadora para obtener las estadísticas del tiempo de espera. Cada
ejecución equivalía a 2 meses de operación.
Machine Translated by Google
función de distribución (ver Sección 5.4.3). En el ejemplo, se utilizaron números de muestreo aleatorios
de dos dígitos (en el rango de 00 a 99) y luego se supuso que estaban en el rango de
0,005 a 0,995 en pasos de 0,01.
Aunque el ejemplo de esta sección trata específicamente de la determinación de la combinación
óptima de tornos en un taller, el enfoque es aplicable a otros problemas de mantenimiento. Por
ejemplo, un problema que ocurre con frecuencia es la necesidad de determinar las habilidades
apropiadas que se deben tener disponibles en un equipo de mantenimiento y el número de artesanos
que poseen estas habilidades. Ciertos trabajos pueden ser realizados igualmente bien por cualquier
miembro de un equipo, mientras que otros requieren especialistas. Es casi seguro que las diferentes
clases de habilidades que se pueden definir excederán de dos, pero aun así, la combinación óptima
de estas habilidades se puede determinar de una manera similar a la que se describe en esta sección.
Finalmente, en el modelo se ha supuesto que se podría obtener el coste del tiempo de inactividad.
Como suele ser el caso, se trata de un problema de cálculo de costes difícil, por lo que el análisis de
dicho problema puede detenerse en determinar las consecuencias en términos de tiempos de espera
para diferentes combinaciones de tornos, y luego la dirección decide qué alternativa descrita en el
apartado prefiere. en base a los tiempos de espera calculados.
5.4.5 APLICACIONES
5.4.5.1 Establecimiento del número óptimo de tornos en una acería
Dentro de una acería integrada, existía la necesidad de ofrecer un mejor nivel de servicio a las
operaciones. La práctica actual era planificar el procesamiento de trabajos pequeños en tornos
pequeños y trabajos grandes en tornos grandes. Sin embargo, si un torno grande quedaba vacante y
había una cola de trabajos esperando ser procesados en un torno pequeño, el planificador del taller
transferiría un trabajo pequeño y lo procesaría en un torno grande. No era viable transferir un trabajo
grande y procesarlo en un torno pequeño. Sólo eran posibles transferencias hacia arriba.
La sección del torno constaba de ocho tornos, y la figura 5.16 muestra la perspectiva inicial del
sistema de torno: constaba de dos clases de tornos, uno denominado grande y otro mediano.
Tornos grandes
l
l
l
pag
Llegadas Salidas
Tornos medianos
(1 p)
µm
µm
µm
A medida que se adquirieron los datos, quedó claro que el sistema era más complejo de lo
que se definió inicialmente, y en la Figura 5.17 se muestra una mejor comprensión del sistema
de torno. Después de una mayor recopilación y análisis de datos durante un período de 22
semanas, resultó evidente que el sistema podía representarse en la Figura 5.18, en la que se
proporcionan varias estadísticas.
Se observará en la Figura 5.18 que la simulación permitió la posibilidad de que un trabajo
pequeño (uno que pudiera procesarse en los tornos 5, 6, 7 u 8) se procesara en el torno más grande.
Tornos grandes
1
Tornos medianos
Trabajos Trabajos
entrantes
2
salientes
34
5
6
7
8
Tornos pequeños
5
Empleos de E
Cola E Σ = 128 6
p = porcentaje de empleos que van a lo largo de la rama; Σ = número total de puestos de trabajo que se realizan en la sucursal en 22 semanas;
λ = tasa de llegada de empleos/semana durante un período de 22 semanas; µ = tasa de servicio de trabajos/semana durante un período de 22 semanas
TABLA 5.8
2 15.4 5.25
3 15.5 9.37
4 15.7 8.10
2 38,8 1,65
3 43.0 1,97
4 36.4 2.45
2 42.2 1,49
3 39,4 2.56
torno, torno 1. En la práctica, esto puede no ser factible y, de lo contrario, el modelo de simulación debe
bloquear dicha transferencia. En el estudio descrito esto no fue necesario, y al examinar posteriormente
las estadísticas de la simulación, se observó que ninguna ejecución de simulación incluía un trabajo de
torno pequeño procesado en el torno más grande.
Una vez que se construye un modelo de simulación, debe probarse y verificarse (para más detalles,
consulte Law (2007) o Banks et al. (2010)) antes de que se puedan evaluar configuraciones alternativas
del sistema. Una vez probado y verificado el sistema ilustrado en la Figura 5.18, se obtuvieron los
resultados finales que se muestran en la Tabla 5.8.
Los conocimientos obtenidos de las estadísticas de rendimiento proporcionadas en la Tabla 5.8
(columnas 3 y 4) se pueden utilizar para ayudar a la gerencia a decidir cuál es la mejor combinación de
tornos para tener en su operación. Tenga en cuenta nuevamente que no se ha realizado ninguna
optimización formal. Simplemente hay una explicación de las consecuencias esperadas asociadas con
configuraciones alternativas; La gerencia considerará los costos de las alternativas y posiblemente la
forma en que se distribuirá el trabajo entre los diferentes grupos de tornos, antes de tomar una decisión final.
Dentro de la empresa eléctrica, hubo una serie de sugerencias alternativas sobre cómo gastar
mejor los 300 millones de dólares asignados, como reemplazar los pulverizadores o
Machine Translated by Google
TABLA 5.9
Validación del modelo de simulación
Bastante parecido
Nota: Resultados comparados con datos reales del año anterior. FO, cortes forzosos;
CAWN, capacidad disponible cuando sea necesario; DAFOR, reducción de potencia ajustada forzada
tasa de interrupción.
Machine Translated by Google
La demanda en una operación minera a cielo abierto era utilizar una flota de camiones de transporte
de un tamaño específico para entregar 108.000 horas de trabajo a un molino para proporcionar el
tonelaje requerido por año. Hay 8760 horas en un año, por lo que se consideró que la carga de
trabajo podía ser realizada por:
La tendencia en los costos de operación y mantenimiento de los camiones se muestra en la Figura 5.20. sabiendo esto
tendencia, los costos de O&M para un camión que realiza H horas por año son:
yo+ H
60
oakd
erl)e
nó,incóairam p pc(
$
h
o
20
TABLA 5.10
También se obtuvieron los valores estimados de reventa para camiones que realizan 7000, 6000 y
5000 horas de trabajo al año. Junto con la tasa de interés apropiada para el descuento, se obtuvieron la
vida económica y los costos anuales equivalentes (EAC) asociados para las alternativas 1 a 3. Estos se
presentan en el cuadro 5.10. Aunque el EAC es el más pequeño para una utilización anual de 5000
horas, si esto se utiliza como base para establecer el tamaño de la flota, se necesitarán 22 camiones.
Así, en este tipo de problemas, está claro que lo importante no es la vida económica de un camión
individual sino la flota en su conjunto que necesita ser optimizada. (El mismo problema surgió en el
Capítulo 4 al establecer la vida económica de una flota determinada cuya utilización variaba a medida
que envejecía; Sección 4.4.) El examen de la Tabla 5.10 indica que el tamaño óptimo de la flota es 18,
con cada camión entregando 6000 horas de trabajo por año.
La carga de trabajo del equipo de mantenimiento se especifica al comienzo de un período, digamos, una
semana. Al final de la semana, se debe completar toda la carga de trabajo. El tamaño de la fuerza
laboral es fijo; por lo tanto, hay una cantidad fija de personal disponible por semana.
Si la demanda al comienzo de la semana requiere menos personal que la capacidad fijada, no se realiza
ninguna subcontratación. Sin embargo, si la demanda es mayor que la capacidad, el exceso de carga
de trabajo se subcontratará a un proveedor de servicios alternativo, que será devuelto al final de la
semana.
Se incurren en dos tipos de costos:
A medida que el costo fijo aumenta al aumentar el tamaño de la fuerza laboral, hay menos
posibilidades de que sea necesaria la subcontratación. Sin embargo, con frecuencia puede haber
Habrá ocasiones en las que se incurrirá en costos fijos, pero la demanda puede ser baja, es decir, una
subutilización considerable de la fuerza laboral. El problema es determinar la
Tamaño óptimo de la fuerza laboral para satisfacer una demanda fluctuante y minimizar el costo total
esperado por unidad de tiempo.
Machine Translated by Google
Los conflictos básicos de este problema se ilustran en la Figura 5.21, de la cual se desprende
Se ve que el costo total esperado por unidad de tiempo C(n) es:
Costo fijo por unidad de tiempo = tamaño de la fuerza laboral × costo fijo por miembro de la tripulación = nCf
variable por unidad de tiempo por unidad de tiempo costo por trabajo
Costo de procesamiento
stioneC
oo/iorpatm uit
interno/tiempo unitario
Costo/tiempo unitario de
La probabilidad de 1 = f (r)dr.
Nuevo Méjico
Nuevo Méjico
Nuevo Méjico
rf (r) dr
0
Nuevo Méjico
.
f ( r)dr
0
Nuevo Méjico
= nm f (r)dr + 0
f (r)dr Cw.
millas náuticas
Nuevo Méjico
f (r) dr 0
Costo variable de procesamiento de subcontratación por unidad de tiempo = número promedio de trabajos
procesados externamente por unidad de tiempo × costo por trabajo
Ahora, la cantidad de trabajos procesados externamente será:
Nuevo Méjico
Nuevo Méjico
(r − nm) f (r)dr
Nuevo Méjico .
f ( r)dr
Nuevo Méjico
Nuevo Méjico
(r − nm) f (r)dr
Nuevo Méjico
0 Nuevo Méjico
f ( r)dr
Nuevo Méjico
Por lo tanto,
Nuevo Méjico
(5.3)
C(n) = nCf + nm f (r)dr + rf (r)dr Cw + (r − nm) f (r)dr Cs .
nm
Nuevo Méjico 0
Este es un modelo del problema que relaciona el tamaño de la fuerza laboral n con el costo total por unidad de
tiempo C(n).
Con la condición de que Cs > Cw, existe una solución de forma cerrada de la Ecuación 5.3, y es
el valor de n que satisface la siguiente ecuación:
R(min) = cf , (5.4)
(Cs Cw )m
dónde
R(mn) = f (r)dr.
Minnesota
70 r −10n dr
70 1 10nr _ $10.
La tabla 5.11, que proporciona los valores de C(n) para todos los valores posibles de n, indica
que para los costos utilizados en el ejemplo, la solución óptima es tener un equipo de mantenimiento
de cinco personas.
Cálculo de muestra:
Cuando n = 5,
70 1 50 rublos 70r − 50
dr $10
C(5) = $200 + 50 40 dr + 40 dr $2 + 40
50 30 50
Tenga en cuenta que utilizando la solución de forma cerrada dada por la Ecuación 5.4, primero encontramos:
70
70 − r
dx = , 30 r 70
R(r) = 1
40 40
r
TABLA 5.11
norte
0 1 2 3 4 5 6 7
FIGURA 5.22 Pantalla de entrada y salida del software Crew Size Optimizer.
y luego obtener
40
R(10n) = = 0,5; por tanto, n = 5.
(10 2)10
En la construcción del modelo de esta sección, se supuso que todos los trabajos que requerían
atención al comienzo de la semana debían estar terminados al final de la semana. En la práctica,
este requisito no sería necesario si los trabajos pudieran trasladarse de una semana a otra, es decir,
quedar atrasados. La inclusión de esta condición daría como resultado un modelo más complicado
que el que utiliza la Ecuación 5.3.
Machine Translated by Google
Si la demanda por día de entregas por parte de una empresa se describe en la Figura 5.24, y todas
las entregas deben completarse el mismo día, podemos definir:
Utilizando la solución de forma cerrada dada por la Ecuación 5.4, el número óptimo de vehículos a
poseer, N*, debe satisfacer la siguiente ecuación:
F
R(mN*) = . (5.5)
(h − )m
f(n)
0 10 20 30 40 50 60 70 80 90
Demanda/día, n
Número óptimo
de vehículos
El siguiente ejemplo está tomado de Theusen (1992), en el que se señala lo siguiente: “La ventaja
económica de poseer o arrendar puede determinarse evaluando el flujo de efectivo después de impuestos
asociado con cada una de las opciones”. A continuación se presenta el problema presentado por Theusen.
Un vehículo, cuando se compra, tiene un costo inicial (el costo de adquisición) de $10 000 y se estima
que sus gastos operativos anuales durante los próximos 4 años serán de $3 000 por año, pagaderos al
final de cada año. El valor residual del vehículo al final del cuarto año se estima en $2000. Se aplicará
una depreciación lineal.
La tasa impositiva efectiva para la empresa es del 45% y la tasa de rendimiento mínima atractiva (TMAR)
es del 15%. (Esto es lo mismo que la tasa de interés libre de inflación analizada en el Apéndice 6.)
$2000
salvar
Como se permite una depreciación de $2000/año, el costo efectivo en los años 1 a 4 es $3000 por
operación, más $2000 por depreciación, lo que da un total de $5000. Pero como podemos descontar este
costo de los impuestos, nuestro ahorro fiscal asciende a $5000 × (0,45) = $2250, y el siguiente costo es
$3000 − $2250 = $750 por año. El panorama del flujo de efectivo después de impuestos se muestra en la
figura 5.26.
Utilizando el método de descuento estándar descrito en el apéndice 6 y utilizado en el capítulo 3,
cuando la tasa de interés que se utilizará para el descuento es del 15%, la EAC asociada con los flujos de
efectivo de la figura 5.26 es $3852.
Cuando se piden prestados fondos, los intereses que debe reembolsar el prestatario se pueden deducir
como gasto antes de calcular los impuestos. Suponiendo que se toman prestados $10,000 a un costo del
18% y que, durante los primeros 3 años del préstamo, sólo se reembolsarán los intereses, pagándose el
principal y los intereses del año pasado al final del cuarto año, los flujos de efectivo (antes de impuestos) )
son como se muestran en la Figura 5.27.
Como el impuesto es del 45%, el ahorro fiscal asciende al 45% de $4800 = $2160. Se debe obtener
un ahorro fiscal adicional debido a la deducción por depreciación de $2000 ($2000 × 0,45 =
$900). Por lo tanto, el beneficio fiscal total = $3060. El panorama del flujo de efectivo después de
impuestos se muestra en la figura 5.28. Tenga en cuenta que $4800 − $3060 = $1740 y $10 000 + $4800 − $2000 −
$3060 = $9740.
750
– 2000
$10,000
Préstamo
reembolso
$2000
Salvar
valor
5.7.2.3 Arrendamiento
Nuevamente, descontando los flujos de efectivo de la figura 5.29 usando i = 15%, la EAC se
obtiene como $3245.
5.7.2.4 Conclusión
La mejor alternativa es arrendar porque $3254 es menor que el costo asociado con la compra del
vehículo, ya sea utilizando ganancias retenidas o fondos prestados.
Cabe señalar que la conclusión de este ejemplo no debe generalizarse. Cada decisión individual de
arrendamiento/compra debe evaluarse cuidadosamente utilizando datos relevantes para la situación
particular que se analiza. Además, se debe tener mucho cuidado al evaluar alternativas después de
impuestos para garantizar que se apliquen todas las normas tributarias apropiadas. Las
organizaciones crediticias suelen tener software personalizado disponible para realizar la evaluación
de arrendamiento/compra.
PROBLEMAS
Un miembro del equipo interno puede procesar una media de m trabajos por semana.
(a) Dada la información anterior, construya un modelo de decisión apropiado.
(b) Utilice el modelo para determinar el tamaño óptimo de la tripulación cuando
3 90 − N, N 200 20
C (norte) =
2
, N 200
60
f (N) = U[0,2000]
REFERENCIAS
Banks, J., JS Carson, BL Nelson y DM Nicol. 2010. Simulación de sistemas de eventos discretos,
5ª edición. Englewood Cliffs, Nueva Jersey: Prentice Hall.
Carruthers, AJ, I. MacGow y GC Hackemer. 1970. Un estudio sobre el tamaño óptimo de las cuadrillas de
mantenimiento de plantas. En Investigación operativa en mantenimiento, editado por Jardine, AKS
Manchester, Reino Unido: Manchester University Press, 119–130.
Concannon, KH, AKS Jardine y J. McPhee. 1990. Equilibre el costo de mantenimiento con la confiabilidad de la planta
con modelos de simulación. Ingeniería Industrial, 24 al 27 de enero.
Cox, DR y WL Smith. 1961. Colas. Londres: Chapman & Hall.
Gross, D., JF Shortle, JM Thompson y C. Harris. 2008. Fundamentos de la teoría de colas, 4ª ed. Nueva York: Wiley.
Una vez que el equipo entre en servicio, saldrá a la luz un conjunto completamente nuevo de
información y, a partir de este punto, el programa de mantenimiento evolucionará sobre la base
de los datos de la experiencia operativa real. Este proceso continuará durante toda la vida útil
del equipo, de modo que en cada etapa las decisiones de mantenimiento se basen, no como
una estimación de cuál es probable que sea la confiabilidad, sino en las características de
confiabilidad específicas que se pueden determinar en el momento. tiempo.
A1.1 INTRODUCCIÓN
Las decisiones relacionadas con problemas de mantenimiento probabilístico, como decidir cuándo
realizar mantenimiento preventivo en equipos que están sujetos a averías, requieren información sobre
cuándo el equipo llegará a un estado de falla. El ingeniero nunca sabe exactamente cuándo ocurrirá la
transición del equipo de un estado bueno a uno fallido, pero generalmente es posible obtener
información sobre la probabilidad de que esta transición ocurra en cualquier momento particular.
Cuando se determinan decisiones óptimas de mantenimiento, se requiere conocimiento de estadística
para abordar tales problemas probabilísticos.
219
Machine Translated by Google
220 Apéndice 1
0,25
0,20
0,15
aicnaevuictaelreFr
0,10
0,05
0.00
t0 ti–1 ti Tennesse
Horas de funcionamiento
y (3) debería dar una comprensión más clara de la verdadera distribución de fallas. Los PDF
son similares a los histogramas de frecuencia relativa excepto que se utiliza una curva
continua en lugar de barras, como se muestra en la Figura A1.2. La ecuación de la curva de
la fdp se denota por f (t).
Por ejemplo, si tenemos f(t) = 0,5 exp (–0,5t), obtenemos una curva con la forma de la figura
A1.3. Este es un pdf de una distribución exponencial. De manera similar al área bajo un histograma
de frecuencia relativa, el área bajo la curva de densidad de probabilidad también es equivalente a 1.
Volviendo a la Figura A1.2, la probabilidad (riesgo) de que ocurra una falla entre los
tiempos ti y tj es el área de la porción sombreada de la curva. Recurriendo a nuestros
conocimientos de cálculo, esta área es la integral entre ti y tj de f(t), es decir,
tj _
f ( t)dt
ti
)eip
t tj t
0 yo
_
_ norte
Apéndice 1 221
0,6
0,5
0,4
f (t ) = 0,5e –0,5t
0.3
) t(f
0,2
0.1
0.0
0 1 2 3 4 5 6 7 8
t
f ( t)dt = 1.
t0
No hace falta decir que las características de falla de diferentes elementos del equipo
probablemente sean diferentes entre sí. Incluso las características de fallo de equipos
idénticos pueden no ser las mismas si funcionan en entornos diferentes. Hay una serie
de PDF bien conocidos que se han encontrado en la práctica para describir las
características de falla del equipo; algunos se ilustran en la Figura A1.4.
0,25
Normal: µ = 10, σ = 2
0,20
0,10
Weibull: η = 10, β = 2
0.00
0 5 10 15 20 25 30 35 40
t
222 Apéndice 1
A1.3.1 HIPEREXPONENCIAL
Cuando el equipo tiene un tiempo de falla que puede ser muy corto o muy largo, su distribución de
fallas a menudo puede representarse mediante la distribución hiperexponencial. Se ha descubierto
que algunas computadoras fallan según esta distribución. En la distribución hiperexponencial, los
tiempos cortos hasta la falla ocurren con más frecuencia que en la distribución exponencial negativa
y, de manera similar, los tiempos largos hasta la falla ocurren con más frecuencia que en el caso
exponencial.
La función de densidad de la distribución hiperexponencial es
A1.3.2 EXPONENCIAL
La distribución exponencial es aquella que surge en la práctica en la que la falla del equipo puede ser
causada por una falla de cualquiera de los componentes que componen el equipo. También es
característico de equipos sujetos a fallas debido a causas aleatorias, como una carga excesiva
repentina. La distribución es típica de muchos componentes electrónicos y plantas industriales
complejas.
La función de densidad de la distribución exponencial es
( t) n exp(− t)
Pn (t) = para t 0 y n es un número entero no negativo
¡norte!
A1.3.3 NORMALES
La distribución normal (o gaussiana) se aplica, por ejemplo, cuando un resultado aleatorio (como el
tiempo hasta el fallo) es el efecto aditivo de un gran número de variaciones aleatorias pequeñas e
independientes. Cuando esto es cierto para el tiempo hasta la falla, la distribución de fallas es una
función normal en forma de campana.
Machine Translated by Google
Apéndice 1 223
En la práctica, se ha descubierto que la vida útil de las bombillas y el tiempo hasta el primer
fallo de los motores de los autobuses siguen una distribución normal.
La función de densidad de la distribución normal es
1 2 para
1 −t − −
f (t) = t 2 exp
2
pero
f (t)dt 1 f ( t)dt = 1.
0 −
A1.3.4 WEIBULL
La distribución de Weibull se ajusta a una gran cantidad de características de falla de los equipos.
Uno de los artículos originales sobre la aplicación de la distribución de Weibull a los tiempos de falla de
los equipos estaba relacionado con los tubos de electrones.
La función de densidad de la distribución de Weibull de dos parámetros es
t −1 t
f(t) =
exp − para t 0
224 Apéndice 1
0,80 0,80
0,60 0,60
λ = 0,1
κ = 0,25 λ = 0,1
0,40 0,40
0,20 0,20
0.00 0.00
0 10 20 30 40 0 10 20 30 40
t t
0,80 0,80
0,60 0,60 η = 10
µ = 10
σ=2 β=2
0,40 0,40
0,20 0,20
0.00 0.00
0 10 20 30 40 0 10 20 30 40
t t
(a) Función hiperexponencial: F (t) = 1 − k exp[−2kλt]− (1 − k) exp[−2(1 − k)λt]
(b) Función exponencial: F (t) = 1 − exp[−λ t]
t
F (t) = 1 2 −(t − µ )
(c) Función normal: dt
σ ∫exp .
2π −∞ 2σ2
Apéndice 1 225
TABLA A1.1
Tabla de distribución normal estándar
La función de distribución acumulada, F(t), de una función normal con media = μ y desviación estándar
= σ se puede determinar a partir de la tabla de distribución normal estándar que figura en el Apéndice
9, que tabula el valor de 1 – Φ (z), donde z [= (t – μ)/σ] es una variable normal estandarizada y Φ(z) es
la función de distribución acumulativa de la distribución normal estándar. Por tanto, la tabla proporciona
la probabilidad de que la variable normal estandarizada elegida al azar sea mayor que un valor
específico de z.
La distribución normal es simétrica con respecto a su media, Φ(–z) = 1 – Φ(z). Así, sólo el
Se tabula la probabilidad de z ≥ 0.
R(t) = f ( t)dt
t
y, por supuesto, R(t) también es equivalente a 1 – F(t). Como t tiende a infinito, R(t) tiende a cero.
La forma de la función de confiabilidad para las cuatro funciones de densidad descritas en
A1.3 se ilustra en la Figura A1.6.
Considere un elemento que esté operativo en el momento t1 cuando comienza una misión. Es
posible que deseemos determinar la probabilidad de que el elemento sobreviva a la misión de
duración t. La medida requerida se puede expresar en la notación habitual de probabilidad condicional como
f ( t)dt
R(t + t t) = P(T t+t P(T t1 + t) = R(t1 + t) = t1+t (A1.1)
T t)=
1 1 1 1
P(T t1) R(t1 )
f ( t)dt
t1
Si el tiempo de falla sigue una distribución exponencial, como se muestra en la Figura A1.7,
La ecuación A1.1 se convertirá en
t1+t
exp(− t)dt = exp[− (t1 +
t)] = exp(− t) = R(t).
R(t + tt ) =
1 1
exp[ t1]
exp(− t)dt
t1
Machine Translated by Google
226 Apéndice 1
0,80 0,80
0,60 0,60
λ = 0,1
k = 0,25 λ = 0,1
0,40 0,40
0,20 0,20
0.00 0.00
0 10 20 30 40 0 10 20 30 40
t t
0,80 0,80
0,60 0,60 η = 10
m = 10
b=2
s=2
0,40 0,40
0,20 0,20
0.00 0.00
0 10 20 30 40 0 10 20 30 40
t t
Por lo tanto, para elementos operativos con tiempos de falla distribuidos exponencialmente,
R(t1 + t | t1) = R(t). En otras palabras, sus posibilidades de supervivencia (o por el contrario, su
riesgo de fracaso) en el siguiente caso son independientes de su edad actual. Esta propiedad
sin memoria es exclusiva de la distribución exponencial, la única distribución continua con esta
característica.
Apéndice 1 227
f (t ) t
1
f(T) = λexp(–λT)
R(t 1) = exp(–λt1 )
el elemento fallará en el siguiente intervalo de tiempo dado que está en buen estado al comienzo
del intervalo; es decir, es una probabilidad condicional.
Específicamente, si h(t)δt es la probabilidad de que un elemento falle durante un breve intervalo
δt, dado que ha sobrevivido hasta el momento t, la notación habitual para probabilidad condicional
puede escribirse como
P(A|B) = probabilidad de que ocurra el evento A una vez que se sabe que B ha ocurrido
= h(t)δt
Machine Translated by Google
228 Apéndice 1
donde A es el evento "la falla ocurre en el intervalo δt" y B es el evento "no ha ocurrido ninguna
falla hasta el momento t".
P(A y B)
PAG(A | B) =
P(B)
t+ t
P(A y B) = f (t)dt
t
P(B) = f ( t)dt.
t
f (t)dt
t+ t
F t( F+ t )−()
t = .
h(t) t= (A1.2)
1 F(t)
f ( t)dt
t
f (t)
Si la ecuación A1.2 se divide por δt y δt → 0, se obtiene h(t) = ,
1 F(t)
donde h(t) se denomina tasa de riesgo, también conocida como tasa de falla instantánea.
La forma de la tasa de riesgo para las distribuciones analizadas en la Sección A1.3 es
ilustrado en la Figura A1.8.
Un punto interesante a tener en cuenta sobre la distribución hiperexponencial es que a medida
que aumenta el tiempo, la tasa de riesgo disminuye. Esto puede interpretarse como una mejora
en el equipo a lo largo del tiempo y puede ser el caso de equipos que requieren pequeños ajustes
después de una revisión o reemplazo para que estén completamente operativos.
Los equipos que se endurecen con el tiempo también se pueden modelar mediante esta distribución.
Cuando la tasa de riesgo aumenta con el tiempo, como en el caso de la distribución normal,
indica un efecto de envejecimiento o desgaste.
Con la distribución exponencial, la tasa de riesgo es constante. Este patrón de falla puede ser el
resultado de eventos completamente aleatorios, como tensiones repentinas y condiciones extremas.
También se aplica a la condición de estado estacionario de equipos complejos que fallan
cuando cualquiera de varios componentes independientes se rompe, o cuando cualquiera de ellos falla.
Se produce una serie de modos de fallo.
Machine Translated by Google
Apéndice 1 229
0,10 0,10
λ = 0,1 λ = 0,1
k = 0,25
0,05 0,05
0.00 0.00
0 10 20 30 40 0 10 20 30 40
t t
2.00 0,80
1,50 0,60 η = 10
m = 10
s=2 b=2
1.00 0,40
0,50 0,20
0.00 0.00
0 10 20 30 40 0 10 20 30 40
t t
(
(d) Función de Weibull: b t
h(t) =
ηη
Antes de abandonar este aspecto, es interesante observar la forma, ilustrada en la Figura A1.9, que a
veces adopta la tasa de riesgo con equipos complejos. Por razones obvias, este patrón a menudo se
denomina curva de bañera.
La curva de la bañera puede interpretarse como el efecto agregado de tres categorías.
de fallas: fallas de calidad, fallas relacionadas con el estrés y fallas por desgaste.
Las regiones A, B y C de la figura A1.9 están etiquetadas como
A = un período de rodaje
B = operación normal en la que las fallas que ocurren se deben predominantemente a
oportunidad
230 Apéndice 1
h(t)
Desgaste
Calidad
fracasos
fracasos
PROBLEMAS
1. Los tiempos de falla para un rifle modelo 555 demostraron una fdp normal con μ =
100 horas y σ = 10 horas. Encuentre la confiabilidad de dicho rifle para una misión
de 104 horas y la tasa de riesgo de uno de estos rifles a las 105 horas.
Machine Translated by Google
Apéndice 1 231
2. Una computadora tiene una tasa de error constante de un error por cada 17 días de operación
continua. ¿Cuál es la confiabilidad de la computadora para resolver correctamente un problema
que requiere 5 horas de operación? 25 horas de funcionamiento?
3. Los tiempos de falla de los tubos transmisores JP29M tienen una distribución Weibull con β = 2
y η = 1000 horas. Encuentre la confiabilidad de uno de estos tubos para una misión de 100
horas y la tasa de riesgo asociada con uno que haya operado exitosamente durante 100 horas.
4. Se analizaron las fallas del taladro Jackleg y se encontró que la distribución de fallas es uniforme
dentro del intervalo de 0 a 2000 horas de operación. Es decir, la fdp de la distribución de fallas
tiene un valor constante dentro del intervalo especificado y 0 en otros lugares. ¿Cuál es la
probabilidad de que un taladro continúe operando satisfactoriamente durante un período de
proyecto de 20 horas, dado que el taladro ya se ha utilizado durante 1200 horas?
5. Se ha observado que los tiempos de falla de un tubo de microondas tipo GLN siguen una
distribución normal con μ = 5000 horas y σ = 1000 horas.
Encuentre la confiabilidad de dicho tubo para un tiempo de misión de 4100 horas y la tasa de
riesgo de uno de estos tubos a las 4400 horas.
6. La tasa de riesgo constante de un componente es 20 fallas/106 horas.
Escriba su función de densidad de falla y dibuje su forma.
Escriba su función de tasa de riesgo y dibuje su forma.
Escriba su función de confiabilidad para la misión t y dibuje su forma.
Escriba su función de confiabilidad para una misión t, comenzando la misión en la edad T.
7. Se analizaron las fallas de las bombas de agua de los camiones y se encontró, mediante una
prueba estadística de bondad de ajuste, que los tiempos de falla de las bombas pueden
describirse adecuadamente mediante la distribución uniforme que se muestra en la Figura
A1.10. Dado este patrón de falla, grafique a escala:
Frecuencia
50
232 Apéndice 1
REFERENCIA
Forbes, C., M. Evans, N. Hastings y B. Peacock. 2010. Distribuciones estadísticas, 4ª ed.
Nueva York: Wiley.
OTRAS LECTURAS
Montgomery, DC 2011. Estadísticas de ingeniería, versión SI, 5ª ed. Nueva York: Wiley.
Walpole, RE, RH Myers, SL Myers y K. Ye. 2012. Probabilidad y Estadística para
Ingenieros y científicos, 9ª ed. Pearson.
Machine Translated by Google
—Paul Barringer
t− −1 t−
f (t) = para t
exp −
f (t) = 0 para t
Los tres parámetros de una distribución de Weibull son β (el parámetro de forma), γ (el
parámetro de ubicación) y η (el parámetro de escala). β y η son mayores que 0.
Considere el caso en el que γ = 0 (que suele ser el caso cuando se trata de reemplazo
preventivo de componentes; consulte el Capítulo 2) y η se mantiene constante; Las
distribuciones de Weibull para β = 0,5, 1, 2,5, 3,44 y 5 se muestran en la figura A2.1.
t− −1
h(t) = cuando t
=0 de lo contrario
233
Machine Translated by Google
234 Apéndice
234
=0
se mantiene constante
=5
= 3,44
= 2,5
=1
= 0,5
0
0 t
β = 0,5
e(T
gs)ta
oa d
h
ir
b=5
b=1
0
0 t
La Figura A2.3 muestra dos distribuciones de Weibull, ambas con valores idénticos de γ y β, pero
diferentes en sus valores de η. Aunque ambas comparten la misma forma, la dispersión de estas
distribuciones es proporcional al valor de η. Por lo tanto, η se denomina parámetro de escala.
Machine Translated by Google
Apéndice 2 235
γ=0
β = 2,5
η = 10
γ=0
β = 2,5
η = 15
0
0 t
FIGURA A2.3 Dos distribuciones de Weibull con parámetros de ubicación y forma idénticos pero
parámetros de escala diferentes.
t− .
F(t) = 1− exp −
236 Apéndice
236
0
t
0
F(t) =1
exp − .
Con una simple manipulación, esta ecuación se puede transformar en la expresión lineal
1
ln ln = ln t − ln . 1− F(t)
Machine Translated by Google
Apéndice 2 237
1
Por tanto, una gráfica de ln ln versus ln t dará una línea recta cuando t es gene
1− F(t)
a partir de una distribución de Weibull con γ = 0. Un papel cuadriculado especial, conocido como
papel Weibull, con el eje vertical en escala ln ln y el eje horizontal en escala ln, permite trazar F(t) y
t directamente . La figura A2.5 muestra un artículo Weibull de dos ciclos:
papel con una escala de abscisas que se extiende sobre un rango de 102 unidades del valor de la
vida (Nelson 1967).
Punto de estimación
µ Vida característica η
µ
b Vida mínima γ
99,9
99
90
70
estimador η
50
30
20
10
5
.oedjaatlnuemcaurloclaP
af
0,5
0.3
0,2
0.1
Edad al fallar
238 Apéndice
238
Trazar datos de falla en papel de Weibull implica la estimación de F(ti) para cada tiempo de falla observado ti.
Considere cinco fallas a los 2, 7, 13, 19 y 27 ciclos. Sea i el rango de una observación cuando los datos se
clasifican en orden ascendente. En este ejemplo, i = 1 para 2 ciclos e i = 5 para 27 ciclos. Utilizando i/n como
estimación, los valores de F(ti) para los datos muestreados son 20%, 40%, 60%, 80% y 100%, respectivamente.
Es decir, se espera que el 100% de los ítems fallen a los 27 ciclos. Obviamente, los valores de F(ti) así
determinados son estimaciones pesimistas.
Una mejor estimación de F(ti) es utilizar la tabla de clasificación de la mediana que figura en el Apéndice 11.
La determinación de los rangos medianos se explica en la Tabla A2.1. La primera fila de una tabla de
clasificación de la mediana muestra el tamaño de la muestra n, y la primera columna indica el número de
clasificación i. Para una muestra de cinco observaciones, los valores de F(ti) son 12,9%, 31,4%, 50,0%, 68,6%
y 87,1%. Utilizando este método, la probabilidad de que estas estimaciones sean optimistas es igual a la de que
sean pesimistas.
Para tamaños de muestra superiores a 12 pero inferiores a 100, la aproximación de Benard para el rango
mediano es adecuada como estimación de F(ti):
yo 0,3
F(t ) .
i norte + 0,4
TABLA A2.1
Rangos medianos
norte
¡norte!
Ejemplo:
Supongamos que hemos observado 10 ítems y el rango medio del fracaso en tercer lugar en el momento t debe ser
determinado. En este caso, i = 3, n = 10, resolvemos F(t) en la ecuación AT2.1.
10
10!
[F(t)]r [1− F(t)]10−r = 0,5
r!(10 − r)!
r=3
Apéndice 2 239
Para tamaños de muestra superiores a 100, los efectos del sesgo de muestra pequeña son insignificantes.
cant y F(ti) pueden estimarse a partir de la expresión de rangos medios:
i
F(t )
i norte +1
El rango mediano, el rango medio, el rango del 5% y el rango del 95% son parámetros
de la distribución de rangos. El concepto de distribución de rangos se explica utilizando
un simulador del paquete WeibullSoft, que se puede descargar desde el sitio web http://www.
crcpress.com/product/isbn/9781466554856.
TABLA A2.2
Datos de falla de la lámpara
<04 5
<08 14
<12 20
<16 25
<20 32
<24 38
<28 46
<32 48
<36 54
<40 60
<44 64
<48 66
<52
<56
<60 78
<64
<68
<72
<76
<80 86
Machine Translated by Google
240 Apéndice
240
número de fallas observadas hasta el final del intervalo dividido por el número original de lámparas
en la muestra. En la Figura A2.6 se muestra un gráfico de Weibull del conjunto de datos, en el que el
valor de F(ti) se traza en el momento correspondiente al final del intervalo (ti) porque es el valor
acumulado para el intervalo [0 , ti].
Si podemos ajustar una línea recta a través del gráfico de Weibull, como en el caso que se
muestra en la Figura A2.6, la distribución de Weibull con γ = 0 puede usarse como modelo del
conjunto de datos. Luego podemos proceder a estimar los otros parámetros de la distribución a partir
del gráfico.
Desde el punto de estimación en la esquina superior izquierda del documento de Weibull, trazamos
una línea perpendicular aˆ la línea ajustada. La intersección entre la perpen
línea dicular y la La escala debajo del punto de estimación proporciona el valor estimado de
β. El valor de t en el que la línea ajustada corta F(t) = 63,2% (la línea de estimación de η en el artículo
de Weibull) es una estimación de η.
pµ
^
b
Artículo: lámparas
99,9
99
90
60%
80
70
63.2
50
40
30
20
10
2
1
.5
η^=43 horas
.2
^
µ = 40 horas
.1
1 5 10 50 100
Edad (h)
Apéndice 2 241
Aunque una distribución de Weibull está completamente definida por los valores de sus
parámetros γ, β y η, es posible que también deseemos determinar su valor medio μ.
También se puede determinar a partir del gráfico de Weibull, a partir de la intersección de
la línea perpendicular y la escala Pμ debajo del punto de estimación del artículo de Weibull.
En el ejemplo dado en la Figura A2.6, Pμ = 60%. Así, el valor estimado de la media de
distribución es de 40 horas, tiempo en el que la probabilidad acumulada de fallo es del 60%.
Tanto la media μ como la desviación estándar σ de la distribución de Weibull también se
pueden determinar analíticamente utilizando las siguientes expresiones:
1
= 1+ +
2 = 2 2 2 1
+ 1+
1 −
dónde
242 Apéndice
242
TABLA A2.3
Datos de falla del motor
Artículo: motor
99,9
99
90
80
70 63.2
50
40
30
20
10
2
1
.5
.2
.1
100 1000 10.000
Edad (h)
Apéndice 2 243
TABLA A2.4
Datos de falla del motor ajustados, ti − ˆ
90
80
70
63.2
50
40
30
20
10
2
1
.5
^η=2120
.2
.1
100 500 1000 5000 10 000
244 Apéndice
244
0,32 1.32
f (t) = 1,32 ( t −375 exp (( t 375 para t ≥ 375
2120 2120 2120
63,2%
0
γ Tiempo
η = 2120
“η” = 2495
FIGURA A2.9 Función de densidad de probabilidad del tiempo de falla del motor.
Aparte del método de prueba y error, existe una forma más directa de obtener el valor de γ. Es
un método gráfico que implica los siguientes pasos:
1. Seleccione dos puntos finales del gráfico de Weibull que cubran todo el conjunto de
datos de fallas. Sean a y c las proyecciones de estos puntos extremos en el eje F(t) ,
como se muestra en la figura A2.10.
2. Bisecciona la distancia entre a y c. Sea b el punto medio.
t t t
1 2 3 t
Apéndice 2 245
ˆ =t − (t3 − t2 )(t2 − t 1 )
2
(t − t ) − (t − t )
3 2 2 1
Ahora usaremos el método gráfico para encontrar el parámetro de ubicación. Del gráfico de
Weibull de la figura A2.11 se tiene t1 = 500 horas, t2 = 933 horas y t3 = 2500 horas.
Usando la ecuación
ˆ =t − (t3 − t2 )(t2 − t1 )
2
(t − t ) − (t − t )
3 2 2 1
= 335 horas
Artículo: motor
99,9
99
90
80
70
C 63.2
50
40
30
20
b
10
a
2
1
.5
.2
.1
100 1000 10.000
t1 t2 t3
Edad (h)
FIGURA A2.11 Gráfico de Weibull del tiempo de falla del motor: estimación de γ.
Machine Translated by Google
246
Apéndice
246
A2.4 INTERVALO DE CONFIANZA DE UNA PARCELA WEIBULL
Ahora analizamos los datos de fallas para estimar medidas de confiabilidad como F(t) a partir del
gráfico de Weibull. Para mayor seguridad, determinaremos un intervalo de confianza en nuestra
estimación de F(t). Supongamos que queremos encontrar un intervalo de confianza (1 − α) para F(t),
en el que α es el riesgo que estamos dispuestos a aceptar de que el intervalo que encontramos no
contenga el verdadero F(t). Por ejemplo, cuando establecemos un intervalo de confianza del 90%
para F(t), significa que tenemos un 90% de confianza en que el F(t) real está contenido en el intervalo de confianza.
Para construir el intervalo de confianza, necesitamos utilizar rangos del 5% y del 95%. En los
Apéndices 12 y 13 se dan tablas de rangos del 5% y 95%. El procedimiento para determinar los
límites de confianza del 90% en F(t) de un tiempo de falla se ilustra en la Figura A2.12.
Existe un procedimiento alternativo para construir el intervalo de confianza, como se muestra en
la Figura A2.13. En este procedimiento alternativo, los tres puntos correspondientes a los rangos de
5%, 50% y 95% de un tiempo de falla dado t se trazan en una línea vertical en lugar de una línea
horizontal (O'Connor y Kleyner 2012). Sin embargo, con este procedimiento, a menudo no podemos
determinar el límite inferior para el intervalo de confianza de la vida B10 sin una extrapolación si el
tamaño del conjunto de datos utilizado para crear el gráfico de Weibull es pequeño (la vida B10 se
presentará en la Sección A2.5). ). El procedimiento ilustrado en la Figura A2.12 no tiene este
problema.
Ejemplo
Probamos 10 baterías eléctricas durante 9 horas. Al final de la prueba, dos seguían funcionando.
Estos son los tiempos en los que fallaron los otros ocho: 1.25, 2.40, 3.20, 4.50, 5.00, 6.50, 7.00 y
8.25 horas.
Trama de Weibull
Pie)
95% rango del iésimo tiempo de falla
Tiempo
Apéndice 2 247
95% rango de t5
Pie)
Trama de Weibull
Rango medio de t5
5% rango de t5
t1 t2 t3 t4 t5 Tiempo
Los datos para establecer el intervalo de confianza del 90% en la estimación de F(t)
se dan en la Tabla A2.5.
Usando el procedimiento explicado en la Figura A2.12, la gráfica de Weibull con el intervalo de
confianza del 90% se muestra en la Figura A2.14, de la cual podemos decir con un 90% de confianza
que en t = 4,5 horas, la función de distribución acumulativa F(t ) tendrá un valor entre 16% y 64%.
Es decir, tras 4,5 horas, en el 90% de pruebas similares, entre el 16% y el 64% de las baterías
habrán dejado de funcionar.
Si queremos un intervalo de confianza del 90% sobre la confiabilidad R(t) en el tiempo 4,5 horas,
tomamos el complemento de los límites del intervalo de confianza para F(t), es decir, (100 − 64, 100
− 16). En otras palabras, tenemos un 90% de confianza en que la confiabilidad en el tiempo t = 4,5
horas está entre 36% y 84%. O podemos decir que tenemos un 95% de confianza en que la
confiabilidad después de 4,5 horas de funcionamiento no será inferior al 36%.
TABLA A2.5
Datos de fallas de batería: rangos mediano, 5% y 95%
Fallo No. ti Clasificación media Clasificación del 5% Clasificación del 95%
Apéndice utilizado 11 12 13
Machine Translated by Google
248 Apéndice
248
99,9
99
95
90
80
70
50
40
30
20
10
5
4
3
2
0,5
0.3
0,2
0.1
1 2 34567891 2 3 4 5 6 7 8 910
FIGURA A2.14 Gráfico de Weibull del tiempo de falla de la batería: intervalo de confianza del 90% de F(t).
A2,5 Bq VIDA
La vida Bq de un artículo es el momento en el que q% de la población habrá fallado. Para ilustrarlo, tomemos
el ejemplo de la Sección A2.4. De la Figura A2.15 obtenemos los siguientes resultados.
La estimación puntual de la vida útil del B20 es de 2,72 horas. El intervalo de confianza del 90% en el B20
la vida es entre 1,1 y 5,0 horas. B10 se cita a menudo en la especificación de vida útil del rodamiento.
Apéndice 2 249
99,9
99
95
90
80
70
50
40
30
20
10
5
4
3
0,5
0.3
0,2
0.1
1 2 34567891 2 3 4 5 6 7 8 910
FIGURA A2.15 Gráfico de Weibull del tiempo de falla de la batería: intervalo de confianza del 90% de B20.
F0(t) = F(t), cuando es verdadera. Esto se conoce como error tipo I en las pruebas estadísticas.
Reducir el nivel de significancia, α, sin aumentar al mismo tiempo el tamaño de la muestra aumentará
otro tipo de riesgo: el riesgo de aceptar erróneamente la hipótesis cuando no es cierta; esto se
conoce como error tipo II. El nivel de significancia utilizado representa una compensación entre el
costo del muestreo y el riesgo de tomar decisiones equivocadas a partir de la prueba. Los valores
típicos del nivel de significancia son 1%, 2%, 5%, 10% y 20%.
El estadístico de prueba KS es d = max F(ti ) − Fˆ (ti ) .
i
Cuando la hipótesis de que F0(t) = F(t) es cierta, d tiene una distribución que es función de n
pero que es independiente de F0(t). La hipótesis de que F0(t) = F(t) se rechaza en el nivel de
significancia α siempre que d > dα. Los valores de dα se dan en el Apéndice 14.
En principio, las diferencias entre Fˆ (ti ) y F(ti) deben examinarse para todo ti.
En realidad, estas diferencias sólo deben examinarse en los puntos de salto de F(t). Los puntos de
salto ocurren en los valores observados de las variables aleatorias. En cada punto de salto, ti, se
deben obtener las dos diferencias F(ti) − Fˆ (ti) y F(ti ) − Fˆ (ti−1 ) (ver Figura A2.16). Para una
muestra aleatoria de tamaño n, la desviación absoluta máxima, d, debe estar entre estas 2n
diferencias. Por eso,
250 Apéndice
250
Distribución hipotética
Pie) ^
F(ti ) – F(ti )
F(ti )
^
F(ti )
^
F(ti ) –F(ti–1 )
^
F(ti1 )
ti yo
t
–1 _
Apéndice 2 251
TABLA A2.6
7.36
ˆ
segundo F
(ti) se obtiene de la tabla de clasificación de la mediana para n = 5.
Ejemplo
Hemos probado cinco elementos hasta que fallaron y los tiempos de falla son 2, 5, 6, 8 y 10 horas.
Utilizando el paquete WeibullSoft, que se puede descargar del sitio web http://www.crcpress.com/
product/isbn/9781466554856, se determina que los parámetros estimados de la distribución de
Weibull que se ajusta al conjunto de datos son γ = 0, β = 1,64,
y η = 7,36 horas.
La Figura A2.17 es un volcado de pantalla de la salida del paquete cuando se analiza el
conjunto de datos. Al presionar el botón "prueba de bondad de ajuste (prueba KS)", aparece la
ventana de resumen de la prueba KS. La ventana indica que el estadístico de prueba d es
equivalente a 0,283 y el valor crítico dα es equivalente a 0,51 en un nivel de significancia del
10%. Debido a que d < dα, la distribución de Weibull ajustada no se rechaza como modelo del
conjunto de datos.
Los cálculos involucrados en la prueba se muestran en la Tabla A2.6.
252 Apéndice
252
TABLA A2.7
Datos con un elemento suspendido
Fallo (F1) 43
Suspensión (S1) 55
Fallo (F2) 74
Fallo (F3) 98
Si el elemento suspendido hubiera seguido fallando, se habría producido uno de los siguientes
resultados que se muestran en la Tabla A2.8. Se observa que el elemento suspendido podría haber
fallado en cualquiera de las posiciones indicadas en la Tabla A2.8, lo que produciría un orden
particular de los tiempos de falla. A cada tiempo de falla para el trazado se le asignará la posición
promedio o número de orden.
En este ejemplo, el primer tiempo de falla observado siempre estará en la primera posición.
Por lo tanto, tiene el número de orden m = 1. En cuanto al segundo tiempo de falla, hay dos
posibilidades de que tenga un número de orden m = 2, y una posibilidad de que tenga un número de
orden m = 3. Por lo tanto, , el número de pedido promedio es
3+2 2
metro = = 2,33.
3
Se encontró que el número de orden medio del tercer fallo determinado mediante un análisis
similar era 3,67.
Podemos utilizar estos números de orden medios para calcular la clasificación mediana. Por
ejemplo, utilizando la aproximación de Benard, el rango medio para el segundo tiempo de falla (F2)
sería
2,33 0,3
= 0,461.
4 + 0,4
TABLA A2.8
Tres escenarios de fracaso del
Artículo suspendido
Apéndice 2 253
TABLA A2.9
Datos con elemento suspendido
43 1.00 0,159
74 2.33 0.461
98 3.67 0,766
donde mi = número medio de pedido actual, mi1 = número medio de pedido anterior, n = tamaño
total de la muestra para fallas y censuras, y ki = número de artículos en riesgo justo antes de la
falla o suspensión bajo consideración.
El siguiente ejemplo ilustra el uso de la Ecuación A2.1.
Ejemplo
En un programa de prueba de vida, estos tiempos de falla se registraron en 31, 39, 57, 65, 70, 105,
y 110 horas.
Los demás elementos de la muestra se eliminaron en los siguientes momentos sin
falla (tiempos de suspensión): 64, 75, 76, 87, 88, 84, 101, 109 y 130 horas.
Si bien esta muestra tiene 16 ítems, solo se observaron 7 fallas. Para prepararse para un análisis
de Weibull, el conjunto de datos se reorganiza como se muestra en la Tabla A2.10.
Deben determinarse los números de orden medios para los fallos del cuarto al séptimo.
Considere el cuarto fracaso (F4), número de supervivientes antes del evento, k4 = 12.
Al aplicar la ecuación A2.1 se obtiene el número de orden medio para F4 como
254 Apéndice
254
TABLA A2.10
Datos de prueba con suspensiones múltiples
Tiempo de falla, ti Tiempo de suspensión, si Nº de pedido medio, millas
F1 31 1
F2 39 2
F3 57 3
64
F4 sesenta y cinco ?
F5 70 ?
75
76
84
87
88
101
F6 105 ?
109
F7 110 ?
130
TABLA A2.11
Datos de prueba con suspensiones múltiples: determinación de la mediana, 5% y
95% rangos
Apéndice 2 255
1 10 100 1000
1
0.1
0,01
FIGURA A2.18 Gráfico de Weibull de los datos de falla proporcionados en la Tabla A2.11.
Los números de orden medios para F6 y F7 se calculan de manera similar. Los datos para el
análisis de Weibull se dan en la Tabla A2.11.
Los rangos medianos así como los límites de confianza se obtienen de la
tablas de rango mediano, rango del 5% y rango del 95% (Apéndices 11, 12 y 13, respectivamente)
por interpolación, con un tamaño de muestra n = 16. La gráfica de Weibull de los datos se muestra
en la Figura A2.18.
Cuando hay abundantes datos de fallas en un artículo, podemos agrupar la información en clases
separadas para facilitar el procesamiento.
Supongamos que la duración de cada intervalo de clase es W. Dentro de una clase individual,
podría haber muchas fallas y suspensiones (ver Figura A2.19).
Podemos estimar que la tasa de riesgo en el centro de la clase es
F
h(t) =
AVW
A + (A F C) .
Una
V
=
2
Machine Translated by Google
256 Apéndice
256
A F C AFC
W.
Cuando se conoce la tasa de riesgo promedio para cada intervalo de clase, la función
de distribución acumulativa se puede estimar mediante la fórmula F(t) = 1 − exp[−H(t)], donde
H(t) es la función de riesgo acumulativo:
H(t) = h (t)dt.
0
Debido a que estamos trabajando con datos agrupados, la función de riesgo acumulativo
toma la forma
H(t) = h(t) W.
Ejemplo
Estudiaremos los datos de falla de un alimentador de azúcar que figuran en las primeras cuatro columnas de la
Tabla A2.12. Las otras columnas de la tabla son cálculos para estimar F(t) para intervalos de clases individuales.
La Figura A2.20 ilustra el cálculo para el intervalo de primera clase (consulte los datos que se muestran en la
Tabla A2.12).
Ahora que tenemos los valores de F(t) para el final de cada intervalo de clase, podemos trazar los datos en
papel de Weibull. El valor de F(t) debe representarse en el momento correspondiente al final del intervalo porque
es el valor acumulado para todo el intervalo. Trazar F(t) en el punto medio del intervalo es incorrecto porque
subestima la distribución de Weibull.
La Figura A2.21 muestra el diagrama de Weibull de los datos de falla del alimentador de azúcar.
Apéndice 2 257
TABLA A2.12
Datos de fallas del alimentador de azúcar con suspensiones múltiples
89 F=9 C=5 75
0 1
9 =
9
h(t) ∙ W = = 0,110
(89 + (89–9 –5))/2 82
por sobrecarga de los devanados y fallo por desgaste de los cojinetes son dos modos diferentes de fallo
de un motor eléctrico. Debido a que los múltiples modos de falla compiten entre sí para ser el evento que
causa la falla del equipo, se les conoce como modos de falla competitivos del equipo. La distribución del
tiempo de falla de un modo de falla puede diferir de la de otro modo de falla. Por lo tanto, necesitamos
analizar los datos de falla un modo de falla a la vez.
Considere un caso en el que hay dos modos de falla, A y B. Los datos de tiempo hasta la falla para
cada modo de falla y los datos de suspensión están disponibles. Tenemos que aplicar el siguiente
procedimiento de análisis de datos para determinar la distribución de fallas:
• Realizar un diagrama de Weibull para el modo de falla A, tratando las fallas debidas al modo
de falla B como suspensiones.
• Superponga un segundo diagrama de Weibull para el modo de falla B, tratando las fallas debidas
al modo de falla A como suspensiones.
Machine Translated by Google
258 Apéndice
258
Punto de estimación
b Vida mínima γ
99,9
99
90
70
estimador η
50
30
20
claP
oedjaatlnuemcourloe df
a
10
0,5
0.3
0,2
0.1
1 2 34567891 2 34567891
Edad al fracaso (semanas)
FIGURA A2.21 Gráfico de Weibull de los datos de falla del alimentador de azúcar.
Esto puede derivarse del hecho de que ni el modo A ni el modo B han ocurrido en el
tiempo t si el equipo es confiable en t.
Consulte la Figura A2.22 para ver una ilustración de los gráficos de Weibull.
Machine Translated by Google
Apéndice 2 259
Pie) Modo B
Modos
conjunto
FA (t)
FB (t)
Modo A
Para una distribución de Weibull con γ = 0, la tasa de riesgo (también conocida como tasa de
falla instantánea) es
t −1
h(t)= .
t t
ln[H(t)]
ln(t) = + ln( ).
Esta relación proporciona la base para la construcción del documento de peligros de Weibull,
que es básicamente un documento loglog. La figura A2.23 muestra un estudio de riesgos de dos
ciclos para distribuciones de Weibull. La pendiente de la gráfica sería 1/β. Cuando H(t) = 100%, t = η.
Machine Translated by Google
260
Apéndice
260
1
9
8
7
6
5
4
1
1 10 100 1000
% de peligro acumulado
Apéndice 2 261
Ejemplo
Para construir la gráfica de peligro para el conjunto de datos proporcionado en el ejemplo de la Tabla A2.11,
preparamos los datos que se muestran en la Tabla A2.13.
La Figura A2.24 es el gráfico de peligro de este conjunto de datos. Los parámetros de la distribución de
Weibull ajustada son γ = 0, β = 2,09 y η = 108,8 horas.
Obviamente, la técnica de trazado de riesgos tiene ventajas particulares cuando se trata de datos
censurados o en modo multifallo. Por ejemplo, en el último caso, se puede utilizar una tabulación en lugar
de una tabulación separada para cada modo de falla.
Una limitación del trazado de riesgos es que no podemos construir un intervalo de confianza del gráfico.
Al igual que con el artículo de probabilidad de Weibull, el artículo de peligro de Weibull se basa en la
distribución de Weibull de dos parámetros, y un valor distinto de cero de vida libre de fallas, γ, dará como
resultado una línea curva de peligro acumulativo. Se puede obtener un valor para γ siguiendo un
procedimiento similar al del gráfico de Weibull, excepto que las divisiones de longitudes iguales se miden en
el eje horizontal (peligro acumulativo) en lugar de en el eje vertical, como en el caso del gráfico de Weibull.
(ver Figura A2.25).
TABLA A2.13
Datos para un gráfico de peligro
262
Apéndice
262
β = 2,09
Peligro de Weibull × 2 ciclos logarítmicos
0 Parámetro de forma 1 2 3
1 Probabilidad, % 10 20 30 40 50 60 70 80 90 99 99.999.99
1
9
8
7
6
5 Estimacion
4 punto
3
2
aleladift
opm
1
9
8
7
6
5 η = 108,8
4
1
1 10 100 1000
% de peligro acumulado
FIGURA A2.24 Gráfico de peligros de los datos que se muestran en la Tabla A2.13.
Las técnicas para el análisis de Weibull presentadas en este apéndice se basan en el enfoque de
regresión. Sin embargo, existen otros enfoques para el análisis de Weibull, como los basados en el criterio
de máxima verosimilitud o el criterio de máxima precisión del modelo. Para obtener detalles sobre los
métodos de estimación de máxima verosimilitud y máxima precisión del modelo, consulte el Apéndice 3
y Ang y Hastings (1994), respectivamente.
El uso de diferentes enfoques para el análisis dará como resultado diferentes modelos de Weibull que se
ajustan a un conjunto de datos determinado. Sin embargo, habrá poca diferencia en el modelo ajustado
cuando el conjunto de datos que se analiza sea grande.
Un análisis de Weibull implica ajustar una distribución de probabilidad a un conjunto de datos de fallas.
Se supone que el proceso que genera los tiempos de falla es estable. Esto significa,
Machine Translated by Google
Apéndice 2 263
t3
iT
raarelala
opm pf
t2
t1
// //
0 a b C
estadísticamente hablando, que todos los tiempos de falla observados están distribuidos de
manera independiente e idéntica (iid). En realidad, esta condición puede no aplicarse, como en
el caso de los tiempos de falla observados en los registros de mantenimiento de sistemas
reparables. Por ejemplo, las modificaciones de diseño y las mejoras realizadas en los equipos en
ciclos de vida sucesivos pueden tener el efecto de reducir progresivamente la frecuencia de
fallas. En otro escenario, una reparación imperfecta o una mayor severidad del uso en ciclos de
vida sucesivos pueden producir una tendencia a una frecuencia cada vez mayor de fallas. Realizar
un análisis de Weibull sobre los datos de tiempo entre fallas de estos casos es inapropiado
porque la distribución de fallas varía de un ciclo de vida a otro. La prueba de tendencias de
Laplace que se describe en los párrafos siguientes se puede utilizar para detectar la existencia
de tendencias en un conjunto de datos de tiempos de eventos sucesivos.
Sea ti el tiempo de funcionamiento de un elemento reparable en su enésima falla, donde
yo = 1,…, norte; Sea N(tn) el número total de fallas observadas hasta el momento tn, y la observación
termina en el momento T cuando el elemento está en estado operativo. En otras palabras, los tiempos
de falla se obtienen a partir de una prueba terminada en el tiempo. La figura A2.26 muestra las
notaciones utilizadas.
Usando la prueba de tendencia de Laplace para determinar si los eventos de falla son iid, la prueba
estadística para datos terminados en el tiempo es
norte
ti
1 − 0,5 . (A2.2)
u = 12N(tn )
T N(tn )
Machine Translated by Google
264 Apéndice
264
Fin de la observación
0 t1 t
2 ti –1 yo
_
t n1 t norte
t1 ti tiempo de ejecución
tn
t
Si los tiempos de falla son iid, u se distribuye normalmente con media = 0 y desviación estándar = 1.
Cuando u es significativamente pequeño (negativo), rechazamos la hipótesis nula de iid, y los datos indican
que hay un crecimiento de la confiabilidad. Cuando u es significativamente grande (positivo), rechazamos la
hipótesis nula de iid, y los datos indican que hay un deterioro de la confiabilidad.
Si estamos satisfechos de que los tiempos de falla son iid, se puede realizar el análisis de Weibull en los
tiempos entre fallas (ti − ti−1) donde i = 1 an.
norte1
ti
1 − 0,5 . (A2.3)
u = 12N(tn−1 )
tn N(tn−1 )
Ejemplo
La máquina H falla en los siguientes tiempos de funcionamiento (horas): 15, 42, 74, 117, 168, 233 y 410.
La máquina S falla en los siguientes tiempos de funcionamiento (horas): 177, 242, 293, 336, 368, 395 y 410.
A2.12.1 MÁQUINA H
Los tiempos de funcionamiento en caso de falla de la máquina H se muestran gráficamente en la Figura A2.27.
Este es un conjunto de datos terminados por fallas. Por lo tanto, el estadístico de prueba u se calcula
utilizando la Ecuación A2.3:
6
ti 15 + 42 + 74 +117 +168 + 233 =
1 = 0,264
410 6
t7 N(t6 )
6
ti
1 − 0.5 =
u = 12N(t6 ) 12 6 (0,264 − 0,5) = −2,003.
t7 N(t6 )
Machine Translated by Google
Apéndice 2 265
Tiempo de ejecución
410
0 15 42 74 117 168 233
7
Nuevo Testamento)
4
Un sistema feliz
Con un nivel de significancia α del 5%, el límite inferior del estadístico de prueba para una prueba
bilateral, ucrit.1 = −1,96. Como u es menor que ucrit.1, podemos rechazar la hipótesis nula de iid en α = 5%
y aceptar la hipótesis alternativa de que hay un crecimiento de la confiabilidad. Por lo tanto, no es apropiado
realizar un análisis de Weibull o ajustar cualquier otra distribución de probabilidad al conjunto de datos con
el fin de modelar la distribución del tiempo de falla.
A2.12.2 MÁQUINA S
El conjunto de tiempos entre fallas generado por la máquina S es idéntico al de la máquina H, excepto que
la secuencia se invierte. Los tiempos de funcionamiento en caso de falla de la máquina H se muestran
gráficamente en la Figura A2.28.
Usando la ecuación A2.3, obtenemos
6
ti 177 + 242 + 293 + 336 + 368 + 395 =
1 = 0,736
410 6
t7 N(t6 )
6
ti − 0,5 =
1
u = 12N(t6 ) 12 6 (0,736 − 0,5) = +2,003.
t7 N(t6 )
Machine Translated by Google
266 Apéndice
266
Tiempo de ejecución
7
Nuevo Testamento)
Un sistema triste
1
Con un nivel de significancia α del 5%, el límite superior del estadístico de prueba para una prueba bilateral,
ucrit.2 = +1,96. Como u es mayor que ucrit.2, podemos rechazar la hipótesis nula de iid en α = 5% y aceptar la
hipótesis alternativa de que hay un deterioro de la confiabilidad. Por lo tanto, no es apropiado realizar un análisis
de Weibull o ajustar cualquier otra distribución de probabilidad al conjunto de datos con el fin de modelar la
distribución del tiempo de falla.
El contenido de este apéndice está incluido en un conjunto de materiales de aprendizaje electrónico llamado
“Análisis de Weibull”, que se puede descargar desde http://www.crcpress.com/
producto/isbn/9781466554856. En este conjunto de materiales se pueden encontrar copias impresas de las tablas
estadísticas y los documentos gráficos utilizados en el análisis de Weibull.
PROBLEMAS
1. Utilice un documento de probabilidad de Weibull para determinar los parámetros de distribución de los
datos de falla del conjunto del embrague que se muestran en la Tabla A2.14. Además, determine la
vida media del conjunto.
2. Utilice un documento de probabilidad de Weibull y los datos de falla relacionados con los casquillos del
pedal de freno que se muestran en la Tabla A2.15 para determinar las características de confiabilidad
de los casquillos.
Machine Translated by Google
Apéndice 2 267
TABLA A2.14
Intervalo de clases
0K < 5K 8
5K < 10K 12
10K < 15K 15
15K < 20K 15
20K < 25K 12
25K < 30K 12
30K < 35K 7
35K < 40K 6
40K < 45K 5
45K < 50K 3
50.000 < 55.000 2
55 000 < 60 000 1
60K < 65K 1
65 000 < 70 000 1
Total 100
TABLA A2.15
Datos de falla del casquillo del pedal de freno
0K < 5K 0
5K < 10K 2
10K < 15K 2
15K < 20K 4
20K < 25K 4
25K < 30K 5
30K < 35K 6
35K < 40K 6
40K < 45K 7
268 Apéndice
268
3. Michyear Tire Company utiliza vehículos de reparto de carga útil de cuatro cilindros y 4 toneladas.
Estos vehículos recorren aproximadamente 150 km por día dentro de un radio de 50 km. Existe la
sospecha de que las fallas de las bombas de agua están en un nivel inaceptablemente alto y se
han obtenido los datos de fallas, como se muestra en la Tabla A2.16.
5. Se prueba una muestra de 75 transistores de potencia en germanio y los datos recopilados se dan
en la tabla A2.18.
Grafique la función de tasa de fallas desde t = 0 a 10 000 horas.
¿Qué tipo de fracaso sospechas que tenemos? ¿Qué sugerirías para mejorar la confiabilidad?
TABLA A2.16
<5K 0.00
<10K 3.08
<15K 7,96
<20K 11.40
<25K 13.19
<30K 18.67
<35K 24.21
<40K 26.13
<45K 28.33
<50K 30.00
<55K 31.20
<60K 34,92
<65K 42.00
<70K 46.00
<75K 63,25
Machine Translated by Google
Apéndice 2 269
TABLA A2.17
Datos de falla del motor de arranque
6. Los datos de la Tabla A2.19 representan los ciclos hasta la falla de un pequeño circuito eléctrico.
aparato.
a. Haga una gráfica de la función de tasa de falla acumulada y estime la
parámetros de la distribución de Weibull.
b. En el gráfico, encuentre R(1000 ciclos | 3000 ciclos).
TABLA A2.18
Datos de prueba de transistores de potencia
0250 17
250–500 8
500–750 1
750–1000 1
10002000 0
20003000 5
3000–4000 3
4000–5000 4
5000–6000 3
6000–7000 2
Machine Translated by Google
270 Apéndice
270
TABLA A2.19
Datos de falla de un aparato eléctrico
Tiempo en ciclos Evento
1430 1 censurado
1624 1 censurado
1877 1 censurado
2615 1 censurado
3075 1 censurado
3174 1 censurado
3264 1 censurado
3424 1 censurado
3508–4161 16 censurados
4552–4589 12 censurados
1015 1 fracaso
1493 1 fracaso
1680 1 fracaso
2961 1 fracaso
2974 1 fracaso
3009 1 fracaso
3244 1 fracaso
3462 1 fracaso
4246 1 fracaso
7. Se monitoreó un motor diésel a bordo de un barco durante un período de 10 años, y la Figura A2.29 indica
el patrón de falla del motor. Se supone que después de cada falla, el mantenimiento devuelve el motor a
su condición de nuevo.
En el tiempo = 10 años, se le pide que analice las estadísticas de falla y proporcione una estimación
de los parámetros de Weibull β y η. Suponga que γ = 0 y comente en general sobre el desempeño del
motor. En concreto, deberás responder a las siguientes preguntas:
Fallos
Motor
nuevo
8 26 64 87 106 120
Tiempo (meses)
Apéndice 2 271
TABLA A2.20
8. Se le proporciona un conjunto de datos de fallas para rodamientos de servicio pesado en una planta de
forja de acero con tiempos de falla (en horas) que se dan en la Tabla A2.20.
a. ¿Cuáles son los dos parámetros utilizados en este análisis y cuáles son sus valores? ¿Qué
representan estos parámetros?
b. ¿Cuáles son los valores de μ y σ?
C. Con un nivel de significancia del 10%, ¿se puede aceptar que la distribución elegida
¿La situación se ajusta a los datos?
d. ¿Cuál es la probabilidad de que los rodamientos fallen antes del tiempo 3000?
mi. ¿ Cuál es la vida útil B10 de estos rodamientos?
F. ¿Cuál es el valor del tercer parámetro en este análisis? ¿Qué representa este parámetro?
9. Se ha monitoreado y registrado la vida útil de ciertas correas del ventilador, con tiempos (en semanas)
que se dan en la Tabla A2.21 (F = falla, S = suspensión).
C. Ajuste un modelo de Weibull de tres parámetros al conjunto de datos. Dar los valores de
β, η, γ, μ y σ del modelo.
TABLA A2.21
174(F) 124(F) 106(F) 153(F) 160(F) 167(F) 112(F) 194(F) 181(F) 136(S)
Machine Translated by Google
272 Apéndice
272
10. La Tabla A2.22 enumera los datos de falla durante la vida útil de una determinada bombilla (en
horas).
a. En el análisis de tres parámetros, ¿qué representa F(t − γ)? ¿Cuál es el valor de F(t − γ)
para t = 5000?
b. ¿ Cuál es la estimación puntual de t cuando F(t − γ) es 20%? Determine el intervalo de
confianza del 90% de t.
11. Un componente instalado en una fotocopiadora experimentó fallas frecuentes. Los registros
de fallas en copias acumulativas en las que ocurrieron fallas de este componente se
enumeran en la Tabla A2.23.
a. Realizar una prueba estadística adecuada para detectar la existencia de una tendencia en
los tiempos de falla de este componente. Utilice un nivel de significancia del 5%.
¿Cuál es la implicación de los hallazgos de la prueba?
b. Utilice un método gráfico para determinar los parámetros del modelo que se ajuste a los
datos de falla. Dibuje la función de densidad de probabilidad y la función de tasa de
riesgo del modelo ajustado.
Si el componente debe tener al menos un 90% de confiabilidad en 5000 copias,
¿cumple este objetivo de diseño?
12. Un rodamiento puede fallar en uno de dos modos: falla de la bola o falla de la pista interna.
En la Tabla A2.24 se dan datos de un programa de estudio de vida de rodamientos realizado
en una muestra de 10 unidades.
Suponga que va a utilizar un método gráfico para el análisis de datos. Muestre cómo
procesaría los datos para determinar la distribución de horas hasta la falla para los dos modos
de falla de los rodamientos.
Utilice un documento de probabilidad adecuado para producir un gráfico del conjunto de datos anterior.
Utilice la información obtenida del gráfico para estimar la confiabilidad del rodamiento después
de 100 h de uso. Indique cualquier suposición utilizada en su análisis.
TABLA A2.22
TABLA A2.23
Apéndice 2 273
TABLA A2.24
1 8 Pelota
2 50 Pelota
3 102 Pelota
4 224 Pelota
5 22 Pelota
6 140 Pelota
8 20 Pista interior
10 90 Pista interior
REFERENCIAS
Ang, JYT y NAJ Hastings. 1994. Precisión del modelo y bondad de ajuste para la distribución de Weibull con
elementos suspendidos. Microelectrónica y confiabilidad 34, 1177–1184.
Murdoch, J. y JA Barnes. 1970. Tablas estadísticas para ciencias, ingeniería, gestión y estudios empresariales,
2ª ed. Nueva York: Macmillan.
Nelson, LS 1967. Documento de probabilidad de Weibull. Revista de tecnología de calidad.
O'Connor, PD y A. Kleyner. 2012. Ingeniería práctica de confiabilidad, 5ª ed. Nueva York:
Wiley.
OTRAS LECTURAS
Abernethy, RB 2004. El nuevo manual de Weibull, 5ª ed. Florida: Robert B. Abernethy.
Ascher, H. y H. Feingold. 1984. Fiabilidad de los sistemas reparables. Nueva York: Marcel Dekker.
Kapur, KC y LR Lamberson. 1977. Confiabilidad en el diseño de ingeniería. Nueva York: Wiley.
Murthy, DNP, M. Xie y R. Jiang. 2004. Modelos Weibull. Nueva York: Wiley.
Nelson, W. 2003. Análisis de datos de eventos recurrentes para reparaciones de productos, recurrencia de
enfermedades y otras aplicaciones. Alexandria, VA: Asociación Estadounidense de Estadística y
Sociedad de Matemáticas Industriales y Aplicadas.
Sheskin, DJ 2004. Manual de procedimientos estadísticos paramétricos y no paramétricos, 3.º
ed. Londres: Chapman & Hall.
Suhir, E. 1997. Probabilidad aplicada para ingenieros y científicos. Nueva York: McGrawHill.
Ayudas Técnicas y de Ingeniería a la Gestión (TEAM). 1976. Técnica e Ingeniería
Ayudas a la Gestión 4, Invierno.
Machine Translated by Google
Machine Translated by Google
Apéndice 3: Máximo
Estimador de probabilidad
—Sam Walton
A3.1 EL MÉTODO
Aparte del enfoque de regresión presentado en el Apéndice 2, la función de verosimilitud es otra
herramienta ampliamente utilizada para estimar los parámetros de una distribución de probabilidad.
El procedimiento implica el desarrollo de una función de verosimilitud para las observaciones y la
obtención de su expresión logarítmica. Esta expresión se diferencia con respecto a los parámetros
y las ecuaciones resultantes se ponen a cero.
Luego, estas ecuaciones se resuelven simultáneamente para obtener las mejores estimaciones
de los parámetros que maximizan la función de verosimilitud. (Cabe señalar que no es necesario
en todos los casos obtener la expresión logarítmica de la función de probabilidad; la función de
probabilidad en sí se puede maximizar).
Sea la función de densidad de probabilidad (pdf) de la distribución f(x,θ), en la que θ
es el parámetro que deseamos estimar.
Considere la muestra de tamaño n, {x1, x2,… xn} extraída de la población.
La probabilidad de extraer esta muestra específica de todas las muestras posibles de tamaño
n es
norte norte
norte
L( )=
0.
La solución para θ se conoce como estimador de máxima verosimilitud del parámetro.
Este procedimiento es válido para su uso como método de estimación del parámetro de
cualquier distribución que maximice la probabilidad de ocurrencia de los resultados muestrales. Él
275
Machine Translated by Google
276 Apéndice
276
se puede generalizar a distribuciones con dos o más parámetros, en cuyo caso tenemos que
resolver un sistema de dos o más ecuaciones.
f(x, λ) = λe −λx .
f (xi , )= e− xi yo = 1,2,...,norte.
norte
ln L( ; x1 , x2 ,...xn ) = n ln − xi , (A3.2)
yo=1
norte
ln L( ;x x , ,..., 1 2 x ) norte
norte
=− xi = 0.
yo=1
ˆ
=
norte
. (A3.3)
norte
xi
yo=1
Apéndice 3 277
r_ sustantivo, masculino—
i=1
r norte
ln L( )= ln f (ti , )+ ln R(tj , )
yo=1
j=r+1
r_ t n t i
1 j
L( )= exp − exp −
yo=1 j=r+1
1
r norte
ln L( ) r1
=− + 2 t+ tj
i=1
j=r+1
Resolviendo
r_ norte
ti + tj
ˆ i=1
ln L( ) = =
= 0 para , obtenemos j=r +1
tr
(A3.5)
r r
donde Tr = horas totales de prueba para todas las unidades (fallidas y no fallidas).
Para elementos que operan en el período de vida útil, se necesita un valor grande de tiempo de
prueba acumulado para estimar λ. El gran tiempo de prueba acumulativo se puede obtener mediante
uno de dos enfoques:
278 Apéndice 3
REFERENCIA
Lawless, JF 2003. Modelos y métodos estadísticos para datos de por vida, 2ª ed. Nueva York:
Wiley.
Machine Translated by Google
Decidí no dejar que mi pasado dominara mi futuro, así que decidí cambiar
mi presente para abrir mi futuro.
—Ana M. Guzmán
p11
p12 p1r
C
pag = .
C
pp p
r2 RR
r1
p11
p12 p1r
C
X0 P = [x1 , x2 , xr ] C
pp p
r2 RR
r1
(A4.1)
r r
r_
279
Machine Translated by Google
280 Apéndice
280
1 2 4 3 5
1: muy suave
2: suave
3: áspero
4: muy áspero
5: fracaso
Si hoy estamos en el estado i , es posible que queramos saber la probabilidad de estar en el estado j en n.
semanas, es decir, después de n transiciones. Denotamos esta probabilidad de transición de n pasos como p yo .
(norte)
k=r
(2)
pag
yo
= pik pkj. (A4.2)
k=1
El lado derecho de la ecuación A4.2 es el producto escalar de la fila i del paso único (2) es solo el
matriz de transición P con la columna j de la matriz P. Es decir, p. elemento ij
yo
Apéndice 4 281
TABLA A4.1
Matriz de probabilidad de transición
Si P es la matriz de transición de un paso de una cadena de Markov, entonces Pn se acerca a una matriz limitante
única cuando n tiende al infinito. Este es siempre el caso cuando todas las probabilidades de transición tienen valores
distintos de cero. Sin embargo, si algunos elementos de P tienen valor cero, es posible que no funcione.
Por tanto, las probabilidades de estados límite representan las probabilidades de encontrar el sistema en cada
estado después de que haya ocurrido un número significativamente grande de transiciones, de modo que la memoria
del estado inicial se pierda más o menos. El software EXAKT utiliza las probabilidades de estado límite para calcular la
vida útil restante de un artículo para alcanzar la "zona roja (reemplazar inmediatamente)".
Es posible que queramos saber cuánto tiempo le tomará a la cadena de Markov alcanzar un estado particular por
primera vez, dado que comenzó en algún otro estado. Este es el tiempo medio del primer paso, por ejemplo, el tiempo
esperado para pasar del estado "suave" al estado "áspero" por primera vez.
Hay tres problemas cuando tenemos que ajustar una cadena de Markov a un conjunto de datos determinado:
Aunque uno o más expertos humanos participan en la clasificación de los estados de la cadena de Markov, el trabajo
analítico de determinar las probabilidades de transición y la estacionariedad de la matriz de transición lo realiza el
software EXAKT.
Machine Translated by Google
282 Apéndice 4
REFERENCIA
Apéndice 5:
Obtención de conocimiento
—Samuel Johnson
A5.1 INTRODUCCIÓN
Cuando los datos no están disponibles o son escasos, aún podemos crear un modelo que caracterice
el comportamiento de confiabilidad de un activo. Esto se puede lograr extrayendo información de
expertos en el campo. El proceso de obtención de conocimientos pide a los expertos que emitan juicios
sobre, por ejemplo, el riesgo de fracaso en el caso A en comparación con el caso B, una técnica
conocida como “análisis y comparación de casos”. Este método da como resultado un conjunto de
desigualdades que, a su vez, definen un espacio factible para los parámetros que deben estimarse.
Matemáticamente tenemos
Por lo tanto, S1 es
70
0,75
− 0,60 1− exp
283
Machine Translated by Google
284 Apéndice
284
pie)
Matemáticamente tenemos
60
0,60
− 0,40 1− exp
pie)
Tiempo
Edad = 60 años
Apéndice 5 285
Matemáticamente obtenemos
R(70) − R(85) = B 70
85 − − exp −
exp
b
70
R(70) = exp –
η
f (t) A=R(70)
Tiempo
Edad = 70 años
pie)
286 Apéndice
286
B
70% 90%
A
70 85 − − exp −
exp 70%
90% 70
exp −
Con estos tres enunciados (desigualdades), buscamos valores de β y η que satisfagan cada una de
estas desigualdades. Antes de hacerlo, es necesario comprobar si estas afirmaciones se contradicen
entre sí porque si lo hacen, no puede existir ninguna solución factible para β y η. Si son contradictorias,
debemos volver al experto para obtener un conjunto revisado de respuestas consistentes, o ampliar esta
metodología introduciendo la incertidumbre de cada afirmación como se describe en Zuashkiani et al.
(2011).
La búsqueda de valores de β y η se realiza generando valores aleatorios para estos parámetros
utilizando la técnica de simulación Monte Carlo (Ley 2007) y verificando si satisfacen S1, S2 y S3.
Suponemos que la distribución a priori para β y η es uniforme en el área que satisface estas condiciones.
70 2
0,43
B
S3 : 0,70 0,90 → 0,70 0,30 0,90, lo cual es falso
A
70 4
Apéndice 5 287
60 4
S2 : 0,40 1− 0,60 → 0,40 0,52 0,60, lo cual es cierto
exp 65
B
S3 : 0,70 0,90 → 0,70 0,79 0,90, lo cual es cierto
A
b* η*
4.00 65.0
3.80 68.0
4.40 69.0
5.00 67.0
5.20 68.0
4.70 66.0
ˆ
Tomando promedios obtenemos = 4,62 y ˆ = 67,6 años.
Sean A y B dos eventos diferentes. P(A) y P(B) son las probabilidades de que ocurra el evento A y la de que
ocurra el evento B , respectivamente. La probabilidad condicional de que ocurra el evento A dado que ha
ocurrido el evento B se denota como P(A|B):
288 Apéndice
288
Supongamos que un experimento tiene n estados mutuamente excluyentes y colectivamente exhaustivos, Sj.
Eso es,
norte
norte
P(B)
P(Sj ) P(B | S j )
j=1
La ecuación SA5.2 se conoce como teorema de Bayes. P(Si ) es la probabilidad previa de estar en el estado Si y
P(Si|B) es la probabilidad posterior de estar en el estado Si dado que el evento B ha ocurrido (hay nueva información
disponible).
Si el estado Sj en la ecuación SA5.2 es un valor de una variable aleatoria continua, θ, y el evento B se refiere a un
conjunto de datos estadísticos, y, la ecuación debe modificarse a la siguiente forma para obtener la función de densidad
de probabilidad posterior de θ:
gramo( ) f (y | )
gramo( | y) = (SA5.3)
g( ) f (y | )d
Una variable que puede tomar un rango continuo de valores pero que está sujeta a variaciones aleatorias se
conoce como variable aleatoria continua. La tasa de riesgo desconocida de un artículo a estimar es una de esas
variables. Debemos observar que tanto θ como y en la ecuación SA5.3 pueden ser variables multidimensionales.
Considere la altura de la próxima persona que entre a nuestra oficina. Es posible que tengamos mucha incertidumbre
a la hora de predecirlo; sin embargo, podríamos estimar la altura "típica". También podríamos hacer una declaración
sobre el rango probable de altura. Nuestra creencia puede cambiar cuando haya más información disponible. Por
ejemplo, si nos dicen que la siguiente persona es un hombre, nuestra incertidumbre cambiará de manera diferente
que si nos dicen que la persona es una mujer. Lo mismo se aplica si sabemos que la siguiente persona que entra a
nuestra oficina es un jugador de baloncesto. La pregunta es cómo mostrar matemáticamente esta incertidumbre. Un
método común sugiere que elijamos una función de distribución conocida para describir el comportamiento de la
variable de interés, que en este caso es la altura de la siguiente persona que entra a nuestra oficina. Aplicando la regla
de simetría,
Machine Translated by Google
Apéndice 5 289
Algunos pueden decir que la altura debe distribuirse simétricamente. Algunos pueden incluso considerar la distribución
normal como un buen modelo para caracterizar la incertidumbre de la variable, que llamaremos X (altura de la
persona). La distribución normal tiene dos parámetros, μ
y σ, que representan la ubicación y el grado de dispersión de la variable, respectivamente, y pueden considerarse
elementos de un vector. Ahora tenemos que estimar los valores de μ y σ y cuantificar nuestra incertidumbre sobre
estos parámetros. Para simplificar, supongamos que σ es conocido y μ es el único parámetro desconocido. Al asignar
un valor a μ y articular la incertidumbre de este valor, de hecho, asignamos una función de distribución a μ, lo cual
no es la práctica normal de la estadística convencional o no bayesiana. En las estadísticas no bayesianas, no
asignamos funciones de distribución a los parámetros.
Si suponemos que μ tiene una distribución normal, tenemos que estimar su media y su desviación estándar, que
llamamos μ0 y σ0, respectivamente. Estos dos nuevos parámetros se conocen como hiperparámetros. Según
nuestro conocimiento, podemos decir que la altura media de una persona es de aproximadamente 165 cm. Por tanto,
μ0 es 165 cm. Si nos pidieran opinión sobre el rango de la altura media, podríamos responder entre 150 y 180 cm.
Este intervalo se puede aproximar por 6 × σ0.
180150
= = 5 cm.
Por lo tanto, 0
6
Para resumir los resultados hasta el momento:
X ~ N( , )
~ norte( 0 = 165, 0 = 5)
La misma lógica funciona para σ, pero se deben involucrar matemáticas más complejas.
Podemos decir que μ tiene una distribución previa normal con un valor medio de μ0 y una desviación estándar
de σ0. Esto se denomina distribución previa informativa porque contiene cierta información sobre μ, el parámetro de
interés. Si reducimos σ0, la función de densidad de μ se agrupará más alrededor de su valor medio de μ0, lo que
indica que tenemos más confianza en el valor de μ. Por el contrario, si aumentamos σ0, la función de densidad de μ
será más plana, lo que sugiere que nuestro conocimiento sobre la ubicación de μ es menos seguro que en el caso
anterior.
Asintóticamente, si σ0 tiende a infinito, equivaldrá a casi no tener conocimiento sobre μ. Por lo tanto, nos referimos a
una distribución previa normal con una desviación estándar extremadamente alta como una distribución previa no
informativa.
Sea el conjunto de datos y = {(ti, δi)} en el que ti denota el tiempo del evento y δi es una variable
ficticia que indica el tipo de evento: δi = 1 si ti es un tiempo de falla,
g ( , ) f (y , )
g ( , y) = (A5.1)
,
g ( , ) f (y , ) d d
donde f(y|β, η) es la función de densidad de probabilidad del conjunto de datos cuando los parámetros
de la distribución tienen valores iguales a sus estimaciones anteriores.
Machine Translated by Google
290 Apéndice
290
yo
j
yo
j
g( , ) f (y , )
i
gramo ( j y) = ,
yo
j
yo
j
i*
(A5.2)
g( , ) f (y , ) ∆ j* ∆
yo, j
donde β i*son
j* yvalores
η de β y η que satisfacen restricciones como las especificadas por
S1, S2 y S3. En el ejemplo dado en la Sección A5.2, asumimos que gθ (β, η) es una
distribución uniforme en el área definida por estas desigualdades; por lo tanto, la
ecuación A5.2 se reduce a
f(y yo
j ),
g (
i
j y) = , i
j
i
∆ f (y , ) j ∆
yo, j
Las estimaciones mejoradas para β y η ahora se pueden determinar como los valores medios de
yo i*
ˆ= ig ( ∆ j y), ∆ j*
yo, j
yo i*
ˆ= jg ( , j y) ∆ ∆ j*
yo, j
Tenga en cuenta que un método ligeramente más simple es tomar una muestra aleatoria (usando el modelo Monte
Apéndice 5 291
Es necesario determinar la distribución a priori conjunta para θ1 = ln(β), θ2 = ln(η) y θ3 = γ1. Suponiendo
que estos parámetros son independientes, su distribución previa conjunta es
Ahora supongamos que los registros de inspección de un historial que termina con falla son
figuran en la Tabla A5.1.
La probabilidad de esta historia será
745 −1
P(y ) = L(y , , 1) = exp(94 1)
1
(100
exp. [1− exp(10 )] + 180 [exp( 10 ) − exp(26 )]
1 1 1
+632 [exp(51 ) − exp(55 )]+ 698 [exp(55 ) − exp(72 )]+ 745 exp(72 ))
1 1 1 1 1
TABLA A5.1
0 0 Comienzo
100 10 Inspección
180 26 Inspección
250 30 Inspección
312 37 Inspección
480 46 Inspección
566 51 Inspección
632 55 Inspección
698 72 Inspección
745 94 Falla
292 Apéndice
292
ción f(y | ) = h(y | )exp − y h(x | )dx , y PHM para la función de riesgo.
0
Además, se supone que las covariables tienen un valor constante durante un intervalo de inspección,
igual al valor al comienzo del intervalo. También utiliza
1
ai+1 x a a
mi z . z dx
yo+1 =e −i
ai
Por lo tanto, utilizando la Ecuación A5.1, la distribución posterior se calcula de la siguiente manera:
1
k= .
g (ln( ),ln( ), 1)L(y , , 1) dln( ) dln( )d 1
0, 0, 1
Para obtener una muestra de una función de distribución tan compleja, se deben utilizar métodos
numéricos y simulación por computadora (Gelman et al. 2004). Un método que se utiliza y aplica
ampliamente en la práctica es el método Monte Carlo de la cadena de Markov (Brooks y Roberts 1998),
una extensión del método presentado en la Sección A5.2.
A5.5.1 COMPRESORES
La metodología descrita en este apéndice se utilizó para caracterizar la función de riesgo de fallas en
los anillos de pistón de la tercera etapa de un compresor en una acería.
La función de riesgo (un modelo de riesgos proporcionales, es decir, PHM) se había creado con éxito
dos años antes utilizando historiales de vida y datos de monitoreo de condición asociados con los
anillos de pistón. Para probar la metodología explicada en la Sección A5.2, se consultó a un experto
responsable del mantenimiento del compresor sobre los riesgos de falla de los anillos del pistón en
diferentes escenarios como los ilustrados en la Tabla A5.2.
TABLA A5.2
Comparaciones de escenarios
Caso A Caso B
Edad (meses) 4 4
Machine Translated by Google
Apéndice 5 293
Se pidió al experto que emitiera juicios sobre aproximadamente 45 comparaciones similares a la anterior. Los
detalles completos del proceso de obtención de conocimientos y la construcción del modelo de peligro se dan en
Zuashkiani et al. (2009).
Se pidió a una empresa de transmisión y distribución de electricidad que pronosticara sus costos de operación y
mantenimiento (O&M) para el mantenimiento de su flota de transformadores.
Debido a que los datos históricos eran escasos, se utilizó la metodología descrita en la Sección A5.3 para combinar
el conocimiento obtenido de los expertos con los datos históricos limitados para establecer la tendencia esperada
de los costos de operación y mantenimiento. Los detalles de este ejemplo de aplicación se dan en Zuashkiani et al.
(2011).
Cuando hay varios expertos disponibles, podemos obtener sus opiniones utilizando preguntas similares a las de la
Sección A5.2. En tales casos, después de una discusión en grupo, los expertos deben ponerse de acuerdo sobre
los límites superior e inferior y sobre las incertidumbres de cada desigualdad. Obtener una opinión colectiva sobre
cada cuestión puede resultar problemático porque requiere el acuerdo de todos los consultados. Otros problemas
que surgen al recopilar opiniones en un entorno grupal incluyen el pensamiento grupal y la autocensura a favor de
participantes dominantes o de mayor rango. Es probable que la autocensura sea más grave cuando los expertos
pertenecen a la misma empresa, y menos cuando pertenecen a empresas diferentes.
REFERENCIAS
Adler, M. y E. Ziglio. 1996. Mirando al oráculo: el método Delphi y su aplicación a la política social
y la salud pública. Londres: Jessica Kingsley Publishers.
Brooks, SP y GO Roberts. 1998. Técnicas de evaluación de convergencia para la cadena de
Markov Monte Carlo. Estadística y Computación 8(4), 319–335.
Gelman, A., JB Carlin, HS Stern y DB Rubin. 2004. Análisis de datos bayesianos. Florida:
Chapman & Hall/CRC.
Machine Translated by Google
294
Apéndice
294
IEEEStd5001984. Datos de confiabilidad para bombas y controladores, actuadores de válvulas y
válvulas; Apéndice B: El Procedimiento Delphi.
Law, AM 2007. Modelado y análisis de simulación, 4ª ed. Nueva York: McGrawHill.
Singpurwalla, ND 2006. Fiabilidad y riesgo: una perspectiva bayesiana. Chichester, Reino Unido:
Wiley.
Zuashkiani, A. 2011. ¿Podemos realmente confiar en el conocimiento tácito para tomar decisiones sobre la gestión de activos?
siones? Conferencia MARTS, Rosemount, IL, EE. UU. Mayo de 2011.
Zuashkiani, A., D. Banjevic y AKS Jardine. 2009. Estimación de parámetros del modelo de riesgos
proporcionales basado en conocimientos expertos y datos estadísticos. Revista de la Sociedad de
Investigación Operativa 60, 1621–1636.
Zuashkiani, A., N. Safaei y A. Jardine. 2011. Previsión a largo y medio plazo de los costos de operación y
mantenimiento en una empresa de servicios eléctricos: estudio de caso utilizando el principio de
gestión de activos basada en evidencia. Actas de la conferencia ICOMS Asset Management, Gold
Coast, Australia, mayo de 2011.
Machine Translated by Google
—HM Wagner
A6.1 INTRODUCCIÓN
El propósito de este apéndice es presentar aspectos clave de la ingeniería económica que son
relevantes para la discusión sobre el establecimiento de la vida económica de los bienes de capital
en el Capítulo 4. Véanse los trabajos de Sullivan et al. (2012) y Park et al. (2012) para una
discusión exhaustiva sobre la economía de la ingeniería.
El problema básico se ilustra en la Figura A6.1. Debido a que la vida económica de los bienes
de capital se medirá en años y no en meses, como puede ser el caso de los problemas de
reemplazo de componentes del Capítulo 2, es necesario tener en cuenta el hecho de que en el
cálculo de la vida económica, el valor del dinero cambia. con el tiempo. También existen
preocupaciones sobre el efecto de la inflación y las cuestiones fiscales en el análisis de los
problemas de bienes de capital. Estas cuestiones se abordarán en este apéndice.
295
Machine Translated by Google
296 Apéndice
296
Coste total
Operaciones y
olatsuonC
a
mantenimiento
costo
Costo fijo
Costo de propiedad
Por ejemplo, considere la Figura A6.2. Si un activo se reemplaza cada año (N = 1), hay un
cierto flujo de efectivo como se muestra en la figura superior: A es el precio de compra, ci
son los costos de operación y mantenimiento en el iésimo año de vida del activo, y Si es el valor
de reventa (o chatarra) de un activo de edad i. Sin embargo, si el activo se reemplaza en un
ciclo de 2 o 3 años, el flujo de efectivo será diferente, como se muestra en las figuras central e
inferior, respectivamente, de la Figura A6.2. Claramente, es necesario comparar todas las
posibilidades de manera justa, y es por esta razón que a menudo evaluamos alternativas de reemplazo.
norte = 1 año
A – S1 A – S1 A – S1 A – S1 A – S1 A – S1 A – S1
c1 c1 c1 c1 c1 c1 c1
0 1 2 3 4 5 6 Años
norte = 2 años
A – S2 A – S2 A – S2 A – S2
c1 c2 C1 c2 c1 c2 c1
0 1 2 3 4 5 6 Años
norte = 3 años
A T3 A T3 A T3
C1 c2 c3 C1 c2 c3 c1
0 1 2 3 4 5 6 Años
Apéndice 6 297
yo norte
1+ . (A6.1)
S = $L 100
1 norte
(A6.2)
PV = $S 1+ i/100
1 donde
= r se denomina factor de descuento. 1+ i/100
1 2
Es decir, $1000 hoy equivalen a $1210 dentro de 2 años, cuando i = 10% por
año.
Se ha supuesto que la tasa de interés se paga una vez al año. De hecho, la tasa de interés podrá
pagarse semanalmente, mensualmente, trimestralmente, semestralmente, etc., y cuando este sea el
caso, las Ecuaciones A6.1 y A6.2 se modifican de la siguiente manera:
Machine Translated by Google
298 Apéndice
298
i/100 nm
1+ . (A6.3)
S = $L metro
1 nm
PV = $S
i/100 . (A6.4)
1+
metro
También es posible suponer que la tasa de interés se paga de forma continua. Esto equivale
a dejar que m en la ecuación A6.3 tienda a infinito. Cuando este sea el caso,
i/100 límite en
nm L 1+ (A6.5)
m→ metro = $L exp 100
y la fórmula PV apropiada es
−
en
VP = $S exp . . (A6.6)
100
1 norte
(A6.7)
PV = $S 1+ yo
PV = $S exp[−in]. (A6.8)
* A veces el interés se capitaliza en intervalos de tiempo inferiores a 1 año. Sin embargo, las tasas de interés
generalmente se indican anualmente. Por ejemplo, la tasa de interés puede ser del 2,5% compuesto trimestralmente.
En tal caso, el tipo de interés nominal anual es del 10%. Cabe señalar que en este ejemplo, la tasa de interés
anual real es superior al 10%.
Machine Translated by Google
Apéndice 6 299
1 1 1 2 + S2 1 norte
PV = S0 + S1 1+
i (A6.9)
1+ yo + ...+ Sn 1+. yo
Si los pagos Sj, donde j = 0, 1,…, n, son iguales, la serie de pagos se denomina
una anualidad y la ecuación A6.9 se convierte en
1 1 2 1 norte
PV = S + S +S (A6.10)
1+ i 1+ i + ...+ S 1+ yo
1 1− n+1
1+ i
1 − r n+1 =S
PV = S . 1−r (A6.11)
1
1−
1+
i
S .
VP = (A6.12)
1−r
S S S S S
0 1 2 3 n–1 sn _
0 1 2 3 n1 norte
300 Apéndice
300
Nuevamente, si los valores de S son iguales, tenemos la suma de n + 1 términos de una ecuación geométrica.
progresión, que da
1− exp[−(n + 1)i] .
PV = S (A6.14)
1 − exp[−i]
S
PV = . (A6.15)
1exp[i]
En todas estas fórmulas, hemos asumido que i permanece constante en el tiempo. Si ésta no
es una suposición razonable, es necesario modificar ligeramente las ecuaciones A6.9 y A6.13;
por ejemplo, podemos dejar que tome los valores i1, i2,…, en diferentes períodos.
A6.4 INFLACIÓN
Del examen de la Figura A6.2, se puede ver que el costo de adquisición del activo se denota con
el símbolo A. Considere el ciclo de reemplazo de 3 años: en este caso,
Machine Translated by Google
Apéndice 6 301
Se sugiere que el precio de compra siga siendo el mismo en los años 3 y 6 que en el año 1.
Matemáticamente, A no puede cambiar su valor. Si hay inflación, esto claramente no es cierto: el precio
en el año 3 será el precio en el año 1 más el efecto de la inflación.
Se puede demostrar que, siempre que la inflación se produzca a una tasa constante, el VP de un flujo
futuro de flujos de efectivo es el mismo independientemente de si el efecto de la inflación está
incorporado en los flujos de efectivo futuros. Pero si se utilizan dólares nominales (dólares que tienen
(el valor del año en el que se gastan o reciben), la tasa de interés utilizada para fines de descuento
debe tener en cuenta la inflación e incorporar el efecto de los factores inflacionarios en las estimaciones
de flujos de efectivo futuros.
En la práctica, la mayoría de las organizaciones realizan sus análisis de reemplazo de bienes de
capital utilizando dólares reales (dólares con valor actual) y utilizan una tasa de interés real o libre de
inflación para fines de descuento.
CRF = (A6.16)
(1+ yo) − 1
norte
Para ilustrar la aplicación del criterio PV y el EAC al decidir cuál es la mejor entre un conjunto de
posibles oportunidades de inversión, consideraremos el siguiente problema.
302 Apéndice
302
Valores de rescate mostrados en la Tabla A6.1 para tres máquinas herramienta igualmente efectivas, ¿cuál debería
comprar el contratista? Supondremos que la tasa de interés apropiada para el descuento es del 11% y que los costos
operativos se pagan al final del año en que se incurren.
Recuerde el factor de descuento, r = 1/(1 + i). Como i = 11%, entonces r (como fracción decimal) = 0,9.
TABLA A6.1
$5000
$100 $100 $100
$100 $3000
0 1 2
Apéndice 6 303
Gráficamente tenemos
$1291.89 $1291.89 $1291.89
0 1 2 3
Por lo tanto, la máquina herramienta A sería seleccionada como la mejor compra. En la práctica,
las organizaciones evalúan alternativas teniendo en cuenta el valor del dinero en el tiempo, por
ejemplo calculando el PV asociado con las distintas alternativas.
En lugar de evaluar las alternativas proporcionando el PV asociado con cada una
de ellos, se podría haber calculado la EAC. Recuerde de la Sección A6.5 que
CAE = PV × CRF
donde CRF = .
(1+ yo) norte −1
Para la máquina herramienta A, teníamos un PV = $3157.
i(1+ i) n
CAE = 3157
(1 + yo)
norte
−1
= 3157 0,4092
= $1291.89
304
Apéndice
304
Al estimar costos y rendimientos futuros, se deben tener en cuenta posibles aumentos en los
costos de materiales, salarios y similares (es decir, factores inflacionarios).
Cuando se trata de decisiones de inversión de capital, a veces se utiliza un criterio distinto del
PV. Para la discusión de tales criterios, por ejemplo, período de recuperación y tasa interna de
retorno, se remite al lector a la literatura sobre ingeniería económica, como Park et al. (2012) y
Sullivan et al. (2012).
REFERENCIAS
Park, C., R. Pelot, K. Porteous y MJ Zuo. 2012. Economía de la ingeniería contemporánea: una perspectiva
canadiense, 3ª ed. Don Mills, ON: Educación Pearson.
Sullivan, WG, EM Wicks y CP Koelling. 2012. Ingeniería Económica, 15ª ed.
Englewood Cliffs, Nueva Jersey: Prentice Hall.
Wagner, HM 1969. Principios de la investigación de operaciones. Englewood Cliffs, Nueva Jersey: Prentice Hall.
Machine Translated by Google
Un modismo inglés
Dentro de cada uno de los Capítulos 2 a 5, hay secciones que destacan las aplicaciones de la teoría contenida
en el capítulo. La siguiente es una lista ampliada de aplicaciones con solo los títulos proporcionados. El
propósito de la lista, que no es exhaustiva, es ilustrar la amplitud de aplicaciones con las que se han asociado
los autores que utilizaron los modelos presentados en este libro, o sus extensiones. Los autores han estado
directamente involucrados en cada estudio, ya sea como asesores de una organización
o mediante la supervisión de estudiantes de pregrado o posgrado mientras realizaban un proyecto como parte
de sus estudios. Varios de estos proyectos fueron realizados por estudiantes con experiencia posterior que
tomaron cursos de los autores como parte de programas de capacitación de la empresa en el área general de
optimización del mantenimiento e ingeniería de confiabilidad. Como parte del programa de capacitación, los
participantes del curso a menudo trabajaron en equipos y emprendieron estudios piloto aplicando las ideas
contenidas en este libro.
Aluminio y siderurgia
• Optimización del anillo de pistón de tercera etapa del compresor de nitrógeno: modelo de
mantenimiento basado en la condición (CBM)
• Establecer la vida económica de los equipos móviles (barredoras de pisos,
carretillas elevadoras y General Motors Suburban)
• Establecimiento de requisitos de torno en una acería
• Número óptimo de conductos de humos no reparables para un alto horno
• Estudio de redundancia de transformadores mediante modelado de simulación.
• Monitoreo del estado del transformador usando confiabilidad y monitoreo de condición.
datos
Generacion electrica
• Bomba de refrigeración del reactor: modelo CBM
• Optimización de las decisiones de CBM sobre los principales equipos rotativos utilizando el
modelo de riesgos proporcionales.
305
Machine Translated by Google
306 Apéndice
306
transformadores de estación
Apéndice 7 307
sistema
Petróleo y gas
• Vida económica de un motor de combustión
• Reemplazo de culata
• Reemplazo de la válvula del compresor
• Intervalo de inspección de la válvula de seguridad de presión
• Optimización del número de motores de repuesto de 100 hp
• Optimización CBM de la unidad de bombeo del motor.
• Optimización del equipo de mantenimiento
• Monitoreo de la condición del sistema de bombeo del pozo petrolero (casing, varilla de bombeo,
y bomba)
• Edad óptima de sustitución de las redes subterráneas de gas y asociadas.
Industria farmacéutica
• Intervalo de búsqueda de fallas para un compresor: sistema redundante en paralelo
• Política de reemplazo de lavadoras Huber
• Optimización de recursos del centro de trabajo
Sistemas ferroviarios
• Optimización de las decisiones de CBM para reducir las fallas en servicio de los rodamientos de bolas del
motor de tracción
• Intervalos de reemplazo óptimos para componentes críticos de la plataforma
puertas de pantalla
Logística
• Ciclos de sustitución de carretillas elevadoras
• Política de reemplazo de flota de autobuses de tránsito
• Establecer la política de vida económica y mantenimiento óptimo de una flota de remolques.
Machine Translated by Google
308 Apéndice 7
Apéndice 8: Ordenadas de la
Distribución normal estándar
La tabla proporciona (z) para los valores de la variable normal estandarizada, z, en el intervalo
0,0 (0,1) 4,0, donde
1 −z 2
(z) =
2 exp 2
z= t−
z 0.0 0.1 0,2 0.3 0,4 0,5 0,6 0,7 0,8 0,9
0,0 0,3989 0,3970 0,3910 0,3814 0,3683 0,3521 0,3332 0,3123 0,2897 0,2661
1,0 0,2420 0,2179 0,1942 0,1714 0,1497 0,1295 0,1109 0,0940 0,0790 0,0656
2,0 0,0540 0,0440 0,0355 0,0283 0,0224 0,0175 0,0136 0,0104 0,0079 0,0060
3,0 0,0044 0,0033 0,0024 0,0017 0,0012 0,0009 0,0006 0,0004 0,0003 0,0002
4,0 0,0001
309
Machine Translated by Google
Machine Translated by Google
Apéndice 9:
Áreas en la cola del
Distribución normal estándar
La función tabulada es 1 – Φ(z), donde Φ(z) es la función de distribución acumulativa de una
variable normal estandarizada, z. De este modo,
1 −x 2
1− (z) =
2 exp
2 dx
1– (z)
0 z
FIGURA A9.1
311
Machine Translated by Google
TABLA A9.1
Áreas en la cola de la distribución normal estándar
(x − )
0.00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0.0 0.5000 0.4960 0.4920 0.4880 0,4840 0.4801 0.4761 0.4721 0.4681 0.4641
A
0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0,4325 0.4286 0.4247
0,2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859
0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483
9
0,4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121
0,5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776
0,6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0,2451
0,7 0,2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148
0,8 0.2119 0.2090 0.2061 0.2033 0,2005 0,1977 0,1949 0,1922 0,1894 0.1867
0,9 0.1841 0,1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611
1.0 0.1587 0.1562 0,1539 0,1515 0.1492 0.1469 0,1446 0.1423 0,1401 0.1379
1.1 0,1357 0,1335 0.1314 0,1292 0.1271 0,1251 0.1230 0,1210 0.1190 0.1170
1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0,1020 0.1003 0.0985
1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823
1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681
1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559
1.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455
1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367
1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294
1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233
Machine Translated by Google
2.0 0.02275 0.02222 0.02169 0.02118 0.02068 0.02018 0.01970 0.01923 0.01876 0.01831
2.1 0.01786 0.01743 0.01700 0.01659 0.01618 0.01578 0.01539 0.01500 0.01463 0.01426
2.2 0.01390 0.01355 0.01321 0.01287 0.01255 0.01222 0.01191 0.01160 0.01130 0.01101
2.3 0.01072 0.01044 0.01017 0.00990 0.00964 0.00939 0.00914 0.00889 0.00866 0.00842
2.4 0.00820 0.00798 0.00776 0.00755 0.00734 0.00714 0.00695 0.00676 0.00657 0.00639
313
2.5 0.00621 0.00604 0.00587 0.00570 0.00554 0.00539 0.00523 0.00508 0.00494 0.00480
2.6 0.00466 0.00453 0.00440 0.00427 0.00415 0.00402 0.00391 0.00379 0.00368 0.00357
2.7 0.00347 0.00336 0.00326 0.00317 0.00307 0.00298 0.00289 0.00280 0.00272 0.00264
2.8 0.00256 0.00248 0.00240 0.00233 0.00226 0.00219 0.00212 0.00205 0.00199 0.00193
2.9 0.00187 0.00181 0.00175 0.00169 0.00164 0.00159 0.00154 0.00149 0.00144 0.00139
3.0 0.00135
3.1 0.00097
3.2 0.00069
3.3 0.00048
3.4 0.00034
3.5 0.00023
3.6 0.00016
3.7 0.00011
3.8 0.00007
3.9 0.00005
4.0 0.00003
Fuente: Murdoch, J. y JA Barnes. Statistical Tables for Science, Engineering, Management and Business Studies, 2.ª ed., Macmillan, Nueva York, 1970. Reproducido con autorización de
Palgrave Macmillan.
Machine Translated by Google
Machine Translated by Google
Apéndice 10:
Valores de la función gamma
norte
Γ(n) norte
Γ(n) norte
Γ(n) norte
Γ(n)
1.00 1.00000 1,25 0,90640 1,50 0,88623 1,75 0,91906
1,01 0,99433 1,26 0,90440 1,51 0,88559 1,76 0,92137
1,02 0,98884 1,27 0,90250 1,52 0,88704 1,77 0,92376
1,03 0,98355 1,28 0,90072 1,53 0,88757 1,78 0.92623
1,04 0,97844 1,29 0,89904 1,54 0,88818 1,79 0,92877
−t
norte1
e dt
(n) = 0
t
(1/2) =
Fuente: Suhir, E., Probabilidad aplicada para ingenieros y científicos, McGrawHill, Nueva York, 1997,
pag. 555. Reimpreso con autorización de McGrawHill.
315
Machine Translated by Google
Machine Translated by Google
Apéndice 11:
Tabla de rangos de mediana
317
Machine Translated by Google
318 Apéndice 11
Rangos medianos
Tamaño de la muestra
j/n 1 2 3 4 5 6 7 8 9 10
1 50.000 29.289 20.630 15.910 12.945 10.910 9.428 8.300 7.412 6.697
2 70.711 50.000 38.573 31.381 26.445 22.849 20.113 17.962 16.226
3 79.370 61.427 50.000 42.141 36.412 32.052 28.624 25.857
4 84.090 68.619 57.859 50.000 44.015 39.308 35.510
5 87.055 73.555 63.588 55.984 50.000 45.169
6 89.090 77.151 67.948 60.691 54.831
7 90.572 79.887 71.376 64.490
8 91.700 82.038 74.142
9 92.587 83.774
10 93.303
Rangos medianos
Tamaño de la muestra
j/n 11 12 13 14 15 dieciséis 17 18 19 20
1 6.107 5.613 5.192 4.830 4.516 4.240 3.995 3.778 3.582 3.406
2 14.796 13.598 12.579 11.702 10.940 10.270 9.678 9.151 8.677 8.251
3 23.578 21.669 20.045 18.647 17.432 16.365 15.422 14.581 13.827 13.147
4 32.380 29.758 27.528 25.608 23.939 22.474 21.178 20.024 18.988 18.055
5 41.189 37.853 35.016 32.575 30.452 28.589 26.940 25.471 24.154 22.967
6 50.000 45.951 42.508 39.544 36.967 34.705 32.704 30.921 29.322 27.880
7 58.811 54.049 50.000 46.515 43.483 40.823 38.469 36.371 34.491 32.795
8 67.620 62.147 57.492 53.485 50.000 46.941 44.234 41.823 39.660 37.710
9 76.421 70.242 64.984 60.456 56.517 53.059 50.000 47.274 44.830 42.626
10 85.204 78.331 72.472 67.425 63.033 59.177 55.766 52.726 50.000 47.542
11 93.893 86.402 79.955 74.392 69.548 65.295 61.531 58.177 55.170 52.458
12 94.387 87.421 81.353 76.061 71.411 67.296 63.629 60.340 57.374
13 94.808 88.298 82.568 77.525 73.060 69.079 65.509 62.289
14 95.169 89.060 83.635 78.821 74.529 70.678 67.205
15 95.484 89.730 84.578 79.976 75.846 72.119
dieciséis 95.760 90.322 85.419 81.011 77.033
17 96.005 90.849 86.173 81.945
18 96.222 91.322 86.853
19 96.418 91.749
20 96.594
Fuente: Kapur, KC y LR Lamberson. Confiabilidad en el diseño de ingeniería. 1997. Copyright WileyVCH Verlag GmbH
& Co. KGaA. (Reproducido con autorización de John Wiley & Sons, Inc.)
Machine Translated by Google
Apéndice 12:
Tabla de rangos del cinco por ciento
319
Machine Translated by Google
320 Apéndice 12
Tamaño de la muestra
j/n 1 2 3 4 5 6 7 8 9 10
1 5.000 2.532 1.695 1.274 1.021 0,851 0.730 0,639 0.568 0.512
2 22.361 13.535 9.761 7.644 6.285 5.337 4.639 4.102 3.677
3 36.840 24.860 18.925 15.316 12.876 11.111 9.775 8.726
4 47.237 34.259 27.134 22.532 19.290 16.875 15.003
5 54.928 41.820 34.126 28.924 25.137 22.244
6 60.696 47.930 40.031 34.494 30.354
7 65.184 52.932 45.036 39.338
8 68.766 57.086 49.310
9 71.687 60.584
10 74.113
Tamaño de la muestra
j/n 11 12 13 14 15 dieciséis 17 18 19 20
1 0.465 0,426 0,394 0.366 0.341 0.320 0.301 0,285 0.270 0.256
2 3.332 3.046 2.805 2.600 2.423 2.268 2.132 2.011 1.903 1.806
3 7.882 7.187 6.605 6.110 5.685 5.315 4.990 4.702 4.446 4.217
4 13.507 12.285 11.267 10.405 9.666 9.025 8.464 7.969 7.529 7.135
5 19.958 18.102 16.566 15.272 14.166 13.211 12.377 11.643 10.991 10.408
6 27.125 24.530 22.395 20.607 19.086 17.777 16.636 15.634 14.747 13.955
7 34.981 31.524 28.705 26.358 24.373 22.669 21.191 19.895 18.750 17.731
8 43.563 39.086 35.480 32.503 29.999 27.860 26.011 24.396 22.972 21.707
9 52.991 47.267 42.738 39.041 35.956 33.337 31.083 29.120 27.395 25.865
10 63.564 56.189 50.535 45.999 42.256 39.101 36.401 34.060 32.009 30.195
11 76.160 66.132 58.990 53.434 48.925 45.165 41.970 39.215 36.811 34.693
12 77.908 68.366 61.461 56.022 51.560 47.808 44.595 41.806 39.358
13 79.418 70.327 63.656 58.343 53.945 50.217 47.003 44.197
14 80.736 72.060 65.617 60.436 56.112 52.420 49.218
15 81.896 73.604 67.381 62.332 58.088 54.442
dieciséis 82.925 74.988 68.974 64.057 59.897
17 83.843 76.234 70.420 65.634
18 84.668 77.363 71.738
19 85.413 78.389
20 86.089
Fuente: Kapur, KC y LR Lamberson. Confiabilidad en el diseño de ingeniería. 1977. Copyright WileyVCH Verlag
GmbH & Co. KGaA. (Reproducido con autorización de John Wiley & Sons, Inc.)
Machine Translated by Google
Apéndice 13:
Noventa y cinco por ciento
Tabla de rangos
321
Machine Translated by Google
322 Apéndice 13
Tamaño de la muestra
j/n 1 2 3 4 5 6 7 8 9 10
1 95.000 77.639 63.160 52.713 45.072 39.304 34.816 31.234 28.313 25.887
2 97.468 86.465 75.139 65.741 58.180 52.070 47.068 42.914 39.416
3 98.305 90.239 81.075 72.866 65.874 59.969 54.964 50.690
4 98.726 92.356 84.684 77.468 71.076 65.506 60.662
5 98.979 93.715 87.124 80.710 74.863 69.646
6 99.149 94.662 88.889 83.125 77.756
7 99.270 95.361 90.225 84.997
8 99.361 95.898 91.274
9 99.432 96.323
10 99.488
Tamaño de la muestra
j/n 11 12 13 14 15 dieciséis 17 18 19 20
1 23.840 22.092 20.582 19.264 18.104 17.075 16.157 15.332 14.587 13.911
2 36.436 33.868 31.634 29.673 27.940 26.396 25.012 23.766 22.637 21.611
3 47.009 43.811 41.010 38.539 36.344 34.383 32.619 31.026 29.580 28.262
4 56.437 52.733 49.465 46.566 43.978 41.657 39.564 37.668 35.943 34.366
5 65.019 60.914 57.262 54.000 51.075 48.440 46.055 43.888 41.912 40.103
6 72.875 68.476 64.520 60.928 57.744 54.835 52.192 49.783 47.580 45.558
7 80.042 75.470 71.295 67.497 64.043 60.899 58.029 55.404 52.997 50.782
8 86.492 81.898 77.604 73.641 70.001 66.663 63.599 60.784 58.194 55.803
9 92.118 87.715 83.434 79.393 75.627 72.140 68.917 65.940 63.188 60.641
10 96.668 92.813 88.733 84.728 80.913 77.331 73.989 70.880 67.991 65.307
11 99.535 96.954 93.395 89.595 85.834 82.223 78.809 75.604 72.605 69.805
12 99.573 97.195 93.890 90.334 86.789 83.364 80.105 77.028 74.135
13 99.606 97.400 94.315 90.975 87.623 84.366 81.250 78.293
14 99.634 97.577 94.685 91.535 88.357 85.253 82.269
15 99.659 97.732 95.010 92.030 89.009 86.045
dieciséis 99.680 97.868 95.297 92.471 89.592
17 99.699 97.989 95.553 92.865
18 99.715 98.097 95.783
19 99.730 98.193
20 99.744
Fuente: Kapur, KC y LR Lamberson. Confiabilidad en el diseño de ingeniería. 1977. Copyright WileyVCH Verlag
GmbH & Co. KGaA. (Reproducido con autorización de John Wiley & Sons, Inc.)
Machine Translated by Google
Apéndice 14:
Valores críticos para el
KolmogorovSmirnov
Estadística (dα)
323
Machine Translated by Google
324 Apéndice 14
Nivel de significancia (α )
>40 1,07 norte 1,22 norte 1,36 norte 1,52 norte 1,63 norte
Apéndice 15:
Respuestas a los problemas
325
Machine Translated by Google
326 Apéndice 15
3 38,92 1
4 30.31 2
5 27,69 4
6 26.04 6
7 25,86 8
8 26.44 12
13. a. Las edades (km) en el momento del fallo son 51.220, 16.840, 45.380 y 58.130. Las
suspensiones se producen en 47.620 y 29.210. Estos se obtienen restando las lecturas
del odómetro de la siguiente lectura superior.
b. β = 2,16, η = 54.745 km, vida media = 48.483 km
C. desgaste
d. Puede ser curvo, volviéndose más empinado y posible un desgaste más grave.
mi. 18.612 kilómetros, 0,01 $/km, 0,01 $/km
F. Por 20.000 km, 0,01 $/km
gramo. Utilización = 30 × 50.000 = 1.500.000 km/año, repuestos = 84
h. Para reemplazo preventivo a los 20.000 km, número esperado de repuestos para
reemplazo de falla = 8,34
14. a. β = 0,36, η = 31,21 horas, vida media = 136,53 horas
b. No. Reemplazar sólo en caso de falla. Más cautelosamente, extienda la edad de
reemplazo preventivo a, digamos, 30 horas, y verifique si hay algún desgaste.
C. 111, 8,79
15. a. β = 2,26, η = 234.067 km, vida media = 207.330 km
b. 86.598 kilómetros
C. 240.000 kilómetros
80.439 km
ii. Trece reemplazos, 8,5% de reemplazos por fallas
yo $2,500
ii. $500
16. Desgaste, β = 1,64
a. Defecto de diseño
b. No
Apéndice 15 327
1. C(1) = $4500
C(2) = $4225
C(3) = $4065
C(4) = $3989
C(5) = $3973 (mínimo)
C(6) = $3982
C(7) = $4045
C(8) = $4146
2. n = 6 óptimo
Machine Translated by Google
328 Apéndice 15
3.r = 0,91
CAE(1) = $16,698
CAE(2) = $10,558
CAE(3) = $8459
CAE(4) = $7177
CAE(5) = $6824 (mínimo)
CAE(6) = $7244
CAE(7) = $8072
4. C(1) = $110,561
C(2) = $75,639
C(3) = $68,442
C(4) = $67,848 (óptimo)
5. Usando el modelo
norte
i
CAE(n) = − Rn r FRC (n)
norte
A+ Ci r
yo=1
Apéndice 15 329
2. a. C(n) = n Cw + T(r)
0
f (r)dr,
dónde
Cr r
, r nm
b. n = 6 óptimo
330 Apéndice 15
b. β = 2,51, η = 8679 copias, γ = 0 copia, μ = 7701 copias, σ = 3383 copias Del gráfico de Weibull,
R(5000) = 72%. Por lo tanto, el objetivo de confiabilidad en
No se pueden alcanzar 5000 copias.
12.R (100) = 42%
Se supone que los dos modos de falla son independientes entre sí.
Machine Translated by Google
diagrama
Nuevos apéndices
• Máxima probabilidad estimada (MLE)
• Cadenas de Markov y procedimientos de obtención de conocimiento basados en un enfoque bayesiano
a la estimación de parámetros
• Los materiales de aprendizaje electrónico ahora complementan dos apéndices anteriores (Statistics Primer y
Análisis de Weibull)
• Se actualizó el apéndice Lista de aplicaciones de optimización de decisiones de mantenimiento.
Modelos
Firmemente basado en los resultados de investigaciones del mundo real sobre gestión de activos físicos, el libro se
centra en herramientas basadas en datos para decisiones de gestión de activos. Proporciona una base teórica
sólida para varias herramientas (modelos matemáticos) que, a su vez, pueden usarse para optimizar una variedad
de decisiones clave de mantenimiento/reemplazo/confiabilidad. Presenta casos que ilustran la aplicación de estas
herramientas en una variedad de entornos, como las industrias de procesamiento de alimentos, petroquímica,
siderúrgica y farmacéutica, así como los sectores militar, minero y de transporte ( terrestre y aéreo).
Basada en la experiencia de los autores, la segunda edición mantiene el formato que hizo tan popular a la edición
anterior. Cubre teorías y metodologías basadas en el mundo real. En pocas palabras, ningún otro libro disponible
aborda la gama de metodologías asociadas con, o centradas en, herramientas para garantizar que las decisiones
de gestión de activos se optimicen a lo largo del ciclo de vida del producto. Y luego los presenta de una manera
fácilmente digerible y de aplicación inmediata.
K15340