Beruflich Dokumente
Kultur Dokumente
P(X)
Informacin
Fechas de; Programacin de actividad Ocurrencia del suceso Solicitud de la intervencin o reporte de suceso Realizacin de actividad Horas Programacin de actividad Ocurrencia del suceso Solicitud de la intervencin o reporte de suceso Realizacin de actividad Activo al cual le ocurre un evento o se realizara una accin
http://lh5.ggpht.com
P(X)
Informacin
Tipo de suceso ocurrido o programado: Instalacin Puesta en marcha Ajuste Reparacin Revisin
P(X)
http://www.boletin-grafico.com
Informacin
Costos Mano de obra Repuestos Trabajos externos
P(X)
http://imagenes.acambiode.com
ObjetivodelaInformacin
Categorizarvariablesdeacuerdoalosniveles deimpactoocasionadosdentrodelprocesoen elcualestninmersasyalasmetasde compaaquepermitantrazarplanesde mejoramientodentrodelrea.
P(X)
http://www.cepvi.com/
Laprobabilidad
Probablemente...","espocoprobableque...", "haymuchasposibilidadesdeque..." Incertidumbre
P(X)
http://gonzalezdelariva.files.wordpress.com
Incertidumbre
Expresin del grado de desconocimiento de una condicin futura (por ejemplo, de un sistema o equipo). Debidaa: Faltadeinformacin Desacuerdosobreloquesesabeoloquepodrasaberse
P(X)
Confiabilidad Confiar
adj. Dicho de una persona o de una cosa: En la que se puede confiar. http://www.wordreference.com
SituacionesdeIncertidumbre
Certidumbre subjetiva: Se preve subjetivamente un solo resultado posible para el futuro (p.e.: pronstico de un determinado volumen de ventas). En este caso se planea con certeza subjetiva Riesgo subjetivo: sabiendo que el futuro es incierto, se aceptan como posibles varios resultados. Incertidumbre pura o subjetiva: se observan mltiples distribuciones con pronsticos ,de distribucin de probabilidades sobre bases inciertas (economa, mercado, competencia, etc.).
P(X)
CriteriosdeRacionalidad
1.Criterio de Laplace: Toma su decisin con el criterio del valor esperado, es decir, la ausencia de conocimiento sobre el estado de la naturaleza equivale a afirmar que todos los estados son equiprobables. 2.Criterio optimista: Supone que la naturaleza es benvola; por lo tanto elige siempre lo mejor. 3.Criterio pesimista o de Wald: Supone que la naturaleza es malvola y, analizando por ejemplo cada estrategia, considera la peor situacin que pueda presentarse. Una vez halladas las peores situaciones para cada estrategia, elige de entre ellas la mejor. 4.Criterio intermedio o de Hurwicz: El tomador de la decisin tiene cierto coeficiente que es ndice de su grado de optimismo y que vara entre cero y uno.
P(X)
Espaciomuestral (U )
Conjuntouniversodetodos losresultadosposiblesdeun experimentodado.
P(X)
http://gaiaxxi.trota-mundos.com
Espaciomuestral (U ) Ejemplos
1 ) Si el experimento se basa en la eleccin de un dgito, entonces el espacio muestral es: U = {0,1,2,3,4,5,6,7,8,9} 2 ) Lanzamiento de monedas: Si el experimento se basa en el lanzamiento de una moneda, el espacio muestral tiene dos elementos, cara ( c ) y sello ( s ): U = {c,s} 3) Garanta de productos: Si el experimento se basa en encontrar el numero de balineras que presentan fallas en un periodo determinado U = { Descamacion ,Desgaste, Rayaduras,Fractura, Jaula Daada, Corrosion, Deslizamiento, Grietas,Sobrecalentamiento, Corrosion Electrica, Patinaje, Abolladuras, Agarrotamiento. }
P(X)
SucesooEvento
Cada subconjunto del espacio muestral se llama suceso ( o evento ) . Si consta de un solo elemento se le dice evento elemental.
P(X)
Ejemplo Sean U el espacio muestral formado por los 10 dgitos, A y B eventos tales que: A ocurre si y slo si el dgito es par. B ocurre si y slo si el dgito es mltiplo de 3. Entonces: A = {0,2,4,6,8} B = {0,3,6,9}
Probabilidad
Frecuenciaconlaqueocurreunresultadoenun experimentobajocondicionessuficientemente estables.
P(X)
P(X)=nX=CantidadderesultadosqueimplicanlaaparicindeX
N Cantidadtotalderesultados
DefinicinaxiomticadeProbabilidad P(X)
SeaU:espaciomuestral yP(U)conjuntodelas partesdeU Sedefineprobabilidad,ofuncinde probabilidad,acualquierfuncinp:P(U)K; quecumplalosaxiomassiguientes:
i) p(A) 0 A P(U) ii) p(A1 A2 A3 ...) = p(A1) + p(A2) + p(A3) + ... si Ai Aj = i j (sucesos mutuamente excluyentes) iii) p(U) = 1
Propiedadesdelaprobabilidad
1) p(Ac) = 1 - p(A)
Ac representa el suceso complementario de A, es decir el formado por todos los resultados que no estn en A.
P(X)
2) A1 A2 p(A1) p(A2) 3) p() = 0 4) p(A) 1 5) p(A B) = p(A) + p(B) - p(A B) (Regla general de la adiccin)
ProbabilidadCondicionada
LaprobabilidaddequeocurraelsucesoAsiha ocurridoelsucesoBsedenominaprobabilidad condicionada.
P(X)
ProbabilidadCompuesta
Laprobabilidaddequesedensimultneamentedossucesos(suceso interseccindeAyB)esigualalaprobabilidadaprioridelsucesoA multiplicadaporlaprobabilidaddelsucesoBcondicionadaalcumplimiento delsucesoA.
P(X)
ProbabilidadTotal
Permitecalcularlaprobabilidaddeunsucesoa partirdeprobabilidadescondicionadas
P(X)
TeoremadeBayes
A partirdequehaocurridoelsucesoBdeducimoslas probabilidadesdelsuceso.
P(X)
TeoremadeBayes Ejemplo
Elpartemeteorolgicohaanunciadotresposibilidadesparaelfinde semana: a)Quellueva:probabilidaddel50%. b)Quecaigagranizo:probabilidaddel30% c)Quehayaniebla:probabilidaddel20%.
P(X)
TeoremadeBayes Ejemplo
Segnestosposiblesestadosmeteorolgicos,la posibilidaddequeocurraunaccidenteeslasiguiente: a)Sillueve:probabilidaddeaccidentedel20%. b)Sicaegranizo:probabilidaddeaccidentedel10%. c)Sihayniebla:probabilidaddeaccidentedel5%.
P(X)
TeoremadeBayes Ejemplo
Resultaqueefectivamenteocurreunaccidenteycomonoestbamosen laciudadnosabemosquetiempohizo(cayogranizo,llovi ohubo niebla). ElteoremadeBayes nospermitecalcularestasprobabilidades: Lasprobabilidadesquetenemosantesdeconocerquehaocurridoun accidentesedenominan"probabilidadesapriori" (lluviaconel50%, granizoconel30%ynieblaconel20%).
P(X)
TeoremadeBayes Ejemplo
a)Probabilidaddequeestuvieralloviendo:
P(X)
TeoremadeBayes Ejemplo
a)ProbabilidaddequeestuvieracayendoGranizo:
P(X)
http://www.elpais.com
TeoremadeBayes Ejemplo
a)Probabilidaddequehubieraniebla:
P(X)
www.ictisp.com
Teoremas
TEOREMA 1. Si es un evento nulo o vaco, entonces la probabilidad de que ocurra debe ser cero. p()=0
P(X)
Teoremas
La probabilidad del complemento de A, Ac debe ser, p(Ac)= 1 p(A)
P(X)
Ac
Teoremas
TEOREMA3.SiuneventoA B,entonceslap(A) p(B).
P(X)
B A B\A
Teoremas
TEOREMA4.Lap(A\ B)=p(A) p(AB)
P(X)
A\B
A B
Teoremas
TEOREMA5.ParadoseventosAyB,p(AB)=p(A)+p(B) p(AB).
A A B B
P(X)
COROLARIO
Para tres eventos A, B y C, p(ABC) = p(A) + p(B) + p(C) p(AB) p(AC) (BC) + p(ABC).
A B ABC
C A C B C
DistribucionesProbabilsticas Normal
Funcin densidad normal 0,05 0,04 f(x) 0,03 0,02 0,01 0 0 20 40 x 60 80
P(X)
f (x) =
1 e 2
( x )2 2 2
DistribucionesProbabilsticas
Binomial
f(x) distribucin binomial 0,2 0,15 f(x) 0,1 0,05 0
P(X)
11
13
15
17
19
21
23
Supongamos que un experimento aleatorio tiene las siguientes caractersticas: En cada prueba del experimento slo son posibles dos resultados: el suceso A (xito) y su contrario (fracaso). El resultado obtenido en cada prueba es independiente de los resultados obtenidos anteriormente. La probabilidad del suceso A es constante, la representamos por p, y no vara de una prueba a otra. La probabilidad de es 1- p y la representamos por q . El experimento consta de un nmero n de pruebas.
25
P(X)
Siendo el combinatorio
DistribucionesProbabilsticas
Geomtrica
f(x) distribucin geomtrica 0,3 0,25 0,2 f(x) 0,15 0,1 0,05 0
P(X)
10
12
14
16
18
20
22
24
DistribucionesProbabilsticas Poisson
f(x) distribucin Poisson
0,16 0,14 0,12 0,1 f(x) 0,08 0,06 0,04 0,02 0
P(X)
10
12
14
16
18
20
22
24
DistribucionesProbabilsticas Exponencial
Funcin densidad distribucin exponencial 0,6 0,5 0,4 ) 0,3 x ( f 0,2 0,1 0 0 5 10 15 x 20 25 30 35
P(X)
DistribucionesProbabilsticas
Otras
Distribucin de Gauss Distribucin de Gauss Multivariada Distribucin X2 Distribucin de Weibull
P(X)
Herramientas Pareto
TPMPareto
Frecuencia Fallas
40 35 30 25 20 15 10 5 0 F1 F2 F3 F4 36 27 72% 41% 9 5 4 4 1 F7 1 F8 1 0 120% 100% 97% 98% 99% 100% 100% 88% 92% 82% 80% 60% 40% 20% 0% F5 F6 F9 OTRAS
P(X)
Fallas
www.mantonline-rcm.com
Herramientas
PromediooMediaAritmtica
Es el valor resultante que se obtiene al dividir la sumatoria de un conjunto de datos sobre el nmero total de datos.
P(X)
Anlisis espectral de las mediciones obtenidas en la vlvula de prueba, donde podemos ver lo siguiente: Punto A color blanco, Punto B color verde, Punto C color celeste, Punto D color Rojo. De acuerdo a ste espectro podemos confirmar la presencia de una fuga en la vlvula, vemos como el punto C tiene una medida superior a la del punto A y B. Esto es porque en el punto C, que es el punto inmediato posterior aguas debajo de la vlvula, es la zona donde se acaba de formar la turbulencia de la fuga.
DistribucindeWeibullcomo herramientadePrediccin
La distribucin de Weibull es una herramienta estadstica usada generalmente para estimaciones de supervivencia, en este caso es usada en relacin a las fallas aparecidas en determinado sistema. Es una aproximacin a una distribucin normal y a una exponencial.
P(X)
Weibull yConfiabilidad
Recordemos que Nolan y Heap encontraron diferentes combinaciones para la curva trazada con Weibull
P(X)
Weibull
P(X)
Weibull
X
P(X)
P(X)
F(t) esta determinado por los rangos que utilicemos.
Rangos Pequeos
Weibull
Confiabilidad significa el mnimo tiempo que el equipo funcionar con seguridad antes de fallar. La variable caracterstica es similar a la media y representa un valor de t debajo del cual se encuentra el 63.2% de los datos. El parmetro de forma o geomtrico controla la asimetra de la distribucin.
P(X)
Weibull
Beta = Pendiente , de la curva que
tracemos con los datos y el calculo realizado para hallar X & Y
P(X)
Eta ()=
1
(Intercepto / Pendiente)
Weibull
Ejemplo
Se tiene la siguiente informacin para la Moto Bomba Impulsora - BIE-1012. Para lo cual debemos calcular el Tiempo entre fallas acumulado y ordenar su aparicin, as;
P(X)
TiempoentrefallasacumuladoyP(X) ordendeAparicin
RangoMedio
P(X)
HallandoX
P(X)
HallandoY
P(X)
La pendiente y el intercepto
Intercepto -15,50283037 Beta 3,28780429 Pendiente 3,28780429 Eta 111,6370969
P(X)
www.mantonline-rcm.com
Comportamientode
mortalidad infantil. Componentes electrnicos y mecnicos a menudo tienen altos ndices de fracaso en su inicio. Algunos componentes son "quemados" antes de su uso, mientras que otros requieren cuidadosa atencin despus de la instalacin.
P(X)
<1, Implica la
azar. Estas fallas son independientes del momento en que una parte antigua es tan buena como una parte nueva. Revisiones de mantenimiento no son apropiadas. Condicin de control e inspeccin son las estrategias utilizadas para detectar la aparicin de fallas, y reducir sus consecuencias .
Implica el desgaste precoz. Las fallas de este tipo,generalmente, no se espera dentro de la fase de diseo. Las fallas en mecanismos tales como corrosin, erosin, la fatiga de bajo ciclo aparecen. Mantenimiento a menudo implica retrabajos o tareas de prolongacin de vida til.
1<<4,
final de la vida. La renovacin es una actividades de mantenimiento mas apropiadas. Fallas relacionades con la edad son el estrs, aparicin de fisuras por corrosin, fluencia, fatiga y erosin.
Puntos de la Curva
P(X)
Curva
Funcion de Distribucion Acumulada
Observado Estimado
P(X)
100% 90% 80% 70% 60% 61.43% 50% 40% 30% 20% 10% 0% 0 Probabilidad de Falla
50
110 100
150
200
250
Tiempo
www.mantonline-rcm.com
www.mantonline-rcm.com
Ejemplos Pareto
Se dispone de los datos de un equipo como se muestra en la siguiente tabla.
P(X)
Ejemplos Pareto
P(X)
Luego hay que ordenar la informacin agrupndola por falla ocurrida en forma descendente
Ejemplos Pareto
Sumamos el total de fallas y hallamos el porcentaje que cada una de ellas representa del total y lo vamos acumulando
P(X)
Ejemplos Pareto
P(X)
www.mantonline-rcm.com
Weibull
Para la intervencin de una maquina , se conocen los siguientes datos: Costo de mantenimiento preventivo: Costo de Falla del servicio: Modelo de Vida, distribucin de Weibull: Determinar el tiempo optimo de intervencin. US$600 US$3.000 =600 y =3
P(X)
Nota: el costo de mantenimiento preventivo incluye el costo de repuestos nuevos y mano de obra. El costo de falla del servicio incluye costo de repuestos nuevos, mano de obra y los costos por perdida de produccin.
Weibull
Solucin El costo total del mantenimiento ser:
P(X)
C=Cp+Cd*{1-R(t)} = Cp+Cd*
= 600+3.000 *
(t) 3
1-
600
{ }
(t-)
1-
Weibull
P(X)
OptimizacinBasadosenCosto
Usando la informacin calculada hasta el momento para el ejemplo de la distribucin de Weibull, y conociendo los costos del mantenimiento preventivo y el correctivo, podemos hallar el punto optimo de intervencin, referidos a dichos costos, para lo cual, introduciremos el valor de gamma, el cual nos ayuda a ajustar los clculos debido a su similitud a una distribucin exponencial y el ajuste de la varianza para el calculo.
P(X)
OptimizacinBasadosenCosto
Y que
P(X)
OptimizacinBasadosenCosto
Donde:
P(X)
h*(G1-G2*(1-F(G)((l*t)^b1/b)/b)
Puntospara laCurva
P(X)
www.mantonline-rcm.com
PuntoOptimoTradicional
P(X)
www.mantonline-rcm.com
PuntoOptimo
P(X)
PuntoOptimoconWeibull
P(X)
www.mantonline-rcm.com
P(X)
ConfiabilidadelCaminoala COMPETITIVIDAD
Juan Carlos Orrego Barrera Ingeniero Mecnico Especialista en Finanzas Preparacin y Evaluacin de Proyectos www.mantonline-rcm.com