INGENIERIA DE MANTENIMIENTO

“RESOLUCION DEL EXAMEN FINAL”

CUELLAR DAVALOS JESUS …………………….060833-J

1.¿Por qué usamos Weibull?

El uso de la función de distribución de weibull en los estudios de fiabilidad de

componentes debe principalmente a la gran diversidad deformas que este modelo
puede tomar, dependiendo de los valores de los parámetros característico. Esto nos
permite usar un mismo modelo, independiente de en qué forma varié la tasa de
fallos del componente estudiado, simplificando en gran medida la tarea de análisis
de los resultados. Si no usáramos este modelo, cualquier análisis de los resultados
obtenidos durante el ensayo de los componentes implicaría necesariamente un
estudio previo de datos, para determinar cuál de los diferentes modelos existentes
de asemeja más a los datos obtenidos. Esto conllevaría un mayor tiempo de análisis
y una mayor probabilidad de error, debido a que una mala elección del modelo
implicaría dar un resultado erróneo. Al aplicar weibull el estudio previo de los datos
se reduce a una única inspección visual en busca de posibles datos anómalos que
distorsionen los resultados.
2. La vida útil de un semiconductor (en horas) es una variable que tiene
distribución Weibull con B=0.5 y n=1600. ¿Cuál es la probabilidad de que un
conductor este funcionando después de 4000 horas?

La confiabilidad:

𝑡−𝑡0 𝛽
−
𝑅 𝑡=𝑛 = 𝑒 𝑛

4000 0.5
−
𝑅 𝑡 = 4000 = 𝑒 1600 = 0.2057 → 20.57%
3. Se tiene una distribucion de weibull con B=2 y n=2 ¡¿Cuál es la media y la
varianza?

Media:
1
𝐸 𝑥 = 𝜂Γ 1 +
𝛽

1
𝐸 𝑥 = 2Γ 1 + = 2.6586
2

Varianza:

2 1
𝑉𝑎𝑟 𝑥 = 𝜂2 Γ 1 + − Γ2 1 +
𝛽 𝛽

2 1
𝑉𝑎𝑟 𝑥 = 22 Γ 1+ 2
−Γ 1+ = 0.9314
2 2
4. ¿QUÉ OBTENEMOS AL APLICAR EL MODELO DE WEIBULL?

Al aplicar Weibull se obtiene la distribución de fallos del conjunto de donde proviene la

muestra, únicamente ajustando los parámetros del modelo al
conjunto de componentes ensayados. Los parámetros característicos de la función de
Weibull se pueden extraer directamente de la muestra, usando
paraeste fin diferentes métodos que se explicarán más adelante. Esto permiteconseguir un
modelo estadístico que representa con mayor o menor
exactitudla distribución de los fallos del conjunto o lote de donde provienen los
componentes ensayados. Al conocer la distribución de los fallos, se puede responder a
preguntas del tipo: ¿Cuantos componentes fallarán durante el primer año?, ¿Cuánto
tiempo de garantía tendrá que tener el componente para que únicamente fallen el 1%
durante ese periodo? etc. A parte de las preguntas anteriores, el modelo obtenido también
permite responder a una pregunta tan importante para nuestro departamento como: ¿El
5% de los componentes del lote fallarán por encima o por debajo del target? que es el
criterio usado para decidir si un lote es OK o NG.
5. Se moldearon los tiempos de reparación de un activo con la distribución de Weibull
y se obtuvieron los siguientes parámetros: 𝛽=2.9 y 𝜂=29minutos.¿calcular la
probabilidad de ser reparado en los tiempos t=20minutos, y t=35minutos?.

Función de manteanibilidad:
𝑡−𝑡0 𝛽
−
𝑀 𝑡 =1−𝑒 𝑛

Para t=29

20 2.9
− 29
𝑀 𝑡 =1− 𝑒 = 0.2885 → 28.85%

Para t=35

35 2.9
− 29
𝑀 𝑡 = 1− 𝑒 = 0.8218 → 82.18%
6) Explique los criterios estadísticos de ajuste, error típico, variación, error estándar
del estimado, coeficiente de determinación muestral y el ajustado, coeficiente de
correlación múltiple, etc., para validar las alineaciones y explique en cada caso sus
usos sus usos y aplicaciones, sus rangos de validez y sus diferencias.
 Ajuste
Califica el grado de distancias en Y tanto por encima como por debajo de la recta
alineada. Debe ser igual o tender a cero, manifiesta el centra miento de la
alineación en el eje Y, muestra si se compensan las diferencias en Y por encima y
por debajo de la recta, es un indicador débil de la alineación. Yˆ son los valores
estimados correspondiente a cada Y.
Ajuste = å Y j - Yˆ j 

 Coeficiente de Determinación Muestral r2 y Ajustado

Evalúa la fuerza, extensión o grado de asociación que existe entre los puntos
correspondientes de las dos variables Y y X. Debe acercarse a uno (1) y se
permite como aceptable entre un rango de 0.9025 y 1.0000.
Últimamente se usa también otra prueba más fuerte en los procesos de
alineación, se denomina Coeficiente de
Determinación Muestral Ajustado, se estima mediante la expresión:

Donde N es el número total de eventos, j el evento en particular e i el

número de variables correlacionadas, en el caso particular de
alineación de F (t) o de M (t) son dos variables, i = 2. Los valores de r2
ajustado deben estar entre 0.90 y 1.000.
Coeficiente de Correlación.
Es una medida de qué tan bien el modelo se ajusta en la regresión lineal, e indica
la correlación existente entre los datos y el estimador de no confiabilidad o de
mantenibilidad, denota el valor de la correlación y el signo informa sobre el
sentido inverso o directo de la correlación entre la variables Y y X. Los valores
cercanos a uno o menos uno, presentan una alta correlación, en tanto que los
valores cercanos a cero no tienen ninguna correlación con el modelo lineal
(McClave, 1999,371). Se considera aceptable cuando se está entre 0.95 y 1.

Donde r es el coeficiente de correlación, Y y X son los valores reales iniciales,

Y y X son las medias o promedios de los valores reales originales de t y F (t) o
de M (t).
El método de mínimos cuadrados es bastante bueno para las distribuciones que
pueden ser alineadas; afortunadamente, la mayoría de las distribuciones usadas
en el análisis de fallas son de este tipo. Para estas distribuciones los cálculos son
relativamente sencillos y poseen una buena bondad de ajuste a través del factor
de correlación.

9) Determina:
¿En qué consisten los modelos de bondad de ajuste?
Describe cuán bien se ajusta un conjunto de observaciones. Las medidas de
bondad en general resumen la discrepancia entre los valores observados y los
valores esperados en el modelo de estudio. Tales medidas se pueden emplear
en el contraste de hipótesis, e.g. el test de normalidad de los residuos,
comprobar si dos muestras se obtienen a partir de dos distribuciones idénticas
(ver test de Kolmogorov-Smirnov), o si las frecuencias siguen una distribución
específica (ver chi cuadrado).
¿Para qué sirve?
Determina en qué % la línea de regresión toma los diferentes puntos de
observación o mide en qué % las variables exógenas del modelo explican la
variación de la variable endógena.
¿Cómo se usan?
Se usan en estadísticas que proporcionan una gran cantidad de pruebas que
se pueden realizar para determinar si una muestra de datos corresponde a
una distribución específica; entre ellas están la Ji2, la de Kolmogórov, la de
Kolmogórov-Smirnov, la de Anderson-Darling, la de Cramer von Mises, la de
Watson, la de Kuiper, entre otras (Software Statgraphics). A efectos de
comprobación en el método CMD propuesto en la Ilustración 25 - Modelo
universal e integral, propuesto para la medición CMD se realizan Ji2 , la de
Kolmogórov-Smirnov y la de Anderson-Darling ya que son bastante comunes y
se pueden desarrollar con muchos softwares existentes, a la vez que se
complementan unas con otras.
Establezca una diferencias entre Anderson- Darling y kolmogorov-Smirnov

 La prueba de Anderson-Darling (A-D114) se usa para probar si una

muestra de datos proviene de una población con una distribución
específica. Esta prueba es una modificación de la prueba K-S en la cual
se da más peso a los valores extremos o colas. La prueba A-D hace uso
de la distribución específica para el cálculo de los valores críticos; esto
le da la ventaja de hacerla más sensible a la prueba y su desventaja es
que requiere el cálculo del valor crítico para cada distribución de datos
(NS@, 1999). La mayoría de los programas estadísticos ofrecen esta
prueba.
 La prueba de bondad de ajuste de Kolmogórov-Smirnov (K-S113) se usa
para decidir si una muestra de datos proviene de una población con una
distribución específica; la prueba está basada en la función de distribución
acumulada empírica (FDAE).La prueba K-S es una medida definida como el
máximo valor de la diferencia absoluta entre dos funciones de distribución
acumulada. Entre sus ventajas se encuentra que no depende de la
distribución con la cual es comparada, lo que le da un alto grado de
independencia y de exactitud, es decir, tiene una relación estricta respecto
al número de datos y no hay que modificarla para que sea válida. Entre sus
desventajas están que tiende a ser más sensible cerca al centro de la
distribución que hacia los extremos o colas.